GPT-Modelle im Business-Einsatz

Transcript

1. GPT-MODELLE IM BUSINESS-EINSATZ Jörg Neumann
2. THEMEN  AI Development  Business App Development  Frontend Technologies  Development, Consulting, Coaching, Training KONTAKT  Mail: joerg.neumann@neogeeks.de  LinkedIn: www.linkedin.com/in/jörgneumann  X: @JoergNeumann  Web: www.neogeeks.de JÖRG NEUMANN Founder & CEO NeoGeeks GmbH Azure OpenAI Service, Azure Machine Learning Platform
3. BUSINESS SZENARIEN MARKETING  Werbetexte und Bilder generieren  Automatisch Hashtags erzeugen DOKUMENTEN-GENERIERUNG  Erstellung von Standarddokumenten (Arbeitsverträgen, Arbeitsbescheinigung, Elternzeit, …)  Entwicklung von Trainingsunterlagen und techn. Dokumentation  Generierung wiederkehrender Mails
4. BUSINESS SZENARIEN HR  Onboarding Buddy  Unterstützt neue Mitarbeiter per Chat  Wird mit Dokumenten des Unternehmens trainiert  Integration in Teams, inkl. Input Dialogen SERVICE  Chat für technische Dokumentation  Abfrage von Datenbank mit natürlicher Sprache  Automatisierung von Callcenter-Prozessen
5. OPEN SOURCE MODELS  Llama 2  Falcon  Dolly v2  Mistral GPT-4 GPT-4-32k GPT-3.5-Turbo Text Embeddings Ada Davinci / Babbage Dalle3 OpenAI Models Whisper LARGE LANGUAGE MODELS (LLMs)
6. AI IN AZURE AZURE OPENAI SERVICE  Modelle von OpenAI  Endpoint für eine API-Zugriff  Verfügbare Modelle hängen von Region ab AZURE OPENAI STUDIO  Bereitstellung und Konfiguration der Modelle
7. DEMO Azure OpenAI Studio Quelle: https://oai.azure.com
8. import openai openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=[ {"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "Who won the world series in 2020?"}, {"role": "assistant", "content": "The Los Angeles Dodgers won the …"}, {"role": "user", "content": "Where was it played?"} ] ) Frage System Message Antwort Chat FEW-SHOT LEARNING GPT- Basismodell
9. DEMO Few-Shot Learning Quelle: https://oai.azure.com
10. Frage Funktions- beschreibung Chat FUNCTION CALLS GPT- Basismodell Funktion Frage + Ergebnis Antwort Ist Antwort Function Call?
11. FUNCTION CALLS import openai import json # Example dummy function hard coded to return the same weather # In production, this could be your backend API or an external API def get_current_weather(location, unit="fahrenheit"): """Get the current weather in a given location""" weather_info = { "location": location, "temperature": "72", "unit": unit, "forecast": ["sunny", "windy"], } return json.dumps(weather_info)
12. FUNCTION CALLS def run_conversation(): # Step 1: send the conversation and available functions to GPT messages = [{"role": "user", "content": "What's the weather like in Boston?"}] functions = [ { "name": "get_current_weather", "description": "Get the current weather in a given location", "parameters": { "type": "object", "properties": { "location": { "type": "string", "description": "The city and state, e.g. San Francisco, CA", }, "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}, }, "required": ["location"], }, } ] response = openai.ChatCompletion.create( model="gpt-3.5-turbo-0613", messages=messages, functions=functions, function_call="auto", # auto is default, but we'll be explicit ) response_message = response["choices"][0]["message"]
13. response_message = response["choices"][0]["message"] # Step 2: check if GPT wanted to call a function if response_message.get("function_call"): # Step 3: call the function # Note: the JSON response may not always be valid; be sure to handle errors available_functions = { "get_current_weather": get_current_weather, } # only one function in this example, but you can have multiple function_name = response_message["function_call"]["name"] function_to_call = available_functions[function_name] function_args = json.loads(response_message["function_call"]["arguments"]) function_response = function_to_call( location=function_args.get("location"), unit=function_args.get("unit"), ) FUNCTION CALLS
14. FUNCTION CALLS # Step 4: send the info on the function call and function response to GPT messages.append(response_message) # extend conversation with assistant's reply messages.append( { "role": "function", "name": function_name, "content": function_response, } ) # extend conversation with function response second_response = openai.ChatCompletion.create( model="gpt-3.5-turbo-0613", messages=messages, ) # get a new response from GPT where it can see the function response return second_response
15. SEMANTIC KERNEL ÜBERBLICK  Open Source Framework von Microsoft  Entwicklung von AI-driven Applications  Erleichtert Interaktion zwischen Model und Code  Entwicklung in C#, Java oder Python  Unterstützt div. Modelle (OpenAI, Azure OpenAI, Hugging Face, ...)  basiert auf MS Copilot System Architecture  Repo, Docs, Recipes, Tools
16. DEMO Semantic Kernel Tutorials: https://learn.microsoft.com/en-us/semantic-kernel Samples: https://github.com/microsoft/semantic-kernel
17. RETRIEVAL AUGMENTED GENERATION (RAG) ZIEL  Modell um externe Datenquellen erweitern  domänenspezifisches Wissen integrieren  Modell muss nicht trainiert werden
18. RETRIEVAL AUGMENTED GENERATION Frage eigene Daten abfragen Ergebnisse zum Prompt hinfügen Model abfragen Antwort
19. RETRIEVAL ARGUMENTED GENERATION (RAG) Chunk Chunk Chunk Chunk Embeddings Embeddings Embeddings Embeddings Vector Database PDF Dokument Benutzer- suche Embeddings Search Antwort LLM Ergebnisse gewichten
20. PROMPT ENGINEERING Beantworte die Frage basierend auf dem unten stehenden Kontext. Wenn die Frage nicht mit den bereitgestellten Informationen beantwortet werden kann, antworte mit 'Ich weiß es nicht‘. Kontext: Große Sprachmodelle (LLMs) sind die neuesten Modelle, die in der NLP verwendet werden. Ihre überlegene Leistung gegenüber kleineren Modellen hat sie unglaublich nützlich für Entwickler gemacht. Diese Modelle können über die 'transformers'-Bibliothek von Hugging Face, über OpenAI mit der 'openai'- Bibliothek und über Cohere mit der 'cohere'-Bibliothek abgerufen werden. Frage: Welche Bibliotheken und Modellanbieter bieten LLMs an? Instruktionen Prompt externe Informationen Welche Bibliotheken und Modellanbieter bieten LLMs an?
