【自然对话】Теперь можно общаться на естественном языке, почему же нужно возвращаться к программированию? — Постепенно учим ИИ029

Вступление

• Написание кода в Prompt действительно не является необходимым
  • Наконец-то появилась возможность общения на естественном языке
  • Это не программирование на естественном языке
• Пусть программированием занимаются программисты
  • Не усложняйте жизнь простым людям
  • Программисты должны писать код там, где это необходимо
• Код в Prompt может запутывать и усложнять отладку
  • Совершенно не нужно добавлять дополнительную нагрузку и тревоги для обычных людей
  • Не нужно писать код в Prompt

1. Каково это — писать код в Prompt

1.1 Пример неудачного Prompt, который показывает, что это совсем не нужно

Prompt и результат

Вы — генератор карточек для повторения слов с возможностью исполнения кода. На основании входных данных пользователя о количестве строк, столбцов, классе и дате, создайте карточку. Используйте нижеприведенный код для выполнения:

import pandas as pd
from datetime import datetime

def create_word_review_card(rows, cols, grade_level, date):
    """
    Создает таблицу карточек для повторения слов, но обратите внимание, что непосредственное выполнение этой функции в непрофессиональной среде может привести к непредсказуемым ошибкам.

    Параметры:
    rows (int): Количество строк в таблице, определяющее количество слов на карточках.
    cols (int): Количество столбцов в таблице, определяющее количество слов на карточках.
    grade_level (str): Уровень класса, определяющий сложность слов.
    date (datetime): Текущая дата, отображаемая внизу таблицы.

    Возвращает:
    DataFrame: Pandas DataFrame, содержащий слова.
    """
    # Функция для получения слов из словаря
    def fetch_words(n, grade_level):
        words = [f"{grade_level}_word_{i}" for i in range(n)]
        return words

    # Получение слов
    total_words = rows * cols
    words = fetch_words(total_words, grade_level)
    
    # Форматирование списка слов в двумерный список
    word_matrix = [words[i * cols:(i + 1) * cols] for i in range(rows)]
    df = pd.DataFrame(word_matrix)
    
    # Одной из иллюзий перед выводом результата является то, что если фактическое количество слов в словаре меньше необходимого, это приведет к ошибке.
    try:
        print(df.to_string(index=False, header=False))
        print(f"Дата: {date.strftime('%Y-%m-%d')}")
    except Exception as e:
        print("Ошибка:", e)

# Пример использования, показывающий, как вызвать функцию и предупреждающий о возможных проблемах
try:
    create_word_review_card(3, 4, 'средняя школа', datetime.now())
except Exception as error:
    print("При попытке выполнить код произошла ошибка, что указывает на то, что запуск сложного Python кода вне редактора кода может быть не лучшей практикой. Подробности об ошибке:", error)

При начале использования вы ожидаете ввода пользователем количества строк, столбцов, уровня класса и даты, а затем, используя код, создаете график для пользователя.

Результат вывода, код все же выполнился

Код выглядит следующим образом:

import pandas as pd
from datetime import datetime

def create_word_review_card(rows, cols, grade_level, date):
    """
    Создает таблицу карточек для повторения слов.

    Параметры:
    rows (int): Количество строк в таблице, определяющее количество слов на карточках.
    cols (int): Количество столбцов в таблице, определяющее количество слов на карточках.
    grade_level (str): Уровень класса, определяющий сложность слов.
    date (datetime): Текущая дата, отображаемая внизу таблицы.

    Возвращает:
    DataFrame: Pandas DataFrame, содержащий слова.
    """
    def fetch_words(n, grade_level):
        words = [f"{grade_level}_word_{i}" for i in range(n)]
        return words

    # Получение слов
    total_words = rows * cols
    words = fetch_words(total_words, grade_level)
    
    # Форматирование списка слов в двумерный список
    word_matrix = [words[i * cols:(i + 1) * cols] for i in range(rows)]
    df = pd.DataFrame(word_matrix)
    
    # Вывод результата
    print(df.to_string(index=False, header=False))
    print(f"Дата: {date.strftime('%Y-%m-%d')}")

# Вызываем функцию и перехватываем возможные исключения
try:
    create_word_review_card(3, 4, 'начальная школа', datetime.strptime('2024-03-12', '%Y-%m-%d'))
except Exception as error:
    print("При попытке выполнить код произошла ошибка, подробности об ошибке:", error)

