محمد_صقر

قد نحتاج في تطبيقات الذكاء الاصطناعي المتقدمة لاستخدام بوتات متعددة الأنماط Multi-modal أي تدعم عدة أنواع من المدخلات والمخرجات ويمكنها معالجة اللغة الطبيعية، والتعرف على الصوت، وتوليد الصور. حيث توفر هذه التطبيقات تجربة مميزة للمستخدمين وتوفر طرقًا مختلفة للتفاعل. نشرح في هذا الدليل تطوير بوت متعددة الأنماط Multi-modal Bot يعتمد على النموذج اللغوي الكبير GPT-4 Large Language Models (LLM) للذكاء الاصطناعي التحاوري Conversational AI، ونموذج Whisper لتحويل الصوت المنطوق إلى نص مكتوب بدقة، ونموذج DALL-E لتوليد الصور، وكل من هذه النماذج الثلاثة مقدمة من شركة OpenAI. وسنستخدمها ضمن تطبيق جانغو Django ينشئ قصصًا مصورة حيث يمكن للمستخدمين تحديد موضوع القصة بالصوت أو بكتابة النص، ويستجيب التطبيق بتأليف قصة نصية مرفقة بصورة مناسبة. سوف نتبع الخطوات التالية لتطوير بوتات متعددة الأنماط Multi-modal Bots باستخدام Django و GPT-4 و Whisper و DALL-E: دمج OpenAI Whisper للتعرف على الكلام توليد ردود نصية باستخدام GPT-4 توليد الصور باستخدام DALL-E دمج الوسائط لتجربة متكاملة متطلبات التطبيق لإكمال هذا الدليل التعليمي، ستحتاج إلى التالي: فهم أساسيات لغة بايثون وإطار عملها جانغو Django، وننصح بمطالعة مقال مدخل إلى إطار عمل الويب جانغو Django. مفتاح واجهة برمجية API key من OpenAI لأننا سنتعامل مع نماذج GPT-4 و DALL-E من OpenAI والتي تتطلب مفتاح واجهة برمجية نحصل عليه من خلال إنشاء حساب OpenAI ومن ثم إنشاء مفتاح تثبيت Whisper لتحويل المقاطع الصوتية إلى نص مكتوب، ويمكن مطالعة صفحة GitHub الخاصة بـ OpenAI Whisper لمعرفة خطوات التثبيت التفصيلية تثبيت حزمة OpenAI الخاصة ببايثون للتفاعل مع نماذج OpenAI داخل البيئة الافتراضية للمشروع، ويمكن الرجوع للمقال إعداد بيئة تطوير تطبيقات جانغو Django إذت أنجزنا المتطلبات أعلاه سنكون قد أنشأنا بيئة افتراضية لمشروعنا باسم env داخل مجلد العمل وليكن اسمه django-apps، ويجب التأكد من تفعيل هذه البيئة الافتراضيةوظهور اسمها بين قوسين في بداية السطر في الشاشة الطرفية Terminal. وذلك بكتابة الأمر التالي في نافذة الطرفية بعد الانتقال إلى مسار المجلد الذي يحتوي على ملفات تطبيق جانغو Django الخاص بنا كما يلي: sammy@ubuntu:$ .env/bin/activate بمجرد تفعيل البيئة الافتراضية، سنكتب الأمر التالي لتثبيت حزمة OpenAI الخاصة بلغة بايثون: (env)sammy@ubuntu:$ pip install openai إذا لم يسبق لكم استخدام حزمة OpenAI من قبل فننصح بالرجوع للمقال التالي دمج نماذج GPT من OpenAI في تطبيقات Django. بعدها سنكون قد انتهينا من إعداد بيئة العمل وجاهزين لبدء خطوات تنفيذ المشروع. الخطوة الأولى: دمج OpenAI Whisper للتعرف على الكلام في هذه الخطوة، سنُعدّ نموذج OpenAI Whisper في تطبيقنا من أجل تحويل الكلام المنطوق إلى نص مكتوب بدقة عالية. اخترنا Whisper لكونه نموذجًا قويًا للتعرف على الكلام، مما يجعله خيارًا مثاليًا لدعم البوتات متعددة الأنماط Multi-modal Bots، فمن خلال دمج Whisper، سيكون تطبيقنا قادرًا على فهم المدخلات الصوتية بكفاءة. أولاً، يجب التأكد من أننا نعمل داخل مجلد مشروع Django الخاص بنا، لننتقل إلى مجلد مشروعنا ونفعّل البيئة الافتراضية الخاصة بالمشروع من خلال كتابة التالي: sammy@ubuntu:$ cd path_to_your_django_project sammy@ubuntu:$ source env/bin/activate إعداد نموذج Whisper في تطبيق Django ما يجب فعله الآن هو إنشاء دالة تستخدم Whisper لتحويل ملفات الصوت إلى نص. ننشئ في مجلد المشروع ملف بايثون جديد باسم whisper_transcribe.py. (env)sammy@ubuntu:$ touch whisper_transcribe.py ثم نفتح الملف whisper_transcribe.py في محرر الأكواد ونستورد مكتبة Whisper. بعد ذلك، ننشئ دالة تأخذ مسار ملف الصوت كمدخل، وتستخدم Whisper لمعالجة الملف، ثم تعيد النص الناتج على النحو التالي: import whisper model = whisper.load_model("base") def transcribe_audio(audio_path): result = model.transcribe(audio_path) return result["text"] نستخدم في الكود أعلاه نموذج base للتفريغ الصوتي -أي لتحويل الصوت إلى نص-. والجدير بالذكر أن Whisper يوفر نماذج مختلفة مصممة لتلبية احتياجات مختلفة من حيث الدقة والأداء ويمكن تجربة نماذج أخرى بناءً على متطلبات المشروع في حال احتجنا لسرعة معالجة أو دقة أعلى في تحويل الصوت لنص مكتوب. اختبار تحويل الصوت لنص مكتوب Transcription لاختبار عملية التفريغ الصوتي وتحويله لنص مكتوب، دعونا نحفظ ملف صوتي داخل مجلد المشروع بعد التأكد من أن هذا الملف بصيغة يدعمها Whisper مثل MP3 أو WAV. ثم نعدّل كود ملف بايثون whisper_transcribe.py بإضافة الكود التالي فى نهايته: # لأغراض الاختبار if __name__ == "__main__": print(transcribe_audio("path_to_your_audio_file")) نشغل كود الملف whisper_transcribe.py في الطرفية ونتأكد هل تحول الملف الصوتي لكلام مكتوب بشكل صحيح أم لا: (env)sammy@ubuntu:$ python whisper_transcribe.py إذا أعددنا كل شيء بشكل صحيح فيجب أن نرى النص المُحوّل في الطرفية Termina. تعمل الوظيفة transcribe_audio كأساس للتفاعلات الصوتية داخل تطبيقنا. الخطوة الثانية: توليد الاستجابات النصية باستخدام GPT-4 في هذه الخطوة، سنستخدم نموذج GPT-4 لتوليد ردود أو استجابات نصية استنادًا إلى النص الذي أدخله المستخدم أو النص المُحوَّل من الصوت في الخطوة السابقة. يتميز GPT-4 بقدرته على معالجة المدخلات اللغوية بذكاء عالي وتقديم استجابات متسقة وذات صلة بسياق الحوار، مما يجعله اختيارًا مثاليًا لتطوير روبوت متعدد الأنماط Multi-modal Bot. قبل المتابعة، لنتأكد من تثبيت حزمة OpenAI الخاصة بلغة بايثون في البيئة الافتراضية، كما وضحنا في فقرة المتطلبات الأساسية، ومن المهم أيضًا ملاحظة أن نموذج GPT-4 يتطلب مفتاح الواجهة البرمجية API key للوصول. ولضمان الأمان، يُفضّل تخزين المفتاح كمتغير بيئة environment variable بدل من إضافته مباشرة في كود بايثون لتجنب اختراقه أو مشاركته عن غير قصد. (env)sammy@ubuntu:$ export OPENAI_KEY="your-api-key" إعداد نموذج إكمال المحادثة ننتقل من جديد لمجلد تطبيق Django الخاص بنا وننشئ ملف بايثون جديد باسم chat_completion.py. مهمة هذا الملف الجديد هو التعامل مع الاتصال بنموذج GPT-4 لتوليد استجابات بناءً على النص المُدخل من المستخدم. import os from openai import OpenAI client = OpenAI(api_key=os.environ["OPENAI_KEY"]) def generate_story(input_text): # استخدام الواجهة البرمجية لتوليد القصة response = get_story(input_text) # تنسيق وإرجاع الاستجابة return format_response(response) يتحقق الكود أعلاه من إعداد المفتاح الأساسي للمصادقة مع خدمات OpenAI. بعد ذلك، يستدعي دالة مخصصة باسم get_story للتواصل مع واجهة برمجة التطبيقات OpenAI API والتي ستولد لنا القصة المطلوبة، ثم يستدعي دالة أخرى باسم format_response وظيفتها تنسيق الاستجابة الواردة من الواجهة البرمجية API. دعونافي البداية نركز على تنفيذ الدالة get_story. سنضيف ما يلي إلى نهاية ملف chat_completion.py: def get_story(input_text): # إعداد الوصف للنظام. يمكن تجربة وصف مختلف. system_prompt = f"""You are a story generator. You will be provided with a description of the story the user wants. Write a story using the description provided.""" # التواصل مع الواجهة البرمجية response = client.chat.completions.create( model="gpt-4", messages=[ {"role": "system", "content": system_prompt}, {"role": "user", "content": input_text}, ], temperature=0.8 ) # إرجاع استجابة الواجهة البرمجية return response تعمل هذه الدالة على إعداد الوصف للنظام لإخبار النموذج بالمهمة التي يجب أن يؤديها، ثم تطلب من الواجهة البرمجية API الخاصة بإكمال المحادثة توليد قصة باستخدام الموجّه