12 Generative KI-Projekte für Ihr Data Science-Portfolio

Sind Sie bereit, Ihr Portfolio mit generativen KI-Projekten aufzufrischen? In einer Welt, die sich durch Innovationen wie ChatGPT und DALL-E verändert hat, fallen Standardprojekte den Arbeitgebern nicht unbedingt ins Auge.

Wenn Sie Personalverantwortliche beeindrucken wollen, ist dieser Artikel genau das Richtige für Sie.

Ich habe fantastische generative KI-Projekte zusammengestellt, mit denen Sie sich auf dem Gebiet der Datenwissenschaft von anderen abheben können. Fangen wir an!

Fehlerbehebungs-Assistent

Bug Fix Assistant ist ein Tool oder Assistent, der bei der Identifizierung und Behebung von Softwarefehlern helfen soll.

Vor kurzem hat GitHub GitHub Scanning Autofix eingeführt, eine Funktion, mit der die Plattform Fehler und Sicherheitslücken im Code automatisch beheben kann. Dieses Projekt kann einen einzigartigen Eindruck auf Personalverantwortliche machen.

Wichtigste Merkmale

• Automatische Analyse von Code, um potenzielle Fehler zu identifizieren, sei es durch statische Analyse, dynamische Analyse oder maschinelle Lerntechniken.
• Vorschläge oder Empfehlungen für Fehlerbehebungen auf der Grundlage der identifizierten Probleme bereitstellen.
• Der Assistent kann mit der Zustimmung des Entwicklers automatisch Korrekturen für bestimmte Arten von Fehlern generieren und anwenden.

Ich verwende GitHub Actions schon seit geraumer Zeit und hier ist eine Idee für Ihr Projekt, die Ihnen helfen wird, Ihre Fähigkeiten bei der Fehlerbehebung zu verbessern.

Projekt-Idee

Ein komplettes Projekt von Grund auf neu zu erstellen, kann eine Herausforderung sein, aber Sie können Ihr Portfolio erweitern, indem Sie an einem Open-Source-Projekt mitarbeiten.

GitBug-Actions ist ein Tool, das GitHub Actions nutzt, um Fehlerbehebungs-Benchmarks zu erstellen. Das Tool durchsucht GitHub-Repositories und navigiert durch ihre Commits, wobei es lokal GitHub Actions mit act in jedem betrachteten Commit ausführt.

Schließlich prüft das Tool, ob ein Fehlerbehebungsmuster gefunden wurde, indem es sich die Testergebnisse ansieht, die aus den GitHub-Aktionsläufen analysiert wurden. Wenn eine Fehlerbehebung gefunden wird, kann GitBug-Actions ein Docker-Image mit der reproduzierbaren Umgebung für die Fehlerbehebung exportieren.

In der reproduzierbaren Umgebung bleiben alle Abhängigkeiten erhalten, die für die Ausführung der Tests für die Fehlerbehebung erforderlich sind, so dass eine Verschlechterung der Benchmarks aufgrund nicht verfügbarer Abhängigkeiten vermieden wird.

Zu den Fähigkeiten, die Sie durch die Mitarbeit an diesem Open-Source-Projekt erwerben können, gehören:

Fähigkeiten, die Sie erlangen können

• Sie lernen praktische Herausforderungen bei der Entwicklung des GitBug-Actions-Projekts kennen und lösen sie.
• Machen Sie sich mit den Umgangsformen bei der Open-Source-Entwicklung vertraut, einschließlich des Verhaltenskodex, der Richtlinien für die Mitwirkung und der Praktiken für die Zusammenarbeit.

Die Fähigkeiten, die Sie erwerben, können von den spezifischen Problemen abhängen, die Sie lösen, oder von Ihren Beiträgen zum Projekt. Aber das ist noch nicht alles, denn ich habe in diesem Artikel noch einige weitere spannende Projekte vorzustellen.

KI-Code-Assistent

Ein KI-Programmierassistent oder ein Tool zur Codevervollständigung ist ein Tool, das künstliche Intelligenz und maschinelles Lernen nutzt, um Entwicklern zu helfen, Code effizienter zu schreiben und zu bearbeiten.

Sein Hauptziel ist es, die Produktivität zu steigern, indem es intelligente Vorschläge und kontextbezogene Empfehlungen während des Programmierens liefert.

