Pengantar untuk membangun solusi AI generatif untuk pengembang

AI Generatif, yang diaktifkan oleh Model Bahasa Besar (LLM), membuka kemungkinan baru yang menarik bagi pengembang dan organisasi perangkat lunak. Layanan seperti Azure OpenAI mendemokratisasi pengembangan AI dengan menawarkan API yang mudah digunakan, memungkinkan pengembang dari tingkat keterampilan apa pun untuk mengintegrasikan fungsionalitas AI tingkat lanjut ke dalam aplikasi mereka tanpa memerlukan pengetahuan khusus atau mengharuskan organisasi untuk berinvestasi dalam perangkat keras.

Sebagai pengembang aplikasi, Anda mungkin kesulitan untuk memahami peran apa yang dapat Anda mainkan dan di mana Anda cocok. Misalnya, mungkin Anda bertanya-tanya pada tingkat apa di "tumpukan AI" harus Anda fokuskan pembelajaran Anda? Atau Anda mungkin bertanya-tanya apa yang mampu Anda bangun mengingat teknologi yang ada?

Untuk menjawab pertanyaan-pertanyaan ini, penting bagi Anda untuk terlebih dahulu mengembangkan model mental yang memetakan bagaimana semua terminologi dan teknologi baru sesuai dengan apa yang sudah Anda pahami. Mengembangkan model mental membantu Anda merancang dan membangun fitur AI generatif ke dalam aplikasi Anda. Untuk itu, tujuan dari serangkaian artikel ini adalah untuk menunjukkan kepada Anda bagaimana pengalaman pengembangan perangkat lunak Anda saat ini berlaku untuk AI generatif. Artikel ini juga menyediakan set tingkat pada kata kunci dan konsep saat Anda mulai mengembangkan solusi AI generatif pertama Anda.

Apa harapan bisnis untuk dicapai dengan AI generatif?

Untuk memahami bagaimana pengalaman pengembangan perangkat lunak Anda saat ini berlaku untuk AI generatif, penting untuk memulai dengan memahami bagaimana bisnis ingin mendapatkan manfaat darinya.

Bisnis melihat AI generatif sebagai sarana untuk meningkatkan keterlibatan pelanggan, meningkatkan efisiensi operasional, dan meningkatkan pemecahan masalah dan kreativitas. Mengintegrasikan AI generatif ke dalam sistem yang ada membuka peluang bagi bisnis untuk meningkatkan ekosistem perangkat lunak mereka. Ini dapat melengkapi fungsionalitas perangkat lunak tradisional dengan kemampuan AI tingkat lanjut, seperti rekomendasi yang dipersonalisasi untuk pengguna atau agen cerdas yang dapat menjawab pertanyaan spesifik organisasi atau produk.

Berikut adalah beberapa skenario umum di mana AI generatif dapat membantu bisnis:

• Pembuatan Konten
  • Hasilkan teks, kode, gambar, dan suara. Ini bisa berguna untuk pemasaran, penjualan, IT, komunikasi internal, dan banyak lagi.
• Pemrosesan Bahasa Alami
  • Menyusun atau meningkatkan komunikasi bisnis melalui saran atau pembuatan pesan lengkap.
  • "Mengobrol dengan data Anda," atau dengan kata lain, memungkinkan pengguna untuk mengajukan pertanyaan dalam pengalaman obrolan menggunakan data yang disimpan dalam database atau dalam dokumen sebagai dasar jawaban.
  • Ringkasan, organisasi, dan penyederhanaan isi konten besar untuk membuat konten lebih mudah diakses.
  • "Pencarian semantik," atau lebih tepatnya, memungkinkan pengguna untuk mencari dokumen dan data tanpa menggunakan kecocokan kata kunci yang tepat.
  • Menerjemahkan bahasa untuk meningkatkan jangkauan dan aksesibilitas konten.
• Analisis data
  • Menganalisis pasar dan mengidentifikasi tren dalam data.
  • Model skenario "bagaimana jika" untuk membantu perusahaan merencanakan kemungkinan perubahan atau tantangan di setiap bidang bisnis.
  • Analisis kode untuk menyarankan peningkatan, memperbaiki bug, dan menghasilkan dokumentasi.

