利用 GPT-3 构建适合公司业务的聊天机器人-资深人工智能从业者

自从chatgpt火起来后，有不少小伙伴询问，能不能加入一些公司的业务数据训练，让chatgpt更容易理解业务知识。在这里统一回复下，当前chagpt是不开源，不支持直接微调训练，但我们追寻源头我们可以了解到chatgpt是基于gpt3上fine-tuning以及加入了RLHF让chatgpt更容易理解人类语言。因此我们也可以基于gpt3来训练我们自己的"chatgpt"，本文详细介绍如何使用openai上提供的工具fine-tuning gpt3模型.

背景

聊天机器人或客服助手是AI工具，希望通过互联网上的文本或语音与用户的交付，实现业务价值。聊天机器人的发展在这几年间迅速进步，从最初的基于简单逻辑的机器人到现在基于自然语言理解（NLU）的人工智能。对于后者，构建此类聊天机器人时最常用的框架或库包括国外的RASA、Dialogflow和Amazon Lex等，以及国内大厂百度、科大讯飞等。这些框架可以集成自然语言处理（NLP）和NLU来处理输入文本、分类意图并触发正确的操作以生成响应。

随着大型语言模型（LLM）的出现，我们可以直接使用这些模型构建功能齐全的聊天机器人。其中一个著名的LLM例子是来自OpenAI的生成Generative Pre-trained Transformer 3 （GPT-3：chatgpt就是基于gpt fine-tuning及加入人类反馈模型的），它可以通过使用对话或会话数据来fine-tuning模型，生成类似于自然对话的文本。这种能力使其成为构建自定义聊天机器人的最佳选择。

今天我们来聊如何通过fine-tuning GPT-3模型来构建满足属于我们自己的简单会话聊天机器人。

通常，我们希望在自己的业务对话示例的数据集上fine-tuning模型，例如客户服务的对话记录、聊天日志或电影中的字幕。fine-tuning过程调整模型的参数，让它更好地适应这些会话数据，从而使聊天机器人更擅长理解和回复用户输入。

要fine-tuningGPT-3，我们可以使用Hugging Face的Transformers库，该库提供了预训练模型和fine-tuning工具。该库提供了几种不同大小和较多能力的GPT-3模型。模型越大，可以处理的数据就越多，精度也可能越高。但是，为了简单起见，我们这次使用的是OpenAI接口，可通过编写少量的代码来实现fine-tuning。

接下来就是我们使用OpenAI GPT-3 来实现fine-tuning，可从这获取数据集,抱歉我又用国外数据集了，国内真的很少这类已经处理好的数据集。

1、创建Open API密匙

创建帐户非常简单，可以使用打开这个链接就可以完成。我们可以通过openai key访问 OpenAI 上的模型。创建API 密钥步骤如下：

登录到您的帐户
转到页面的右上角，然后单击帐户名，下拉列表，然后单击“查看 API 密钥”

单击“创建新密钥”，记得马上复制生成的密钥，切记，并保存好，不然无法再次查看它。

2、准备数据

我们已经创建了api密匙，那么我们可以开始准备fine-tuning模型的数据，在这可以查看数据集。

第一步：

安装 OpenAI 库pip install openai

安装后，我们就可以加载数据了：

import os
import json

import openai
import pandas as pd

from dotenv import load_dotenv

load_dotenv()

os.environ['OPENAI_API_KEY'] = os.getenv('OPENAI_KEY')

openai.api_key = os.getenv('OPENAI_KEY')

data = pd.read_csv('data/data.csv')

new_df = pd.DataFrame({'Interview AI': data['Text'].iloc[::2].values, 'Human': data['Text'].iloc[1::2].values})
print(new_df.head(5))

我们将问题加载到Interview AI列中，并将相应的答案加载到Human列中。我们还需要创建一个环境变量.env文件来保存OPENAI_API_KEY

接下来，我们将数据转换为 GPT-3 的标准。根据文档，确保数据采用JSONL具有两个键的格式，这个很重要：prompt例如completion

{ "prompt" :  "<prompt text>" ,  "completion" :  "<ideal generated text>" } 
{ "prompt" :  "<prompt text>" ,  "completion" :  "<ideal generated text>" }