Wichtigste Merkmale

• Schlägt automatisch Codeschnipsel, Funktionsnamen, Variablennamen und andere relevante Elemente vor, während der Entwickler tippt, wodurch die Notwendigkeit der manuellen Eingabe reduziert und Fehler minimiert werden.
• Identifiziert potenzielle Fehler im Code in Echtzeit und bietet Vorschläge zur Korrektur an, so dass Entwickler Fehler frühzeitig im Entwicklungsprozess erkennen können.
• Führt eine statische Codeanalyse durch, um potenzielle Probleme, Codegerüche und Verbesserungsmöglichkeiten zu identifizieren.
• Empfiehlt häufig verwendete Codemuster, Idiome und Snippets, um die Entwicklung zu beschleunigen und Best Practices zu fördern.

Auch wenn es Ihnen wie ein anspruchsvolles Projekt vorkommt, machen Sie sich keine Sorgen. Im Folgenden finden Sie eine Anleitung, die Sie bei der Erstellung Ihres Projekts unterstützt.

Projekt-Idee

Erstellen Sie einen KI-Code-Assistenten mit Pipet Code Agent ist ein Tutorial von Google, mit dem Sie Ihren eigenen KI-Code-Assistenten erstellen können. Dieses Tutorial zeigt Ihnen, wie Sie Pipet Code Agent, ein KI-gestütztes Code-Assistenz-Tool, das vom AI Developer Relations Team bei Google entwickelt wurde, erweitern können.

Bei diesem Open-Source-Projekt handelt es sich um eine Erweiterung für VS Code, die Ihnen dabei hilft, einige der wichtigen, aber weniger spaßigen Aufgaben der Codierung zu erledigen, z.B. Ihren Code zu kommentieren, Fehler zu finden und Verbesserungen vorzuschlagen.

Die Erweiterung sendet Anfragen zur Codierungshilfe an die PaLM API und integriert die Antworten in Ihr Codebearbeitungsfenster. PaLM ist ein generatives KI-Sprachmodell, das von Google entwickelt und gepflegt wird.

Fertigkeiten, die Sie erwerben können

• Sammeln Sie Erfahrungen mit der Integration externer APIs, insbesondere der Google PaLM API, in ein Code-Hilfstool.
• Sie lernen, wie Sie Node.js und NPM für die Verwaltung von Paketen und die Ausführung von Anwendungen im Rahmen einer VS Code-Erweiterung nutzen können.
• Verstehen Sie, wie Sie neue Befehle in den bestehenden Erweiterungscode integrieren, indem Sie die Dateien extension.ts und package.json aktualisieren.
• Verstehen, wie man mit KI-Sprachmodellen interagiert, Prompts formt und Antworten interpretiert, um die Funktionen der Codehilfe zu verbessern.

Die Erfahrung und die Fähigkeiten, die Sie bei diesem Projekt erworben haben, werden Ihr Portfolio deutlich aufwerten und es zu etwas Besonderem machen.

Lesen Sie auch: Die wichtigsten Modelle für maschinelles Lernen erklärt

Code-Dokumentations-Generator

Sie haben vielleicht schon an vielen Projekten zum maschinellen Lernen gearbeitet, bei denen Sie nach Abschluss des Projekts Ihren Code dokumentieren müssen. Das kann für Datenwissenschaftler oder Entwickler ein weiteres Problem darstellen. Deshalb gibt es eine mögliche Lösung: den Code Documentation Generator.

Ein Code-Dokumentationsgenerator ist ein Tool, das automatisch eine Dokumentation für Ihren Quellcode erstellt. Es hilft Entwicklern, Anwendern und anderen Beteiligten, die Codebasis leicht zu verstehen, zu verwenden und zu pflegen.

Wichtigste Merkmale

• Code-Dokumentationsgeneratoren extrahieren automatisch Informationen aus dem Quellcode, um eine Dokumentation zu erstellen.
• Sie analysieren die Kommentare im Code, einschließlich spezieller Tags oder Anmerkungen, um eine umfassende und strukturierte Dokumentation zu erstellen.
• Einige Generatoren erleichtern die gemeinsame Arbeit an der Dokumentation, so dass mehrere Personen gleichzeitig an der Dokumentation arbeiten können.

Glauben Sie mir, für die industrielle Anerkennung und um Ihr Projekt hervorzuheben, ist ein gut dokumentiertes Codeprojekt mit einer angemessenen Dokumentation hervorragend geeignet.

Projekt-Idee

Die Erstellung eines Code-Dokumentationsgenerators unter Verwendung eines Sprachmodells umfasst mehrere Schritte. Die Details können je nach dem von Ihnen gewählten Modell und den Projektanforderungen variieren. Erstens benötigen Sie einen Datensatz, um Ihr Modell zu trainieren:

CodeSearchNet, das von GitHub in Zusammenarbeit mit mehreren Partnern erstellt wurde, ist eine Sammlung von Datensätzen für codebezogene Aufgaben der natürlichen Sprachverarbeitung.

