Hướng dẫn cho người mới bắt đầu sử dụng Mô hình ngôn ngữ lớn (LLM) với API PaLM

Bạn đang tìm cách viết một lá thư xin việc được cá nhân hóa để giúp bạn có được công việc mơ ước? Nếu vậy, bạn có thể quan tâm đến việc sử dụng mô hình ngôn ngữ lớn (LLM) với API PaLM để tạo trình tạo thư xin việc.

Mô hình ngôn ngữ lớn (LLM) là trí tuệ nhân tạo (AI) có thể tạo văn bản, dịch ngôn ngữ, viết các định dạng văn bản sáng tạo khác nhau và trả lời các câu hỏi của bạn một cách chính thức. Chúng mạnh đến mức chúng thậm chí có thể được sử dụng để tạo ra các công cụ và ứng dụng mới.

Một công cụ như vậy là API PaLM, cho phép các nhà phát triển truy cập và sử dụng LLM.

Hướng dẫn này sẽ chỉ cho bạn cách sử dụng API PaLM (API mô hình ngôn ngữ quy mô lớn và được đào tạo trước) để tạo trình tạo thư xin việc. Công cụ này có thể giúp bạn tạo thư xin việc được cá nhân hóa cho đơn xin việc.

LLM là gì?

Mô hình ngôn ngữ lớn (LLM) là hệ thống trí tuệ nhân tạo (AI) tiên tiến được đào tạo trên bộ dữ liệu văn bản khổng lồ. Điều này giúp các em học cách các từ và cụm từ khớp với nhau như thế nào, cho phép các em tạo ra các câu đúng và dễ hiểu.

LLM là một loại AI tổng quát , có nghĩa là chúng có thể tạo nội dung mới.

LLM thường được xây dựng bằng cách sử dụng một loại mạng thần kinh gọi là máy biến áp . Máy biến áp có thể học sự phụ thuộc tầm xa giữa các từ, điều cần thiết để hiểu và tạo ra ngôn ngữ tự nhiên. Các mô hình máy biến áp bao gồm nhiều lớp , mỗi lớp thực hiện một nhiệm vụ khác nhau.

Ví dụ: lớp tự chú ý cho phép mô hình tìm hiểu mối quan hệ giữa các từ khác nhau trong câu.

Một ví dụ về LLM là GPT-3, được tạo bởi OpenAI. GPT-3 đã học được từ rất nhiều văn bản và mã. Nó có thể viết, dịch ngôn ngữ, tạo nội dung sáng tạo và trả lời các câu hỏi một cách thân thiện.

LLM cực kỳ mạnh mẽ và có thể thay đổi cách chúng ta sử dụng máy tính. Khi chúng khỏe hơn, chúng có thể giúp chúng ta bằng nhiều cách:

• Trợ lý ảo: LLM có thể trở thành trợ lý thông minh hiểu và nói chuyện với chúng ta như con người. Điều này có thể làm cho việc sử dụng các thiết bị dễ dàng hơn nhiều. Ví dụ: LLM có thể hỗ trợ trợ lý ảo để giúp bạn đặt lịch hẹn, đặt chỗ hoặc điều khiển các thiết bị thông minh trong nhà của bạn.

• Giáo dục: LLM có thể khiến việc học tập trở nên cá nhân hơn đối với sinh viên. Họ cũng có thể chấm điểm bài luận và cho học sinh lời khuyên. Ví dụ: LLM có thể được sử dụng để tạo danh sách đọc được cá nhân hóa cho sinh viên hoặc để cung cấp phản hồi về bài luận của sinh viên.

• Chăm sóc sức khỏe: LLM có thể đọc hồ sơ y tế và tìm ra các vấn đề sức khỏe có thể xảy ra. Họ thậm chí có thể giúp thực hiện các phương pháp điều trị mới. Ví dụ: LLM có thể được sử dụng để xác định những bệnh nhân có nguy cơ mắc một căn bệnh nhất định hoặc để phát triển một phương pháp điều trị bằng thuốc mới.