Seperti yang Anda lihat, pengembang perangkat lunak memiliki kesempatan untuk secara dramatis meningkatkan dampaknya dengan mengintegrasikan aplikasi dan fungsionalitas AI generatif ke dalam perangkat lunak yang diandalkan organisasi mereka.

Bagaimana Anda membangun jenis aplikasi ini?

Meskipun Model Bahasa Besar (LLM) melakukan pengangkatan berat, Anda membangun sistem yang mengintegrasikan, mengatur, dan memantau hasilnya. Meskipun ada banyak hal yang harus dipelajari, Anda dapat menerapkan keterampilan yang sudah Anda ketahui:

• Melakukan panggilan ke API menggunakan REST, JSON, atau Kit Pengembangan Perangkat Lunak (SDK) khusus bahasa
• Mengatur panggilan ke API dan melakukan logika bisnis
• Menyimpan ke dan mengambil dari penyimpanan data
• Mengintegrasikan input dan hasil ke dalam pengalaman pengguna
• Membuat API yang dapat dipanggil dari LLM

Dengan cara ini, mengembangkan solusi AI generatif dibangun berdasarkan keterampilan Anda yang ada.

Alat dan layanan apa yang tersedia?

Microsoft berinvestasi dalam mengembangkan alat, layanan, API, sampel, dan sumber daya pembelajaran untuk membantu Anda saat memulai perjalanan pengembangan AI generatif Anda. Masing-masing menyoroti beberapa kekhawatiran atau tanggung jawab utama yang diperlukan untuk membangun solusi AI generatif. Untuk menggunakan layanan, API, atau sumber daya tertentu secara efektif, tantangannya adalah memastikan Anda:

• Memahami fungsi, peran, dan tanggung jawab umum dalam jenis fitur AI generatif tertentu? Misalnya, seperti yang kita bahas panjang lebar dalam artikel konseptual yang menjelaskan sistem obrolan berbasis Retrieval-Augmented Generation (RAG), ada banyak tanggung jawab arsitektur dalam sistem. Penting agar Anda memahami domain masalah dan batasan secara intim sebelum merancang sistem yang mengatasi masalah.
• Memahami API, layanan, dan alat yang ada untuk fungsi, peran, atau tanggung jawab tertentu? Sekarang setelah Anda memahami domain masalah dan batasan, Anda dapat memilih untuk membangun aspek sistem itu sendiri dengan kode kustom atau menggunakan alat kode rendah / tanpa kode yang ada, atau memanggil API untuk layanan yang ada.
• Pahami opsi termasuk solusi kode-sentris dan tanpa kode/ kode rendah. Anda dapat membangun semuanya sendiri, tetapi apakah itu penggunaan yang efisien dari waktu dan keterampilan Anda? Tergantung pada kebutuhan Anda, Anda biasanya dapat menyatukan kombinasi teknologi dan pendekatan (kode, tanpa kode, kode rendah, alat).

Intinya di sini adalah bahwa tidak ada cara yang tepat untuk membangun fitur AI generatif ke dalam aplikasi Anda. Ada banyak alat dan pendekatan. Penting untuk mengevaluasi trade-off.

Mulailah dengan fokus pada lapisan aplikasi

Anda tidak perlu memahami segala sesuatu tentang pekerjaan AI generatif untuk memulai dan menjadi produktif. Seperti yang dinyatakan sebelumnya, Anda mungkin sudah cukup tahu karena Anda dapat menggunakan API dan menerapkan keterampilan yang ada.

