DIGITALPEDRO: Python kezd nulláról, juss el az AI-ig!

Kezdjük a legelején, felhasználunk (importálunk) pár fontos csomagot, sőt már megjelenik a játék háttere is.

Mozgassunk valamit a képernyőn és megértjük mitől tűnik úgy, mintha valóban mozogna a kígyó.

mozog a kígyó, sőt figyeljük a billentyűzetet és azzal irányítjuk. kezeljük a lehetséges hibákat is.

Csekkoljuk, hogy saját magába ne ütközzön, pályáról ne menjen ki. Már elég jól néz ki a játékunk!

Folyamatosan számoljuk és meg is mutatjuk a pontszámot, s erre függvényt írunk. Mindjárt almákat is megjelenítünk, amit meg kell enni.

Megjelenítjük véletlenszerűen a különböző almákat és játszunk a játékkal, teszteljük, ha kell finomítjuk, bővítjük. Javaslom pl. a háttér és az almák változtatását, esetleg egy bombát tenni a játékba, hogy izgalmasabb legyen.

Letöltjük a szükséges programokat, beállítjuk a környezetet, megmutatom mik azok a csomagok és melyik mire jó.

Elkezdünk kódolni és alap paramétereket állítunk be a játékhoz, pl. képek. Ezeket megtalálod ennél a leckénél csatolva is egy ZIP file-ba.

Mivel itt igyekszünk objektum orientáltan programozni, létrehozunk egy alap osztályt. Ez a madárka kezelő osztály, amit majd folyamatosan bővítünk is.

Folytatjuk további osztállyal, ez a cső. Ezt kell majd a kerülgetni a madárkáknak. A csövek paramétereit ki kell számolni, majd rajzolni és mozgatni kell.

Befejezzük a cső osztályt és beszélünk a használt koordináta rendszerről. Ütközés vizsgálatot is itt valósítjuk meg.

Tovább rajzolunk és létrehozzuk a játék fő ciklusát, ami addig fut, míg a játékból ki nem lépünk.

Meghívjuk a létrehozott objektumokat és már látszik a játék alapja, mert elindítjuk és örülünk :)

Hogy lássuk miként működik az ötletünk, kezeljük a billentyűzetet is. Ezt később kivesszük, hisz a gépi tanulásra hajtunk.

Ebben a leckében félretesszük a kódokat és megtanuljuk mit jelent a neurális hálózat és hogy működik a mögöttes matek. Nem vészes, ne aggódj, elmagyarázom érthetően.

A neurális hálózat helyes működéséhez be kell konfigurálni azt. Az alap konfigurálás jó is nekünk, pár fontos dolgot persze megmutatok a AI konfig file-ban.

Az eddig tanultakat felhasználva visszatérünk a kódhoz és beépítjük a neurális hálózatot. Ez lesz a madárka mesterséges agya, ami dönteni fog önállóan hamarosan.

Elkezdünk mindent egyszerre mozgatni a képernyőn. Sok madárka, több cső és felkészülünk a mesterséges agy fogadására :)

Elérjük, hogy a gép önállóan tanuljon és hozzon döntést. Ezáltal a szemünk előtt fog fejlődni és "magától" játszani. Alaposan megértjük egyúttal, hogy hol van a döntési pont és mi alapján hozza meg azt.

Elindítjuk a játékot, billentyűzet használatot kivesszük és figyeljük, ahogy  -bár eleinte ügyetlenül- később egyre ügyesebben veszik az akadályokat a madárkáink a beépített mesterséges intelligenciának köszönhetően.

Mire jó a GPT4ALL ingyenes program? Hogyan lehet használni és milyen főbb részei vannak? Pár fontosabb alapfogalmat tisztázunk a nagy nyelvi modellekkel kapcsolatban.

Hol találunk ingyenesen használható és fizetős nagy nyelvi modelleket (LLM) ? Mi az a Huggingface közösség és mi mindent találunk ott? Magyar modelleket is keresünk és tisztázzuk a RAG fogalmát, plusz saját extra információval egészítjük ki az LLM már meglévő tudását.

Ismét előkerül az Anaconda Navigator és új környezetet ágyazunk meg a projecthez. Pár package-t feltelepítünk, majd rövid kódok kíséretében lekérdezzük, hogy milyen nagy nyelvi modellek érhetőek el számunkra Python alól. Létrehozunk egy "beszélgetős" objektumot, aminek később kérdéseket fogunk feltenni.

A pár soros AI chat botot befejezzük, hogy tudjunk vele beszélgetni. Ez már a mi gépünkön fog futni lokálisan, Internet nem kell hozzá. Tisztázzuk a session fogalmát, majd megbeszéljük mit jelent a "token" a nagy nyelvi modellekben. Kiderítjük mit jelent az igen fontos "temperature" paraméter és mit is jelent a büntetés a nagy nyelvi modellek esetében.

Bővítjük a mesterséges agyat (LLM) saját infóval, pl. saját PDF anyaggal. CPU VS GPU - mennyire számít vajon, hogy van-e grafikus processzorunk a gépben? Beolvassuk a PDF-t és feldaraboljuk a könnyebb kezelhetőség miatt. Megtanuljuk hogyan érti meg a gép a szavakat: ezek a vektorok (embeddings) és a hasonlóság keresés (similarity search).

Mi a különbség a nagy nyelvi modell (LLM) és a "sentence transformer" modell között? Írunk egy rövid Python programot, hogy lássuk hogy keres hasonlóságot a gép az egyes mondatok között.

Fizetős nagy modelleket is egyszerűen használhatunk, mutatom hogyan, pl: "ChatGPT" és "Gemini". Mit tud a "Langchain" Python package és hogyan használjuk? FAISS adatbázist építünk, ahol az extra PDF file-ban lévő saját tudást tároljuk vektorok formájában. Megbeszéljük az LLM kontextus ablak fogalmát is és bevezetjük a "kérdés-válasz" láncolat lényegét, amire az AI beszélgetések épülnek. Kitérünk a Python "dictionary" adat típusra is röviden.

Kész a RAG alapú program, tudunk vele beszélgetni. A FAISS db-ről ismét beszélünk pár szót, hogy miként talál meg gyorsan adatokat Megmutatom az NVIDIA új mini szuperszámítógépét, ami kiválóan alkalmas lehet ennek futtatására.

Átnézzük a végső és finomított kódot. Memóriát is teszünk hozzá, hogy emlékezzen és kielemezzük a válaszait.

Még ránézünk mivel lehet kreatívabbá, vagy épp konzervatívabbá tenni a gép "gondolkodását".

Ezzel most végeztünk, gratulálok Neked! :)