ویژگی‌های پنل ChatGpt
پنل Chatgpt سایت هوش پارامونتی به شما امکان میدهد تا با استفاده از قدرت هوش مصنوعی جواب سئوالاتتان را استخراج کنید.
این یک بسته فارسی و کامل هوش مصنوعی GPT بر پایه API از شرکت OpenAI است.
ویژگی‌های اصلی پنل عبارتند از:
زبان: در افزونه ما بیش از ۴۰ زبان پشتیبانی میشود. این تنها زبان گفتگو با چت را تغییر میدهد و اثری بر روی تغییر زبان افزونه ندارد. همچنین هنگامی که زبان تغییر می‌کند باید گفتگو با همان زبان ادامه پیدا کند، در غیر این صورت ربات زبان ورودی را تشخیص داده و بر اساس آن گفتگو می‌کند.
لحن: در مجموع از ۶ لحن پشتیبانی میشود. لحن به شما کمک می‌کند تا چت بات خود را شبیه به انسان کنید.
عملکرد به عنوان: ما بیش از ۳۰ شغل و حرفه را پشتیبانی می‌کنیم. با این کار می‌توانید به ربات بگویید که در نقش یک شغل و حرفه ظاهر شود.
سبک طراحی: چند گزینه برای تغییر ظواهر ربات چت وجود دارد. می‌توانید بر اساس نظر خود آنها را تغییر دهید.
پارامترهای هوش مصنوعی: می توانید پارامترهای موتور هوش مصنوعی چت بات را تغییر دهید.
خویشتن داری: می‌توانید چت بات را تعدیل و سیاست‌های خویشتن داری را اعمال کنید. می‌توانید از این ویژگی، برای بررسی اینکه آیا محتوا با سیاست‌های استفاده OpenAI مطابقت دارد یا خیر استفاده کنید.
ورودی صدا: اگر این گزینه را فعال کنید، آیکون میکروفون در چت بات نمایش داده میشود. هنگامی که کاربر روی نماد میکروفون کلیک کند، ربات چت شروع به گوش دادن به کاربر می‌کند. کاربر می‌تواند با چت بات صحبت و چت بات گفتار را به متن تبدیل کند.
سفارشی‌سازی عناوین چت: می‌توانید برخی گزینه‌ها و ورودی‌ها را برای چت بات سفارشی کنید.
تنظیمات گفتگوها: می‌توانید زمینه‌های سفارشی را به چت بات اضافه کنید. این یک بخش مهم و ویژه است.
به یاد سپردن گفتگو: می‌توانید حافظه را برای مکالمه فعال یا غیرفعال کنید. اگر این گزینه را فعال کنید، چت بات مکالمه را به خاطر میآورد و می تواند مکالمه را از جایی که متوقف شده است ادامه دهد.
به یاد سپردن گفتگو تا: می‌توانید تعداد پیام‌هایی را که ربات چت به خاطر می‌سپارد را تنظیم کنید. پیش فرض آن ۱۰ است. می‌توان آن را روی مقداری بین ۳ تا ۲۰ تنظیم کرد.
آگاهی از کاربر: اگر این گزینه را فعال کنید، ربات چت می‌تواند بر اساس نام نمایشی کاربر در صفحه پروفایل پاسخی ایجاد کند. اگر نام نمایشی خالی باشد، چت بات از نام کاربری او استفاده می‌کند. این ویژگی فقط زمانی کار می‌کند که کاربر وارد حساب خود شده باشد.
آگاهی از محتوا: اگر این گزینه را فعال کنید، چت بات قادر خواهد بود تا بر اساس محتوای وب سایت شما پاسخی ایجاد کند.
استفاده از چکیده: اگر این گزینه را فعال کنید، ربات چت می‌تواند بر اساس چکیده‌ای از برگه‌های شما پاسخی ایجاد کند. چکیده یک متن اختیاری است که به یک نوشته مرتبط است. بیشتر اوقات، از آن به عنوان خلاصه نوشته استفاده میشود.