prompt أو النص المدخل من المستخدم لتوجيه النموذج. أخيرًا، سنعمل على تنفيذ الدالة format_response. ونضيف ما يلي إلى نهاية ملف chat_completion.py: def format_response(response): # استخراج القصة المولدة من الاستجابة story = response.choices[0].message.content # إزالة أي نص غير مرغوب فيه أو تنسيق story = story.strip() # إرجاع القصة المنسقة return story يستخرج الكود أعلاه القصة المُولّدة، وينسقها من خلال إزالة أي فراغات زائدة أو تنسيقات غير مرغوب بها. اختبار الاستجابات المولدة لاختبار توليد النص بشكل صحيح، سنعدّل كود الملف chat_completion.py بإضافة الكود التالي في نهايته: # الاختبار if __name__ == "__main__": user_input = "Tell me a story about a dragon" print(generate_story(user_input)) نشغل ملف chat_completion.py لرؤية الاستجابة المولدة في الطرفية Terminal: (env)sammy@ubuntu:$ python chat_completion.py يجب أن نحصل الآن على استجابة مولدة بشكل إبداعي من GPT-4 بناءً على المُوجِّه prompt الذي أدخلناه للنموذج، يمكن أن نجرب مُوجّهات مختلفة لرؤية استجابات نصية متنوعة. سنعمل في الخطوة التالية على إضافة صور إلى النص الناتج المولد من هذه الخطوة. الخطوة الثالثة: إنتاج الصور باستخدام DALL-E صُمّم نموذج DALL-E لتوليد صور مفصلة عن طريق الموجهات النصية Prompts. مما يتيح للبوتات متعددة الأنماط Multi-modal Bots تحسين القصص عن طريق الإبداع البصري. ننشئ ملف بايثون جديد باسم image_generation.py في مجلد تطبيق جانغو Django الخاص بك. سيستخدم هذا الملف نموذج DALL-E في توليد الصور: (env)sammy@ubuntu:$ touch image_generation.py بعدها ننشئ دالة داخل ملف image_generator.py لترسل المُوجّه prompt إلى DALL-E وتستقبل الصورة الناتجة: import os from openai import OpenAI client = OpenAI(api_key=os.environ["OPENAI_KEY"]) # إرسال الموجه لتوليد الصورة def generate_image(text_prompt): response = client.images.generate( model="dall-e-3", prompt=text_prompt, size="1024x1024", quality="standard", n=1, ) image_url = response.data[0].url return image_url سترسل الدالة طلب إلى نموذج DALL-E وتحدد المُوجِّه prompt، وعدد الصور المطلوب توليدها n=1، و أبعاد الصور وجودتها. ثم بعد ذلك تستخرج و تعيد رابط URL للصورة المولدة. اختبار النص البرمجي بهذا نكون قد انتهينا من كتابة تطبيقنا وحان وقت تجربته، يمكن إضافة المثال التالي في نهاية ملف image_generation.py : # الاختبار if __name__ == "__main__": prompt = "Generate an image of a horse and a child playing in a field." print(generate_image(prompt)) لننفذ الكود image_generation.py لتوليد صورة بناءً على النص المدخل: (env)sammy@ubuntu:$ python image_generation.py إذا عمل السكربت بنجاح، يفترض أن نرى رابط URL للصورة المولدة في الطرفية، ويمكننا عرض الصورة عن طريق الانتقال إلى هذا الرابط URL في متصفح الويب. في الخطوة التالية، سنجمع بين التعرف على الكلام، وتوليد النصوص، وتوليد الصور لتوفير تجربة مستخدم موحدة ضمن تطبيقنا. الخطوة الرابعة: دمج كافة الوسائط المُولّدة سندمج كل الوظائف التي طورناها في الخطوات السابقة لتوفير تجربة مستخدم سلسة. سيكون لتطبيق الويب الخاص بنا القدرة على معالجة المدخلات كالنصوص والأصوات من المستخدمين، لتوليد قصص، وتكملتها بالصور المتعلقة بها. إنشاء عرض متكامل بجمع كل مكونات التطبيق أولاً، لنتأكد من تنظيم مشروع جانغو الخاص بنا، ومن وجود الملفات whisper_transcribe.py وchat_completion.py وimage_generation.py في مجلد التطبيق. سننشئ الآن ملف عرض view يجمع بين هذه المكونات. نفتح ملف views.py ونستورد الوحدات والدوال اللازمة. ثم ننشئ عرضًا جديدًا باسم get_story_from_description كالتالي: import uuid from django.core.files.storage import FileSystemStorage from django.shortcuts import render