0:00

like what the what is going on here man

0:02

I just literally provided it with an

0:04

example of the data and the buff and I

0:06

have a complete data science project

0:08

over here this took me like five minutes

0:10

man what is going on in this world of AI

0:14

so we have another very exciting thing

0:16

that I want to show you guys this is

0:18

basically what I wish Auto GPT was a

0:21

couple of weeks ago but I couldn't quite

0:24

get it to work this way as you remember

0:26

it got stuck in Loops when it tried to

0:28

create files but now we have this new

0:31

thing all of a sudden which is called

0:32

GPT engineer and if you're an engineer

0:35

then this is a must watch and you have

0:37

to play around with this because this

0:40

will change everything and what it

0:42

basically allows you to do is you can

0:44

basically start off with a prompt with a

0:46

question a coding related question so an

0:48

example they say like hey code a snake

0:50

game and then what it will do it will

0:52

start to work on that but the cool thing

0:55

is it it can write to files so it will

0:58

create code files on your within your

1:00

project directory and it will split it

1:03

up very dynamically very neat into the

1:05

various files so these could be classes

1:07

functions Etc depending on what kind of

1:09

language you use this is really cool so

1:12

in this video I'll show you how to set

1:14

up how you can get started so let's get

1:16

into it alright so we're starting off on

1:19

the GPT engineer GitHub repository and

1:22

we are going to first clone this

1:24

repository now if you are an engineer

1:27

you should kind of like already know how

1:28

to work with GitHub but just I'm going

1:30

to show you how to quickly like set this

1:31

up then follow the instructions over

1:34

here and then you should be all good to

1:36

go so I'm coming to my folder over here

1:39

I'm in my YouTube projects folder over

1:41

here and I'm quickly going to open up a

1:44

terminal over here and I'm just going to

1:46

clone the repository over here which

1:50

will basically download the folder and

1:52

here you can see you have a GPT engineer

1:55

folder now over here so I'm going to CD

1:58

into that and then I'm going to open up

2:01

vs code within that folder now this is

2:04

not like a hard requirement you can also

2:06

do it like with another IDE and then use

2:08

the terminal but I'm using vs code over

2:11

here so I'm just going to quickly save

2:13

this as a workspace so now I can just

2:15

like easily open up this project in vs

2:19

code from the workspace folder over here

2:21

alright so that's step one then we have

2:24

to install the requirements and for that

2:27

make sure that you are working in a

2:30

python environment that you can use so

2:31

let's just open up a random python file

2:33

let's say the main file over here and

2:36

I'm going to select my AI experiments

2:39

Konda environment for this and then what

2:42

you would normally do if you have for

2:45

example a new environment you could open

2:47

up a terminal and then have a look at

2:50

the requirements over here so it

2:51

basically only requires open Ai and

2:54

typer which for me are already installed

2:56

in AI experiments over here but you can

2:59

just like come back to the get the

3:02

repository over here and do like the PIP

3:04

install R requirements that txt if you

3:06

paste it in the terminal and run it

3:08

alright so then the next step would be

3:10

to create a new project basically so

3:13

there's an example in here and you start

3:16

off by just copying and pasting that one

3:17

so I'm just gonna con command C command

3:20

V and now I have a new project over here

3:23

and now I have an idea over here that I

3:26

want to try and that is one where we are

3:29

going to do an experiment with a neural

3:32

network and more specifically if we then

3:35

open up the main prompt so this is

3:37

basically where you start so create a

3:40

new folder or create a copy and fill in

3:43

the main prompt in your folder this is

3:45

basically the starting point so here you

3:47

can see in the example there is we are

3:49

writing snake in Python and the

3:52

components are split into separate files

3:54

keyboard control alright so I've quickly

3:56

changed the prompt so this is basically

3:58

what I want to test so create code to

4:01

train and test a neural network using a

4:03

typical machine learning pipeline use a

4:05

fake data set and regression meaning

4:07

numerical data processes it with the

4:10

pipeline splitting into train tests and

4:12

evaluated the performance by creating

4:13

line plots use skle learn and math mode

4:16

clip and now my rationale behind this

4:18

basically is this is something I tried

4:20

previously with auto GPT to complete to

4:23

create basically complete like data

4:25

science machine learning projects and

4:27