Misalnya, Anda tidak perlu melatih LLM Anda sendiri dari awal. Melatih LLM akan membutuhkan waktu dan sumber daya yang tidak ingin dilakukan oleh sebagian besar perusahaan. Sebagai gantinya, Anda membangun di atas model dasar yang telah dilatih sebelumnya seperti GPT-4 dengan melakukan panggilan API ke layanan yang dihosting yang ada seperti Azure OpenAI API. Dengan cara ini, menambahkan fitur AI generatif ke dalam aplikasi yang ada tidak berbeda dengan menambahkan fungsionalitas lain berdasarkan panggilan API.

Meneliti bagaimana LLM dilatih atau cara kerjanya mungkin memenuhi rasa ingin tahu intelektual Anda, tetapi benar-benar memahami bagaimana LLM bekerja membutuhkan pemahaman mendalam tentang ilmu data dan latar belakang matematika untuk mendukungnya. Ini mungkin termasuk kursus tingkat lulusan tentang statistik, probabilitas, dan teori informasi.

Jika Anda berasal dari latar belakang ilmu komputer, Anda dapat menghargai bahwa sebagian besar pengembangan aplikasi terjadi pada "lapisan yang lebih tinggi dalam tumpukan" penelitian dan teknologi. Anda mungkin memiliki pemahaman tentang setiap lapisan, tetapi Anda mungkin mengkhususkan diri dalam lapisan pengembangan aplikasi, dengan fokus pada bahasa dan platform pemrograman tertentu (API, alat, pola, dan sebagainya yang tersedia).

Hal yang sama berlaku untuk bidang AI. Anda dapat memahami dan menghargai teori yang masuk ke bangunan di atas LLM, tetapi Anda kemungkinan akan memfokuskan perhatian Anda pada lapisan aplikasi atau membantu menerapkan pola atau proses untuk memungkinkan upaya AI generatif di perusahaan Anda.

Berikut adalah representasi yang terlalu disederhanakan dari lapisan pengetahuan yang diperlukan untuk menerapkan fitur AI generatif dalam aplikasi baru atau yang sudah ada:

Pada tingkat terendah, Anda memiliki ilmuwan data yang melakukan penelitian ilmu data untuk memecahkan atau meningkatkan AI berdasarkan pemahaman matematika yang mendalam tentang statistik, teori probabilitas dan sebagainya. Satu lapisan ke atas, berdasarkan lapisan dasar terendah, Anda memiliki ilmuwan data yang mengimplementasikan konsep teoritis ke dalam LLM, membangun jaringan neural dan melatih bobot dan bias untuk menyediakan perangkat lunak praktis yang dapat menerima input (prompt) dan menghasilkan hasil (penyelesaian). Proses komputasi penyusunan penyelesaian berdasarkan perintah dikenal sebagai inferensi. Ada yang bertanggung jawab untuk mengimplementasikan bagaimana neuron jaringan neural memprediksi kata atau piksel berikutnya yang akan dihasilkan.

Mengingat jumlah daya pemrosesan yang diperlukan untuk melatih model dan menghasilkan hasil berdasarkan input, model sering dilatih dan dihosting di pusat data besar. Dimungkinkan untuk melatih atau menghosting model di komputer lokal, tetapi hasilnya sering lambat (tanpa kartu video GPU khusus untuk membantu menangani komputasi yang diperlukan untuk menghasilkan hasil).

Ketika dihosting di pusat data besar, akses terprogram ke model ini disediakan melalui REST API, dan terkadang "dibungkus" oleh SDK dan tersedia untuk pengembang aplikasi untuk kemudahan penggunaan. Alat lain dapat membantu meningkatkan pengalaman pengembang, memberikan pengamatan atau utilitas lainnya. Pengembang aplikasi dapat melakukan panggilan ke API ini untuk menerapkan fungsionalitas bisnis.