from .whisper_transcribe import transcribe_audio from .chat_completion import generate_story from .image_generation import generate_image # العروض الأخرى def get_story_from_description(request): context = {} user_input = "" if request.method == "GET": return render(request, "story_template.html") else: if "text_input" in request.POST: user_input += request.POST.get("text_input") + "\n" if "voice_input" in request.FILES: audio_file = request.FILES["voice_input"] file_name = str(uuid.uuid4()) + (audio_file.name or "") FileSystemStorage(location="/tmp").save(file_name, audio_file) user_input += transcribe_audio(f"/tmp/{file_name}") generated_story = generate_story(user_input) image_prompt = ( f"Generate an image that visually illustrates the essence of the following story: {generated_story}" ) image_url = generate_image(image_prompt) context = { "user_input": user_input, "generated_story": generated_story.replace("\n", "<br/>"), "image_url": image_url, } return render(request, "story_template.html", context) يستقبل هذا العرض View المدخلات النصية أو الصوتية من المستخدم. إذا كان هناك ملف صوتي، فإنه يُحفظ باسم فريد باستخدام مكتبة uuid ويستخدم دالة transcribe_audio لتحويل الكلام إلى نص. بعد ذلك، نستدعي الدالة generate_story لتوليد استجابة نصية، والدالة generate_image لتوليد صورة ذات صلة بالقصة. نمرر هذه المخرجات إلى متغير context الذي يشير إلى قاموس Dictionary به مخرجات الدوال السابقة، ثم نعرضها باستخدام قالب story_template.html إنشاء قالب HTML ننشئ ملف قالب باسم story_template.html ونضيف له الكود التالي: <div style="padding:3em; font-size:14pt;"> <form method="post" enctype="multipart/form-data"> {% csrf_token %} <textarea name="text_input" placeholder="Describe the story you would like" style="width:30em;"></textarea> <br/><br/> <input type="file" name="voice_input" accept="audio/*" style="width:30em;"> <br/><br/> <input type="submit" value="Submit" style="width:8em; height:3em;"> </form> <p> <strong>{{ user_input }}</strong> </p> {% if image_url %} <p> <img src="{{ image_url }}" alt="Generated Image" style="max-width:80vw; width:30em; height:30em;"> </p> {% endif %} {% if generated_story %} <p>{{ generated_story | safe }}</p> {% endif %} </div> تسمح هذه الاستمارة البسيطة للمستخدمين بإرسال المُوجِّهات prompts الخاصة بهم من خلال كتابة وضف نصي أو تحميل ملف صوتي يصف القصة المطلوب توليدها، بعد ذلك يعرض النص و الصورة التي أنشأها التطبيق. إنشاء رابط URL لعرض التطبيق الآن بعد أن أصبح العرض get_story_from_description جاهزًا، يجب جعله متاحًا من خلال إعداد رابط URL. نفتح ملف urls.py داخل تطبيق جانغو، ونضيف نمط Pattern لعرض خرج الدالة get_story_from_description: from django.urls import path from . import views urlpatterns = [ # other patterns path('generate-story/', views.get_story_from_description, name='get_story_from_description'), ] اختبار التكامل النهائي بعد ربط جميع عناصر التطبيق بإمكاننا الآن زيارة الرابط http://your_domain/generate-story في متصفح الويب لرؤية الاستمارة form المعرفة بداخل قالب story_template.html. سنرسل من خلال الاستمارة نص المُوجّه prompt ضمن الحقل النصي، أو نرفع الملف الصوتي باستخدام حقل اختيار الملف. بعد إرسال الدخل المطلوب للتطبيق، سيعالج تطبيقنا المدخلات، ويولد لنا قصة وصورة مُرفقة، ويعرضهما على الصفحة. على سبيل المثال، سنطلب توليد قصة بسيطة من المُوجًه prompt التالي لتوليد قصة عن ولد وحصان يلعبان في الحقل، ويمكن تجربة أي مُوجًه مناسب: النتيجة: باستكمال هذه الخطوة، نكون قد