重新构造数据集以适应以上方式，基本是循环遍历数据框中的每一行，并将文本分配给Human，将Interview AI文本分配给完成。

output = []
for index, row in new_df.iterrows():
    print(row)
    completion = ''
    line = {'prompt': row['Human'], 'completion': row['Interview AI']}

    output.append(line)

print(output)

with open('data/data.jsonl', 'w') as outfile:
    for i in output:
        json.dump(i, outfile)
        outfile.write('\n')

使用prepare_data命令，这时会在提示时询问一些问题，我们可以提供Y或N回复。

os.system("openai tools fine_tunes.prepare_data -f 'data/data.jsonl' ")

最后，一个名为的文件data_prepared.jsonl被转储到目录中。

3、fun-tuning 模型

要fun-tuning模型，我们只需要运行一行命令：

os .system( "openai api fine_tunes.create -t 'data/data_prepared.jsonl' -m davinci " )

这基本上使用准备好的数据从 OpenAI 训练davinci模型，fine-tuning后的模型将存储在用户配置文件下，可以在模型下的右侧面板中找到

4、模型调试

我们可以使用多种方法来验证我们的模型。可以直接从 Python 脚本、OpenAI Playground 来测试，或者使用 Flask 或 FastAPI 等框构建 Web 服务来测试。

我们先构建一个简单的函数来与此实验的模型进行交互。

def generate_response(input_text):
    response = openai.Completion.create(
        engine="davinci:ft-personal-2023-01-25-19-20-17",
        prompt="The following is a conversation with DSA an AI assistant. "
               "DSA is an interview bot who is very helpful and knowledgeable in data structure and algorithms.\n\n"
               "Human: Hello, who are you?\n"
               "DSA: I am DSA, an interview digital assistant. How can I help you today?\n"
               "Human: {}\nDSA:".format(input_text),
        temperature=0.9,
        max_tokens=150,
        top_p=1,
        frequency_penalty=0.0,
        presence_penalty=0.6,
        stop=["\n", " Human:", " DSA:"]
    )
    return response.choices[0].text.strip()

output = generate_response(input_text)
print(output)

把它们放在一起

import os
import json

import openai
import pandas as pd

from dotenv import load_dotenv

load_dotenv()

os.environ['OPENAI_API_KEY'] = os.getenv('OPENAI_KEY')

openai.api_key = os.getenv('OPENAI_KEY')

data = pd.read_csv('data/data.csv')

new_df = pd.DataFrame({'Interview AI': data['Text'].iloc[::2].values, 'Human': data['Text'].iloc[1::2].values})
print(new_df.head(5))

output = []
for index, row in new_df.iterrows():
    print(row)
    completion = ''
    line = {'prompt': row['Human'], 'completion': row['Interview AI']}

    output.append(line)

print(output)

with open('data/data.jsonl', 'w') as outfile:
    for i in output:
        json.dump(i, outfile)
        outfile.write('\n')

os.system("openai tools fine_tunes.prepare_data -f 'data/data.jsonl' ")

os.system("openai api fine_tunes.create -t 'data/data_prepared.jsonl' -m davinci ")


def generate_response(input_text):
    response = openai.Completion.create(
        engine="davinci:ft-personal-2023-01-25-19-20-17",
        prompt="The following is a conversation with DSA an AI assistant. "
               "DSA is an interview bot who is very helpful and knowledgeable in data structure and algorithms.\n\n"
               "Human: Hello, who are you?\n"
               "DSA: I am DSA, an interview digital assistant. How can I help you today?\n"
               "Human: {}\nDSA:".format(input_text),
        temperature=0.9,
        max_tokens=150,
        top_p=1,
        frequency_penalty=0.0,
        presence_penalty=0.6,
        stop=["\n", " Human:", " DSA:"]
    )
    return response.choices[0].text.strip()

示例响应：

input_text = "what is breadth first search algorithm"
output = generate_response(input_text)

The breadth-first search (BFS) is an algorithm for discovering all the 
reachable nodes from a starting point in a computer network graph or tree data 
structure

结论

GPT-3 是一种强大的大型语言生成模型，最近火到无边无际的chatgpt就是基于GPT-3上fine-tuning的，我们也可以对GPT-3进行fine-tuning，以构建适合我们自己业务的聊天机器人。fun-tuning过程调整模型的参数可以更好地适应业务对话数据，让机器人更善于理解和响应业务的需求。经过fine-tuning的模型可以集成到聊天机器人平台中以处理用户交互，还可以为聊天机器人生成客服回复习惯与用户交互。整个实现可以在这里找到，数据集可以从这里下载。