Selain mendorong model secara terprogram, ada pola dan proses yang muncul untuk membantu bisnis membangun fungsionalitas bisnis yang andal berdasarkan AI generatif. Misalnya, ada pola yang muncul untuk membantu bisnis memastikan teks, kode, gambar, dan suara yang dihasilkan mematuhi standar etika dan keamanan serta komitmen terhadap privasi data pelanggan.

Dalam tumpukan kekhawatiran atau lapisan ini, jika Anda adalah pengembang aplikasi yang bertanggung jawab untuk membangun fungsionalitas bisnis, Anda dapat mendorong melampaui lapisan aplikasi untuk mengembangkan dan melatih LLM Anda sendiri. Tetapi mendapatkan tingkat pemahaman ini membutuhkan serangkaian keterampilan baru yang sering hanya tersedia melalui lingkungan akademik. Jika Anda tidak dapat berkomitmen untuk mengembangkan kompetensi dalam ilmu data secara akademis untuk membantu membangun "lapisan berikutnya di tumpukan" (jadi untuk berbicara) maka Anda mungkin ingin fokus memahami hal-hal di lapisan aplikasi seperti:

• Memahami API dan SDK yang tersedia, apa yang tersedia, apa yang dihasilkan berbagai titik akhir, dll.
• Memahami alat dan layanan terkait untuk membantu Anda membangun semua fitur yang diperlukan untuk solusi AI generatif siap produksi.
• Memahami rekayasa prompt, seperti cara mencapai hasil terbaik dengan mengajukan atau mengulangi pertanyaan.
• Memahami di mana hambatan muncul dan cara menskalakan solusi. Memahami apa yang terlibat dalam pengelogan atau mendapatkan telemetri tanpa melanggar masalah privasi pelanggan.
• Memahami karakteristik berbagai LLM (kekuatan mereka, kasus penggunaan, apa tolok ukur dan apa yang mereka ukur, diferensiasi utama antara vendor dan model yang diproduksi oleh setiap vendor, dll.) untuk memilih model yang tepat untuk kebutuhan perusahaan Anda.
• Pahami pola, alur kerja, dan proses terbaru yang digunakan untuk membangun fitur AI generatif yang efektif dan tangguh di aplikasi Anda.

Layanan dan alat yang tersedia dari Microsoft

Ada alat dan layanan AI generatif kode rendah dan tanpa kode yang tersedia dari Microsoft untuk membantu Anda membangun bagian atau seluruh solusi Anda. Berbagai layanan Azure dapat memainkan peran penting, masing-masing berkontribusi pada efisiensi, skalabilitas, dan ketahanan solusi:

API dan SDK untuk pendekatan yang bersentris kode

Inti dari setiap solusi AI generatif adalah model LLM, dan Azure OpenAI menyediakan akses ke semua fitur yang tersedia dalam model seperti GPT-4.

Produk	Deskripsi
Azure OpenAI	Layanan yang dihosting yang menyediakan akses ke model bahasa yang kuat seperti GPT-4. Ada beberapa API berbeda yang memungkinkan Anda melakukan semua fungsi khas LLM, seperti membuat penyematan, menciptakan pengalaman obrolan, dll. dengan akses penuh ke pengaturan dan penyesuaian untuk menyesuaikan hasil sesuai kebutuhan.

Lingkungan eksekusi

Karena Anda membangun logika bisnis, logika presentasi, atau API untuk mengintegrasikan AI generatif ke dalam aplikasi organisasi Anda, Anda perlu tempat untuk menghosting dan menjalankan logika tersebut.

Produk	Deskripsi
Azure App Service (atau salah satu dari beberapa layanan cloud berbasis kontainer)	Platform ini dapat menghosting antarmuka web atau API tempat pengguna berinteraksi dengan sistem obrolan RAG. Ini mendukung pengembangan, penyebaran, dan penskalaan aplikasi web yang cepat, sehingga lebih mudah untuk mengelola komponen front-end sistem.
Azure Functions	Gunakan komputasi tanpa server untuk menangani tugas berbasis peristiwa dalam sistem obrolan RAG. Misalnya, gunakan untuk memicu proses pengambilan data, memproses kueri pengguna, atau menangani tugas latar belakang seperti sinkronisasi dan pembersihan data. Ini memungkinkan pendekatan yang lebih modular dan dapat diskalakan untuk membangun backend sistem.