علاوه بر این: می توانید متنی علاوه بر چت را به ربات چت اضافه کنید. این متن اضافی را می توان همراه با چکیده استفاده کرد.
ذخیره گزارش‌های چت: اگر این گزینه را فعال کنید، چت بات گزارش‌های مکالمه را ذخیره می‌کند.
نمایش اعلان: اگر این گزینه را فعال کنید، ربات چت اخطاری را به کاربر نشان می دهد که گزارش ها در حال ذخیره شدن هستند.
متن اعلان: می‌توانید متن اعلان را تغییر دهید. پیش فرض “لطفاً توجه داشته باشید که مکالمات شما ضبط خواهد شد” است.
موتور هوش مصنوعی
| مدل | شرح | حداکثر توکن |
| GPT-4 | توانمندتر از هر مدل GPT-3.5، قادر به انجام کارهای پیچیده تر و برای چت بهینه سازی شده است و هنوز در نسخه بتاست | ۸,۱۹۲ |
| GPT-4-32k | قابلیت‌های مشابه حالت پایه GPT-4 اما با طول زمینه ۴ برابری است | ۳۲,۷۶۸ |
| GPT-3.5-turbo 16K | قابلیت های مشابه مدل استاندارد gpt-3.5-turbo بیشتر اما با چهار برابر زمینه. | ۱۶,۳۸۴ |
| GPT-3.5-turbo | توانمندترین مدل GPT-3.5 و بهینه سازی شده برای چت و همچنین ۱/۱۰ هزینه text-davinci-003 | ۴,۰۹۶ |
| text-davinci-003 | می‌تواند هر کار زبانی را با کیفیت بهتر، خروجی طولانی‌تر و دنبال کردن دستورالعمل‌ها انجام دهد. | ۴,۰۰۰ |
| text-davinci-002 | دارای قابلیت‌های مشابه text-davinci-003 اما با تنظیم دقیق نظارت شده بجای یادگیری تقویتی، آموزش دیده است | ۴,۰۰۰ |
| text-curie-001 | بسیار توانمند و در عین حال سریعتر و کم هزینه‌تر از davinci | ۲,۰۴۸ |
| text-babbage-001 | قادر به انجام کارهای ساده، بسیار سریع و کم هزینه است | ۲,۰۴۸ |
| text-ada-001 | قادر به انجام کارهای بسیار ساده است. معمولا سریع ترین و کمترین هزینه مدل در سری GPT-3 است | ۲,۰۴۸ |
OpenAI برای کسب تجربه و آزمایشات هوش مصنوعی و دریافت بهترین نتایج، استفاده از Davinci و Turbo را در توصیه می‌کند.
| مدل | بهترین استفاده |
| Turbo | مکالمه و تولید متن |
| Davinci | مقاصد پیچیده، علت و معلول، خلاصه سازی برای مخاطب |
| Curie | ترجمه زبان، طبقه بندی‌های پیچیده، متن احساسی، خلاصه سازی |
| Babbage | طبقه بندی متوسط، طبقه بندی جستجوی معنایی |
| Ada | تجزیه متن، طبقه بندی ساده، تصحیح آدرس، کلمات کلیدی |
پارامترها
همه مقادیری که در برگه تنظیمات و در تب تنظیمات هوش مصنوعی تنظیم شده‌اند، به عنوان پارامتر برای API شرکت OpenAI استفاده می‌شوند. این پارامترها به عنوان مقادیر پیش‌فرض برای تولید محتوای تک و محتوای خودکار ارائه‌شده توسط پنل استفاده می‌شوند.
