0:00

open AI just drop a bomb this morning

0:02

open AI announced in a place called

0:04

function calling function calling allows

0:06

GPT to do way more than generating text

0:09

GPT now can send email on your behalf it

0:11

can have access to the wide range of API

0:13

endpoints to get different type of

0:15

latest data and you can even ask GPT to

0:18

turn on and turn off your lights

0:24

so what is function calling it basically

0:26

allows you to give GPT access to a wide

0:28

range of tools and functions and then

0:31

GPT will do two things it will choose

0:33

the most suitable tools to use like

0:34

autonomous agent and it will output

0:37

response in a structured Json format

0:39

which is like a command then machine can

0:41

understand so that those functions can

0:43

be triggered so this really unlock your

0:46

imagination and make your AI apps 10

0:48

times more powerful I'm going to give

0:49

you a 5 minutes crash course about how

0:51

to use function calling step by step so

Tutorial overview

0:54

one very basic use case for function

0:55

calling is let gbt have access to a wide

0:58

range of different apis and can know

1:00

when to use which API to grab admin data

1:03

and repeat API is a great place to

1:06

empower the GPD apps because it has

1:08

thousands of different API endpoints

1:10

provide data from Sports Finance movies

1:12

and Science and I want to build an

1:14

example where we can ask GPD to do a

1:16

complex task like this what's a stock

1:19

that has the biggest price movement

1:20

today summarize the latest news about it

1:23

to analyze the point measure costs and

1:25

add those information to my airtable

1:27

data so this is fairly complex task and

1:30

when you think about it it will break

1:31

down into three different parts it will

1:33

need to get the stocks that has the

1:35

biggest price movement which we can get

1:36

from some Finance data API and then we

1:39

will need to get news about the stock to

1:41

let GPT to summarize and in the end I

1:43

want GPT to add this records into my Air

1:46

table so that I can have a list of

1:48

stocks that has biggest price movement

1:50

today and what is a potential cost for

1:52

the price movement to do this I will

1:54

give GPT access to Morningstar API which

1:57

provide Finance data of a stock market

1:59

and I will also write a function to the

2:01

LGBT have access to my air table so it

2:03

can add new records so let's get started

2:05

firstly let's create a DOT EMV file and

2:08

add all your API key for both open AI

2:10

air table and repeat API and then in the

2:13

app.py let's import few different

2:15

libraries and also load all those API

2:17

keys and then we will need to create a

How does function calling works?