Wählen Sie ein vortrainiertes generatives KI-Modell, das für codebezogene Aufgaben geeignet ist. Trainieren Sie das Modell auf Ihrem Datensatz. Durch die Feinabstimmung werden die Gewichte des vortrainierten Modells so angepasst, dass es besser zu Ihrem speziellen Anwendungsfall passt. Sobald das Modell feinabgestimmt ist, richten Sie eine Inferenz-Pipeline ein, um Dokumentation für neue Codeschnipsel zu generieren.

Je nach Programmiersprache gibt es unterschiedliche Tools, die Sie für die Dokumentation verwenden können. Beliebte Dokumentationsgeneratoren für verschiedene Programmiersprachen sind z.B. Sphinx für Python, Javadoc für Java, Doxygen für mehrere Sprachen und mehr.

Nutzen Sie diese Tools, um Ihr Projekt zu erstellen, und sie werden für Ihr Portfolio hilfreich sein.

Fertigkeiten, die Sie erwerben können

• Dies ist eine Gelegenheit, neue Technologien und Tools zu erlernen, die die Möglichkeiten Ihres Code Documentation Generator erweitern.
• Datenvorverarbeitung, Modellauswahl und Feinabstimmung, Interferenz-Pipeline, Modellbereitstellung, Projektmanagement und Debugging-Fähigkeiten.

Ich arbeite derzeit an der Code-Dokumentation und werde meine Erfahrungen sicher mit Ihnen teilen. Lassen Sie uns nun zu unserem nächsten Projekt übergehen.

KI-Schreibassistent

Vielleicht kennen Sie die Schreibassistenten oder Grammatikprüfer wie Grammarly, die es auf dem Markt gibt. Aber haben Sie sich jemals gefragt, ob Sie selbst einen solchen Assistenten entwickeln können?

Die Antwort lautet: Ja! Jetzt können Sie Ihren Schreibassistenten mit Hilfe generativer KI entwickeln. Glauben Sie mir, dieses Projekt kann die Attraktivität Ihres Portfolios erheblich steigern.

Wichtigste Merkmale

• Analysiert Satzstrukturen und schlägt Verbesserungen vor, um die Lesbarkeit insgesamt zu verbessern.
• Bietet Vorschläge für Synonyme oder alternative Ausdrücke, um die im Text verwendete Sprache zu verbessern und zu erweitern.
• Überprüft in Echtzeit auf Grammatik- und Rechtschreibfehler, um die Korrektheit des geschriebenen Inhalts sicherzustellen.
• Bietet Empfehlungen für die Anpassung von Schreibstil und Tonfall an den gewünschten Kontext oder die Zielgruppe.

Wenn Sie einen Schreibassistenten verwenden, sind Sie mit diesen Funktionen vielleicht schon vertraut. Lassen Sie uns herausfinden, wie Sie Ihren eigenen erstellen können.

Projekt-Idee

DieErstellung eines KI-Schreibassistenten mit Wordcraft ist ein Tutorial von Google. Dieses Tutorial führt Sie in die Erweiterung von Wordcraft ein, einem KI-gestützten Tool zum Schreiben von Geschichten, das vom Google People and AI Research Team entwickelt wurde.

Diese Webapplikation verwendet die Google PaLM API, um Ihnen zu helfen, Geschichten Schritt für Schritt zu erstellen, Ideen zu generieren, Teile Ihrer Geschichten zu schreiben und den Inhalt mit mehr Details zu überarbeiten.

Jetzt haben Sie die Möglichkeit, zu Wordcraft beizutragen oder Code-Referenzen von Wordcraft zu übernehmen, um Ihr Projekt aufzubauen. Alternativ können Sie auch diesem Tutorial folgen, das Sie bei der Erstellung Ihres eigenen Grammarly-ähnlichen Tools anleitet.

Sie können sich die erforderlichen Fähigkeiten aneignen, um Ihren eigenen Schreibassistenten zu erstellen. Wenn Sie jedoch Ihr Portfolio stärken wollen, sollten Sie in Erwägung ziehen, den Code anzupassen und entsprechend zu verbessern.