| دما |
| پارامتر دما در تولید متن به کار می‌رود و نشان‌دهنده میزان تنوع و خلاقیت در جملات تولید شده است. این پارامتر عددی بین ۰ تا ۱ است و با افزایش مقدار آن، متن تولیدی خلاقانه‌تر و متنوع‌تر میشود. |
| در پردازش زبان طبیعی، دما یک پارامتر مهم در مدل نویسی دنباله است که به بحث هنگام تولید دنباله می‌پردازد. این پارامتر به ازای هر لحظه از تولید دنباله برای هر کلمه، احتمال ظاهری آن را کنترل می‌کند. در صورتی که دما کم باشد، مدل تمایل به تولید دنباله تکراری دارد و در صورتی که بالاتر باشد، مدل تمایل به متن‌های متنوع‌تر خواهد داشت. |
| به عبارت دیگر، با افزایش مقدار دما توزیع احتمالی کلمات در مدل پخش شده و مدل تمایل دارد کلمات کناری و بیشتری را به عنوان گزینه‌های بعدی در نظر بگیرد. در مقابل، با کاهش دما، مدل تمایل دارد تا آن گزینه‌هایی که به احتمال بیشتری می‌آیند را برای تولید دنباله متنی انتخاب کند. |
| مقادیر دما می‌تواند با توجه به نوع مدل و دیگر پارامترهای مدل به صورت دقیق تعیین گردد. در حالت عمومی، معمولاً با افزایش دما روند تولید دنباله‌های با رنگ‌ها‌ی متفاوت و گاهی نامفهوم تر به وجود می‌آید، در حالی که کاهش این پارامتر، باعث میشود تا دنباله‌های با کلمات متشابه تر و بازتر تولید شوند. |
| حداکثر توکن |
| این پارامتر محدودیت تعداد کلمات در پاسخ تولیدی موتور API را تعیین می‌کند. با افزایش این مقدار، تعداد کلمات مجاز در پاسخ‌های تولیدی بیشتر خواهد شد. |
| حداکثر توکن یکی از پارامترهایی است که برای مدل‌سازی زبان طبیعی مورد استفاده قرار می‌گیرد. این پارامتر بیانگر حداکثر تعداد توکن‌ها یا کلماتی است که مدل در ورودی‌ها یا خروجی‌ها می‌تواند در نظر گرفته و پردازش کند. با تعیین مقدار مشخص برای حداکثر توکن می‌توانید برای مدل خود تنظیماتی ارائه دهید و محدوده‌ای را برای حجم و میزان پردازش داده‌های ورودی در نظر بگیرید. |
| برای مثال، اگر حداکثر توکن برابر با ۱۰۰ باشد، مدل تنها می‌تواند حداکثر ۱۰۰ توکن را در ورودی‌ها یا خروجی‌ها در نظر بگیرد و هر توکن اضافی بعد از آن، نادیده گرفته خواهد شد. بنابراین، در تعیین مقدار این پارامتر باید به خوبی بررسی کنید که مقدار مناسبی برای حداکثر تعداد توکن‌ها در ورودی‌ها یا خروجی‌ها وجود داشته باشد تا در عین حال کمیت را کنترل کنید و کیفیت و دقت مدل را به حداکثر برسانید. |
| میزان بیشترین مقدار حداکثر توکن بسته به منابع موجود در دسترس و نوع و حجم داده‌های ورودی مدل‌ها می‌تواند متفاوت باشد و باید با توجه به تحلیل نیازهای کاربری و نوع داده‌های ورودی، به صورت دقیق تعیین شود. |
| بالاترین احتمال |
| این پارامتر، در فرایند تولید متن با استفاده از روش توزیع احتمالی به کار می‌رود. با افزایش مقدار آن، فقط کلماتی که بیشترین احتمال استفاده در پاسخ تولیدی را دارند، انتخاب می‌شوند. عددی بین ۰ تا ۱ مقدار بالاترین احتمال در مدل‌های پردازش زبان طبیعی، به طور معمول برای تولید متون به کار می‌رود. |