not just like using gpt4 for example to

4:30

get it like step by step but really

4:32

create like Cookie Cutter like boiler

4:34

templates that you can use so I'm really

4:37

curious to see what this will come up

4:39

with so this is the main prompt alright

4:41

so now all that's left to do before we

4:43

can actually run this is to export the

4:45

open AI API key so how that works is you

4:49

basically copy or type this over here

4:51

say so this is on Mac I will show you

4:53

how to do it on Windows in a bit but you

4:55

start with export open AI API key and

4:58

then you just like fill in your key e

5:00

and then hit enter so what this will do

5:02

within this terminal session it will

5:04

store this variable basically in the

5:06

various scripts that will be run if you

5:09

use GPT engineer now have access to this

5:12

key so this is a little different from

5:13

using the dot end file which I typically

5:16

show in my videos you can also do that

5:18

but that requires you to change some of

5:20

the scripts this is the most

5:22

straightforward one and so like I said

5:24

this is on Mac and on Linux and if

5:27

you're on Windows basically the only

5:28

thing that you have to do is change up

5:30

export and set it to set so instead of

5:35

export you change it to set and

5:36

everything else is the same then you do

5:38

the key and then another neat little

5:40

trick that you can do so on default

5:44

basically this uses the GPT 4 model as

5:48

you can see right here so that is in the

5:49

main.pi but if you don't have access to

5:52

gpt4 yet you can just like Swap this out

5:54

with any other model from open AI so for

5:57

example you could put the GPT 3 and hold

5:59

turbo model in here alright so now with

6:02

that out of the way we have everything

6:04

we need in order to run the main.pi so

6:07

that is done by recalling python main

6:10

dot Pi make sure you're in the root of

6:12

the project and then just calling your

6:14

projects which is in my case neural uh

6:18

not project in your own network all

6:20

right so let's run it and let's see what

6:23

it will come up with so at first says

6:25

okay I need it's going to make a summary

6:27

of the areas that need clarifications so

6:29

this is the really cool thing about GPT

6:33

engineer is that it starts off with like

6:35

the main prompt but then it proceeds to

6:38

ask clarifying questions so can provide

6:41

more information about the fake data set

6:42

such as number of features size of data

6:44

targets variable okay let's see so for

6:47

data let's use an example of industrial

6:48

iot data bundles data frame 100 000

6:51

records use flow of a pump as a target's

6:53

variable and come up with other

6:54

variables on your own so then what type

6:56

of neural network would you like to use

6:58

let's just say like keep it sklearn

7:00

pre-processing steps so let's say data

7:03

cleaning and feature engineering and

7:08

scaling so I'm just leaving any errors

7:10

I'm just gonna like type it out like I'm

7:12

a three-year-old and see what it can

7:14

come up with because the thing is I want

7:16

to replace the work that I do with this

7:18

so I can be an idiot and play GPT

7:21

engineer just do everything so it's

7:23

generating I guess the steps or function

7:26

it says so these are like the function

7:28

functions that it's

7:30

um that it has to create and now it

7:32

starts off to write like the main.pi

7:34

okay so this really exciting already so

7:36

it's now actually creating the code

7:38

let's wait for this to finish okay and

7:41

it's finished so this is so exciting so

7:44

let's actually see because I've been

7:46

like watching what it was doing and it

7:49

actually looks really good but now let's

7:50

okay so now we have the workspace folder

7:52

over here we have a bunch of python

7:54

files which first of all like is really

7:56

amazing to me like if you compare it to

7:58

like doing it with GPT you still have

8:00

like that manual process you can ask

8:02

questions you can get the same thing

8:03

because under the hood of course it's

8:05

using the same model but doing it in

8:07

such a like automated way where you can

8:09

like you see the python files show up in

8:12

your actual IDE to me it's like man

8:14

where is this all going like damn okay

8:17

we have a main.bi file it's the general

8:20

flow of everything that we have to do

8:22

like generate data process train

8:24

evaluate okay so let's just fire up an

8:27

interactive session and like okay

8:28

because this is where the real test of

8:30

course is like is this going to work and

8:32

then here there's one error and that's I

8:34

already noticed that because there's no

8:36

import over here so we can pretty easily

8:40

like fix that by saying like hey from SK

8:43

learn that pre-processing import

8:46

standard scaler quickly spin up another

8:48

session quickly see okay this should be

