Thoại Viết Hoàng
Writer
Tìm hiểu cách xây dựng danh mục đầu tư mạnh mẽ với các dự án cá nhân bằng cách sử dụng Generative AI. Điều này sẽ giúp bạn nổi bật giữa đám đông!
1. Tạo một trang web danh mục đầu tư
Có rất nhiều hướng dẫn giải thích cách xây dựng một trang web danh mục khoa học dữ liệu, nhưng việc bắt đầu lại từ đầu mà không có kiến thức về HTML và CSS có thể thực sự đáng sợ. Cá nhân tôi đã cố gắng và cảm thấy rất hài lòng khi đạt được mục tiêu, nhưng tôi phải mất một tuần để tìm được nguồn tài nguyên phù hợp cho đến khi áp dụng những gì tôi đã học được.
Giờ đây, với sự bùng nổ của Mô hình ngôn ngữ lớn, bạn không cần phải nỗ lực nữa. Bạn chỉ cần một ý tưởng hay, đặt câu hỏi tới ChatGPT, ChatGPT sẽ trả về mã cho trang web của bạn. Bạn chỉ cần bắt đầu bằng một lời nhắc như thế này:
2. Trợ lý giọng nói được cá nhân hóa
Trong cuộc sống cá nhân, tôi sử dụng Google Assistant để yêu cầu tái tạo âm nhạc thuộc nhiều thể loại khác nhau. Ví dụ: “Google, tôi muốn nghe nhạc rock” và nó sẽ ngay lập tức tái tạo một bài hát ngẫu nhiên từ nhạc youtube. Nó thực sự nhanh hơn việc viết tiêu đề bài hát và nó tìm hiểu sở thích của bạn khi thu thập dữ liệu của bạn nhiều hơn. Sẽ thật tuyệt nếu thực hiện nó như một dự án cá nhân phải không? Dự án này có thể được thực hiện dễ dàng bằng cách sử dụng GPT-3 để trả lời câu hỏi và API Whisper để chép lại âm thanh.
3. Xây dựng trình dịch AI của riêng bạn
Bạn cảm thấy mệt mỏi với việc sao chép và dán văn bản vào Google Dịch? Cá nhân tôi cũng đã thử dùng các tiện ích mở rộng của Google Chrome để dịch văn bản trên các trang web nhưng tôi vẫn gặp khó khăn khi phải đọc file PDF bằng tiếng Anh. Một giải pháp thay thế khả thi là xây dựng ứng dụng AI của riêng bạn. Mỗi ngày, có một Mô hình Ngôn ngữ Lớn mạnh mẽ mới khiến chúng tôi ngạc nhiên với những kết quả đáng kinh ngạc. Tại sao chúng ta nên khai thác một trong những mô hình này?!
Ứng dụng này có thể được tạo bằng cách sử dụng Ôm mặt, ứng dụng này cung cấp rất nhiều mô hình chuyên về dịch từ ngôn ngữ này sang ngôn ngữ khác. Ví dụ: bạn có thể chọn mô hình này đang nhắm mục tiêu dịch tiếng Ý từ tiếng Anh. Sau khi chọn được mô hình dịch, bạn có thể cụ thể hóa ý tưởng này bằng cách xây dựng một ứng dụng với Streamlit.
4. Phân tích tài liệu nghiên cứu
Trong thời gian nghiên cứu, tôi đã học được cách đọc bài báo nhanh chóng và hiệu quả. Nhưng chỉ đọc một bài báo tối thiểu 30 trang là rất tốn thời gian và thật khó để luôn cập nhật thông tin nghiên cứu với sự bùng nổ số lượng bài báo được phát hành hàng ngày. Để tăng năng suất nghiên cứu, sẽ tốt hơn nếu trích xuất thông tin liên quan từ các bài báo học thuật? Đây là ba trường hợp sử dụng sau đây có thể hữu ích cho sự nghiệp của bạn trong lĩnh vực khoa học dữ liệu.