| بالاترین احتمال، به مقدار ثابتی از توزیع احتمالاتی دلخواه گفته میشود که شامل احتمال کلمات با بیشترین احتمال برای استفاده از آن در متن است. بطور کلی، با افزایش مقدار بالاترین احتمال، حجم متن تولیدی تغییر نمی‌کند، اما تنوع در کلمات استفاده شده در متن بیشتر میشود. به عبارت دیگر، برای مقادیر بالاتر از بالاترین احتمال، مدل گزینه های بیشتری برای انتخاب کلمه دارد و احتمال استفاده از کلمات کمتری در متن کاهش می‌یابد. |
| مقدار بالاترین احتمال ، یک پارامتر مهم در گردهمایی مدل‌های زبان طبیعی و یادگیری عمیق است. این پارامتر معمولا در مدل‌های چندگانه‌توجه، تولید دنباله و ترجمه ماشینی به‌کار می‌رود. زمانی که مقدار بالاترین احتمال بر روی یک لغت اعمال میشود، احتمال انتخاب آن لغت با حذف کلمات با احتمالات پایین‌تر، تا زمانی که مجموع احتمالات باقی‌مانده بین ۰ و بالاترین احتمال گنجانده شود، محاسبه میشود. |
| به عنوان مثال، اگر برای بالاترین احتمال مقدار ۰.۸ تعیین کنیم، مدل باید کلمات با بالاترین احتمالات را انتخاب کرده و حذف کلماتی با احتمال کمتر، تا زمانی که مجموع احتمالات قبول شده در محدوده ۰.۸ بماند. این پارامتر به عنوان یک ابزار مفید برای کنترل تنوع و کیفیت تولید دنباله در مدل‌های زبانی به کار می‌رود، زیرا در مقادیر بالا، باعث ایجاد تنوع و ایجاد شخصیت در تولید دنباله متنی میشود. |
| بهترین گزینه |
| این پارامتر میزان تعداد نمونه‌های تولیدی از موتور API را که برای تولید پاسخی که برای یک درخواست انجام میشود، مشخص می‌کند. با افزایش این پارامتر، تعداد نمونه‌های تولیدی افزایش پیدا می‌کند و از بین آنها پاسخ بهتری انتخاب میشود. |
| پارامتر بهترین گزینه که گاهی به عنوان Top-K نیز شناخته میشود، یک پارامتر دیگر در مدل‌های زبان طبیعی است که برای تولید دنباله متون و کنترل انتخاب کلمات استفاده میشود. با استفاده از این پارامتر، تعداد K بالاترین انتخاب‌های ممکن برای هر کلمه، به صورت مستقل محاسبه و در روند تولید دنباله به کار گرفته میشود. |
| به عنوان مثال، فرض کنید که مقدار پارامتر بهترین گزینه برابر با ۳ است. در این صورت، برای هر کلمه، جستجوی مدل برای بالاترین سه کلمه با بیشترین احتمال انجام میشود. سپس، فقط این سه کلمه در نظر گرفته می‌شوند و تولید دنباله با استفاده از این کلمات ادامه می‌یابد. این روند تا زمانی ادامه می‌یابد که بتوان نماینده‌ای برای دنباله تولید شده پیدا کرد. |
| استفاده از پارامتر بهترین گزینه یکی از مهم‌ترین روش‌ها برای کنترل کلمات انتخاب شده در مدل‌های بازگشتی، مانند مدل‌های زبان طبیعی و ترجمه ماشینی است و به عنوان یکی از روش‌های موثر برای محدود کردن تعداد کلمات مورد نیاز و افزایش دقت مدل شناخته شده است. |
| در پارامتر بهترین گزینه، عددی مشخصی برای بازه عددی تعیین نمی‌شود. به طور کلی، پارامتر بهترین گزینه به عنوان یکی از روش‌های کنترل کلمات در تولید دنباله و کاهش ابهام در انتخاب کلمات بکار می‌رود. در این روش برای هر لحظه یا هر مرحله از تولید دنباله، یک تعداد محدود از برترین کلمات برای استفاده در مرحله بعد محاسبه میشود. تعداد این کلمات به شکل دقیقی تعیین نشده است و به بخشی از تعداد کلمات حاضر در داده‌های ورودی و فرضیات در مورد استفاده از این روش برای بهبود عملکرد مدل بستگی دارد. |