2:20

function list that we can pass to GPT as

2:22

the tools that it can use so I create

2:24

this function descriptions list which

2:26

has three functions and for each

2:28

function you will need to define a few

2:29

different properties you will need to

2:31

give a name of the function description

2:33

so that GPT will understand when this

2:35

function should be called and then you

2:36

also add the parameters where you were

2:38

defined type as well as the properties

2:40

so property is the part that you will

2:43

need to Define very clearly what are the

2:45

structure of information that you want

2:47

GPT to generate so that you can feed to

2:49

those different apis and functions and

2:51

for each property you will Define the

2:53

type as well as a description so all

2:55

those information will help GPD to make

2:57

a decision and if certain properties are

3:00

required you can add this required

3:01

parameters as well you can see we Define

3:04

three different functions gas stock

3:06

movers which should get the stock that

3:08

has the biggest price movement and gas

3:10

stop news which we will use to get what

3:12

are the news is happening for the stock

3:14

and in the end we will have this

3:16

function called add stocks news to air

3:18

table let's give GPT this list of

3:20

functions and see whether it can choose

3:23

the tools to use so we can try to run

3:25

this query that gave me a summary of

3:27

what happened to Tesla stock today and

3:29

we'll use open AI API directly so we

3:32

were to open AI dot chat

3:34

completion.create and we'll Define the

3:36

model to be GPT for June 13 which is the

3:39

latest version that they just released

3:41

and we'll pass on this message and

3:43

there's two new properties functions

3:45

which will pass on the list of function

3:47

description we defined above as well as

3:50

function call function call equal to

3:52

Auto so this means GPT would

3:54

automatically define whether it's your

3:55

user function or you should just

3:57

generate a text like normal GPT okay so

3:59

this results in return you can see it

4:01

contains this Choice object where inside

4:03

it has this finished reason which is

4:05

function call it has this message where

4:07

content is known because this is not a

4:10

message that GPT generated but it's more

4:12

like a function call it is trying to do

4:14

you have this function called property

4:16

where it includes the name of the

4:17

function get stock news which is correct

4:19

based on query that we give it to it and

4:22

then the argument it extract Tesla as a

4:24

ID that we need to pass on to the gas

4:27

stock news function which is perfect so

4:28

we can use this to call the function

4:30

okay so now let's try to write this

1 GPT access live stock data

4:33

function to get stop news and again I

4:35

will use monistar as an API endpoint I

4:37

think they provide free version where

4:39

you can do 500 call per month which

4:41

should be enough for testing and our

4:43

users can use API endpoint I can click

4:45

on this test endpoint to see what other

4:47

results it generate so I can see it

4:49

starts generating a list of news

4:51

articles titled about Tesla so to use it

4:54

I will click on code snip and change

4:56

this to Python and all I need to do just

4:58

basically copy this part and create a

5:00

function called get stock news

5:02

performance ID so performance ID is a

5:05

parameter that we need to pass on to the

5:07

API which is the ID of this stock so I

5:10

just copy paste it here and then replace

5:12

the performance ID to be the performance

5:14

ID that we pass on to the function and

5:16

then swaps the API key to the API key

5:19

that you store locally so this function

5:21

should return the list of stocks and

5:23

that's also write another function that

5:25

can help us get which stock has the

5:27

biggest price movement and we will do

5:29

the same thing our users scan movers API

5:32

endpoint and I can just copy paste this

5:36

one thing we need to change here is we

5:38

should return the response.json

5:43

so we need to write a function that can

5:44

extract the name of the function and

5:46

handle the function call based on the AI

5:48

response so this is a function we will

5:50

get a response from AI which is this one

5:53

and we'll create one variable called

5:55

function call which will basically try

5:57

to extract information of this part then

6:00

we'll get a function Name by doing this

6:02

and also get the arguments by doing this

6:04

and then here we will run a list of if

6:07

conditions so if the function name equal

6:09

to gas stock movers then we will call

6:11

this function that gas stock movers that

6:13

will send the API key to get a list of

6:15

stocks that has price movement but if a

6:17

function name is gas stock news then we

6:20

will try to get the performance ID which

6:22

is a stock ID from the argument and we

6:24

will do this dot get to actually extract

6:27

the information from this and to just

6:29

get this part and we'll pass on this

6:31

variable to the get stock news now let's

6:34

try if this works okay great GPT returns

6:37

response which including function call

6:40

for gas stock movers and then this

6:42

trigger this function which will return

6:44

this list of stocks so this is doing

6:47

pretty well but what we want is to

6:49

return this information back to GPT so

6:51

that it can decide what step to do next

6:53

because the wave function calling works

6:55

is if we pass this response back to the

6:58

GPT it will be smart enough to decide

7:01

what the next step should be which in

7:02

this case would be get a stock news of

7:05

the ones that has biggest price movement

7:07

and it will continue running it until

7:09

the finished reason becomes stock so we

7:11

need to create another function so let's

7:13

say ask function calling probably not a

7:16

good name here but it is what it is so

7:18

what this function do is we will first

