W dobie dynamicznego rozwoju sztucznej inteligencji, jednym z największych wyzwań jest łączenie modeli językowych (LLM) z zewnętrznymi danymi i narzędziami. Odpowiedzią na to wyzwanie jest wchodzący na salony MCP (Model Context Protocol).
Modele językowe, takie jak GPT-4, nie „rozumieją” świata. Przewidują kolejne tokeny na podstawie danych, które dostają w kontekście. Dlatego w systemach produkcyjnych nie wygrywa ten, kto napisze najładniejszy prompt. Wygrywa ten, kto najlepiej zaprojektuje całe środowisko informacyjne modelu.
Era prostych chatbotów przemija. Dziś projektujemy autonomiczne agenty AI, które planują, rozumują i korzystają z zewnętrznych narzędzi. Wybór fundamentu dla takiego systemu to decyzja między stabilnością korporacyjną a elastycznością open-source.
Jakiś czas temu podzieliłem się tutaj projektem „Szeptucha” – moim własnym narzędziem do notatek głosowych opartym na modelu Whisper od OpenAI. 🎙️ Post o tym, jak przestałem polegać na gotowych subskrypcjach...
Wyobraź sobie narzędzie, które pozwala Ci dyktować notatki w dowolnym miejscu systemu Windows – w Wordzie, Notatniku, czy przeglądarce – za pomocą jednego skrótu klawiszowego. Takim narzędziem jest **Szeptucha**.
Niedawno pokazywałem Wam, że mój blog zyskał nową funkcję – system RAG, który pozwala AI odpowiadać na pytania w oparciu o moje artykuły. Dziś czas zajrzeć pod maskę tej technologii.
Systemy RAG (Retrieval-Augmented Generation) łączą w sobie potęgę dużych modeli językowych (LLM) z własną bazą wiedzy. Dzięki temu możemy tworzyć asystentów AI, którzy odpowiadają na pytania w oparciu o specyficzne dane.
Ostatnio zastanawiałem się, jak nadać mojej bazie wektorowej drugie życie. Postanowiłem przejść od słów do czynów i rozbudować ją o możliwość interakcji z treściami. Efekt? Asystent AI w architekturze RAG.
Łatwo nie było, ale efekt końcowy daje mnóstwo satysfakcji! 🚀 Zamiast tradycyjnego szukania po słowach kluczowych, mój blog rozumie teraz intencje użytkownika.
Udział w Kursie Umiejętności Jutra 2.0, zorganizowanym przez Google i SGH Warsaw School of Economics, oraz zdobycie certyfikatu potwierdzającego moje nowe kompetencje, zaowocowały pomysłem stworzenia własnego agenta AI.
Na początku próbowałem podejść do tematu przez oficjalną aplikację na platformie Meta. Niestety, szybko się poddałem – proces konfiguracji okazał się bardziej skomplikowany, niż zakładałem. Drugie podejście zrobiłem w Pythonie – i tym razem się udało 🎉
Ostatnio stworzyłem prosty skrypt, który pozwala jednym skrótem klawiszowym (CTRL+Q) poprawiać literówki w zaznaczonym tekście – nie zmieniając przy tym słów. Idealny dla osób z dysleksją lub tych, którzy często robią literówki.