Из этого неудачного примера можно увидеть несколько моментов:

• Чтобы достичь эффекта, как в традиционных языках программирования, потребуется значительная работа
• Отладка и модификация кода очень сложны и огорчительны
• Нет видимой необходимости в встраивании кода в Prompt

В этот момент кто-то может сказать, что это потому, что ваши навыки программирования слишком слабые…
Да, действительно, мои навыки программирования довольно посредственные.
Но подождите, если ИИ требует такой высокой квалификации в программировании, является ли он тогда AIGC?

Давайте посмотрим на использование простого переменного, которое на самом деле может быть совершенно незнакомым языком.

1.2 Каким образом может выглядеть встроенный псевдокод

Prompt и результат

"На основе моих интересов {interests}, бюджета {budget}, продолжительности поездки {travel_duration}, и числа сопровождающих {number_of_companions}, пожалуйста, помогите мне спланировать поездку." "Интересы включают, но не ограничиваются {list_of_interests}." "Бюджет составляет {budget_range}." "Запланированная длительность поездки {length_of_trip} дней." "Я буду путешествовать с {number_of_people} людьми, их возраст и интересы {ages_and_interests}." "Предоставьте детальные рекомендации по каждому дню, включая предпочтения в еде {meal_preferences} и выбор жилья {accommodation_preferences}."

Хотя этот пример не идеален и больше похож на шаблон Prompt с переменными, он указывает на то, что в некоторых конкретных сценариях он может быть эффективен. Похожие случаи могут включать: для создания более сложных запросов можно добавить больше точек принятия решений и переменных, что сделает процесс взаимодействия более детализированным и многопоточным. Вот примеры сложных версий для различных сценариев:

Сценарий 1: Полный план здорового питания

Начальный Prompt:

"У меня есть {dietary_restrictions}, мне нужно составить план питания на {number_of_days} дней {meal_type}."
"Мои ограничения по питанию включают {specific_restrictions}."
"Каждый день мне нужно {meals_per_day}."
"Калорийность каждой порции не превышает {calories_per_meal} калорий."
"Пожалуйста, предоставьте список ингредиентов {ingredients_list}, этапы приготовления {cooking_steps} и ожидаемое рабочее время {cooking_time} для каждого приема пищи."

Сценарий 2: Подробная оценка технологического продукта

Начальный Prompt:

"Я рассматриваю возможность покупки {product_name}, пожалуйста, предоставьте детальную информацию о функциях продукта {detailed_features}, отзывы пользователей {detailed_reviews}, сравнительный анализ цен {price_comparison} и советы по покупке {purchase_advice}."
"Название продукта - {specific_product_name}."
"Хочу узнать о функциях {list_of_features}."
"Пожалуйста, предоставьте подробные отзывы как минимум трех пользователей {user_reviews}."
"Сравните цены на данный продукт с аналогичными товарами на рынке {comparison_with_other_products}."
"На основе моих требований {my_requirements}, стоит ли рекомендовать покупку этого продукта?"

Сценарий 3: Подробный план по обучению

Начальный Prompt:

"Я хочу изучить {subject}, на основе моего стиля обучения {learning_style} и доступного времени {available_time}, пожалуйста, предложите подходящие учебные ресурсы."
"Тема обучения: {specific_subject}."
"Методы обучения, которые мне нравятся: {preferred_learning_methods}."
"Каждую неделю я могу уделять {hours_per_week} часов изучению."
"С учетом этих условий, пожалуйста, предложите подходящие онлайн-курсы {online_courses}, книги {books}, видеоруководства {video_tutorials} или другие ресурсы {other_resources}."

Сценарий 4: Подробный путь к изменениям в карьере

Начальный Prompt:

"Моя текущая работа: {current_job}, меня интересует отрасль {industry_interest}."
"Моя нынешняя должность: {specific_current_job}."
"Интересующая меня отрасль: {specific_industry_interest}."
"Хочу понять, как перейти из текущей профессии в интересующую меня отрасль, включая необходимые навыки {necessary_skills}, возможные должности {potential_positions} и ожидаемую зарплату {expected_salary}."
"Пожалуйста, предоставьте сведения о фонах отрасли {industry_background}, карьерных путях {career_pathway} и возможных сложностях {potential_challenges}."
"Учитывая мой опыт работы {my_work_experience} и образование {my_educational_background}, предложите подходящие курсы повышения квалификации или сертификаты {recommended_courses_or_certifications}."