Hỏi đáp qua giấy tờ
Tạo câu hỏi và câu trả lời từ tài liệu là một trong những ứng dụng thú vị nhất mang lại giá trị. Hầu hết các hướng dẫn đều sử dụng Chat-GPT để tạo phiên Hỏi đáp tự động nhưng đó không phải là giải pháp duy nhất. Bạn cũng có thể tạo bot được cá nhân hóa của mình bằng cách sử dụng LangChain và Sentence Transformers từ HuggingFace. Có các bước sau:
Tải tài liệu PDF bằng PyPDFLoader
Trích xuất các đoạn từ văn bản
Trích xuất các phần nhúng bằng thư viện Sentence Transformer
Xây dựng bot để trả lời câu hỏi
Tổng hợp các bài viết
Một trường hợp sử dụng phổ biến khác là tóm tắt bài viết. Giống như trước đây, nhiệm vụ này có thể được tự động hóa bằng các công cụ AI tổng hợp. Một ứng dụng web dễ thương có thể được xây dựng bằng GPT-3, LangChain và Streamlit.
Truy vấn nhiều giấy tờ
Nếu chúng ta tóm tắt nhiều bài viết cùng một lúc, sẽ rất tốt nếu lọc để truy vấn những bản tóm tắt này dựa trên các câu hỏi. Nó sẽ không tuyệt vời sao? Nó lại rất đơn giản bằng cách sử dụng LangChain và OpenAPI-API.
5. Tạo tài liệu Code
Theo trải nghiệm gần đây nhất của mình, khi làm việc với tư cách là nhà khoa học dữ liệu, tôi đã nhận thấy tầm quan trọng của việc ghi lại mã hàng ngày. Nếu bạn làm việc một mình, bạn không quan tâm đến nó. Nhưng khi bạn làm việc với một nhóm, việc quản lý các tác vụ mà không có tài liệu mã sẽ trở nên phức tạp. Đặc biệt, có thể xảy ra trường hợp một thành viên trong nhóm rời công ty và là người duy nhất hiểu mã của anh ấy/cô ấy. Ngay cả khi tài liệu thực sự hữu ích thì đó vẫn là một công việc rất nhàm chán và tiêu tốn thời gian. Nhờ sự bùng nổ của Mô hình ngôn ngữ lớn, một lần nữa chúng ta có thể tránh được công việc khó khăn này bằng cách tạo Chuỗi tài liệu Python bằng Chat-GPT.
6. Tự động hóa bài thuyết trình Powerpoint
Nếu bạn là nhà khoa học dữ liệu, chắc chắn bạn phải chuẩn bị các slide PowerPoint để thảo luận về kết quả với khách hàng. Đây là một công việc tốn thời gian khác có thể được tự động hóa nhờ Generative AI. Bạn có thể yêu cầu Bing Chat tạo mã VBA để tạo slide PowerPoint bằng cách chỉ định rõ ràng ngữ cảnh và thông tin cho từng slide.
7. Phân tích cảm tính của các đánh giá
Trong thế giới công nghiệp, phân tích cảm xúc về đánh giá sản phẩm có thể giúp các công ty hiểu được khách hàng có thích hay không thích sản phẩm, cho phép họ cải thiện dịch vụ và duy trì tính cạnh tranh trên thị trường. Đây là dự án khoa học dữ liệu cổ điển yêu cầu giải quyết rất nhiều bước: tiền xử lý văn bản, nhúng từ và ứng dụng mô hình học máy.
Bước đầu tiên là nhiệm vụ tốn nhiều công sức nhất, đòi hỏi sự hiểu biết tốt về ngôn ngữ bạn đang phân tích. Vấn đề này có thể được quản lý nhanh chóng bằng cách sử dụng Chat-GPT. Ngoài phân tích này, có thể tạo danh sách ưu và nhược điểm từ mỗi đánh giá, tạo danh sách các đề xuất có thể có để cải thiện sản phẩm, v.v.