| به عنوان مثال، در برخی پژوهش‌های مربوط به پردازش زبان طبیعی، از بین ۱۰ تا ۵۰ برای بهترین گزینه استفاده میشود. با این حال، همواره باید این پارامتر را با توجه به ویژگی‌های ورودی، نوع مدل و دیگر پارامترهای مدل به طور دقیق تنظیم کرد. |
| جریمه فرکانس |
| این پارامتر برای جلوگیری از تکرار کلمات در پاسخ‌های تولیدی استفاده میشود. با افزایش مقدار این پارامتر، میزان جریمه برای تکرار کلمات در پاسخ‌های تولیدی را تعیین می‌کند. به عنوان مثال، اگر این پارامتر را برابر با ۲ قرار دهید، موتور API تلاش می‌کند تا کلمات تکراری در پاسخ‌های تولیدی را به حداقل برساند. |
| مقدار جریمه فرکانس یک پارامتر مهم در مدل‌های زبان طبیعی است که برای کاهش استفاده از کلمات تکراری در تولید دنباله متون به کار می‌رود. در واقع، این پارامتر به عنوان یک روش کنترل بیش‌برازش (Overfitting) شدن مدل تجزیه و تحلیل میشود. |
| در این روش، برای هر لحظه‌ای از تولید دنباله، یک امتیاز جریمه برای هر کلمه محاسبه میشود که به میزان تعداد تکرارهای کلمه در دنباله وابسته است. با افزایش تعداد تکرارهای یک کلمه، مقدار جریمه به صورت نمایی بیشتر میشود و بر این اساس، مدل تمایل دارد کلمات تکراری را کمتر در متن دنباله مورد استفاده قرار دهد. |
| مقدار دقیق برای پارامتر جریمه فراوانی به دلیل وابستگی به ویژگی‌های داده‌های ورودی و خروجی و همچنین نوع مدل مورد استفاده، متفاوت است. برای مثال، مقدار معمولاً در محدوده ۰.۱۵ تا ۰.۵ تعیین میشود. این پارامتر همچنین با پارامترهای دیگر در مدل‌سازی زبان‌های طبیعی، همچون پارامتر بهترین گزینه و بالاترین احتمال، به صورت ترکیبی مورد استفاده قرار می‌گیرد تا بهترین نتیجه در تولید دنباله متنی به دست آید. |
| جریمه حضور |
| این پارامتر برای جلوگیری از استفاده از کلمات مشابه یا مرتبط در پاسخ‌های تولیدی استفاده میشود. به عنوان مثال، اگر این پارامتر را برابر با ۰.۵ قرار دهید، موتور API تلاش می‌کند کلمات مشابه در پاسخ‌های تولیدی را به حداقل برساند و از تکرار آنها خودداری کند. |
| جریمه حضور، یک پارامتر دیگر در مدل‌های زبان طبیعی است که برای کاهش استفاده از کلمات نا آشنا در تولید دنباله متنی به کار می‌رود. در واقع، این پارامتر به عنوان یک روش کنترل کم‌برازش (Underfitting) شدن مدل تجزیه و تحلیل میشود. |
| در این روش، برای هر لحظه‌ی تولید دنباله، یک امتیاز جریمه برای هر کلمه محاسبه میشود که به میزان تکرار کلمه در دنباله وابسته است. با کم شدن تعداد تکرار کلمه، مقدار جریمه به صورت خطی کمتر میشود و بر این اساس، مدل تمایل دارد کلمات آشنا را بیشتر در دنباله مورد استفاده قرار دهد. |
