原文：
www.kdnuggets.com/4-steps-to-become-a-generative-ai-developer
1. Google 网络安全证书 - 快速入门网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织 IT 部门
OpenAI 的 CEO 萨姆·奥特曼 在 2023 年 10 月的 OpenAI 开发者日上展示了产品使用数据。OpenAI 将客户划分为三个细分市场：开发者、企业和普通用户。链接: https://www.youtube.com/watch?v=U9mJuUkhUzk&t=120s
在 2023 年 10 月的 OpenAI 开发者日上，OpenAI 的 CEO 萨姆·奥特曼 展示了一张幻灯片，讲述了不同客户细分市场（开发者、企业和普通用户）中的产品使用情况。
在本文中，我们将重点关注开发者这一细分市场。我们将介绍生成性 AI 开发者的工作内容、你需要掌握的工具以及如何入门。
尽管一些公司致力于开发生成性 AI 产品，但大多数生成性 AI 开发者还是在其他公司，这些公司并不是传统意义上的 AI 聚焦点。
原因在于生成性 AI 在广泛的商业领域中都有应用。生成性 AI 有四种常见用途，适用于大多数企业。
由 DALL·E 3 生成的图像
尽管聊天机器人已经主流了十多年，但大多数聊天机器人都很糟糕。通常，第一次与聊天机器人的互动最常见的就是询问是否可以与真人交谈。
生成性 AI 的进步，尤其是大语言模型和向量数据库，意味着这种情况不再成立。现在聊天机器人可以为客户提供愉快的使用体验，每家公司都在忙于（或者至少应该忙于）努力升级它们。
MIT 技术评论的文章 生成性 AI 对聊天机器人的影响 对聊天机器人世界的变化有很好的概述。
搜索被广泛应用于各种场所，从文档到购物网站，再到互联网本身。传统上，搜索引擎 heavily 使用关键字，这就产生了搜索引擎需要被编程以识别同义词的问题。
例如，考虑尝试在营销报告中搜索有关客户细分的部分。你按下 CMD+F，输入“segmentation”，然后循环浏览搜索结果直到找到相关内容。不幸的是，你可能会错过作者在文档中使用“classification”而不是“segmentation”的情况。
语义搜索（根据意义进行搜索）通过自动找到具有相似含义的文本来解决同义词问题。这个想法是，你使用一个嵌入模型——一个将文本根据其意义转换为数值向量的深度学习模型——然后找到相关文本只是简单的线性代数。更好的是，许多嵌入模型还允许其他数据类型如图像、音频和视频作为输入，让你为搜索提供不同的数据输入或输出数据类型。
与聊天机器人一样，许多公司正试图通过使用语义搜索来改进其网站的搜索功能。
这篇关于语义搜索的教程由 Milvus 向量数据库的制造商 Zillus 提供，提供了很好的用例描述。
由 DALL·E 3 生成的图像
生成式 AI 降低了内容创建的成本。这使得为不同用户群体创建定制内容成为可能。一些常见的例子是根据你对用户的了解，改变营销文案或产品描述。你还可以提供本地化服务，使内容对不同国家或人群更具相关性。
这篇关于如何使用生成式 AI 平台实现超个性化的文章由 Salesforce 首席数字布道师 Vala Afshar 撰写，涵盖了使用生成式 AI 个性化内容的好处和挑战。
随着软件变得越来越复杂和功能全面，用户界面也变得臃肿，菜单、按钮和工具让用户难以找到或使用。自然语言界面让用户可以用一句话说明他们想要的内容，这可以显著提高软件的可用性。“自然语言界面”可以指控制软件的口头或书面方式。关键在于，你可以使用标准的、易于理解的人类句子。
商业智能平台是较早采用这一技术的一些平台，自然语言接口帮助商业分析师编写更少的数据处理代码。然而，这一技术的应用几乎是无限的：几乎每个功能丰富的软件都可以受益于自然语言接口。
这篇 Forbes 文章 拥抱 AI 和自然语言接口 来自 Omega Venture Partners 的创始人兼管理合伙人 Gaurav Tewari，对自然语言接口如何帮助软件可用性进行了易于阅读的描述。
首先，你需要一个生成式 AI 模型！对于处理文本，这意味着一个大型语言模型。GPT 4.0 是当前性能的黄金标准，但也有许多开源替代品，如 Llama 2、Falcon 和 Mistral。
其次，你需要一个向量数据库。Pinecone 是最受欢迎的商业向量数据库，还有一些开源替代品，如 Milvus、Weaviate 和 Chroma。
在编程语言方面，社区似乎已经围绕 Python 和 JavaScript 达成了一致。JavaScript 对于 Web 应用很重要，而 Python 则适合其他所有人。