Kode rendah / Tanpa kode

Atau, beberapa logika yang diperlukan oleh solusi dapat dibangun dengan cepat dan dihosting dengan andal oleh solusi kode rendah atau tanpa kode.

Produk	Deskripsi
Azure AI Studio	Azure AI Studio dapat digunakan untuk pelatihan, pengujian, dan penyebaran model pembelajaran mesin kustom yang dapat meningkatkan sistem obrolan RAG. Misalnya, gunakan Azure AI Studio untuk menyesuaikan pembuatan respons atau meningkatkan relevansi informasi yang diambil.

Database vektor

Solusi AI generatif tertentu mungkin memerlukan penyimpanan dan pengambilan data yang digunakan untuk menambah pembuatan (misalnya, sistem obrolan berbasis RAG yang memungkinkan pengguna untuk mengobrol dengan data organisasi Anda). Dalam kasus penggunaan ini, Anda memerlukan penyimpanan data vektor.

Produk	Deskripsi
Pencarian Azure AI	Layanan ini dapat digunakan untuk mencari secara efisien melalui himpunan data besar untuk menemukan informasi relevan yang dapat digunakan untuk menginformasikan respons yang dihasilkan oleh model bahasa. Ini berguna untuk komponen pengambilan sistem RAG, memastikan bahwa respons yang dihasilkan seinformatif dan relevan secara kontekstual mungkin.
Cosmos DB	Layanan database multi-model yang didistribusikan secara global ini dapat menyimpan sejumlah besar data terstruktur dan tidak terstruktur yang perlu diakses sistem obrolan RAG. Kemampuan baca dan tulisnya yang cepat membuatnya ideal untuk menyajikan data real-time ke model bahasa dan menyimpan interaksi pengguna untuk analisis lebih lanjut.
Azure Cache untuk Redis	Penyimpanan data dalam memori yang dikelola sepenuhnya ini dapat digunakan untuk penembolokan informasi yang sering diakses, mengurangi latensi, dan meningkatkan performa sistem obrolan RAG. Ini sangat berguna untuk menyimpan data sesi, preferensi pengguna, dan kueri umum.
Server Fleksibel Azure Database for PostgreSQL	Layanan database terkelola ini dapat menyimpan data aplikasi, termasuk log, profil pengguna, dan data obrolan historis. Fleksibilitas dan skalabilitasnya mendukung kebutuhan dinamis sistem obrolan RAG, memastikan data tersedia dan aman secara konsisten.

Masing-masing layanan Azure ini berkontribusi untuk menciptakan arsitektur yang komprehensif, dapat diskalakan, dan efisien untuk solusi AI generatif, memungkinkan pengembang untuk menggunakan kemampuan cloud dan teknologi AI Azure terbaik.

Pengembangan AI generatif yang ber sentris kode dengan Azure OpenAI API

Di bagian ini, kami berfokus pada Azure OpenAI API. Seperti yang dinyatakan sebelumnya, Anda mengakses fungsionalitas LLM secara terprogram melalui API web RESTful. Anda dapat menggunakan bahasa pemrograman modern apa pun untuk memanggil API ini. Dalam banyak kasus, ada bahasa atau platform SDK tertentu yang beroperasi sebagai "pembungkus" di sekitar panggilan REST API untuk membuat pengalaman lebih idiomatik.

• Pustaka klien Azure OpenAI untuk .NET
• Pustaka klien Azuew OpenAI untuk Java
• Pustaka klien Azure OpenAI untuk JavaScript
• Modul klien Azure OpenAI untuk Go
• Python tidak memiliki pustaka klien khusus Azure. Anda menggunakan paket OpenAI Python dan mengubah beberapa opsi.

