IOT Otomasyonu için GPT-3 Kullanımı.
Waylay, geliştiricilerin her yerde kurumsal düzeyde otomasyon uygulamasına olanak tanıyan düşük kodlu bir platformdur. Sensörleri bağlayın, verileri gönderin ve düşük kodlu otomasyonun avantajlarından yararlanmaya başlayın.
Otomasyon kuralları Waylay platformunun çekirdeğini oluşturur. Geliştiriciler küçük kod parçacıkları yazar (veya önceden var olanları kullanır) ve bunları otomasyon kurallarını tanımlamak için mantıksal operatörlerle birlikte zincirler. Kuralları, 3 gün boyunca yağmur yağmadan güneşli olması durumunda su fıskiyelerini açmanıza veya birçok sensöründen birinde bir anormallik tespit edilirse endüstriyel bir makine için bir inceleme planlamanıza izin veren bir şey olarak düşünün. Bu kuralları birbirine zincirleyerek, keyfi olarak karmaşık otomasyon yazılımları oluşturabiliriz.
Bu otomasyon teknolojisini herkes için erişilebilir kılmak Waylay’in temel değerlerinden biridir. Bu otomasyon motoruyla ses veya metin kontrolü üzerinden doğal bir şekilde basitçe etkileşime girebildiğimizi hayal edin. İşte NLP burada devreye giriyor. Bir bilgisayarla tipik bir şekilde etkileşim kurmak yerine, bir fabrika çalışanının makinesine “Fırın 5’in sıcaklığı nedir?” diye sorduğunu veya “Dondurucunun sıcaklığı -10 derecenin üzerine çıkarsa ve kapı açıksa kritik bir uyarı ver” dediğini öngörebiliriz.
Bunu doğru yapmak kesinlikle kolay değildir. İnsan tarafından söylenen kurallar çok fazla belirsizlik taşıyabilir ve doğru şekilde ayrıştırılıp Waylay otomasyon kurallarına dönüştürülmesi için çok fazla zeka gerektirir.
Çözüm
‘Geleneksel’ yöntemlere dayalı bir derin öğrenme çözümü oluşturmak istiyorsak, başa çıkmamız gereken birkaç sorun var. Öncelikle, veri eksikliği ile karşı karşıyayız. İnsan ifadelerini sağlam bir şekilde ayrıştırmak ve bunları Waylay sisteminin anlayabileceği bir şeye çevirmek için gerekli bilgileri yakalamak için, farklı konuşma biçimlerini ve farklı Waylay kurallarını kapsayan büyük miktarda veriye ihtiyacımız olacaktır. Bu veriler şu anda mevcut değildir. Bu verilere sahip olsak bile, modelimizin yeni bir konuşma tarzına veya yeni bir Waylay kuralı türüne hizmet etmesini istediğimiz her seferinde yeniden eğitilmesi gerekecektir.
Sorunlarımızı çözmek için istem mühendisliğine başvuruyoruz. GPT3’ü bizim yerimize zor işleri yapmak için kullanabilirsek, yeni vakalarla başa çıkmak için yeniden eğitilmesi gerekmeyen yüksek veri verimliliğine sahip bir sistem oluşturabiliriz. Bu ne kadar güzel olurdu?
Şimdi soru şu: “GPT3’ün yeteneklerinden bizim için kirli işleri yapması için nasıl yararlanabiliriz?”. Ne yazık ki, GPT3’e Waylay’in doğal bir dil girdisine dayalı olarak ihtiyaç duyduğu doğru dahili veri yapısının çıktısını vermeyi öğretmek çok zordur. Neyse ki, bunu akıllıca bir hack ile aşabiliriz (bunun için Microsoft 3’teki akıllı insanlara teşekkür etmeliyiz). Çözümümüzde, GPT3’ün kanonik bir cümle çıktısı vermesine izin vereceğiz. Bu cümle, doğal dil girdimizle aynı bilgileri içerir, ancak daha yapılandırılmış bir şekilde. Örneğin, “David’e Paris’te yağmur yağarken güvenli sürmesini söyleyen bir mesaj gönder” ve “sadece Paris’te hava yağmurluyken David’e sms ile “Güvenli sür!” de” ifadelerinin her ikisi de “Paris’te hava yağmurluysa, David’e “Güvenli sür!” mesajıyla SMS gönder” kanonik cümlesine indirgenebilir.
Sonuç
Anlamsal ayrıştırma görevimizi bir çeviri görevi olarak yeniden ifade ederek, bizim için tüm zor işleri yapması için önceden eğitilmiş büyük dil modellerinden (GPT3) yararlanabildik. Çözümümüz son derece az veri noktasıyla çalışıyor, yeniden eğitim almadan yeni durumlara kolayca uyarlanabiliyor ve derin öğrenme modelini kendimiz barındırmamıza bile gerek kalmıyor. GPT3’ün güçlü yetenekleri nedeniyle, çözümümüz görülmemiş senaryolara (ve hatta görülmemiş dillere!) karşı dikkate değer bir genelleme gösteriyor.
Kaynak: https://www.waylay.io/articles/nlp-case-study-by-waylay