7:20

say gather response from GPT and then

7:22

we'll do this while loop if the GPT

7:25

finished reason equal to function call

7:27

Will continually try to fetch the data

7:29

from the functions that we created

7:31

before and then create a system message

7:34

with this special row function pass on

7:36

the name of function as well as a

7:38

Content that we got from those functions

7:40

and then call the GPT again pass on the

7:42

model message history which is the one

7:45

where we created here function list and

7:47

it will continue to do this until the

7:49

finished reason is not function call

7:50

which means GPT sync there's no more

7:53

need to use any tools we already get

7:55

answered and task them so let's try this

7:57

with curry what is stock that has the

7:59

biggest price movement today so we got

8:01

results as you can see what happened is

8:03

GPT first they tried to call this

8:05

function get stock movers which get the

8:08

list of stocks and then they got a stop

8:10

for the finished reason and instead GPD

8:13

generator summarize the stock with the

8:15

biggest price movement today is cohr so

8:18

this is working pretty well now let's

8:19

try a more complex query what is stock

8:22

that has the biggest price movement

8:24

today and what are the latest news about

8:26

this stock than my cost is price

8:27

movement so this will ask GPT to do two

8:30

things one is use this gas stock movers

8:32

function to get a list of stocks choose

8:35

the ones that has biggest price movement

8:36

and then use this gas stock news

8:38

function let's try this okay so we got

8:41

results as you can see what happened is

8:44

first a GPT tried to call this function

8:46

get stock movers get a list of stock

8:48

data and then pick up the one that has

8:50

biggest price movement did another

8:52

function call to the gas stock news with

8:55

this Stock's performance ID then it

8:57

returned the list of news from the

8:59

second function and then the last step

9:00

is it have this stop option where GPD

9:04

knows that it already get all the

9:05

information it needs and return this

9:07

information this is pretty cool so the

2 GPT access Airtable

9:09

last missing piece is to give GPT access

9:11

to my air table and airtable actually

9:14

provide a python package they allow you

9:17

to add items into air tables very easily

9:19

and your go to airtable.com create slash

9:23

tokens in this page you can create a new

9:25

token where you can give a bit scope in

9:27

this case I think it will need the right

9:29

maybe rate as well and then you will

9:31

choose which workspace it should have

9:33

access to and give a name and once you

9:35

create that for the air table API into

9:38

our EMV file and then try to get the air

9:40

table API key and create table component

9:43

from the air table Library where you

9:46

will pass on two things one is the base

9:48

ID another is a table ID to get those

9:50

information you just go to the air table

9:52

that you want to use the first part here

9:55

is the base ID and the second one is the

9:58

table ID that you pass here and the

9:59

function is super straightforward you

10:01

just create as stock news air table

10:03

where we will pass the stock name price

10:05

movement and also the new summary to

10:07

table dot create where we will pass on

10:10

all those information and in the end in

10:12

the function call we will add another

10:14

else if we try to grab these three

10:16

elements from the AI response and pass

10:19

on to as stock news air table so you

10:21

should be able to do very cool things

10:22

like please add record to air Table with

10:25

stock ticker price movement and new

10:27

summary so we'll save this and run

10:29

Python and app.py

10:36

okay great so you can see on the right

10:38

side we finish the function and the on

10:41

the left side one record is

10:42

automatically put into my Air table with

10:45

the name of stock price movement as well

10:47

as a summary of the news and what might

10:50

cause this price movement so this is

10:52

awesome I can literally run this every

10:54

morning to get a personalized Finance

3 GPT controls smart home

10:56

news and one last thing I really want to

10:58

try is give GPT access to my smartphone

11:01

like lights so I'm using lifts which is

11:03

very easy to set up they provide all the

11:05

API endpoint for me to phone for set

11:08

light power to on and off or even set a

11:10

color and all I need to do just try to

11:13

click on this authentication and go to

11:15

account setting create a API token

11:17

making sure you add your API token to

11:20

the EMV file and try to load that API

11:22

token from the EMV file and then we'll

11:24

use this set State function we're going

11:27

to do the same thing create this

11:28

function called control light and give a

11:30

state which will be either on or off and

11:32

then I will pass on the token to header

11:34

and the payload will be power State

11:36

either on and off and then I will add

11:38

this function to the function

11:40

description that we pass on to GPT so

11:42

I'll give a name control light

11:43

description is turned on and off the

11:45

light and the properties I will Define a

11:48

state which will be either on and off

11:50

and here you can also give this property

11:52

to tell gbt that they should only choose

11:53

from these two options and in the end

11:55

don't forget to add a function under the

11:57

function call let's run this

12:02

foreign

12:04

so this is GPT function calling as I

12:07

mentioned is a super powerful so

12:08

definitely recommend to do some cool

12:10

stuff I've attached GitHub Link in the

12:12

description below so that you can take a

12:14

look at the example code I created in

12:16

the tutorial or continue posting

12:17

interesting AI experiments I did so if

12:19

you enjoy it please subscribe and I see

12:22

you next time

English (auto-generated)