انتهينا من إنشاء تطبيق جانغو يتعامل بسلاسة مع مدخلات المستخدم ويستجيب لها بأشكال متعددة من نصوص وملفات صوتية وصور. الخاتمة تعلمنا في هذا الدرس التعليمي خطوات تطوير بوت متعدد الأنماط Multi-modal Bot باستخدام جانغو Django، مع دمج قدرات نموذج Whisper للتعرف على الكلام، و GPT-4 لتوليد النصوص، و DALL-E لتوليد الصور. يمكن لتطبيقنا فهم مدخلات المستخدم بعدة أشكال والاستجابة لها. للتطوير المستقبلي، ننصحكم باستكشاف إصدارات بديلة من النماذج المستخدمة، وتحسين تصميم واجهة التطبيق، أو توسيع وظائف التطبيق لتشمل ميزات تفاعلية إضافية. ترجمة وبتصرف للمقال Developing Multi-Modal Bots with Django, GPT-4, Whisper, and DALL-E لكاتبيه Evans Ehiorobo و Anish Singh Walia اقرأ ايضًا الذكاء الاصطناعي: دليلك الشامل كل ما تود معرفته عن دراسة الذكاء الاصطناعي تطوير تطبيق لاقتراح وصفات الطعام باستخدام ChatGPT و DALL-E في PHP استخدام وكلاء مكتبة المحولات Transformers Agents في الذكاء الاصطناعي التوليدي

أصبحت روبوتات الدردشة التفاعلية أكثر شيوعًا من ذي قبل، لما توفره من مساعدة للمستخدمين في حل المشكلات، وتوفير المعلومات، وتنفيذ المهام بسرعة وفعالية. ومع تطور تقنيات الذكاء الاصطناعي، أصبحت هذه الروبوتات أكثر ذكاءً، على سبيل المثال تتيح نماذج GPT التابعة لشركة OpenAI للمطورين إنشاء وكلاء محادثة Chat Agents يمكنها التحاور مع المستخدمين البشريين بلغتهم الطبيعية. سنشرح لكم في هذا المقال خطوات بناء ونشر بوت دردشة شخصي يعمل من خلال الطرفية Terminal باستخدام لغة البرمجة بايثون وواجهة برمجة التطبيقاتOpenAI API، ونوضح طريقة نشره على خادم ديجتال أوشن يعمل بنظام أبونتو Ubuntu. وبتنفيذ كامل الخطوات الموضحة في فقرات المقال سيكون لدينا روبوت دردشة كامل الوظائف يمكنه التعامل مع استفسارات المستخدمين مباشرة من الطرفية بفعالية وكفاءة. المتطلبات الأساسية قبل الدخول في شرح خطوات التنفيذ، يجب التأكد من توفر المتطلبات التالية: خادم DigitalOcean Droplet بذاكرة وصول عشوائي Ram لا تقل عن 4 جيجابايت ووحدتي معالجة مركزية CPU، للحصول على تعليمات الإعداد يمكن مطالعة مقال التهيئة الأولية لخادم أوبونتو نسخة بايثون Python 3.7 أو أعلى مثبتة على خادم Ubuntu الخاص بك معرفة أساسية بلغة البرمجة بايثون حساب OpenAI مع الوصول إلى الواجهات البرمجية OpenAI API الخطوة الأولى: إعداد بيئة العمل سنعمل بداية على إعداد بيئة العمل المخصصة لبناء ونشر روبوت ChatGPT الخاص بنا في الطرفية terminal على خادم ديجيتال أوشن DigitalOcean يعمل بنظام Ubuntu. إنشاء خادم DigitalOcean Droplet نسجل دخولنا إلى حساب في DigitalOcean، ثم ننشئ خادم افتراضي Droplet باتباع الخطوات التالية: ننتقل إلى قسم Droplets ننقر على Create Droplet نختار نظام التشغيل Ubuntu ويفضل أحدث إصدار ذي دعم طويل الأمد LTS نختار الخطة المناسبة بناء على متطلبات تطبيقنا نحدد منطقة مركز البيانات data center ويفضل اختيار البلد الأقرب لبلدنا نضيف مفاتيح SSH الخاصة بنا للاتصال الآمن مع الخادم ننقر على Create Droplet الاتصال بخادم Droplet نفتح الطرفية terminal على جهازنا المحلي، ثم نستخدم الأمر التالي لتسجيل الدخول إلى الخادم، مع الانتباه لاستبدال<your_droplet_ip> بعنوان IP لخادم Droplet الخاص بنا: ssh root@<your_droplet_ip> إعداد بيئة برمجة لغة بايثون نشغل الأوامر التالية للتأكد من تحديث النظام: sudo apt update sudo apt upgrade بعدها نثبت لغة بايثون python ومدير الحزم pip باستخدام الأمر التالي: sudo apt install python3 python3-pip يفضل أن نثبت المكتبة virtualenv لتساعدنا على إنشاء بيئة افتراضية معزولة لتطبيقاتنا بكتابة الأمر التالي: sudo pip3 install virtualenv ننتقل إلى الدليل المطلوب وننشئ مجلد المشروع: mkdir my_chatgpt_bot cd my_chatgpt_bot ثم ننشئ بيئة افتراضية ونفعّلها: virtualenv venv source venv/bin/activate