在这些基础上，使用生成式 AI 应用框架是有帮助的。两个主要的竞争者是 LangChain 和 LlamaIndex。LangChain 是一个更广泛的框架，允许你开发各种生成式 AI 应用，而 LlamaIndex 则更专注于开发语义搜索应用。
如果你在开发搜索应用，使用 LlamaIndex；否则，使用 LangChain。
值得注意的是，技术领域变化非常迅速，许多新的 AI 初创公司和新工具每周都会出现。如果你想开发应用程序，预计比其他应用程序更频繁地更改软件堆栈的部分。
特别是，新模型不断出现，你的用例中表现最佳的模型可能会发生变化。一个常见的工作流程是开始使用 API（例如，OpenAI API 用于 API，Pinecone API 用于向量数据库），因为它们开发速度快。随着用户基础的增长，API 调用的成本可能会变得沉重，因此你可能会想切换到开源工具（Hugging Face 生态系统是一个不错的选择）。
和任何新项目一样，从简单的开始！最好一次学习一个工具，然后再弄清楚如何将它们结合起来。
第一步是为你想使用的任何工具设置账户。你需要开发者账户和 API 密钥才能使用这些平台。
OpenAI API 初学者指南：实践教程和最佳实践包含了逐步说明，介绍了如何设置 OpenAI 开发者账户并创建 API 密钥。
同样，Pinecone 向量数据库掌握教程：全面指南包含了设置 Pinecone 的详细信息。
什么是 Hugging Face？AI 社区的开源绿洲 解释了如何开始使用 Hugging Face。
要开始编程使用像 GPT 这样的 LLM，最简单的方法是学习如何调用 API 以发送提示并接收消息。
虽然许多任务可以通过 LLM 的单次往返交换完成，但像聊天机器人这样的用例需要较长的对话。OpenAI 最近在其助手 API 中宣布了“线程”功能，你可以在OpenAI 助手 API 教程中了解更多。
并非所有的 LLM 都支持这项功能，因此你可能还需要学习如何手动管理对话状态。例如，你需要决定对话中之前的消息中哪些仍然与当前对话相关。
除此之外，不必仅限于文本工作。你可以尝试处理其他媒体；例如，转录音频（语音转文本）或从文本生成图像。
向量数据库最简单的应用场景是语义搜索。在这里，你使用一个嵌入模型（见OpenAI API 文本嵌入介绍），将文本（或其他输入）转换成一个表示其含义的数值向量。
然后，你将嵌入的数据（数值向量）插入到向量数据库中。搜索就是编写一个搜索查询，询问数据库中哪些条目与您所请求的内容最接近。
例如，你可以将公司某个产品的一些常见问题（FAQs）嵌入，并上传到向量数据库中。然后，你询问有关该产品的问题，它会返回最接近的匹配项，将数值向量转换回原始文本。
你可能会发现，直接从向量数据库返回文本条目是不够的。通常，你希望文本以一种更自然的方式处理，以回答查询。
解决这个问题的方法是一种称为检索增强生成（RAG）的技术。这意味着在你从向量数据库中检索文本之后，你会为大型语言模型（LLM）写一个提示，然后将检索到的文本包含在提示中（你增强了提示与检索到的文本）。然后，你要求 LLM 写出一个易于理解的回答。
在回答用户从常见问题中提问的例子中，你需要编写一个包含占位符的提示，像下面这样。
"""
Please answer the user's question about {product}.
---
The user's question is : {query}
---
The answer can be found in the following text: {retrieved_faq}
"""最终步骤是将你的 RAG 技能与管理消息线程的能力结合起来，从而进行更长时间的对话。瞧！你就有了一个聊天机器人！
DataCamp 提供了 一系列九个代码实操课程，教你成为一名生成式 AI 开发者。你需要基本的 Python 技能才能开始，但所有 AI 概念都是从零开始讲解的。
该系列课程由来自 Microsoft、Pinecone、伦敦帝国学院和 Fidelity 的顶级讲师（还有我！）授课。
你将学习到本文涉及的所有主题，包括六个专注于 OpenAI API、Pinecone API 和 LangChain 的商业堆栈的代码实操课程。其他三节教程则专注于 Hugging Face 模型。
在系列课程结束时，你将能够创建一个聊天机器人，并构建 NLP 和计算机视觉应用程序。
Richie Cotton**** 是 DataCamp 的数据传播者。他是 DataFramed 播客的主持人，著有两本关于 R 编程的书籍，并创建了 10 门 DataCamp 数据科学课程，已有超过 70 万学习者参与学习。