All

Python

From AI Jason

Related

Listenable

Recently uploaded

Watched

What is Artificial Intelligence and how does it work? What are the 3 types of AI? The 3 types of AI are: General AI: AI that can perform all of the intellectual tasks a human can. Currently, no form of AI can think abstractly or develop creative ideas in the same ways as humans.  Narrow AI: Narrow AI commonly includes visual recognition and natural language processing (NLP) technologies. It is a powerful tool for completing routine jobs based on common knowledge, such as playing music on demand via a voice-enabled device.  Broad AI: Broad AI typically relies on exclusive data sets associated with the business in question. It is generally considered the most useful AI category for a business. Business leaders will integrate a broad AI solution with a specific business process where enterprise-specific knowledge is required.  How can artificial intelligence be used in business? AI is providing new ways for humans to engage with machines, transitioning personnel from pure digital experiences to human-like natural interactions. This is called cognitive engagement.  AI is augmenting and improving how humans absorb and process information, often in real-time. This is called cognitive insights and knowledge management. Beyond process automation, AI is facilitating knowledge-intensive business decisions, mimicking complex human intelligence. This is called cognitive automation.  What are the different artificial intelligence technologies in business? Machine learning, deep learning, robotics, computer vision, cognitive computing, artificial general intelligence, natural language processing, and knowledge reasoning are some of the most common business applications of AI.  What is the difference between artificial intelligence and machine learning and deep learning? Artificial intelligence (AI) applies advanced analysis and logic-based techniques, including machine learning, to interpret events, support and automate decisions, and take actions.  Machine learning is an application of artificial intelligence (AI) that provides systems the ability to automatically learn and improve from experience without being explicitly programmed.  Deep learning is a subset of machine learning in artificial intelligence (AI) that has networks capable of learning unsupervised from data that is unstructured or unlabeled.  What are the current and future capabilities of artificial intelligence? Current capabilities of AI include examples such as personal assistants (Siri, Alexa, Google Home), smart cars (Tesla), behavioral adaptation to improve the emotional intelligence of customer support representatives, using machine learning and predictive algorithms to improve the customer’s experience, transactional AI like that of Amazon, personalized content recommendations (Netflix), voice control, and learning thermostats.  Future capabilities of AI might probably include fully autonomous cars, precision farming, future air traffic controllers, future classrooms with ambient informatics, urban systems, smart cities and so on.  To know more about the scope of artificial intelligence in your business, please connect with our expert.