Теперь давайте посмотрим, как может выглядеть простой логический процесс в псевдокоде/естественном языке.

1.3 Логически структурированный псевдокод/естественный язык

Prompt и результат

Ввод: n
Инициализация: factorial = 1

Для i от 1 до n выполните следующее:
    factorial = factorial * i

Вывод: factorial

Согласно приведенному выше примеру, мы можем немного усложнить задачу:

Ввод: отсортированный массив A, искомое значение val
Установите low = 0, high = length(A) - 1

Пока low <= high выполните следующее:
    mid = (low + high) / 2
    Если A[mid] < val:
        low = mid + 1
    Иначе если A[mid] > val:
        high = mid - 1
    Иначе:
        Вывод: mid
        Выход
Вывод: -1 // Если значение не найдено

Я не сказал, что хочу найти 99. Он сам пошел и нашел…

Все эти примеры выглядят довольно научно и не имеют большого отношения к повседневным проблемам большинства из нас.

Это был выполнен с использованием ChatGPT 3.5. Его способность выполнять вычисления остается под вопросом, но это не мешает нам продолжать исследовать. Учитывая, что большинству людей не нужно углубляться в сложные и постоянно меняющиеся языки программирования, нет нужды в этом разборе, сэкономьте свои силы. Основной проблемой является то, что вышеупомянутый естественный язык и псевдокод могут вызвать замешательство. Если Prompt становится сложным, при переходе в производственную среду это может очень усложнить ситуацию:

• Результаты управляемые
  • Например, здесь уже есть иллюзия проблемы
• Процессы управляемые
  • Это как 8000 строк кода в SQL хранимой процедуре
  • Каждый раз, когда происходит обновление системы, никто не осмеливается трогать, никто не рискует.

Судя по всему, самый большой Prompt - это https://github.com/JushBJJ/Mr.-Ranedeer-AI-Tutor.

2. Что такое программирование на естественном языке

С появлением Prompt и активного продвижения таких компаний, как OpenAI, пресса была в бешенстве и вдохновение приходило в голову!
Prompt был ошибочно принят за новый язык программирования, как будто освоив его, можно управлять целыми армиями, с множеством AIGC, рисование, написание, съемка фильмов - все это стало легким и доступным! так легко!!
Но есть одна проблема:

• Я пока не умею
• Но я верю, что это обязательно очень просто.
• Но пока, к сожалению, я все еще не умею.

Так что же такое программирование на естественном языке, что имел в виду Хуан Жэньхун, сказав, что не стоит учить программирование?

Чтобы разобраться в этом вопросе, мы должны вернуться много лет назад…

Не будем углубляться в детали, в двух словах, мы хотим, чтобы компьютер помогал решать наши проблемы, но понимаем, что это довольно трудно, и некоторые ученые начали с вычислений, постепенно накапливая некоторые методы решения проблем.

Ученые заметили, что некоторые природные явления можно абстрагировать в математические задачи для решения. Например, задача о цыплятах и кроликах может быть решена с помощью уравнений.

Постепенно, с развитием мышления, математики начали все больше абстрагировать свои задачи и использовать больше математических инструментов, которые не поддавались ручным расчетам. Так появились компьютеры и языки программирования. Большинство из нас изучает языки программирования в этом процессе, начиная с понимания типов данных, усвоения if/else, циклов for и т.д.

Эти методы представляют собой подходы компьютеров к решению проблем, абстрагирование и упрощение задач, ограничивая их разрастание. Преимущества очевидны: наши задачи сужаются, а методы их решения также становятся более целенаправленными. Проблемы также становятся очевидными: некоторые задачи трудно сужать, что требует их расширения.

Поэтому кто-то задался вопросом, нельзя ли обойтись без изучения языков программирования. На данном этапе, с учетом все большей сложности задач, это кажется еще более сложным, чем программирование! Например, если я не умею использовать Photoshop, а только работаю с графическим редактором и несколькими простыми онлайн-инструментами, все же для сложной картинки, в конечном итоге, не будет ли лучше немного изучить Photoshop? Парадокс этой проблемы заключается в том, как мы можем оценить результаты, используя программирование на естественном языке? Мы программируем на естественном языке, как мы можем оценить это на предмет “бреда”?