• Dịch vụ tài chính: LLM có thể tư vấn cho khách hàng và phát hiện các giao dịch gian lận. Ví dụ: LLM có thể giúp khách hàng chọn danh mục đầu tư phù hợp hoặc phát hiện các giao dịch thẻ tín dụng gian lận.

Mô hình ngôn ngữ lớn hoạt động như thế nào?

LLM hoạt động bằng cách trước tiên học các mối quan hệ thống kê giữa các từ và cụm từ trong một ngôn ngữ. Điều này được thực hiện bằng cách đào tạo mô hình trên một tập dữ liệu văn bản và mã khổng lồ. Sau khi mô hình đã học được các mối quan hệ này, nó có thể tạo ra văn bản mới tương tự như văn bản đã được đào tạo.

1. LLM được đào tạo trên một tập dữ liệu văn bản và mã khổng lồ. Tập dữ liệu này bao gồm mọi thứ từ sách và bài viết đến kho mã và bài đăng trên mạng xã hội.

   
   

2. LLM tìm hiểu mối quan hệ thống kê giữa các từ và cụm từ trong tập dữ liệu. Điều này có nghĩa là nó tìm hiểu những từ nào có nhiều khả năng xuất hiện cùng nhau hơn và ý nghĩa của câu có thể thay đổi như thế nào tùy thuộc vào thứ tự của các từ.

   
   

3. Khi LLM đã học được các mối quan hệ này, nó có thể tạo văn bản mới. Để làm điều này, nó bắt đầu bằng một văn bản gốc, chẳng hạn như một vài từ hoặc một câu. Sau đó, nó sử dụng các mối quan hệ thống kê đã học được để dự đoán từ tiếp theo trong câu. Nó tiếp tục làm điều này cho đến khi nó tạo ra một câu mới.

Dưới đây là ví dụ về cách LLM có thể tạo văn bản:

 `Seed text: "The cat sat on the mat." LLM prediction: "The cat sat on the mat and stared at the bird."`

Trong ví dụ này, LLM đã biết rằng các từ "cat" và "sat" thường được theo sau bởi từ "on". Nó cũng biết được rằng “mat” thường được theo sau bởi “và”. Dựa trên những mối quan hệ này, LLM dự đoán rằng từ tiếp theo trong câu là “và”.

Sau đó nó tiếp tục dự đoán từ tiếp theo, “nhìn chằm chằm”.

Đây là sơ đồ minh họa cách LLM hoạt động:

LLM được tạo thành từ một mạng lưới thần kinh. Mạng lưới thần kinh là một mô hình toán học phức tạp có thể học cách nhận dạng các mẫu trong dữ liệu. Trong trường hợp LLM, mạng lưới thần kinh học cách nhận biết mối quan hệ thống kê giữa các từ và cụm từ.

Mạng lưới thần kinh được đào tạo trên một tập dữ liệu văn bản và mã khổng lồ. Tập dữ liệu được đưa vào mạng lưới thần kinh từng từ một. Mạng lưới thần kinh sau đó sẽ cố gắng dự đoán từ tiếp theo trong chuỗi.

Độ chính xác của các dự đoán được đo lường và mạng lưới thần kinh được cập nhật để cải thiện độ chính xác của nó.

Quá trình này được lặp lại nhiều lần cho đến khi mạng lưới thần kinh học được cách dự đoán chính xác từ tiếp theo trong chuỗi.

Mô hình ngôn ngữ lớn được sử dụng để làm gì?

• Tạo văn bản: LLM có thể tạo văn bản, chẳng hạn như bài thơ, mã, kịch bản, bản nhạc, email, thư, v.v. Ví dụ: LLM có tên Bard có thể tạo các định dạng văn bản sáng tạo khác nhau. Nó sẽ cố gắng hết sức để đáp ứng mọi yêu cầu của bạn.

• Dịch thuật: LLM có thể dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác. Ví dụ: Google Translate LLM có thể dịch văn bản từ tiếng Anh sang tiếng Pháp, tiếng Tây Ban Nha, tiếng Đức, tiếng Trung, tiếng Nhật và nhiều ngôn ngữ khác.

