上周我们讨论了如何通过网络用户界面使用生成AI，或者将其内置到软件应用中。本周我们将看看如何使用生成AI构建许多令人惊叹的软件应用，我们还将探讨一些超越仅仅提示的技术选项，这些选项允许您用生成AI做更多的事情，例如让它操作您自己的专有文档，而不仅仅是从互联网上的公共资源中学习。让我们来看看，上周我们看到了一些使用生成AI的应用示例，例如编写答案来回答可能需要访问有关您公司停车政策的信息的问题。
或者阅读互联网上的餐厅评论以帮助声誉监控，或者构建一个聊天机器人来帮助接受食物订单。事实证明，尽管像这样的一些应用在生成AI兴起之前确实存在并且被构建了。生成AI使构建这些应用变得更加容易，并且在许多情况下使它们工作得更好。
让我用阅读餐厅评论以进行声誉监控的例子来说明。几年前，如果你想构建一个阅读餐厅评论的系统，你需要编写很多看起来像这样的软件代码。需要机器学习工程师编写的软件页面和页面。
具体来说，构建一个餐厅声誉监控评论系统的过程会是这样的。你会使用监督学习。这是将输入A映射到输出B的技术，如果我正在构建这个系统，我会首先收集可能几百个或几千个数据点。例如这样的例子，我会有一个评论，我吃过的最好的汤包。听起来很美味。将其标记为正面评论。五彩斑斓的桌布让我微笑。这是正面的。或者等三个月不值得，这将是一个负面评论。构建系统的过程涉及首先获得标记数据，然后找到一个AI团队来帮助根据数据训练AI模型，学习如何根据不同的输入A输出正面或负面。然后，你可能需要找到一个云服务，如AWS、Google Cloud或Azure来部署和运行模型，以便当你然后输入我吃过的最好的珍珠奶茶时，它会希望识别这是积极的情绪。这个过程通常需要几个月。
相比之下，如果你使用基于提示的开发，这是你需要开发情感分类器的代码。首先，这是我们在代码中指定提示的方式。我的提示，我已经设置为两部分文本。有指令文本，将以下评论分类为具有正面或负面情绪。然后这里是评论文本。在代码中指定提示后，我只需要一行代码来调用大型语言模型以获得响应，然后我将让它显示或打印响应。这几乎就是构建这样一个系统所需要的所有代码。
事实上，在下一个视频中，我将分享一个你可以尝试自己使用这个代码的可选练习。而与使用监督学习构建情感分类器的传统方法相比，该项目的时间表可能需要一个月才能获得比如说1000个带有1000个评论和正负标签的标记示例。在收集数据之后，可能需要一个团队，比如说三个月的时间在数据上训练AI模型，然后再花三个月的时间部署它，并确保它运行良好、坚固和健壮。我不知道这对你来说是否看起来很长，但对于我合作过的许多真正优秀的机器学习团队来说，6-12个月的时间表对于构建和部署一个有价值的AI模型来说是相当现实的。这个方法有效，对很多应用程序来说非常有价值，但这就需要很长时间。
相比之下，对于基于提示的AI，感觉就是这样。你可以在几分钟或几小时内指定一个提示，然后在几小时或几天内部署模型。
现在有很多应用程序以前需要我和非常优秀的机器学习团队可能需要6-12个月来构建，而今天我认为全世界有数百万人现在可以在几天或一周内构建。这太棒了，因为这种降低构建此类应用程序的门槛正在导致更多AI应用程序的蓬勃发展。需要注意的一点是，正如我们上周讨论的那样，生成AI对于非结构化数据（如文本、图像和音频）的工作效果要好得多。但是，尽管有这个重要的限制，构建在生成AI之上的应用程序的数量正让社区做得比以往任何时候都多。
参考
https://www.coursera.org/learn/generative-ai-for-everyone/lecture/LfGc4/using-generative-ai-in-software-applications