21. UMSETZUNG HERAUSFORDERUNGEN  Tabellen und Abbildungen in Dokumenten  Antworten haben keine Quellenangaben  Antworten können veraltet sein  Das Model kann halluzinieren  Kontext auf bestimmte Daten beschränken  Inhaltsfilter
22. UMSETZUNG CODING  Python, C#, Java FRAMEWORKS  LangChain, LlamaIndex, …  Semantic Kernel  Spring AI VECTOR STORES  Pinecone, Chroma, Milvus, Qdrant, …
23. Dokumente Table Storage Blob Storage AI Search OpenAI Service DB-Daten App ARCHITEKTUR
24. DEMO Chat Web App Template https://github.com/microsoft/sample-app-aoai-chatGPT API-Zugriff https://learn.microsoft.com/en-us/azure/ai-services/openai/use-your-data-quickstart
25. FAZIT  Azure OpenAI bietet eine einfache Möglichkeit AI-Modelle zu nutzen  Einbindung über APIs für Python, JavaScript, .NET und Java möglich  RAG ist ein komplexes Pattern  Zahlreiche Frameworks und Tools erforderlich  Azure OpenAI und Azure AI bietet eine einfache Low-Code-Umgebung
26. "The electric light did not come from the continuous improvement of candles." Oren Harari, Wirtschaftsprofessor NeoGeeks AI Workshops Generative AI eröffnet viele neue Möglichkeiten in diversen Geschäftsbereichen. Ob als Chat im Kundensupport, als Unterstützung im Vertragsmanagement, dem Texten und Entwerfen von Logos im Marketing oder als Hilfe beim Onboarding neuer Mitarbeiter*innen – das Feld an Möglichkeiten ist vielfältig. Doch auch die Themen Datenschutz und IT-Sicherheit müssen hierbei berücksichtig werden. Wir möchten Euch helfen von den neuen Möglichkeiten zu profitieren! Dazu bieten wir Euch individuelle Workshop an, in denen wir zeigen, wie Ihr AI-Modelle in Eurem Unternehmen sicher betreiben und mit Eurem domänenspezifischen Wissen trainieren könnt. Wir unterstützen Euch beim Finden von sinnvollen Einsatzszenarien, dem Sammeln und Aufbereiten der erforderlichen Daten, bis hin zur Integration in Eure IT- Landschaft. Wir helfen Euer AI-Vorhaben zu realisieren. AI Ideation Workshop • Einordnung des Themas und der Möglichkeiten • Ideenfindung im Kontext des eigenen Geschäfts • Zielgruppe: Entscheider • Dauer: ½ Tag › Die Agenda kann individuell auf Eure Bedürfnisse angepasst werden. › Wir führen die Workshops je nach Bedarf bei Euch im Haus oder remote durch. › Im Anschluss erhaltet ihr neben dem Folienmaterial eine Dokumentation der diskutierten Themen, sowie eine Empfehlung für das weitere Vorgehen. › Die Workshops werden durch Jörg Neumann durchgeführt. Er ist Microsoft MVP für die Bereiche Azure OpenAI Service und Azure Machine Learning Platform und verfügt über langjährige Erfahrung im AI-Umfeld. Kontakt: joerg.neumann@neogeeks.de AI Exploration Workshop • Überblick der technischen Möglichkeiten • Entwurf eines Projekts oder PoC • Projektplanung und Setup • Zielgruppe: Architekten • Dauer: 1 Tag AI Developer Training • Technisches Training zu GenAI • Anpassen von Modellen • Entwickeln von AI-Lösungen • Zielgruppe: Entwickler • Dauer: 2 Tage Coaching und Mentoring • Beratung und Projekt- begleitendes Coaching Development Power • Unterstützung für Euer Team • Entwicklung Eurer Lösung
27. Q& A