ولمعرفة المزيد عن كيفية إنشاء وإعداد بيئة برمجية بلغة بايثون ننصح بمطالعة مقال إعداد بيئة العمل لمشاريع بايثون تكوين مفتاح الواجهة البرمجية أولاً، نحصل على مفتاح API الخاص بنا من OpenAI، من خلال إنشاء حساب جديد أو تسجيل الدخول إلى حسابنا في OpenAI، ثم ننتقل إلى قسم API للحصول على مفتاح الواجهة البرمجية API key. بعدها نحتاج لأن نخزن المفتاح الخاص بنا بأمان في متغير بيئة. نفتح ملف الإعدادات bashrc. أو bash_profile. ونضيف التعليمة التالية: export OPENAI_API_KEY='your-api-key-here' نعيد تحميل متغيرات البيئة: source ~/.bashrc نتأكد من تعيين متغير البيئة باستخدام الأمر التالي من الطرفية terminal: echo $OPENAI_API_KEY بعد إعداد البيئة، يمكننا البدء في تطوير روبوت الدردشة ChatGPT الخاص بنا. سنكتب في الخطوة التالية كود بوت الدردشة المخصص للتعامل مع استفسارات المستخدمين والتفاعل مع واجهة برمجة التطبيقات OpenAI API. الخطوة الثانية: بناء روبوت الدردشة الآن بعد أن أعددنا بيئتنا البرمجية، دعنا نبني روبوتنا الخاص. ستستخدم نموذج gpt-3.5-turbo، وستستخدم هنا ثلاث مكتبات أساسية للقيام بالمطلوب وهي openai للتفاعل مع واجهات برمجة التطبيقات الخاصة بشركة OpenAI و textract لاستخراج النصوص و glob للبحث عن الملفات. وفيما يلي تفصيل أكبر لكل مكتبة منها. مكتبة OpenAI تعد شركة OpenAI مؤسسة رائدة في أبحاث الذكاء الاصطناعي وقد طورت واجهة برمجة تطبيقات قوية تسمح لنا بالتفاعل مع روبوت الدردشةChatGPT الشهير. باستخدام واجهة برمجة تطبيقات OpenAI API، يمكننا إرسال الأوامر والحصول على الردود من نموذج ChatGPT، مما يمكّننا من إنشاء روبوتات محادثة ذكية. يمكن مطالعة المزيد عن OpenAI ونظرة عامة عنها من خلال التوثيقات التي تقدمها. مكتبة textract تقدم مكتبة textract بلغة بايثون إمكانية استخراج النصوص من تنسيقات ملفات مختلفة، بما في ذلك: التنسيقات النصية: TXT ،CSV ،JSON ،XML ،HTML ،Markdown ،LaTeX تنسيقات المستندات: DOC ،DOCX ،XLS ،XLSX ،PPT ،PPTX ،ODT ،ODS تنسيقات الكتب الإلكترونية: EPUB ،MOBI ،AZW ،FB2 تنسيقات الصور مع نص مُضمّن: JPG ،PNG ،BMP ،GIF ،TIFF، و PDF سواء القابلة للبحث أو الممسوحة ضوئيًا ملفات الشيفرة البرمجية: Python ،C ،C++ ،Java ،JavaScript ،PHP ،Ruby وغيرها مكتبة glob تسمح مكتبة glob المضمنة في بايثون بالبحث عن الملفات والمجلدات باستخدام مطابقة الأنماط patterns.فهي تبحث عن الملف أو المجلد الذي يطابق اسم أو امتداد معين، وسوف يستخدمها الروبوت لتوفير الإجابات بناءً على البيانات التي نغذيها على نظامنا المحلي أي في بنية الملفات الخاصة بجهازنا وسنستخدمها هنا للبحث داخل ملفات المجلد الفرعي data في مجلد المشروع الرئيسي الخاص بنا. سنحتاج بداية لتثبيت المكتبة openai و textract، لأنها ليست جزءًا من مكتبات بايثون الافتراضية: pip install openai pip install textract الآن، ننشئ ملف بايثون جديد لكتابة كود روبوت دردشة الخاص بنا، وسنسميه على سبيل المثال mygptbot.py، نستخدم الأمر التالي لإنشاء الملف باستخدام محرر الأكواد vim، ويمكن استخدام أي محرر أكواد بايثون آخر. vi mygptbot.py نضيف التعليمات التالية داخل الملف: import os import glob import openai import textract class Chatbot: def __init__(self): self.openai_api_key = os.getenv("OPENAI_API_KEY") self.chat_history = [] # تضيف رسالة المستخدم إلى سجل المحادثة المخزن في القائمة def append_to_chat_history(self, message): self.chat_history.append(message) def read_personal_file(self, file_path): try: # تحويل محتوى الملفات إلى نص عادي text = textract.process(file_path).decode("utf-8") return text except Exception as e: print(f"Error reading file {file_path}: {e}") return "" # جمع البيانات الشخصية المحلية لتغذية النموذج def collect_user_data(self): data_directory = "./data" data_files = glob.glob(os.path.join(data_directory, "*.