Tutorial GPT-4O dan Langgraph: Bina Aplikasi TNT-LLM

TNT-LLM Microsoft: merevolusikan penjanaan taksonomi dan klasifikasi teks

Microsoft telah melancarkan TNT-LLM, sistem pecah tanah yang mengautomasikan penciptaan taksonomi dan klasifikasi teks, melampaui kaedah tradisional dalam kedua-dua kelajuan dan ketepatan. Pendekatan inovatif ini memanfaatkan kuasa model bahasa besar (LLMS) untuk menyelaraskan dan skala penjanaan taksonomi dan pengelas, meminimumkan campur tangan manual. Ini amat bermanfaat untuk aplikasi seperti Bing Copilot, di mana menguruskan data teks yang dinamik dan pelbagai adalah yang paling utama.

Artikel ini menunjukkan pelaksanaan TNT-LLM menggunakan GPT-4O dan Langgraph untuk clustering artikel berita yang efisien. Untuk maklumat lanjut mengenai GPT-4O dan Langgraph, rujuk sumber-sumber ini:

• Apa itu GPT-4O Openai?
• tutorial API GPT-4O: Bermula dengan API OpenAI
• tutorial langgraph: Apakah langgraph dan cara menggunakannya?

Kertas penyelidikan TNT-LLM yang asal, "TNT-LLM: Perlombongan Teks pada skala dengan model bahasa yang besar," memberikan butiran komprehensif mengenai sistem.

Memahami TNT-LLM

TNT-LLM (klasifikasi taksonomi dan teks menggunakan model bahasa yang besar) adalah rangka kerja dua peringkat yang direka untuk menjana dan mengklasifikasikan taksonomi dari data teks.

Fasa 1: Generasi Taksonomi

Fasa awal ini menggunakan sampel dokumen teks dan arahan tertentu (mis., "Menjana taksonomi kepada artikel berita kluster"). LLM meringkaskan setiap dokumen, mengeluarkan maklumat utama. Melalui penghalusan berulang, LLM membina, mengubah, dan menyempurnakan taksonomi, mengakibatkan hierarki label dan deskripsi berstruktur untuk pengkategorian artikel berita yang berkesan.

Sumber: Mengtting Wan et al.

Fasa 2: Klasifikasi Teks

Fasa kedua menggunakan taksonomi yang dihasilkan untuk melabelkan dataset yang lebih besar. LLM menggunakan label ini, mewujudkan data latihan untuk pengelas ringan (seperti regresi logistik). Pengelas terlatih ini dengan cekap melabelkan keseluruhan dataset atau melakukan klasifikasi masa nyata.

Sumber: Mengtting Wan et al.

sifat yang boleh disesuaikan TNT-LLM menjadikannya sesuai untuk pelbagai tugas klasifikasi teks, termasuk pengesanan niat dan pengkategorian topik.

Kelebihan TNT-LLM

TNT-LLM menawarkan kelebihan yang ketara untuk perlombongan dan klasifikasi teks berskala besar:

• Generasi Taksonomi Automatik: mengautomasikan penciptaan taksonomi terperinci dan ditafsirkan dari teks mentah, menghapuskan keperluan untuk usaha manual dan kepakaran domain yang luas.
• Klasifikasi berskala: Membolehkan klasifikasi teks berskala menggunakan model ringan yang mengendalikan dataset besar dan klasifikasi masa nyata dengan cekap.
• keberkesanan kos: Mengoptimumkan penggunaan sumber melalui penggunaan LLM bertingkat (mis., GPT-4 untuk penjanaan taksonomi, GPT-3.5-Turbo untuk ringkasan, dan regresi logistik untuk klasifikasi akhir).
output berkualiti tinggi:
• penjanaan taksonomi berulang memastikan pengkategorian berkualiti tinggi, relevan, dan tepat.
Intervensi manusia yang minimum:
• Mengurangkan input manual, meminimumkan potensi kecenderungan dan ketidakkonsistenan.
fleksibiliti:
• menyesuaikan diri dengan tugas dan domain klasifikasi teks yang pelbagai, menyokong integrasi dengan pelbagai LLM, kaedah embedding, dan pengelas. Melaksanakan TNT-LLM

Panduan pelaksanaan langkah demi langkah berikut:

Pemasangan:

Pasang pakej yang diperlukan:

Tetapkan pembolehubah persekitaran untuk kekunci API dan nama model:

pip install langgraph langchain langchain_openai

Konsep teras:

export AZURE_OPENAI_API_KEY='your_api_key_here'
export AZURE_OPENAI_MODEL='your_deployment_name_here'
export AZURE_OPENAI_ENDPOINT='deployment_endpoint'

Dokumen:

Data teks mentah (artikel, log sembang) berstruktur menggunakan kelas
• . Doc taksonomi:
kelompok niat atau topik yang dikategorikan, yang diuruskan oleh kelas
• . TaxonomyGenerationState
Membina aplikasi TNT-LLM yang mudah:

Bahagian berikut terperinci langkah pelaksanaan, menggunakan coretan kod untuk menggambarkan proses utama. Oleh kerana panjang kod asal, pembiakan lengkap di sini adalah tidak praktikal. Walau bagaimanapun, yang berikut memberikan gambaran tersusun mengenai proses:

Langkah 0: Tentukan kelas graf kelas, dataset beban, dan memulakan GPT-4O:
• Ini melibatkan menentukan struktur data dan memuatkan dataset artikel berita. Model GPT-4O diasaskan untuk digunakan sepanjang saluran paip.

Langkah 1: meringkaskan dokumen:
• Setiap dokumen diringkaskan menggunakan prompt LLM.

Langkah 2: Buat miniatches:
• Dokumen yang diringkaskan dibahagikan kepada minibatches untuk pemprosesan selari.

Langkah 3: Menjana taksonomi awal:
• Taksonomi awal dihasilkan dari minibatch pertama.

Langkah 4: Kemas kini Taksonomi:
• Taksonomi ini dikemas kini secara berulang sebagai minibatches berikutnya diproses.

Langkah 5: Tinjauan Taksonomi:
• Taksonomi akhir dikaji semula untuk ketepatan dan kaitan.

• Langkah 6: Mengatur saluran paip TNT-LLM dengan Stategraph: Stategraph mengendalikan pelaksanaan pelbagai langkah.

• Langkah 7: Clustering dan memaparkan taksonomi artikel berita TNT-LLM: Taksonomi akhir dipaparkan, menunjukkan kelompok artikel berita.

Kesimpulan

TNT-LLM menawarkan penyelesaian yang kuat dan cekap untuk perlombongan dan klasifikasi teks berskala besar. Keupayaan automasinya dengan ketara mengurangkan masa dan sumber yang diperlukan untuk menganalisis data teks yang tidak berstruktur, membolehkan pengambilan keputusan yang didorong oleh data merentasi pelbagai domain. Potensi untuk pembangunan dan aplikasi selanjutnya merentasi industri adalah besar. Bagi mereka yang berminat dalam pembangunan aplikasi LLM selanjutnya, kursus mengenai "membangunkan aplikasi LLM dengan Langchain" adalah disyorkan.

Atas ialah kandungan terperinci Tutorial GPT-4O dan Langgraph: Bina Aplikasi TNT-LLM. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!