Fertigkeiten, die Sie erwerben können

• Sammeln Sie praktische Erfahrungen mit verschiedenen Bibliotheken, insbesondere mit solchen, die für sprachbezogene Aufgaben verwendet werden, wie z.B. Gramformer.
• Entwerfen und optimieren Sie Algorithmen für die Grammatikprüfung, Stilvorschläge und andere Funktionen zur Verbesserung des Schreibens.
• Lernen Sie, wie Sie externe APIs, insbesondere die Google PaLM API, in eine Webanwendung integrieren können, um die Funktionalität zu verbessern.
• Möglicherweise zu einem Open-Source-Projekt wie Wordcraft beitragen, mit anderen zusammenarbeiten und Projektabläufe verstehen.

Aber es gibt eine Vielzahl von Schreibassistenten auf dem Markt. Sie können Ihren eigenen Sprachübersetzer zusammen mit einem Schreibassistenten erstellen.

Sprachübersetzer

Die Erstellung von Sprachübersetzerprojekten ist wichtig, um Sprachbarrieren abzubauen und die globale Kommunikation zu fördern. Bei diesen Projekten werden Techniken zur Verarbeitung natürlicher Sprache, zum maschinellen Lernen und zur Softwareentwicklung eingesetzt.

Die Arbeit an einem solchen Projekt kann Ihr Portfolio erweitern und Ihre Fähigkeiten in diesen Bereichen unter Beweis stellen.

Wesentliche Merkmale

• Ein Sprachübersetzer-Projekt beinhaltet die Konvertierung von Text oder Sprache von einer Sprache in eine andere.
• Verwendung wichtiger Bibliotheken wie tkinter für die Erstellung grafischer Benutzeroberflächen (GUIs) und googletrans für die Anbindung an die Google Translate API.
• Sammeln Sie praktische Erfahrung in der Webentwicklung, indem Sie die Übersetzeranwendung erweitern und anpassen.

Es ist eines der einfachsten Projekte, das Sie in wenigen Schritten fertigstellen können. Lassen Sie uns das Projekt besprechen.

Projekt-Idee

Im Projekt Language Translator using Python verwenden Sie Bibliotheken wie Tkinter für die grafische Benutzeroberfläche und googletrans für die Google Translate API.

Das Tutorial verdeutlicht die Bedeutung der Textübersetzung für globale Websites und stellt das Übersetzungspaket vor. Wenn Sie die Schritte befolgen, können Sie Ihren eigenen Sprachübersetzer in Python erstellen und eine effektive Sprachübersetzung in Aktion erleben.

Sie können nach Bedarf Änderungen vornehmen und eine weiterentwickelte Version zu Ihrem Data Science-Portfolio hinzufügen.

Fertigkeiten, die Sie erwerben können

• Sammeln Sie Erfahrungen mit der Integration externer APIs, in diesem Fall mit der Integration der Google Translate API in Ihr Python-Projekt.
• Sie erhalten Einblicke in linguistische und kulturelle Überlegungen bei der Arbeit mit Sprachübersetzungen und verbessern Ihr sprachübergreifendes Verständnis.
• Erstellen Sie ein Textfeld für die Ein- und Ausgabe und eine Funktion zum Abrufen von Daten.

Ich werde versuchen, ein Projekt zu erstellen, das einen Schreibassistenten und einen Sprachübersetzer kombiniert. Ich werde es auf jeden Fall mit Ihnen teilen.

Lesen Sie auch: Algorithmen der natürlichen Sprachverarbeitung (NLP) erklärt

Hörbuch-Generator

Ein KI-Hörbuchgenerator ist ein von künstlicher Intelligenz angetriebenes Tool, das geschriebenen Text in gesprochenes Audio umwandelt und so die Erstellung von Hörbüchern automatisiert.

TTS-Systeme analysieren Textinhalte sorgfältig und wandeln sie in hörbare Sprache um, was die Erstellung von Hörbüchern, Voiceovers und verschiedenen anderen gesprochenen Materialien erleichtert.

Dies ist eines der besten generativen KI-Projekte, die Sie in Ihr Portfolio aufnehmen können.

Wichtigste Merkmale

• Integration einer fortschrittlichen Text-to-Speech-Technologie zur Umwandlung von geschriebenem Text in natürlich klingendes Audio mit PyPDF2 oder pyttsx3.
• Fähigkeit, Hörbücher in verschiedenen Formaten zu erzeugen, die mit verschiedenen Geräten und Plattformen kompatibel sind.
• Verwendung eines leistungsstarken und anpassbaren generativen KI-Modells (GPT-3), um vielfältige und ansprechende Inhalte für Hörbücher zu erstellen.

Es mag ein einfacheres Projekt als andere sein, aber es ist eines der trendigen und zeitsparenden Projekte für alle, die lieber hören als lesen.