*")) # تستخدم الدالة السابقة لاسترجاع قائمة بمسارات الملفات التي تتطابق مع نمط محدد داخل مجلد معين. # في هذه الحالة النمط هو "*.*"، والتي تتطابق مع جميع الملفات بأي امتداد. user_data = "" for file in data_files: file_extension = os.path.splitext(file)[1].lower() # التحقق من امتداد الملف if file_extension in (".pdf", ".docx", ".xlsx", ".xls"): # تحويل محتوى الملفات إلى نص عادي وإضافته user_data += self.read_personal_file(file) else: # تساعد الشيفرة التالية فى التعامل مع الملفات و تبسيط معالجة الاستثناءات # حيث تقرأ محتوى الملف و تخزنه داخل المتغير with open(file, "r", encoding="utf-8") as f: user_data += f.read() + "\n" return user_data def create_chat_response(self, message): # تضيف رسالة المستخدم إلى سجل المحادثة المخزن في قائمة self.append_to_chat_history(message) chat_history. user_data = self.collect_user_data() messages = [ # توفير رسائل تعليمات عالية المستوى أو رسائل تحديد السياق {"role": "system", "content": "You are the most helpful assistant."}, # يمثل دور المستخدم الرسائل أو الاستفسارات من المستخدم {"role": "user", "content": message}, # يمثل دور المساعد الردود التي ينتجها النموذج {"role": "assistant", "content": message}, ] if user_data: messages.append({"role": "user", "content": user_data}) # الدالة الرئيسية التي تشغل النموذج على المعطيات المحددة response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=messages, temperature=0.7, max_tokens=256, top_p=0.9, n=2, stop=None, frequency_penalty=0.9, presence_penalty=0.9 ) self.append_to_chat_history(response.choices[0].message.content.strip()) # إضافة الردود المولدة بواسطة النموذج إلى ذاكرة الروبوت أو سجل المحادثة لجعل الروبوت أكثر تفاعلاً وذكاءً return response.choices[0].message.content.strip() def start_chatting(self): while True: user_input = input("user: ") if user_input.lower() == "exit": print("Chatbot: Goodbye boss, have a wonderful day ahead!") break bot_response = self.create_chat_response(user_input) print("Chatbot: ", bot_response) # إنشاء نسخة من الصنف المُعرف وبدء المحادثة chatbot = Chatbot() chatbot.start_chatting() لنشرح معاملات النموذج المستخدمة في الكود أعلاه بإيجاز: درجة الحرارة temperature: يتحكم هذا المعامل في دقة أو عشوائية الردود المولدة. وتتراوح قيمته من 0 إلى 2، فالقيم الكبيرة تجعل الردود الناتجة أكثر إبداعًا وتنوعًا وعشوائية، بينما القيم الأقل تجعلها محددة وأكثر تركيزًا ودقة أقصى عدد للوحدات اللغوية max_tokens: يحدد العدد الأقصى للوحدات اللغوية tokens المكوِّنة للرد وبالتالى تحد من طول الرد الذي يولده النموذج. إذا كان مصطلح الوحدات اللغوية tokens جديدًا ننصح بالإطلاع على مقال مصطلحات تتعلق بآلية عمل الذكاء الاصطناعي. المعامل top_p: يحدد الحد التراكمي للاحتمالات عند اختيار الرمز التالي أثناء توليد الذكاء الاصطناعي للاستجابات. فبدلاً من النظر إلى جميع الخيارات الممكنة، يستخدم النموذج top_p ويركز فقط على الكلمات الأكثر احتمالاً التي تشكل نسبة معينة من إجمالي الاحتمالات. على سبيل المثال، عند ضبطه بالقيمة 0.3، سيأخذ النموذج في الاعتبار فقط أصغر مجموعة من الكلمات التي تشكل 30% من مجموع الاحتمالات الكلي. هذا يقلل من احتمال اختيار كلمات أقل أهمية أو غير مناسبة، مما يؤدي إلى توليد استجابات أدق ملاحظة: تنصح وثائق OpenAI بتغيير قيمة top_p أوtemperature ولكن ليس كلاهما عدد الردود المولدة n: يحدد هذا المعامل عدد الردود المختلفة التي ينتجها النموذج، مما يساعد على توليد ردود مختلفة واستكشاف احتمالات جديدة عبارة الإيقاف Stop: يحدد عبارة إيقاف أو أكثر للإشارة إلى نهاية الرد