Matematik med gemensam AI kan vara svårt. Flest av oss har försökt det. På de enklaste termerna: en LLM funkar och är tränade med ordet och inte med numrerar. Så för det, numrerar och ordet är inte olik. Däremot kan ni också “gaslight” en AI att ge dig fel svar på matematikfrågor. Så frågan är: Hur kan vi skapa en LLM-interaktion där vi har ett konsekvent svar för matematikfrågor? Svaren är enkla: vi riktar frågorna flöden till grundläggande funktioner. Nästa fråga är, hur? Ska vi ser nu.
Krävs före starta
En Google Cloud konto med ett projekt med Vertex AI API: er aktiverade
En instans av gcloud command line tool (funkar i CloudShell)
Tillgång till någon typ av Jupyter notebook (Colab, Colab Enterprise, så vidare) med google-cloud-aiplatform installerat
Initiera och importera libraries
Skriv funktioner för addition och multiplikation och beskriv dem för AI-användning
Väldigt enkel, Programming 101 och 102.
Efter, lägg dem till Tool library.
Initiera AI-modell
Ni kan ge det instruktioner så är det nästan till svar att du vill. Och skriva en funktion för extrakt.
Händla prompt
def handle_response(response):
if response.candidates[0].function_calls:
function_call = response.candidates[0].function_calls[0]
print(function_call)
else:
print(response.text)
return
if function_call.name == "add":
arguments = dict(function_call.args)
sum_of = add_two(arguments['a'],arguments['b'])
response = chat.send_message( Part.from_function_response(
name="handle_response",
response={
"content": function_call.args,
},
),
)
return handle_response(response)
elif function_call.name == "multiply":
arguments = dict(function_call.args)
product_of = multiply_two(arguments['a'],arguments['b'])
response = chat.send_message( Part.from_function_response(
name="handle_response",
response={
"content": function_call.args,
},
),
)
return handle_response(response)
else:
print(function_call)Det ska hjälpa oss att sortera mellan addition och multiplikation.
Exempelsvar
Det kan fattar kontext.
Det kan fattar gemensam språk.
