Bonjour tout le monde avec GenAI

GenAI est un ensemble d'outils puissants conçu pour vous aider à développer et optimiser des modèles linguistiques à grande échelle (LLM) tels que OpenAI, Claude, Google Gemini et bien d'autres, au sein de vos propres pipelines de données sur la plateforme SnapLogic. En tirant parti de SnapLogic Designer, vous pouvez intégrer de manière transparente les LLM à votre pipeline de données et stocker les réponses sur diverses plateformes de données prises en charge par SnapLogic.

Débuter

Cette section vous guidera dans vos premiers pas avec les modèles LLM sur la plateforme SnapLogic. Suivez ces étapes pour vous familiariser avec GenAI.

1. Ouvrez la page Designer sur SnapLogic et créez un nouveau pipeline vide.

2. Présentez le nouveau Snap appelé «Chat Completion ». Ce Snap vous permet d'envoyer des invites aux modèles LLM. Trouvez-le dans la liste des Snaps en recherchant « Chat Completion ».

3. Faites glisser le composant Chat Completion Snap vers l'écran du canevas (nous utiliserons OpenAI comme exemple).

4. Configuration du volet de fin de conversation

a. Cliquez sur le bouton Snap pour ouvrir la fenêtre de configuration.

b. Dans l'onglet «Compte », sélectionnez le compte qui sera utilisé pour se connecter au modèle LLM.

i. (Facultatif) Si nécessaire, vous pouvez créer un nouveau compte en sélectionnant « Ajouter un nouveau compte », en choisissant l'emplacement et en saisissant vos identifiants. Vous pouvez récupérer votre clé API à partir des clés API OpenAI.

5. Passez à l'onglet « Paramètres ».

a. Sélectionnez un modèle dans la liste des options disponibles en cliquant sur  pour lister les modèles disponibles.

b. Personnalisez le champ « invite », par exemple en saisissant « Bonjour GenAI ».

6. Enregistrez et fermez les paramètres. Le pipeline devrait se valider automatiquement, mais si ce n'est pas le cas, vous pouvez le valider manuellement en cliquant sur le bouton Valider. .

7. Pour vérifier le résultat, cliquez sur le cercle à droite du Snap. La réponse du modèle LLM apparaîtra dans le champ « contenu ». Par exemple, il peut renvoyer « Bonjour ! Comment puis-je vous aider aujourd'hui ? ». Le champ « finish_reason » indiquera « stop », ce qui signifie que la conversation complète a été générée.

Utilisation du générateur de messages

Dans les scénarios réels, les invites sont souvent plus complexes qu'une simple phrase. Pour y remédier, nous avons introduit le Snap « Générateur d'invites », qui permet de créer des invites à l'aide de modèles prédéfinis, tels que des questions-réponses contextuelles. Découvrons comment utiliser cette fonctionnalité.

1. Recherchez « Générateur de prompt » dans le panneau latéral et faites-le glisser vers l'écran du canevas. Dans cet exemple, nous utiliserons le générateur de prompt OpenAI.

2. Pour simuler une entrée fictive, faites glisser le Snap « Générateur JSON » vers l'écran du canevas.

3. Connectez les deux boutons-pression comme indiqué ci-dessous :

4. Configurez le générateur JSON pour qu'il produise les données suivantes :

[
 {
   "occupation": "astronaut",
   "situation": "On a distant planet, exploring uncharted terrain."
 }
]

Le réglage doit être le suivant :

5. Enregistrez et fermez la configuration.

6. Ensuite, configurez le générateur d'invites:

a. Cliquez sur Modifier et supprimez tout texte existant.

b. Paste the following text into the prompt box: “You are a {{occupation}}. {{situation}}. What action do you take?”

7. Enregistrez et fermez la configuration.

8. Pour tester l'invite, validez le pipeline en cliquant sur le bouton Valider. . Le résultat apparaîtra dans le invite champ, montrant comment le texte du modèle est remplacé par les valeurs saisies.

Exemple

• Entrée :

{
  "occupation": "astronaut",
  "situation": "On a distant planet, exploring uncharted terrain."
}

• Modèle :

« Vous êtes {{profession}}. {{situation}}. Quelle mesure prenez-vous ? »

• Sortie :

« Vous êtes astronaute. Sur une planète lointaine, vous explorez un terrain inconnu... Que faites-vous ? »

Exemples d'utilisation

Vous trouverez ci-dessous quelques exemples d'utilisation des invites pour accomplir des tâches réelles. Vous pouvez modifier ces modèles en fonction de vos besoins.