8:50

everything that we need plot results

8:52

okay all right let's generate the data

8:55

back to this train the model and now we

8:58

can evaluate the model and get the R2

9:00

and the mean squared error so let's see

9:03

and we can now print those

9:05

and boom we have a very solid model and

9:10

a really low mean squared error so the

9:12

neural network was able to capture

9:15

basically the underlying formula that is

9:18

in here to capture the data basically

9:20

all right so let's try one more test

9:23

because I'm really curious to see how it

9:25

will handle this what I did basically is

9:27

I created a data folder within like the

9:31

main project and I have now provided

9:34

basically the main prompt in the data

9:37

set test project with a little bit more

9:39

information so first of all I'm saying

9:40

like hey based on if we're running the

9:43

code which is run from the workspace

9:45

folder I've basically linked to where

9:48

the CSV file is so I say like hey here's

9:50

the data set that we're going to analyze

9:52

so it's going two steps back into the

9:54

data folder and then Bike Share CSV then

9:56

I've provided it with the structure of

9:58

the data which is just loading the data

10:01

frame into loading the data frame and

10:03

then doing running.info and then just

10:06

copy and pasting the results I just like

10:07

put it in here to see if it will work

10:10

this way and now I've provided a little

10:13

more like in-depth instruction on how to

10:15

handle the data set because based on

10:17

what the previous model so to say was

10:20

asking I've provided it with some

10:22

additional information here already and

10:24

now I say we want to basically compare

10:26

three machine learning models and

10:28

compare them using R2 and mean squared

10:31

error so let's see what happens if we

10:34

run this okay and I see that it put this

10:37

all into like a nice little function but

10:39

I just gonna I'm just going to run it

10:41

line by line to see what we got going on

10:43

over here so first of all like the data

10:45

path it like took up on that and we can

10:47

like instantly load the data so that's

10:49

really good so now we pre-process the

10:51

data which is in this case just doing so

10:54

what is it doing so it's okay so it's

10:56

going to drop some columns x y and scale

10:59

it okay so now it does all in one pretty

11:01

neat pretty neat okay and now we're

11:03

going to train the models let's see if

11:05

it actually works okay it goes really

11:07

fast and now evaluate the models this

11:09

actually worked okay this is really

11:12

really cool so we have the R2 like 70 60

11:15

like 80 so the random Forest is really

11:18

the best one over here but what the I

11:21

didn't put like any effort into this and

11:23

we now okay so this is a pretty

11:24

straightforward data set but we have a a

11:27

random force with a score R2 score of

11:30

like 80. it's a completely like properly

11:33

structured piece of code this can open

11:35

up like so many possibilities like again

11:38

this is just like another step towards

11:41

creating like fully automated pipelines

11:44

of setting up projects we've now

11:47

basically removed the human bottleneck

11:50

of like typing into chat GPT copy and

11:52

pasting it figuring out which file to

11:54

put it in and then loading it

11:57

um into the main file for example which

12:00

which is done over here so this second

12:02

experiment with the data set test the

12:04

two to probably like 5 five minutes to

12:06

set up this whole project alright so

12:09

that is GPT engineer I'm very curious to

12:11

see and to hear what you guys are going

12:13

to try out with this so let me know in

12:15

the comments what you will be doing with

12:16

this you now know how it works I'm

12:18

definitely going to continue experiment

12:20

with this see what I can come up with

12:22

and then in the meantime please if you

12:24

got value from this video leave a like

12:27

also subscribe to the channel it will

12:29

really help me out also make sure to

12:31

check out the links in the pinned

12:32

comment right below this video there

12:34

will be two links that could be very

12:36

interesting to you so the first one is

12:38

for the data freelancer Mastermind now

12:40

this is for you if you want to launch

12:41

and scale your freelancing career in

12:43

data but don't know where to start and

12:45

the second one is a sign up for my

12:47

newsletter so this is really for people

12:48

that are serious about learning data

12:50

science and artificial intelligence and

12:52

want to stay in the loop of all the

12:53

things that we're doing behind the

12:54

scenes so go check those out and then I

12:57

want to thank you guys for watching and

12:58

I'll see you in the next one

13:02

[Music]

13:05

foreign

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.