• Trả lời câu hỏi: LLM có thể trả lời các câu hỏi về nhiều chủ đề khác nhau, ngay cả khi chúng có kết thúc mở, đầy thách thức hoặc lạ. Ví dụ: LaMDA LLM có thể trả lời các câu hỏi về thời tiết, lịch sử hoặc các sự kiện hiện tại.

• Tóm tắt: LLM có thể tóm tắt các đoạn văn bản dài, chẳng hạn như các bài báo hoặc tài liệu nghiên cứu. Ví dụ: LLM có tên BARD có thể tóm tắt một bài nghiên cứu trong một vài câu.

• Tạo mã: LLM có thể tạo mã Python, Java hoặc C++. Ví dụ: GitHub Copilot LLM có thể tạo mã chính xác và hiệu quả.

Viết sáng tạo: LLM có thể tạo ra văn bản sáng tạo, chẳng hạn như thơ, truyện ngắn hoặc kịch bản. Ví dụ: LLM có tên GPT-3 có thể được sử dụng để tạo ra những bài thơ nguyên bản và sáng tạo.

Bắt đầu với API PaLM

API PaLM (API mô hình ngôn ngữ đường dẫn) là API dựa trên đám mây cho phép các nhà phát triển truy cập mô hình ngôn ngữ lớn PaLM 2 (LLM) của Google. PaLM 2 là một LLM mạnh mẽ có thể được sử dụng cho nhiều tác vụ khác nhau, bao gồm:

• Tạo văn bản: API PaLM có thể tạo văn bản theo nhiều cách. Bạn có thể sử dụng dịch vụ Tin nhắn hoặc Trò chuyện. Dịch vụ Văn bản có thể tạo văn bản cho nhiều mục đích, như tóm tắt văn bản, viết nội dung sáng tạo và trả lời hữu ích các câu hỏi của bạn. Dịch vụ Trò chuyện có thể tạo văn bản cho chatbot và các ứng dụng trò chuyện khác.

  
  

• Ngôn ngữ lập trình: API PaLM hỗ trợ Node.js, Python, Android Kotlin, Swift và Java. Trong hướng dẫn này, bạn sẽ sử dụng ví dụ Văn bản Node.js.

  
  

• Tài liệu: API PaLM là nguồn mở, giúp mọi người có thể sử dụng và cải thiện. Nó cũng được ghi chép đầy đủ nên các nhà phát triển rất dễ dàng học cách sử dụng nó.

  
  

Để bắt đầu với API PaLM, bạn sẽ cần thực hiện các bước sau:

1: Tạo tài khoản Google Cloud Platform.

Bạn có thể thực hiện việc này bằng cách truy cập trang web Google Cloud Platform: https://cloud.google.com/ .

2: Nhận khóa API. Để sử dụng API, bạn cần có khóa API. Sau khi xem qua danh sách chờ, bạn có thể tạo khóa chỉ bằng một cú nhấp chuột trong MakerSuite. thông qua liên kết này https://makersuite.google.com/waitlist

3: Cài đặt thư viện máy khách API PaLM. Thư viện ứng dụng khách API PaLM là bộ mã bạn có thể sử dụng để tương tác với API PaLM. Bạn có thể cài đặt nó bằng cách chạy lệnh sau:

 npm init -y npm install google-auth-library

Tiếp theo, cài đặt thư viện máy khách Ngôn ngữ sáng tạo:

 npm install @google-ai/generativelanguage

4: Nhập các mô-đun cần thiết

 const { TextServiceClient } = require("@google-ai/generativelanguage").v1beta2; const { GoogleAuth } = require("google-auth-library");

Trong bước này, mã sẽ nhập các mô-đun cần thiết bằng hàm require . Nó nhập lớp TextServiceClient từ thư viện @google-ai/generativelanguage và lớp GoogleAuth từ google-auth-library .

5: Thiết lập hằng số

 const MODEL_NAME = "models/text-bison-001"; const API_KEY = process.env.API_KEY;

Ở đây, mã thiết lập hai hằng số: MODEL_NAME , chỉ định tên của mô hình tạo văn bản bạn muốn sử dụng và API_KEY , truy xuất khóa API từ các biến môi trường.