وإيقاف توليد المزيد من الوحدات اللغوية tokens عقوبة كثرة تكرار نفس الكلمات frequency_penalty: يتحكم في احتمالية تكرار النموذج لنفس الكلمة أكثر من مرة في الرد الواحد، تتراوح قيمته بين -2.0 و 2.0، فالقيم الموجبة تعاقب النموذج على معدل تكرار نفس الكلمات والعبارات مما يقلل من تكرار نفس الكلام فى الردود المولدة عقوبة استخدام كلمات موجودة مسبقاً presence_penalty يتحكم في مدى استخدام النموذج لكلمة تكررت في المحادثة ككل، تتراوح قيمته بين -2.0 و 2.0، فالقيم الموجبة تعاقب النموذج عند استخدام كلمات أو عبارات سبق أن ظهرت في المحادثة، هذا يشجع النموذج على استكشاف مواضيع جديدة أو تقديم أفكار جديدة بدلاً من تكرار نفسه يمكن العثور على المزيد من المعلومات لتحسين هذه المعاملات في الوثائق الخاصة بالواجهة البرمجية OpenAI API. لنشرح الآن أهم الدوال المستخدمة المستخدمة في الكود: تضيف الدالة ‎append_to_chat_history(message) رسالة المستخدم إلى سجل المحادثة المخزن في قائمة تستخرج الدالة chat_history.read_personal_file(file_path)النص من الملفات الشخصية. وبعدها تحاول فك تشفير النص المستخرج باستخدام ترميز UTF-8 وتعرض رسالة خطأ إذا حدثت أخطاء أثناء عملية الاستخراج تجمع الدالة ()collect_user_data البيانات الخاصة بالمستخدم والمخزنة في مجلد data الموجود داخل مجلد العمل الحالي. فهي تمر على كافة الملفات في المجلد ثم تحدد أنواع الملفات، وتستخدم الطريقة المناسبة لاستخراج النصوص من الملف وتعيد البيانات التي جمعتها كسلسلة نصية string فى النهاية تسترجع الدالة glob.glob(os.path.join(data_directory, “_._”))‎ قائمة بمسارات الملفات التى توافق نمط pattern معين في المجلد المعطى، وهي هنا تعثر على أي ملف بأي امتداد داخل المجلد تنشئ الدالة create_chat_response(message) استجابة باستخدام واجهة برمجة التطبيقات OpenAI ChatCompletion API. حيث تضيف رسالة المستخدم والبيانات المجمعة عنه إذا كانت موجودة إلى قائمة الرسائل، ثم تستدعي الواجهة البرمجية باستخدام الرسائل المقدمة. بعد ذلك، تخزّن الرد في متغير، ثم تضيفه لسجل المحادثة قبل إرجاعه تبدأ الدالة ()start_chatting جلسة محادثة تفاعلية مع المستخدم. حيث تطلب منه المستخدم إدخال المُوجّه prompt، ثم تولد الاستجابة باستخدام دالة create_chat_response وتطبعها. تستمر المحادثة في طلب إدخال الموجه من المستخدم من خلال حلقة تكرارية while True حتى يكتب المستخدم exit للخروج. الخطوة الثالثة: تشغيل روبوت الدردشة في الطرفية ستحتاج إلى فتح وحدة التحكم في خادم Droplet الخاصة بنا، وتشغيل ملف بايثون بواسطة الأمر التالي: python chatGPTbot.py بهذه الطريقة، يمكننا التفاعل بسهولة مع بوت ChatGPT واستخدامه للقيام بمهام متعددة، وطرح الأسئلة، والكثير من الأمور الأخرى. إن بوت ChatGPT الشخصي الخاص بنا جاهز الآن للدردشة. دعونا نبدأ بالتفاعل معه عن طريق إدخال الرسائل ونختبر هل سيرد البوت وفقًا لذلك. عندما ننتهي، نكتب exit لإنهاء المحادثة. الخاتمة شرحنا في مقال اليوم كيفية إنشاء ونشر بوت ChatGPT باستخدام لغة البرمجة بايثون Python. يتيح هذا البوت تضمين البيانات الشخصية للمستخدم من تنسيقات ملفات مختلفة، ويوفر تجربة مستخدم مخصصة، كما يمكننا دمجه مع منصات أخرى أو بناء روبوت دردشة قائم على الويب. فمع تعدد استخدامات ChatGPT وبساطة لغة بايثون، سيكون أمامنا احتمالات لا حصر لها ونتمكن بسهولة تخصيص وتحسين قدرات البوت الخاص بنا ليوافق متطلباتنا. ترجمة وبتصرف للمقال Build and Deploy Your Personal Terminal ChatGPT Bot in Python with OpenAI APIs لكاتبه Anish Singh Walia اقرأ أيضًا بناء تطبيق بايثون يجيب على أسئلة ملف PDF باستخدام الذكاء الاصطناعي الذكاء الاصطناعي: دليلك الشامل استخدام وكلاء مكتبة المحولات Transformers Agents في الذكاء الاصطناعي التوليدي كل ما تود معرفته عن دراسة الذكاء الاصطناعي استكشف مصطلحات الذكاء الاصطناعي التوليدي