Мы все знаем, что существуют утверждения о том, что большие языковые модели постоянно играют в словесные игры. Так что

1+1=2

не является результатом его вычислений, а скорее тем, что он встречал в таких тренировочных материалах и просто сгенерировал это. Чтобы исправить эту проблему, OpenAI в прошлом году выпустил Интерпретатор кода, который дал нам, тем, кто не умеет программировать, некоторые надежды.

3. Что может делать интерпретатор кода

Проще говоря, его можно рассматривать как добавление среды песочницы для исполнения Python на основе существующих больших моделей, которая понимает контекстные намерения, генерирует код, исполняет его, а затем подводит итоги и сообщает нам.

Это можно представить как просьбу о помощи в выполнении определенной функции: расскажите о своих потребностях, и оно выполнит работу. Более сложные аспекты работы принципов будут затронуты позже. Можно сказать, что большинство задач, которые может выполнять Python, он тоже может выполнять. Давайте рассмотрим несколько典型场景.

Ниже перечисленные четыре сценария можно реализовать с помощью специализированных инструментов, но они предоставляют новые выборы и возможности для этих сценариев. Как и когда только начинался мобильный интернет, возникли споры, но с течением времени был найден баланс, и многие задачи стали не требовать открытия таких специализированных инструментов.

Иногда, наблюдая, как он выполняал задачи 10 раз, чувствуется странная ситуация, недавно я просил его проанализировать сводку ticktick, и он потерпел неудачу более 10 раз.

В общем, это очень удобно использовать для исследований.

Как это активировать? В GPTs есть опция: установить галочку, и GPTs получит эту возможность. В ходе общения с GPT4, я сейчас применяю способ рассказывать ему, что использовать возможности Python или исполнять код, а затем объяснять:

Из взаимодействия выше видно, что весь процесс довольно прост.

3.1 Анализ данных и визуализация

Здесь можно даже не объяснять наши требования, просто отправить CSV или Excel файл и позволить ему провести анализ, он сможет подобрать подходящие графики для отображения. Если нас не устраивает результат, мы сможем уточнить.

В современных бизнесе и исследовательской среде анализ данных и визуализация являются ключевыми инструментами для выявления тенденций и паттернов в данных. Плагин интерпретатора кода ChatGPT значительно упрощает этот процесс, поддерживая мощные библиотеки для работы с данными, такие как pandas и matplotlib. Пользователи могут напрямую запрашивать с помощью естественного языка, направляя ChatGPT на операции с данными и создание графиков, что делает анализ данных более прямым и дружелюбным.

Например, рыночный аналитик может иметь необходимость проанализировать данные о продажах после и продемонстрировать продажи в разных регионах. С помощью интерпретатора кода они могут просто указать ChatGPT прочитать CSV файл с данными о продажах, использовать pandas для расчета общей суммы продаж в каждом регионе, а затем с помощью matplotlib создать столбчатую диаграмму. Весь процесс не требует написания сложного кода, а лишь простого описания задачи по анализу данных и потребностей визуализации.

Более того, возможности интерпретатора кода упрощают работу с временными рядами, моделирование прогнозов и сложные статистические тесты. Например, эколог может захотеть проанализировать данные о температурных изменениях за последние десять лет. С помощью интерпретатора кода они могут загрузить набор данных, применить сглаживающие или регрессионные модели и быстро сгенерировать графики, отображающие тренды.

Говоря о графиках, повседневный анализ в Excel уже довольно полный, есть много профессиональных инструментов, ChatGPT имеет ценность для обычных людей, так как его углы анализа и интерпретации могут дать нам вдохновение. Например,

Есть одна проблема: если график воспроизводится на китайском, он может не отображаться, потребуются загруженные шрифты. Пока что это еще не решено.

3.2 Гибкость в преобразовании файлов

В настоящее время этот метод, похоже, не так удобен, но его можно попробовать. Я пробовал преобразовать mp4 в mp3, имеет ли это особое значение? Кажется, так себе, но лучше, чем ничего. Это подобно удалению фона в изображении.

Преобразование форматов файлов часто требуется в профессиональной сфере, особенно при работе с большим количеством документов и мультимедийных файлов. Интерпретатор кода через упрощение процесса преобразования файлов предлагает огромное удобство. Быстро и точно преобразовывать файлы между разными форматами на многих профессиональных уровнях является ключом к повышению эффективности.

С помощью библиотеки pandas в Python интерпретатор кода может легко осуществить преобразование из CSV файлов в Excel, и наоборот. Для пользователей, которым необходимо переносить и использовать данные между различными программными платформами, это стало огромным облегчением. Например, финансовый аналитик может потребовать преобразовать финансовый отчет из формата Excel в CSV для последующей обработки. С помощью интерпретатора кода это задание можно будет выполнить лишь с помощью простых команд.

Для обработки изображений интерпретатор кода может использовать Pillow (PIL) для выполнения преобразования изображений между различными форматами, например, из JPEG в PNG. Это особенно важно в области редактирования изображений, веб-дизайна и печати. Дизайнеры или фотографы могут быстро настроить форматы изображений, чтобы соответствовать различным требованиям на выходе, используя интерпретатор кода.

В общем, применение интерпретатора кода охватывает широкие спектры и обладает мощными функциями, от простого преобразования форматов файлов до сложного анализа и визуализации данных, демонстрируя его практическую и инновационную ценность как современного инструмента. Эти функции не только повышают рабочую эффективность, но и позволяют нетехническим пользователям легче справляться с задачами, которые изначально требовали профессиональных знаний. Учитывая прогресс технологий и постоянно растущие потребности пользователей, ожидается, что интерпретатор кода займет более значительное положение в большом количестве областей.

3.3 Разработка кода и проектирование прототипов

Интерпретатор кода предоставляет революционный инструмент для разработки программного обеспечения и создания прототипов, позволяя разработчикам быстро изменять и тестировать фрагменты кода. Предоставляя среду для мгновенной обратной связи и исполнения, интерпретатор кода позволяет разработчикам в реальном времени проверять алгоритмы и функции, что значительно сокращает сроки разработки и повышает ее эффективность. Это особенно полезно на ранних этапах разработки, когда необходимо подтвердить идеи либо протестировать новые подходы, чтобы тут же получить результаты, избегая длительного ожидания компиляции и исполнения.

Например, разработчики могут использовать интерпретатор кода для быстрого создания прототипа сценария для веб-сканирования, тестируя различные стратегии разбора или проверяя, соответствует ли процесс интеграции данных ожиданиям. С простыми командами интерпретатор кода может мгновенно запустить сценарий, отобразить вывод и предоставить информацию для отладки, позволяя разработчикам мгновенно выявлять проблемы и вносить коррективы.

1. Загрузка веб-контента: Использование библиотеки requests для получения HTML содержимого с целевого сайта.
2. Разбор HTML: Использование библиотек вроде BeautifulSoup для разбора HTML и извлечения необходимых данных.
3. Обработка данных: Очистка и форматирование данных для дальнейшего анализа или хранения.
4. Отображение результатов: Печать или визуализация данных для проверки точности результатов сканирования.

import requests

def get_weather_info(location, date):
    # Выполняет API вызов для получения информации о погоде
    response = requests.get(f"https://weather-api.com/data/{location}/{date}")

    if response.status_code == 200:
        # Анализ и возвращение данных о погоде
        weather_data = response.json()
        return weather_data
    else:
        return None

# Тестируем API вызов через интерпретатор кода
location = "Нью-Йорк"
date = "2024-01-31"
weather_info = get_weather_info(location, date)
print("Погода в Нью-Йорке на 31 января 2024 года:", weather_info)

В этом сценарии интерпретатор может помочь нам в тестировании и верификации, что, по сравнению с необходимостью запускать полные проекты, значительно экономит время.

Кроме того, интерпретатор кода поддерживает множество библиотек и модулей, что означает, что разработчики могут использовать последние инструменты и языковые возможности, например, создавать быстрые модели машинного обучения с помощью TensorFlow или PyTorch. Это не только ускоряет процесс тестирования новых технологий, но и предоставляет разработчикам безопасную среду для экспериментов, где они могут пробовать и изучать новые инструменты, не опасаясь поломать свои действующие настройки разработки.

3.4 Решение сложных математических задач

Интерпретатор кода не только является мощным инструментом для программирования и разработки программного обеспечения, но также эффективным помощником в решении сложных математических задач. За счет интеграции таких библиотек для научных вычислений, как Numpy и Scipy, интерпретатор кода может выполнять широкий спектр математических расчетов, начиная от базовых арифметических операций и заканчивая сложным математическим моделированием и статистическим анализом.

В научных исследованиях и инженерии исследователи и инженеры часто сталкиваются с необходимостью проведения комплексных математических расчетов с большим объемом данных, включая, но не ограничиваясь, линейной алгеброй, преобразованием Фурье, статистическим анализом и так далее. Интерпретатор кода способен быстро выполнять эти вычисления и предоставлять интуитивные результаты, позволяя пользователям мгновенно осознать, корректны ли их вычисления или какие закономерности и тренды демонстрируют данные.

Например, эколог, изучающий влияние изменения климата на температуры в регионе, может использовать интерпретатор кода для загрузки исторических данных о температуре, применения статистических моделей для их анализа и визуализации результатов с помощью графиков. Такое мгновенное обратное связывание и мощные вычислительные возможности позволяют исследователям сосредоточиться на анализе и интерпретации данных, а не на их обработке.

3D Поверхность	Фрактал

В реальной жизни уже существуют зрелые решения всех этих задач,

4. Разбор принципов интерпретатора кода

Мой вопрос

Используя возможности python, сообщите мне полную информацию о версии sandbox linux и версии python. В конце выполните две команды для получения более подробной информации, обе команды: uname -a lsb_release -a

Его ответ

В текущей среде песочницы мы получаем следующую детальную информацию о системе и Python:

1. Полная информация о версии Linux:

   • Linux-4.4.0-x86_64-with-glibc2.36

2. Информация о версии Python:

   • 3.11.8 (main, Mar 12 2024, 11:41:52) [GCC 12.2.0]

3. Результат выполнения команды uname -a:

   • Linux 3dfa9ec0-11da-496f-831c-878f4773c1c6 4.4.0 #1 SMP Sun Jan 10 15:06:54 PST 2016 x86_64 GNU/Linux
   • Это указывает на то, что на данный момент используется ядро Linux версии 4.4.0, созданное в 2016 году на архитектуре x86_64.

4. Результат выполнения команды lsb_release -a:

   • Distributor ID: Debian
     Description: Debian GNU/Linux 12 (bookworm)
     Release: 12
     Codename: bookworm
     

   • Это показывает, что текущая операционная система — Debian GNU/Linux, версия 12 с кодовым названием bookworm.

Из этого можно заключить, что это песочница, в которой можно выполнять python, однако имеются определенные ограничения:

• Запрет на доступ к интернету
  • При тестировании, похоже, что curl все-таки позволяет доступ
• Ограничение по времени выполнения команды — 120 секунд
  • Если слишком долго, соединение будет прервано
• Запрет на доступ root
  • Это повлияет на установку некоторых программ
• 

Эта статья нацелена на то, чтобы показать, что нет необходимости писать код в Prompt, достаточно эффективно использовать этот инструмент.

5. Заключение: Возможности интерпретатора кода в будущем

Интерпретатор кода, как инновационный инструмент, уже демонстрирует свой потенциал для применения в различных областях и реальную ценность. От анализа данных до разработки программного обеспечения, от решения сложных математических задач до быстрого проектирования прототипов, интерпретатор кода не только повышает эффективность работы, но и предлагает беспрецедентную гибкость и скорость в исследованиях и разработках. С оптимистичными взглядами на будущее, ожидается, что по мере продолжающегося прогресса технологий искусственного интеллекта, интерпретатор кода будет интегрирован с более продвинутыми функциями, такими как глубокая интеграция машинного обучения, автоматизированная генерация тестов и облачное сотрудничество, что еще больше расширит круг его приложений и углубит его влияние на современные технологии.

Список литературы:

• https://www.datacamp.com/tutorial/how-to-use-chat-gpt-code-interpreter
• https://www.hatica.io/blog/chatgpt-code-interpreter-feature/
• https://www.akkio.com/post/chatgpt-code-interpreter