Tham khảo bài viết gốc ở đây:
Có rất nhiều hướng dẫn giải thích cách xây dựng một trang web danh mục khoa học dữ liệu, nhưng việc bắt đầu lại từ đầu mà không có kiến thức về HTML và CSS có thể thực sự đáng sợ. Cá nhân tôi đã cố gắng và cảm thấy rất hài lòng khi đạt được mục tiêu, nhưng tôi phải mất một tuần để tìm được nguồn tài nguyên phù hợp cho đến khi áp dụng những gì tôi đã học được.
Giờ đây, với sự bùng nổ của Mô hình ngôn ngữ lớn, bạn không cần phải nỗ lực nữa. Bạn chỉ cần một ý tưởng hay, đặt câu hỏi tới ChatGPT, ChatGPT sẽ trả về mã cho trang web của bạn. Bạn chỉ cần bắt đầu bằng một lời nhắc như thế này:
2. Trợ lý giọng nói được cá nhân hóa
Trong cuộc sống cá nhân, tôi sử dụng Google Assistant để yêu cầu tái tạo âm nhạc thuộc nhiều thể loại khác nhau. Ví dụ: “Google, tôi muốn nghe nhạc rock” và nó sẽ ngay lập tức tái tạo một bài hát ngẫu nhiên từ nhạc youtube. Nó thực sự nhanh hơn việc viết tiêu đề bài hát và nó tìm hiểu sở thích của bạn khi thu thập dữ liệu của bạn nhiều hơn. Sẽ thật tuyệt nếu thực hiện nó như một dự án cá nhân phải không? Dự án này có thể được thực hiện dễ dàng bằng cách sử dụng GPT-3 để trả lời câu hỏi và API Whisper để chép lại âm thanh.
3. Xây dựng trình dịch AI của riêng bạn
Bạn cảm thấy mệt mỏi với việc sao chép và dán văn bản vào Google Dịch? Cá nhân tôi cũng đã thử dùng các tiện ích mở rộng của Google Chrome để dịch văn bản trên các trang web nhưng tôi vẫn gặp khó khăn khi phải đọc file PDF bằng tiếng Anh. Một giải pháp thay thế khả thi là xây dựng ứng dụng AI của riêng bạn. Mỗi ngày, có một Mô hình Ngôn ngữ Lớn mạnh mẽ mới khiến chúng tôi ngạc nhiên với những kết quả đáng kinh ngạc. Tại sao chúng ta nên khai thác một trong những mô hình này?!
Ứng dụng này có thể được tạo bằng cách sử dụng Ôm mặt, ứng dụng này cung cấp rất nhiều mô hình chuyên về dịch từ ngôn ngữ này sang ngôn ngữ khác. Ví dụ: bạn có thể chọn mô hình này đang nhắm mục tiêu dịch tiếng Ý từ tiếng Anh. Sau khi chọn được mô hình dịch, bạn có thể cụ thể hóa ý tưởng này bằng cách xây dựng một ứng dụng với Streamlit.
4. Phân tích tài liệu nghiên cứu
Trong thời gian nghiên cứu, tôi đã học được cách đọc bài báo nhanh chóng và hiệu quả. Nhưng chỉ đọc một bài báo tối thiểu 30 trang là rất tốn thời gian và thật khó để luôn cập nhật thông tin nghiên cứu với sự bùng nổ số lượng bài báo được phát hành hàng ngày. Để tăng năng suất nghiên cứu, sẽ tốt hơn nếu trích xuất thông tin liên quan từ các bài báo học thuật? Đây là ba trường hợp sử dụng sau đây có thể hữu ích cho sự nghiệp của bạn trong lĩnh vực khoa học dữ liệu.