Résumé de texte

Invite :

Expliquer l'IA

A :

Sortie :

L'intelligence artificielle (IA) désigne la simulation des processus de l'intelligence humaine par des systèmes informatiques. Ces processus comprennent l'apprentissage (l'acquisition d'informations et de règles pour les utiliser), le raisonnement (l'utilisation de règles pour parvenir à des conclusions approximatives ou définitives) et l'autocorrection. L'IA peut être classée en plusieurs catégories :

1. **IA étroite** : également appelée IA faible, ce type d'IA est conçu pour des tâches spécifiques. Parmi les exemples, on peut citer les assistants virtuels tels que Siri et Alexa, les systèmes de recommandation et les logiciels de reconnaissance d'images. L'IA étroite ne possède pas d'intelligence générale : elle fonctionne dans un contexte limité.
2. **IA générale** : également appelée IA forte ou AGI (intelligence artificielle générale), ce type d'IA désigne une IA hypothétique capable de comprendre, d'apprendre et d'appliquer des connaissances à un large éventail de tâches, à l'instar d'un être humain. À l'heure actuelle, l'AGI reste un concept théorique qui n'a pas encore été concrétisé.
3. **Apprentissage automatique (ML)** : sous-ensemble de l'IA qui implique le développement d'algorithmes permettant aux ordinateurs d'apprendre à partir de données et de faire des prédictions ou de prendre des décisions sur la base de ces données. Le ML peut être divisé en apprentissage supervisé, apprentissage non supervisé et apprentissage par renforcement.
4. **Deep Learning** : forme spécialisée d'apprentissage automatique qui utilise des réseaux neuronaux à plusieurs couches (d'où le terme « deep », profond), permettant au système d'apprendre à partir de grandes quantités de données. Il est particulièrement efficace dans des domaines tels que la reconnaissance d'images et de la parole.
5. **Traitement du langage naturel (NLP)** : ce domaine de l'IA se concentre sur l'interaction entre les ordinateurs et les humains à travers le langage naturel. Il permet aux machines de comprendre, d'interpréter et de répondre au langage humain d'une manière à la fois significative et utile.

L'IA a de nombreuses applications dans divers secteurs, notamment les soins de santé (diagnostic des maladies), la finance (détection des fraudes), les transports (voitures autonomes) et le divertissement (systèmes de recommandation). Si les avantages potentiels de l'IA sont considérables, elle soulève également des préoccupations liées à l'éthique, à la vie privée, à la suppression d'emplois et à la nécessité d'une réglementation pour garantir son utilisation responsable.

Pour résumer l'explication en une seule phrase :

Invite :

L'intelligence artificielle (IA) désigne la simulation des processus de l'intelligence humaine par des systèmes informatiques. Ces processus comprennent l'apprentissage (l'acquisition d'informations et de règles pour les utiliser), le raisonnement (l'utilisation de règles pour parvenir à des conclusions approximatives ou définitives) et l'autocorrection. L'IA peut être classée en plusieurs catégories :

1. **IA étroite** : également appelée IA faible, ce type d'IA est conçu pour des tâches spécifiques. Parmi les exemples, on peut citer les assistants virtuels tels que Siri et Alexa, les systèmes de recommandation et les logiciels de reconnaissance d'images. L'IA étroite ne possède pas d'intelligence générale : elle fonctionne dans un contexte limité.
2. **IA générale** : également appelée IA forte ou AGI (intelligence artificielle générale), ce type d'IA désigne une IA hypothétique capable de comprendre, d'apprendre et d'appliquer des connaissances à un large éventail de tâches, à l'instar d'un être humain. À l'heure actuelle, l'AGI reste un concept théorique qui n'a pas encore été concrétisé.
3. **Apprentissage automatique (ML)** : sous-ensemble de l'IA qui implique le développement d'algorithmes permettant aux ordinateurs d'apprendre à partir de données et de faire des prédictions ou de prendre des décisions sur la base de ces données. Le ML peut être divisé en apprentissage supervisé, apprentissage non supervisé et apprentissage par renforcement.
4. **Deep Learning** : forme spécialisée d'apprentissage automatique qui utilise des réseaux neuronaux à plusieurs couches (d'où le terme « deep », profond), permettant au système d'apprendre à partir de grandes quantités de données. Il est particulièrement efficace dans des domaines tels que la reconnaissance d'images et de la parole.
5. **Traitement du langage naturel (NLP)** : ce domaine de l'IA se concentre sur l'interaction entre les ordinateurs et les humains à travers le langage naturel. Il permet aux machines de comprendre, d'interpréter et de répondre au langage humain d'une manière à la fois significative et utile.

L'IA a de nombreuses applications dans divers secteurs, notamment les soins de santé (diagnostic des maladies), la finance (détection des fraudes), les transports (voitures autonomes) et le divertissement (systèmes de recommandation). Si les avantages potentiels de l'IA sont considérables, elle soulève également des préoccupations liées à l'éthique, à la vie privée, à la suppression d'emplois et à la nécessité d'une réglementation pour garantir son utilisation responsable.

Expliquez ce qui précède en une phrase :

Sortie :

L'intelligence artificielle (IA) englobe la simulation des processus cognitifs humains par des systèmes informatiques, classés en catégories telles que l'IA étroite pour des tâches spécifiques, l'IA générale pour une compréhension globale, l'apprentissage automatique (ML) pour l'apprentissage basé sur les données, l'apprentissage profond pour le traitement de grands ensembles de données à l'aide de réseaux neuronaux et le traitement du langage naturel (NLP) pour l'interaction linguistique entre l'homme et l'ordinateur, avec des applications dans divers secteurs d'activité, parallèlement à des préoccupations éthiques et réglementaires.

Extraction d'informations

Invite :

Les déclarations relatives à la contribution des auteurs et les remerciements figurant dans les articles de recherche doivent indiquer clairement et précisément si, et dans quelle mesure, les auteurs ont utilisé des technologies d'IA telles que ChatGPT pour la préparation de leur manuscrit et leur analyse. Ils doivent également indiquer quels modèles de langage large (LLM) ont été utilisés. Cela permettra aux éditeurs et aux réviseurs d'examiner plus attentivement les manuscrits afin de détecter d'éventuels biais, inexactitudes et citations de sources inappropriées. De même, les revues scientifiques doivent faire preuve de transparence quant à leur utilisation des LLM, par exemple lors de la sélection des manuscrits soumis.

Mentionnez le produit basé sur un modèle linguistique de grande taille mentionné dans le paragraphe ci-dessus :

Sortie :

Le produit basé sur un modèle linguistique de grande envergure mentionné dans le paragraphe ci-dessus est ChatGPT.

Réponse aux questions

Invite :

Répondez à la question en vous basant sur le contexte ci-dessous. Donnez une réponse courte et concise. Si vous n'êtes pas sûr de la réponse, répondez « Je ne suis pas sûr de la réponse ».

Contexte : Le teplizumab trouve son origine dans une société pharmaceutique du New Jersey appelée Ortho Pharmaceutical. C'est là que des scientifiques ont mis au point une première version de l'anticorps, baptisée OKT3. Provenant à l'origine de souris, cette molécule était capable de se lier à la surface des lymphocytes T et de limiter leur potentiel destructeur. En 1986, elle a été approuvée pour aider à prévenir le rejet d'organes après une greffe de rein, devenant ainsi le premier anticorps thérapeutique autorisé pour une utilisation chez l'homme.

Question : D'où provenait initialement l'OKT3 ?

Réponse :

Sortie :

Souris.

Classification de texte

Invite :

Classez le texte comme neutre, négatif ou positif. 

Texte : Je pense que la nourriture était correcte. 

Sentiment :

Sortie :

Neutre

Conversation

Invite :

Ce qui suit est une conversation avec un assistant de recherche en IA. Le ton de l'assistant est technique et scientifique.

Humain : Bonjour, qui êtes-vous ?

IA : Bonjour ! Je suis un assistant de recherche en IA. Comment puis-je vous aider aujourd'hui ?

Humain : Pouvez-vous me parler de la création des trous noirs ?

IA :

Sortie :

Bien sûr ! Les trous noirs sont des régions de l'espace-temps où la force gravitationnelle est si forte que rien, pas même la lumière, ne peut s'en échapper. Ils se forment lorsqu'une étoile très massive meurt et que son noyau s'effondre sur lui-même, formant une singularité de densité infinie. La gravité intense de la singularité attire toute la matière et le rayonnement qui l'entourent, créant ainsi le trou noir.

Génération de code

Invite :

« » »

Table départements, colonnes = [IdentifiantDépartement, NomDépartement]

Table étudiants, colonnes = [IdentifiantDépartement, IdentifiantÉtudiant, NomÉtudiant]

Créer une requête MySQL pour tous les étudiants du département d'informatique.

« » »

Sortie :

SELECT StudentId, StudentName 

DES étudiants 

WHERE DepartmentId IN (SELECT DepartmentId FROM departments WHERE DepartmentName = ‘Informatique’);

Raisonnement

Invite :

Les nombres impairs de ce groupe forment un nombre pair : 15, 32, 5, 13, 82, 7, 1. 

Résolvez le problème en le décomposant en plusieurs étapes. Tout d'abord, identifiez les nombres impairs, additionnez-les et indiquez si le résultat est impair ou pair. 

Sortie :

Nombres impairs : 15, 5, 13, 7, 1

Somme : 41 

41 est un nombre impair.