| مقدار دقیق برای پارامتر جریمه حضور به دلیل وابستگی به ویژگی‌های داده‌های ورودی و خروجی و همچنین نوع مدل مورد استفاده، متفاوت است. برای مثال، مقدار معمولاً در محدوده ۰.۰۱ تا ۰.۵ تعیین میشود. همانند پارامتر جریمه فراوانی، پارامتر جریمه حضور نیز معمولاً با پارامترهای دیگر در مدل‌سازی زبان‌های طبیعی، همچون پارامتر بهترین گزینه و بالاترین احتمال، به صورت ترکیبی مورد استفاده قرار می‌گیرد تا بهترین نتیجه در تولید دنباله متنی به‌دست آید. |
| زمان تاخیر یا تعویض |
| این زمانی است که طول می‌کشد تا یک مدل شناخته شده از حالت خواب بیدار شود و آمادگی به کار را پیدا کند. این زمان برای هر مدل مختلف است و به عوامل مختلفی مانند ساختار مدل، تعداد پارامترها، نوع داده های ورودی، سخت افزار و محیط اجرایی وابسته است. می‌توان آن را به هر مقداری بین ۱ تا ۱۰ ثانیه تنظیم کرد. برای مثال، اگر زمان تاخیر را ۳ ثانیه قرار دهید، پس از هر درخواست به موتور API، باید حداقل ۳ ثانیه منتظر بمانید تا پاسخ برگشت داده شود. |
| برای برخی مدل‌های پردازش زبان طبیعی مانند BERT و GPT-2، زمان تاخیر برای اینکه مدل به حالت بیداری بازگردد می‌تواند تا چند ثانیه یا حتی چند دقیقه طول بکشد. این مدل‌ها، در دسته مدل های پیچیده و حجیم، دارای میلیون‌ها پارامتر هستند و نیاز به پردازش موازی و سخت افزار قدرتمند دارند. |
| به عنوان مثال، مدل GPT-3 با ۱۷۵ میلیارد پارامتر، دارای زمان تاخیر بسیار طولانی برای آماده شدن به کار است و ممکن است تا چند دقیقه طول بکشد. در مقابل، مدل های ساده تری مانند Logistic Regression که تنها چند پارامتر دارند، زمان تاخیر بسیار کمتری دارند و تقریباً فوری برای کار آماده می شوند. |
تمام این پارامترها در نهایت، برای تنظیم رفتار موتور API شرکت OpenAI در تولید متن به کار می‌روند و با تغییر آنها، می‌توانید نوع و کیفیت پاسخ‌های تولیدی را کنترل کنید.
تنظیمات اضافی
| در برگه تنظیمات و در تب تنظیمات هوش مصنوعی در هنگام انتخاب مدل‌های GPT-4 32K ،GPT-4 و GPT-3.5 Turbo یک تنظیم اضافی با نام زمان تاخیر ظاهر میشود که کنترل فاصله زمانی بین آماده سازی مدل و هر درخواست ارائه شده به API شرکت OpenAI را امکان‌پذیر می‌کند. مقدار پیش‌فرض روی ۸ ثانیه تنظیم شده است، اما می‌توان آن را به هر مقداری بین ۱ تا ۱۰ ثانیه تنظیم کرد. |
| برای جلوگیری از تجاوز از محدودیت نرخ OpenAI، که تعداد دفعاتی را که کاربر می‌تواند در یک بازه زمانی مشخص به سرور دسترسی داشته باشد، محدود می‌کند. توصیه میشود بین هر درخواست یک زمان تاخیر اضافه کنید. این رویکرد توسط OpenAI به عنوان وسیله ای برای جلوگیری از رسیدن به محدودیت نرخ پیشنهاد شده است. |
| لطفاً توجه داشته باشید که گزینه زمان تاخیر فقط در صورتی در دسترس است که از gpt-3.5-turbo استفاده می کنید، و برای Davinci اعمال نمی‌شود. زیرا Davinci مشکل محدودیت نرخ ندارد. |
| توصیه میشود با زمان تاخیر کم شروع کنید و آزمایش‌هایی را برای تعیین اینکه آیا محدودیت نرخ کاهش یافته است انجام دهید. اگر چنین است، به تدریج زمان تاخیر را افزایش دهید تا زمانی که محدودیت نرخ دیگر مشکلی نباشد. |