Projekt-Idee

Mit Python können Sie jeden Text in Sprache umwandeln. Sie können Bibliotheken wie PyPDF2 und pyttsx3 verwenden. Sie haben die Möglichkeit, Ihr eigenes Hörbuchgeneratormodell zu erstellen, indem Sie mit Hörbüchern trainieren, die auf Plattformen wie Kaggle zugänglich sind.

Um ein besseres Verständnis zu bekommen und an einem größeren Datensatz zu arbeiten, möchte ich Ihnen dieses Forschungspapier empfehlen.

Fertigkeiten, die Sie erwerben können

• Integration von und Arbeit mit TTS-Systemen zur Umwandlung von generiertem Text in gesprochenes Audio mit Python.
• Aufbau und Feinabstimmung von maschinellen Lernmodellen, insbesondere im Kontext der generativen KI.
• Verwaltung des Projektzeitplans, der Ressourcen und der Aufgaben, um einen rechtzeitigen und erfolgreichen Abschluss zu gewährleisten.

Lassen Sie uns nun zu unserem nächsten Projekt übergehen.

Dokument-Zusammenfassung

Bei der Zusammenfassung von Dokumenten geht es darum, wichtige Informationen aus einem Dokument zu extrahieren, um sie prägnant darzustellen und gleichzeitig die wesentliche Bedeutung und die wichtigsten Punkte beizubehalten.

Dieses Verfahren ist für die Bearbeitung umfangreicher Textmengen sehr nützlich, da es den Benutzern ermöglicht, die wichtigsten Ideen schnell zu erfassen, ohne das gesamte Dokument lesen zu müssen. Mit einem solchen Projekt können Sie Ihr Portfolio erheblich aufwerten.

Wichtigste Merkmale

• Die Möglichkeit, aus PDF-Dokumenten prägnante Zusammenfassungen zu erstellen, die einen schnellen Überblick über den Inhalt geben.
• Nutzung der Leistung von LaMini-LM für ein solides Dokumentenverständnis, das eine genaue und aussagekräftige Zusammenfassung ermöglicht.
• Die Verwendung modernster Technologie stellt sicher, dass die Anwendung auf den neuesten Fortschritten in diesem Bereich aufbaut.

Es gibt zahlreiche Tutorials und Forschungsarbeiten zum Thema PDF-Dokumentation oder Zusammenfassung umfangreicher Artikel. Ich möchte dieses hier vorschlagen.

Projekt-Idee

Es gibt verschiedene Tutorials im Internet und auf YouTube. Eines davon ist die Erstellung einer App zur Dokumentenzusammenfassung mit LLM auf der CPU: Kein OpenAI.

In dieser interessanten Anleitung können Sie etwas über generative KI lernen, indem Sie eine leistungsstarke App zur PDF-Zusammenfassung erstellen. Wir werden ein erstklassiges Sprachmodell namens LaMini-LM verwenden, das fortschrittlich ist und uns hilft, Dokumente gut zu verstehen.

Ich war während meines Praktikums Teil eines Teams, das an der Zusammenfassung von Dokumenten arbeitete. Es ist ein Open-Source-Projekt. Wenn Sie an solchen Projekten in Gruppen mitarbeiten möchten, können Sie sich auf LinkedIn mit interessierten Teilnehmern verbinden.

Fähigkeiten, die Sie erlangen können

• Entwickeln Sie ein umfassendes Verständnis von Konzepten der generativen KI und deren Anwendung auf reale Projekte.
• Lernen Sie, wie man fortgeschrittene Sprachmodelle wie LaMini-LM in Anwendungen zur Zusammenfassung von Dokumenten implementiert und integriert.
• Erwerben Sie Kenntnisse in der Verarbeitung und Extraktion von Informationen aus PDF-Dokumenten, eine häufige und wertvolle Aufgabe in verschiedenen Bereichen.
• Vertiefen Sie Ihr Verständnis von Natural Language Processing, indem Sie mit Sprachmodellen für die Textanalyse und Zusammenfassung arbeiten.

Die Genauigkeit und Qualität einer Zusammenfassung hängt von der Qualität Ihrer Daten, Ihrem Ansatz, Ihren Methoden und dem von Ihnen verwendeten Modell ab. Gleichzeitig kann es einige Zeit dauern, bis Sie hochwertige Ergebnisse erzielen. Aber ich glaube, dass die Erkenntnisse aus diesem Prozess von unschätzbarem Wert sind.

Benutzerdefinierter Chatbot zur Beantwortung von Fragen

Laut Tidio hatten rund 88% der Kunden im letzten Jahr mindestens eine Unterhaltung mit einem Chatbot. Die Entwicklung eines eigenen Chatbots ist eine Herausforderung und lohnend zugleich.

Frage-Antwort-Chatbots werden häufig im Kundensupport, bei der Informationsbeschaffung und bei interaktiven Anwendungen eingesetzt, bei denen Benutzer spezifische Informationen oder Hilfe suchen.

Wichtigste Merkmale

• Q&A-Chatbots nutzen NLP, um Benutzeranfragen in natürlicher Sprache zu verstehen und zu interpretieren, was eine menschenähnlichere Interaktion ermöglicht.
• Ein gut konzipierter Q&A-Chatbot sollte in der Lage sein, eine große Anzahl von Fragen zu bearbeiten und effektiv zu skalieren, um eine wachsende Benutzerbasis aufzunehmen.
• Q&A-Chatbots sollten an verschiedene Plattformen und Kommunikationskanäle anpassbar sein, z. B. an Websites, Messaging-Apps oder Sprachschnittstellen.

Es handelt sich um eines der aktuellsten Projekte auf dem Gebiet der generativen KI. Lassen Sie uns verstehen, wie Sie Ihren Q&A-Chatbot erstellen können.

Projekt-Idee

Ihr Projekt sollte einen einzigartigen und unverwechselbaren Aspekt aufweisen, um einen bleibenden Eindruck zu hinterlassen.

Ich möchte Ihnen das Projekt“Building a ChatGPT-like Chatbot using Langchain and Hugging Face” vorschlagen. In diesem Projekt lernen Sie, wie Sie einen Chatbot erstellen und eine ChatGPT-ähnliche Schnittstelle entwickeln. Verbessern Sie Ihren Chatbot, indem Sie verschiedene Arten von Daten bereitstellen.

Fertigkeiten, die Sie erwerben können

• Sie lernen, wie Sie mit Langchain und Hugging Face einen Chatbot erstellen und sammeln praktische Erfahrungen bei der Entwicklung und dem Einsatz von Chat-Oberflächen.
• Lernen Sie die Technik, Hugging Face-Modelle mit Prompts zu kombinieren, um konversationelle Bots zu erstellen.
• Erkunden Sie die Verwendung von Chainlit für die Erstellung der Chat-Oberfläche. Machen Sie sich mit den Funktionen und Möglichkeiten von Chainlit bei der Entwicklung benutzerfreundlicher Konversationsschnittstellen vertraut.

Ich habe mit den einfachen Schritten, die ich in der Projektidee erwähnt habe, einen einfachen Chatbot mit Python erstellt. Für ein generatives KI-Portfolio wären fortgeschrittene Chatbots mit größerer Effizienz jedoch großartig.

Interaktives Video zum Geschichtenerzählen

Vielleicht haben Sie schon einmal KI-generierte Bilder und Videos auf YouTube oder Instagram gesehen. Generative KI erweist sich bei der Erstellung solcher Videos als nützlich.

Interaktives Storytelling ist eine Form des Geschichtenerzählens, bei der Sie Ihr Publikum über das Ende entscheiden lassen. Dieses Projekt erfordert Kreativität, um hochwertige Inhalte zu erstellen.

Projekt-Idee

Wenn Sie keine Ideen haben, wie Sie eine Geschichte schreiben können, müssen Sie fünf einfache Schritte befolgen.

• Erstellen Sie eine Geschichte mit ChatGPT und nehmen Sie bei Bedarf Änderungen vor
• Generieren Sie eine Aufforderung zur Bilderzeugung mit ChatGPT
• Erstellen Sie ein Bild oder Video mit Hilfe von Plattformen zur Bilderzeugung
• Bearbeiten und fügen Sie dem Video Effekte hinzu
• Voiceover-Tools oder KI-generierte Stimmen verwenden

Weitere Informationen finden Sie unter Die Kunst des Geschichtenerzählens.

Wenn Sie Ihr Publikum auf einer beliebigen Social Media-Plattform vergrößern und dabei etwas lernen möchten, ist dieses Projekt genau das Richtige für Sie. Ich habe ein paar Videos nach diesen Schritten erstellt, und die Ergebnisse sind zufriedenstellend.

KI-Chatbot mit Wissensdatenbank

Eine Wissensdatenbank ist ein zentraler Speicher von Informationen, der systematisch organisiert ist, um sie effizient abrufen und nutzen zu können. Sie dient als wertvolle Ressource für die Sammlung und Verwaltung von Wissen innerhalb eines bestimmten Bereichs oder einer Organisation.