מהי בינה מלאכותית וכיצד היא פועלת? מהם 3 סוגי הבינה המלאכותית? שלושת סוגי הבינה המלאכותית הם: בינה מלאכותית כללית: בינה מלאכותית שיכולה לבצע את כל המשימות האינטלקטואליות שאדם יכול. נכון לעכשיו, שום צורה של AI לא יכולה לחשוב בצורה מופשטת או לפתח רעיונות יצירתיים באותן דרכים כמו בני אדם. בינה מלאכותית צרה: בינה מלאכותית צרה כוללת בדרך כלל טכנולוגיות זיהוי חזותי ועיבוד שפה טבעית (NLP). זהו כלי רב עוצמה להשלמת עבודות שגרתיות המבוססות על ידע נפוץ, כגון השמעת מוזיקה לפי דרישה באמצעות מכשיר התומך בקול. בינה מלאכותית רחבה: בינה מלאכותית רחבה מסתמכת בדרך כלל על מערכי נתונים בלעדיים הקשורים לעסק המדובר. זה נחשב בדרך כלל לקטגוריית הבינה המלאכותית השימושית ביותר עבור עסק. מנהיגים עסקיים ישלבו פתרון AI רחב עם תהליך עסקי ספציפי שבו נדרש ידע ספציפי לארגון. כיצד ניתן להשתמש בבינה מלאכותית בעסק? AI מספקת דרכים חדשות לבני אדם לעסוק במכונות, ומעבירה את הצוות מחוויות דיגיטליות טהורות לאינטראקציות טבעיות דמויות אדם. זה נקרא מעורבות קוגניטיבית. בינה מלאכותית מגדילה ומשפרת את האופן שבו בני אדם קולטים ומעבדים מידע, לעתים קרובות בזמן אמת. זה נקרא תובנות קוגניטיביות וניהול ידע. מעבר לאוטומציה של תהליכים, AI מאפשר החלטות עסקיות עתירות ידע, תוך חיקוי אינטליגנציה אנושית מורכבת. זה נקרא אוטומציה קוגניטיבית. מהן טכנולוגיות הבינה המלאכותית השונות בעסק? למידת מכונה, למידה עמוקה, רובוטיקה, ראייה ממוחשבת, מחשוב קוגניטיבי, בינה כללית מלאכותית, עיבוד שפה טבעית וחשיבת ידע הם חלק מהיישומים העסקיים הנפוצים ביותר של AI. מה ההבדל בין בינה מלאכותית ולמידת מכונה ולמידה עמוקה? בינה מלאכותית (AI) מיישמת ניתוח מתקדמות וטכניקות מבוססות לוגיקה, כולל למידת מכונה, כדי לפרש אירועים, לתמוך ולהפוך החלטות לאוטומטיות ולנקוט פעולות. למידת מכונה היא יישום של בינה מלאכותית (AI) המספק למערכות את היכולת ללמוד ולהשתפר מניסיון באופן אוטומטי מבלי להיות מתוכנתים במפורש. למידה עמוקה היא תת-קבוצה של למידת מכונה בבינה מלאכותית (AI) שיש לה רשתות המסוגלות ללמוד ללא פיקוח מנתונים שאינם מובנים או ללא תווית. מהן היכולות הנוכחיות והעתידיות של בינה מלאכותית? היכולות הנוכחיות של AI כוללות דוגמאות כמו עוזרים אישיים (Siri, Alexa, Google Home), מכוניות חכמות (Tesla), התאמה התנהגותית לשיפור האינטליגנציה הרגשית של נציגי תמיכת לקוחות, שימוש בלמידת מכונה ואלגוריתמים חזויים כדי לשפר את חווית הלקוח, עסקאות בינה מלאכותית כמו זו של אמזון, המלצות תוכן מותאמות אישית (Netflix), שליטה קולית ותרמוסטטים ללמידה. יכולות עתידיות של AI עשויות לכלול כנראה מכוניות אוטונומיות מלאות, חקלאות מדויקת, בקרי תעבורה אוויריים עתידיים, כיתות עתידיות עם אינפורמטיקה סביבתית, מערכות עירוניות, ערים חכמות וכן הלאה. כדי לדעת יותר על היקף הבינה המלאכותית בעסק שלך, אנא צור קשר עם המומחה שלנו.