Jika bahasa atau platform SDK tidak tersedia, skenario terburuknya adalah Anda harus melakukan panggilan REST langsung ke API web. Namun, sebagian besar pengembang terbiasa dengan cara memanggil API web.

• Rest API Layanan Azure OpenAI

Azure OpenAI menawarkan berbagai API yang dirancang untuk memfasilitasi berbagai jenis tugas yang didukung AI, memungkinkan pengembang untuk mengintegrasikan fungsionalitas AI tingkat lanjut ke dalam aplikasi mereka. Berikut adalah gambaran umum API kunci yang tersedia dari OpenAI:

• API Penyelesaian Obrolan: API ini difokuskan pada skenario pembuatan teks termasuk kemampuan percakapan, memungkinkan pembuatan chatbot dan asisten virtual yang dapat terlibat dalam dialog alami seperti manusia. Ini dioptimalkan untuk kasus penggunaan interaktif, termasuk dukungan pelanggan, asisten pribadi, dan lingkungan pembelajaran interaktif. Namun, ini juga digunakan untuk semua skenario pembuatan teks, termasuk ringkasan, pelengkapan otomatis, penulisan dokumen, menganalisis teks, terjemahan, dan sebagainya. Ini adalah titik masuk untuk kemampuan visi yang saat ini dalam pratinjau (yaitu, mengunggah gambar dan mengajukan pertanyaan tentang hal itu).
• API Moderasi: API ini dirancang untuk membantu pengembang mengidentifikasi dan memfilter konten yang berpotensi berbahaya dalam teks, menyediakan alat untuk memastikan interaksi pengguna yang lebih aman dengan secara otomatis mendeteksi materi yang menyinggung, tidak aman, atau tidak pantas.
• Embeddings API: Embeddings API menghasilkan representasi vektor input teks, mengonversi kata, kalimat, atau paragraf menjadi vektor dimensi tinggi. Penyematan ini dapat digunakan untuk pencarian semantik, pengklusteran, analisis kesamaan konten, dan banyak lagi. Ini menangkap arti yang mendasar dan hubungan semantik dalam teks.
• API pembuatan gambar: API ini memungkinkan Anda menghasilkan gambar dan seni asli berkualitas tinggi dari deskripsi tekstual. Ini didasarkan pada DALL OpenAI· Model E, yang dapat membuat gambar yang cocok dengan berbagai gaya dan subjek berdasarkan perintah yang diterimanya.
• API Audio: API ini menyediakan akses ke model audio OpenAI, yang dirancang untuk pengenalan ucapan otomatis. Ini dapat mentranskripsikan bahasa lisan ke dalam teks, atau teks ke dalam ucapan, mendukung berbagai bahasa dan dialek. Ini berguna untuk aplikasi yang memerlukan perintah suara, transkripsi konten audio, dan banyak lagi.

Meskipun AI generatif dapat digunakan untuk bekerja dengan berbagai modalitas media, kami menghabiskan sisa artikel ini yang berfokus pada solusi AI generatif berbasis teks. Ini mencakup skenario seperti obrolan, ringkasan, dan sebagainya.

Cara mulai mengembangkan aplikasi dengan AI generatif

Pengembang perangkat lunak yang baru menggunakan bahasa, API, atau teknologi yang tidak dikenal biasanya mulai mempelajarinya dengan mengikuti tutorial atau modul pelatihan untuk membangun aplikasi kecil. Beberapa pengembang perangkat lunak lebih suka mengambil pendekatan mandiri dan membangun aplikasi eksperimental kecil. Kedua pendekatan valid dan berguna.