Wissensdatenbanken können verschiedene Formen annehmen, darunter Datenbanken, Wikis, Dokumente oder andere strukturierte Formate. Es ist eines der anspruchsvollsten Projekte. Mit diesem Projekt können Sie Ihr Portfolio verbessern.

Wichtigste Merkmale

• Verwendung von OpenAI API und GPT-3 Modell
• Interaktion mit Ihrer Wissensdatenbank zum Abrufen der benötigten Informationen
• Aufteilung unserer Wissensdatenbank in kleinere Teile zum Trainieren.

Bevor Sie an diesem Projekt arbeiten, sollten Sie alle Anforderungen überprüfen.

Projekt-Idee

Die Erstellung eines KI-Chatbots mit einer personalisierten Wissensdatenbank unter Verwendung der OpenAI API und GPT Index ist ein Projekt, das Ihnen einen Einblick in den gesamten Prozess der Erstellung eines umfassenden Projekts von Anfang bis Ende geben soll.

Fähigkeiten, die Sie erlangen können

• Interaktion mit Ihrer Wissensdatenbank, um notwendige Informationen abzurufen
• Chatbot erstellen
• Das Verständnis der Funktionsweise von Datenbanken und der natürlichen Sprache wird hilfreich sein.

Sie können an diesem Projekt in einer Gruppe arbeiten. Das wird Ihnen helfen, zu diskutieren und zu wachsen.

Empfehlungsprogramm für Modekollektionen

Ein Fashion Collection Recommender ist wahrscheinlich ein System oder eine Plattform, die künstliche Intelligenz (KI) und Algorithmen des maschinellen Lernens einsetzt, um Nutzern Modekollektionen auf der Grundlage ihrer Vorlieben, ihres Stils und möglicherweise anderer Faktoren wie Wetter, Anlass oder aktuelle Trends vorzuschlagen.

Hier sind einige der wichtigsten Merkmale von Fashion Recommender:

Hauptmerkmale

• Das Empfehlungssystem zielt darauf ab, personalisierte Modekollektionsempfehlungen innerhalb eines strengen Zeitrahmens zu erstellen.
• Das Empfehlungssystem nutzt Einbettungen, um Bilder überschaubarer und aussagekräftiger darzustellen. Dadurch wird die Dimensionalität kategorischer Variablen reduziert und eine effiziente Verarbeitung von Bilddaten ermöglicht.
• Das System nutzt Fastai und vortrainierte tiefe faltige neuronale Netzwerkmodelle wie ResNet50 und setzt Transfer-Lernen ein, um das Modell für Modeempfehlungen zu optimieren.
• Das System erstellt ein Phantomobjekt, indem es die Einbettungswerte ausgewählter Benutzerobjekte mittelt.

Ich habe an diesem Projekt gearbeitet, bei dem ich einige Modebilder mit Hilfe eines Modedatensatzes erstellt habe. Das war der erste Schritt in Richtung Modeempfehlung.

Auch nach der Erstellung von Bildern müssen Sie diese entsprechend den Anforderungen des Benutzers präsentieren. Lesen Sie dazu bitte das Projekt, das ich unten erwähnt habe.

Projekt-Idee

Building a Personalized Real-Time Fashion Collection Recommender ist ein Artikel von Kai Xin Thia. Der Artikel bietet Einblicke in die praktischen Aspekte des Aufbaus eines personalisierten Echtzeit-Empfehlungssystems für Modekollektionen, das moderne Tools und Techniken aus dem Bereich des Deep Learning und der Empfehlungssysteme kombiniert.

Der Autor verwendet eine Teilmenge des DeepFashion-Datensatzes, bestehend aus 280.000 Modebildern aus 46 Kategorien, um das Empfehlungssystem zu trainieren. Der Artikel zeigt den erfolgreichen Aufbau eines Echtzeit-Empfehlungssystems für Modekollektionen mit modernen Tools wie PyTorch, Fastai und Annoy.

Fertigkeiten, die Sie erwerben können

• Erwerben Sie Fachwissen bei der Entwicklung und Implementierung von Empfehlungssystemen, die auf spezifische Geschäftsanforderungen zugeschnitten sind.
• Verstehen und Anwenden von Deep Learning-Konzepten, insbesondere von Convolutional Neural Networks (CNNs), Annoy für die approximative Suche nach dem nächsten Nachbarn (ANN) und Transfer Learning für bildbezogene Aufgaben.
• Verstehen Sie Deep Learning Frameworks wie PyTorch und spezialisierte Bibliotheken wie Fastai für effizientes Modelltraining und -entwicklung.

Dies ist eines der fortschrittlichsten Projekte im Bereich der GANs und Ihr Portfolio wird hervorstechen, wenn Sie für ein Unternehmen in der Modebranche arbeiten möchten.