Google Colab: Google Colab היא פלטפורמה מקוונת המאפשרת למשתמשים לשתף ולהריץ סקריפטים של Python בענן Graphics Processing Unit(GPU): GPU, או יחידת עיבוד גרפית, הוא סוג מיוחד של שבב מחשב שנועד להתמודד עם המורכבות חישובים הדרושים להצגת תמונות ווידאו במחשב או במכשיר אחר. זה כמו המוח של המערכת הגרפית של המחשב שלך, והוא ממש טוב לעשות הרבה מתמטיקה ממש מהר. GPUs משמשים סוגים רבים ושונים של מכשירים, כולל מחשבים, טלפונים וקונסולות משחקים. הם שימושיים במיוחד למשימות הדורשות כוח עיבוד רב, כמו משחקי וידאו, עיבוד גרפיקה תלת-ממדית או הפעלת אלגוריתמים של למידת מכונה. מודל שפה גדול (LLM): סוג של מודל למידת מכונה שאומן על כמות גדולה מאוד של נתוני טקסט ומסוגל ליצור טקסט בעל צליל טבעי. Machine Learning (ML): שיטה ללמד מחשבים ללמוד מנתונים, מבלי להיות מתוכנתים במפורש. עיבוד שפה טבעית (NLP): תת-תחום של AI המתמקד בהוראת מכונות להבין, לעבד וליצור שפה אנושית רשתות עצביות: סוג של אלגוריתם למידת מכונה המבוססת על המבנה והתפקוד של המוח. שדות קרינה עצביים (NeRF): שדות קרינה עצביים הם סוג של מודל למידה עמוקה שיכול לשמש למגוון משימות, כולל יצירת תמונה, זיהוי אובייקטים ופילוח. NeRFs שואבים השראה מהרעיון של שימוש ברשת עצבית למודל של זוהר תמונה, שהוא מדד לכמות האור שנפלט או מוחזר על ידי אובייקט. OpenAI: OpenAI הוא מכון מחקר המתמקד בפיתוח וקידום טכנולוגיות בינה מלאכותית שהן בטוחות, שקופות ומועילות לחברה. Overfitting: בעיה נפוצה בלמידת מכונה, שבה המודל מתפקד היטב בנתוני האימון אך גרועים בחדשים, בלתי נראים. נתונים. זה מתרחש כאשר המודל מורכב מדי ולמד יותר מדי פרטים מנתוני האימון, כך שהוא לא מכליל היטב. הנחיה: הנחיה היא פיסת טקסט המשמשת לתכנון מודל שפה גדול ולהנחות את הדור שלו Python: Python היא שפת תכנות פופולרית ברמה גבוהה הידועה בפשטות, בקריאות ובגמישות שלה (כלי AI רבים משתמשים בה) למידת חיזוק: סוג של למידת מכונה שבה המודל לומד על ידי ניסוי וטעייה, מקבל תגמולים או עונשים על מעשיו ומתאים את התנהגותו בהתאם. מחשוב מרחבי: מחשוב מרחבי הוא השימוש בטכנולוגיה כדי להוסיף מידע וחוויות דיגיטליות לעולם הפיזי. זה יכול לכלול דברים כמו מציאות רבודה, שבה מידע דיגיטלי מתווסף למה שאתה רואה בעולם האמיתי, או מציאות מדומה, שבה אתה יכול לשקוע במלואו בסביבה דיגיטלית. יש לו שימושים רבים ושונים, כמו בחינוך, בידור ועיצוב, והוא יכול לשנות את האופן שבו אנו מתקשרים עם העולם ואחד עם השני. דיפוזיה יציבה: דיפוזיה יציבה מייצרת תמונות אמנותיות מורכבות המבוססות על הנחיות טקסט. זהו מודל AI של סינתזת תמונות בקוד פתוח הזמין לכולם. ניתן להתקין את ה-Stable Diffusion באופן מקומי באמצעות קוד שנמצא ב-GitHub או שישנם מספר ממשקי משתמש מקוונים הממנפים גם מודלים של Stable Diffusion. למידה מפוקחת: סוג של למידת מכונה שבה נתוני האימון מסומנים והמודל מאומן לבצע תחזיות על סמך היחסים בין נתוני הקלט והתוויות המתאימות. למידה ללא פיקוח: סוג של למידת מכונה שבה נתוני האימון אינם מסומנים, והמודל מאומן למצוא דפוסים ויחסים בנתונים בעצמו. Webhook: Webhook הוא דרך של תוכנת מחשב אחת לשלוח הודעה או נתונים לתוכנית אחרת דרך האינטרנט בזמן אמת. זה עובד על ידי שליחת ההודעה או הנתונים לכתובת URL ספציפית, השייכת לתוכנית האחרת. Webhooks משמשים לעתים קרובות כדי להפוך תהליכים לאוטומטיים ולהקל על תוכניות שונות לתקשר ולעבוד יחד. הם כלי שימושי למפתחים שרוצים לבנות יישומים מותאמים אישית או ליצור אינטגרציות בין מערכות תוכנה שונות.