6: Tạo một cá thể TextServiceClient

 const client = new TextServiceClient({ authClient: new GoogleAuth().fromAPIKey(API_KEY), });

Bước này tạo một thể hiện của lớp TextServiceClient . Nó khởi tạo ứng dụng khách bằng xác thực bằng lớp GoogleAuth, lớp này được khởi tạo bằng khóa API thu được từ các biến môi trường.

7: Xác định lời nhắc

 const prompt = "Write a simple and short cover letter for a technical writer";

Ở đây, mã xác định một biến có tên là prompt chứa văn bản ban đầu sẽ được sử dụng làm đầu vào để tạo văn bản.

8: Tạo văn bản

 client .generateText({ model: MODEL_NAME, prompt: { text: prompt, }, }) .then((result) => { console.log(JSON.stringify(result)); });

Ở bước này, mã sử dụng phiên bản client để tạo văn bản. Nó gọi phương thức generateText trên phiên bản máy khách. Nó chuyển một đối tượng có tên mô hình ( MODEL_NAME ) và văn bản nhắc nhở ( prompt ) làm thuộc tính.

Phương thức generateText trả về một Promise được xử lý bằng phương thức then . Kết quả được tạo sẽ được ghi vào bảng điều khiển bên trong khối sau khi được chuyển đổi thành chuỗi JSON.

Sau đó chạy tập lệnh:

 node index.js

Bạn sẽ nhận được một kết quả tương tự như thế này:

 [{"candidates":[{"safetyRatings":[{"category":"HARM_CATEGORY_DEROGATORY","probability":"NEGLIGIBLE"},{"category":"HARM_CATEGORY_TOXICITY","probability":"NEGLIGIBLE"},{"category":"HARM_CATEGORY_VIOLENCE","probability":"NEGLIGIBLE"},{"category":"HARM_CATEGORY_SEXUAL","probability":"NEGLIGIBLE"},{"category":"HARM_CATEGORY_MEDICAL","probability":"NEGLIGIBLE"},{"category":"HARM_CATEGORY_DANGEROUS","probability":"NEGLIGIBLE"}],"output":"Dear [Hiring Manager name],\n\nI am writing to express my interest in the Technical Writer position at [Company name]. I have been working as a technical writer for the past five years, and I have a proven track record of success in developing and delivering clear, concise, and engaging technical documentation.\n\nIn my previous role at [Previous company name], I was responsible for writing a wide range of technical documentation, including user guides, API documentation, and training materials. I have a strong understanding of the technical writing process, and I am proficient in a variety of writing and editing tools.\n\nI am also an excellent communicator, and I am able to effectively translate complex technical information into language that is easy for both technical and non-technical audiences to understand. I am confident that I have the skills and experience that you are looking for in a Technical Writer.\n\nI am eager to learn more about the Technical Writer position at [Company name], and I am confident that I would be a valuable asset to your team. I am available for an interview at your earliest convenience.\n\nThank you for your time and consideration.\n\nSincerely,\n[Your name]","citationMetadata":{"citationSources":[{"startIndex":1068,"_startIndex":"startIndex","endIndex":1196,"_endIndex":"endIndex","uri":"https://www.upwork.com/resources/cover-letter-tips","_uri":"uri","license":"","_license":"license"}]},"_citationMetadata":"citationMetadata"}],"filters":[],"safetyFeedback":[]},null,null]

Tóm lại, hướng dẫn này đã giới thiệu cho bạn những kiến thức cơ bản về cách sử dụng mô hình ngôn ngữ lớn (LLM) với API PaLM. Bạn đã học được cách:

• Hiểu tiềm năng của LLM và API PaLM
• Tạo trình tạo thư xin việc tùy chỉnh bằng API PaLM
• Tận dụng LLM để tạo văn bản, dịch ngôn ngữ và trả lời câu hỏi
• Tích hợp API PaLM với Node.js và thư viện máy khách

Đây chỉ là bước khởi đầu cho những gì bạn có thể làm với LLM và API. Khi bạn tiếp tục khám phá những công nghệ này, bạn sẽ khám phá ra nhiều cách hơn nữa để sử dụng chúng để giải quyết vấn đề, tạo ra trải nghiệm mới và định hình tương lai.