Hỏi đáp qua giấy tờ
Tạo câu hỏi và câu trả lời từ tài liệu là một trong những ứng dụng thú vị nhất mang lại giá trị. Hầu hết các hướng dẫn đều sử dụng Chat-GPT để tạo phiên Hỏi đáp tự động nhưng đó không phải là giải pháp duy nhất. Bạn cũng có thể tạo bot được cá nhân hóa của mình bằng cách sử dụng LangChain và Sentence Transformers từ HuggingFace. Có các bước sau:
Tải tài liệu PDF bằng PyPDFLoader
Trích xuất các đoạn từ văn bản
Trích xuất các phần nhúng bằng thư viện Sentence Transformer
Xây dựng bot để trả lời câu hỏi
Tổng hợp các bài viết
Một trường hợp sử dụng phổ biến khác là tóm tắt bài viết. Giống như trước đây, nhiệm vụ này có thể được tự động hóa bằng các công cụ AI tổng hợp. Một ứng dụng web dễ thương có thể được xây dựng bằng GPT-3, LangChain và Streamlit.
Truy vấn nhiều giấy tờ
Nếu chúng ta tóm tắt nhiều bài viết cùng một lúc, sẽ rất tốt nếu lọc để truy vấn những bản tóm tắt này dựa trên các câu hỏi. Nó sẽ không tuyệt vời sao? Nó lại rất đơn giản bằng cách sử dụng LangChain và OpenAPI-API.
5. Tạo tài liệu Code
Theo trải nghiệm gần đây nhất của mình, khi làm việc với tư cách là nhà khoa học dữ liệu, tôi đã nhận thấy tầm quan trọng của việc ghi lại mã hàng ngày. Nếu bạn làm việc một mình, bạn không quan tâm đến nó. Nhưng khi bạn làm việc với một nhóm, việc quản lý các tác vụ mà không có tài liệu mã sẽ trở nên phức tạp. Đặc biệt, có thể xảy ra trường hợp một thành viên trong nhóm rời công ty và là người duy nhất hiểu mã của anh ấy/cô ấy. Ngay cả khi tài liệu thực sự hữu ích thì đó vẫn là một công việc rất nhàm chán và tiêu tốn thời gian. Nhờ sự bùng nổ của Mô hình ngôn ngữ lớn, một lần nữa chúng ta có thể tránh được công việc khó khăn này bằng cách tạo Chuỗi tài liệu Python bằng Chat-GPT.
6. Tự động hóa bài thuyết trình Powerpoint
Nếu bạn là nhà khoa học dữ liệu, chắc chắn bạn phải chuẩn bị các slide PowerPoint để thảo luận về kết quả với khách hàng. Đây là một công việc tốn thời gian khác có thể được tự động hóa nhờ Generative AI. Bạn có thể yêu cầu Bing Chat tạo mã VBA để tạo slide PowerPoint bằng cách chỉ định rõ ràng ngữ cảnh và thông tin cho từng slide.
7. Phân tích cảm tính của các đánh giá
Trong thế giới công nghiệp, phân tích cảm xúc về đánh giá sản phẩm có thể giúp các công ty hiểu được khách hàng có thích hay không thích sản phẩm, cho phép họ cải thiện dịch vụ và duy trì tính cạnh tranh trên thị trường. Đây là dự án khoa học dữ liệu cổ điển yêu cầu giải quyết rất nhiều bước: tiền xử lý văn bản, nhúng từ và ứng dụng mô hình học máy.
Bước đầu tiên là nhiệm vụ tốn nhiều công sức nhất, đòi hỏi sự hiểu biết tốt về ngôn ngữ bạn đang phân tích. Vấn đề này có thể được quản lý nhanh chóng bằng cách sử dụng Chat-GPT. Ngoài phân tích này, có thể tạo danh sách ưu và nhược điểm từ mỗi đánh giá, tạo danh sách các đề xuất có thể có để cải thiện sản phẩm, v.v.
Tham khảo bài viết gốc ở đây:
Sửa lần cuối bởi điều hành viên:
