2024-05-24 Meeting #2

1. fix

2. Paskaidrot un salabot korekti

4.

5.

6.

Bakalaura komentāri

​x
1
Rewrite as Conclusions in Academic style in Latvian in 3-4 paragraphs:
2

3
Šajā pētījumā tika sasniegts noteiktais mērķis - veikt detalizētu vairāku valodu modeļu un Python ietvaru analīzi, kā arī izstrādāt personalizēto mācību materiālu izveides mājaslapas prototipu. Tika pārbaudīti un salīdzināti dažādi valodu modeļi, tostarp GPT-4, kas izrādījās ievērojami dārgāks salīdzinājumā ar iepriekšējo versiju GPT 3.5 Turbo. Tāpat tika izcelti GPT 3.5 Turbo un Perplexity.ai kā visefektīvākie valodu modeļi pēc izpildes kvalitātes un izmaksu efektivitātes kritērijiem.
4

5
Programmatūras izstrādes kontekstā tika identificēti Flask un Pyramid kā vispiemērotākie tīmekļa izstrādes ietvari. Šie ietvari tika izvēlēti, pamatojoties uz to atbalsta kopienas plašumu un mācību līknes pieejamību, kas ir būtiski aspekti ilgtspējīgas un efektīvas sistēmas izveidē. Prototipēšanas procesā tika veiksmīgi integrēti dažādi rīki un bibliotēkas, tostarp OpenAI, LangChain, SqlAlchemy, Flask, Redis un Flower, kas ļāva sasniegt augstu funkcionalitātes un adaptabilitātes līmeni.
6

7
Attīstot prototipu, ir skaidri izstrādāti nākamie attīstības soļi, lai paplašinātu projekta iespējas un funkcionalitāti. Tie ietver pāreju uz jaudīgāku valodu modeli, jaunu funkciju, piemēram, lietotāju un kursu filtrācijas iespēju, ieviešanu, kursa progresēšanas sistēmu ar sertifikāta izdošanu kursa noslēgumā, monetizācijas shēmu un kursu materiālu video/audio formāta piedāvājumu. Šie uzlabojumi varētu ievērojami uzlabot lietotāju pieredzi un palielināt mājaslapas efektivitāti un pievilcību.

Nav screenshot, kur ievadīt info ko tu gribi studēt

Rezultāti

Tabula

A, B, C ”dažādas prompt versijas” Izpildes ātrums Token count / Price Subjektīvs novērtējums 1-10

https://www.perplexity.ai/search/Python-Semantic-similarity-HXAzaNiLRUur1cc_KZ7tGg

17
1
from sentence_transformers import SentenceTransformer, util
2

3
# Load a pre-trained Sentence Transformer model
4
model = SentenceTransformer('all-MiniLM-L6-v2')
5

6
# Two example sentences
7
sentence1 = "I'm very happy"
8
sentence2 = "I'm filled with happiness"
9

10
# Encode the sentences into embeddings
11
embedding1 = model.encode(sentence1, convert_to_tensor=True)
12
embedding2 = model.encode(sentence2, convert_to_tensor=True)
13

14
# Compute cosine similarity between the embeddings
15
cosine_similarity = util.pytorch_cos_sim(embedding1, embedding2)
16

17
print(f"Cosine similarity: {cosine_similarity.item():.3f}")

Semantic similarity between interests & proposed course (text embs + cosine dist)

Un tad secinājumi

500

backend