Lesen Sie auch: Faltungsneuronale Netze (CNNs): Eine Einführung

Sprechen Sie mit Ihrer Datenbank

Bei der herkömmlichen Interaktion mit Datenbanken stellen Entwickler in der Regel SQL-Abfragen zusammen, um mit einer Datenbank zu interagieren – Daten abzurufen, einzufügen, zu aktualisieren oder zu löschen.

Mit den Fortschritten in der Verarbeitung natürlicher Sprache und der Einbeziehung von Sprachmodellen können Entwickler nun mit Datenbanken interagieren, indem sie eine Sprache verwenden, die einer menschlichen Unterhaltung ähnlicher ist.

Dieses Konzept zielt darauf ab, Benutzer oder Anwendungen in die Lage zu versetzen, Fragen zu stellen oder Informationen aus der Datenbank im Gespräch und intuitiv abzufragen.

Einige der wichtigsten Funktionen sind:

Hauptmerkmale

• Die Agentenkomponente in LangChain wird als ein Wrapper um LLMs herum beschrieben, der dafür verantwortlich ist, Entscheidungen über die besten Aktionen zur Lösung eines bestimmten Problems zu treffen.
• Es wird eine Beispieldatenbank für das Bestell- und Inventarsystem eines E-Retail-Unternehmens mit Tabellen für Kategorien, Produkte und Bestellungen erstellt, die jeweils über Fremdschlüsselbeziehungen verfügen.
• Es wird eine Eingabeaufforderungsvorlage erstellt, um dem LLM Kontext und Anweisungen zur Struktur von SQL-Abfragen zu geben.
• Es werden Codeschnipsel präsentiert, um die Interaktion mit LangChain, die Verbindung zu einer SQL-Datenbank und die Initialisierung des LangChain-Chatmodells mit Azure OpenAI zu demonstrieren.
• Das SQLDatabaseToolkit von LangChain wird verwendet, um einen Agenten zu erstellen und zu testen, der mit einer SQL-Datenbank interagieren kann und über Tools zur Erstellung von SQL-Abfragen verfügt.

Ich habe einen Artikel vorgeschlagen, der Ihnen hilft, dieses Projekt im Detail zu verstehen.

Projekt-Idee

Der Artikel ‘Talk’ to Your SQL Database Using LangChain and Azure OpenAI von Satwiki De. Dieser Artikel befasst sich mit der Verwendung des LangChain-Frameworks, einem Open-Source-Framework für die Entwicklung von Anwendungen, die natürliche Sprache mit Hilfe von Large Language Models (LLMs) verarbeiten.

Der Artikel konzentriert sich auf eine Fallstudie, in der LangChain zur Interaktion mit einer SQL-Datenbank unter Verwendung von Abfragen in natürlicher Sprache eingesetzt wird.

Sie können diesen Artikel als Referenz für die Entwicklung Ihres eigenen Projekts verwenden und so die Qualität Ihres Portfolios verbessern.

Fertigkeiten, die Sie erwerben können

• Sie verstehen, wie wir den LangChain Agent und das Azure OpenAI gpt-35-Turbo-Modell verwenden können, um Ihre SQL-Datenbank mit natürlicher Sprache abzufragen (ohne überhaupt SQL zu schreiben!) und nützliche Dateneinblicke zu erhalten.
• Lernen Sie, wie Sie mit dem SQL Database Toolkit und dem Agent Benutzereingaben in die richtige SQL-Abfrage umwandeln und diese in der Datenbank ausführen, um Antworten zu erhalten.
• Interagieren Sie mit Ihrer Wissensdatenbank, um notwendige Informationen abzurufen.

Stellen Sie sicher, dass Sie alle Fähigkeiten erwerben, um Ihr Wissen über SQL-Datenbanken, Langchain-Agenten und OpenAI-Modelle zu erweitern und Ihr Portfolio zu verbessern.

Letzte Worte

Mit dem Aufkommen von Tools wie ChatGPT, die maschinelles Lernen und Programmieren einfacher als je zuvor machen, hat der Wettbewerb im Bereich der Datenwissenschaft zugenommen. Daher ist es an der Zeit, unsere Fähigkeiten zu verbessern, indem wir uns an diesen Projekten beteiligen.

In diesem Artikel stelle ich Ihnen verschiedene generative KI-Projekte vor, mit denen Sie sich nicht nur in diesem wettbewerbsintensiven Bereich profilieren, sondern auch neue Fähigkeiten und wertvolle Erfahrungen sammeln können.