Saat Anda memulai, yang terbaik adalah memulai dari yang kecil, menjanjikan sedikit, melakukan iterasi, dan membangun pemahaman dan keterampilan Anda karena berkembang dengan hadiah AI generatif memiliki tantangan unik. Misalnya, dalam pengembangan perangkat lunak tradisional, Anda dapat mengandalkan output deterministik - untuk setiap set input, Anda dapat mengharapkan output yang sama persis setiap saat. Namun, Generative tidak deterministik - Anda tidak akan pernah mendapatkan jawaban yang sama persis dua kali untuk prompt tertentu, yang merupakan akar dari banyak tantangan baru. Saat Anda memulai, pertimbangkan tips berikut sebelum Anda terlalu jauh:

Tips #1: Jelaskan apa yang ingin Anda capai.

• Dapatkan spesifik tentang masalah yang coba Anda selesaikan: AI Generatif dapat menyelesaikan berbagai masalah, tetapi keberhasilan berasal dari menentukan masalah spesifik yang ingin Anda selesaikan dengan jelas. Apakah Anda mencoba menghasilkan teks, gambar, kode, atau sesuatu yang lain? Semakin spesifik Anda, semakin baik Anda dapat menyesuaikan AI untuk memenuhi kebutuhan Anda.
• Pahami audiens Anda: Mengetahui audiens Anda membantu menyesuaikan output AI agar sesuai dengan harapan mereka, baik pengguna atau pakar kasual di bidang tertentu.

Tips #2: Mainkan ke kekuatan LLM.

• Pahami batasan dan bias LLM: Meskipun LLM kuat, mereka memiliki batasan dan bias yang melekat. Mengetahui batasan dan bias dapat membantu Anda merancang di sekitarnya atau menggabungkan mitigasi.
• Pahami di mana LLM unggul: LLM unggul dalam tugas seperti pembuatan konten, ringkasan, terjemahan bahasa, dan sebagainya. Meskipun kemampuan pengambilan keputusan dan kemampuan diskriminatif mereka semakin kuat dengan setiap versi baru, mungkin ada jenis AI lain yang lebih sesuai untuk skenario atau kasus penggunaan Anda. Pilih alat yang tepat untuk pekerjaan tersebut.

Tips #3: Hasil terbaik dimulai dengan perintah yang baik.

• Pelajari praktik terbaik rekayasa yang cepat: Membuat perintah yang efektif adalah seni. Bereksperimenlah dengan perintah yang berbeda untuk melihat bagaimana mereka memengaruhi output. Jadilah ringkas namun deskriptif.
• Berkomitmen untuk penyempurnaan berulang: Seringkali, prompt pertama mungkin tidak menghasilkan hasil yang diinginkan. Ini adalah proses percobaan dan kesalahan. Gunakan output untuk menyempurnakan permintaan Anda lebih lanjut.

Membangun solusi AI generatif pertama Anda

Jika Anda ingin mulai bereksperimen dengan segera membangun solusi AI generatif, sebaiknya lihat Memulai obrolan menggunakan sampel data Anda sendiri untuk Python. Ada versi tutorial yang juga tersedia di .NET, Java, dan JavaScript.

Pertimbangan akhir yang dapat memengaruhi keputusan desain aplikasi Anda

Berikut adalah daftar singkat hal-hal yang perlu dipertimbangkan dan pengamanan lainnya dari artikel ini yang memengaruhi keputusan desain aplikasi Anda:

• Tentukan ruang masalah dan audiens dengan jelas untuk menyelaraskan kemampuan AI dengan harapan pengguna, mengoptimalkan efektivitas solusi untuk kasus penggunaan yang dimaksudkan.
• Gunakan platform kode rendah/tanpa kode untuk pembuatan prototipe dan pengembangan yang cepat jika memenuhi persyaratan proyek Anda, mengevaluasi trade-off antara kecepatan pengembangan dan penyesuaian. Jelajahi kemungkinan solusi kode rendah dan tanpa kode untuk bagian aplikasi Anda untuk mempercepat pengembangan dan memungkinkan anggota tim non-teknis untuk berkontribusi pada proyek.