20年IT老司机，用ChatGPT创建领域知识
作者 | 崔皓
审校 | 重楼
摘要
一次革命性的技术升级，ChatGPT 4.0的发布震动了整个AI行业。现在，不仅可以让计算机识别并回答日常的自然语言问题，ChatGPT还可以通过对行业数据建模，提供更准确的解决方案。本文将带您深入了解ChatGPT的架构原理及其发展前景，同时介绍如何使用ChatGPT的API训练行业数据。让我们一起探索这个崭新且极具前途的领域，开创一个新的AI时代。
ChatGPT 4.0的发布
ChatGPT 4.0 已经正式发布了！这一版本的 ChatGPT 引入了跨越式革新，与之前的 ChatGPT 3.5 相比，它在模型的性能和速度方面都有了巨大的提升。在ChatGPT 4.0发布之前，许多人已经关注过ChatGPT，并意识到它在自然语言处理领域的重要性。然而，在3.5以及之前的版本，ChatGPT的局限性仍然存在，因为它的训练数据主要集中在通用领域的语言模型中，难以生成与特定行业相关的内容。但是，随着ChatGPT 4.0的发布，越来越多的人已经开始使用它来训练他们自己的行业数据，并被广泛应用于各个行业。这使得越来越多的人从关注到使用 ChatGPT。接下来，我将为您介绍一下 ChatGPT 的架构原理、发展前景以及在训练行业数据方面的应用。
ChatGPT 的能力
ChatGPT的架构基于深度学习神经网络，是一种自然语言处理技术，其原理是使用预先训练的大型语言模型来生成文本，使得机器可以理解和生成自然语言。ChatGPT的模型原理基于Transformer网络，使用无监督的语言建模技术进行训练，预测下一个单词的概率分布，以生成连续的文本。使用参数包括网络的层数、每层的神经元数量、Dropout概率、Batch Size等。学习的范围涉及了通用的语言模型，以及特定领域的语言模型。通用领域的模型可以用于生成各种文本，而特定领域的模型则可以根据具体的任务进行微调和优化。
OpenAI利用了海量的文本数据作为GPT-3的训练数据。具体来说，他们使用了超过45TB的英文文本数据和一些其他语言的数据，其中包括了网页文本、电子书、百科全书、维基百科、论坛、博客等等。他们还使用了一些非常大的数据集，例如Common Crawl、WebText、BooksCorpus等等。这些数据集包含了数万亿个单词和数十亿个不同的句子，为模型的训练提供了非常丰富的信息。
既然要学习这么多的内容，使用的算力也是相当可观的。ChatGPT花费的算力较高，需要大量的GPU资源进行训练。据OpenAI在2020年的一份技术报告中介绍，GPT-3在训练时耗费了大约175亿个参数和28500个TPU v3处理器。
ChatGPT在专业领域的应用？
从上面的介绍，我们知道了ChatGPT具有强大的能力，同时也需要一个庞大的计算和资源消耗，训练这个大型语言模型需要花费高昂成本。但花费了这样高昂的成本生产出来的AIGC工具却存在其局限性，对于某些专业领域的知识它并没有涉足。例如，当涉及到医疗或法律等专业领域时，ChatGPT就无法生成准确的答案。这是因为ChatGPT的学习数据来源于互联网上的通用语料库，这些数据并不包括某些特定领域的专业术语和知识。因此，要想让ChatGPT在某些专业领域具有较好的表现，需要使用该领域的专业语料库进行训练，也就是说将专业领域专家的知识“教给”ChatGPT进行学习。
但是，ChatGPT并没有让我们失望。如果将ChatGPT应用到某个行业中，需要先将该行业的专业数据提取出来，并进行预处理。具体来说，需要对数据进行清洗、去重、切分、标注等一系列处理。之后，将处理后的数据进行格式化，将其转换为符合ChatGPT模型输入要求的数据格式。然后，可以利用ChatGPT的API接口，将处理后的数据输入到模型中进行训练。训练的时间和花费取决于数据量和算力大小。训练完成后，可以将模型应用到实际场景中，用于回答用户的问题。
使用ChatGPT训练专业领域知识！
其实建立专业领域的知识库并不难，具体操作就是将行业数据转换为问答格式，然后将问答的格式通过自然语言处理（NLP）技术进行建模，从而回答问题。使用OpenAI的GPT-3 API（以GPT3 为例）可以创建一个问答模型，只需提供一些示例，它就可以根据您提供的问题生成答案。
使用GPT-3 API创建问答模型的大致步骤如下：
- 采集数据：这里可以通过网络爬取行业相关的信息，针对论坛、问答等，也可以从行业的文档中得到线索，例如产品手册，维护手册之类的内容产品。具体的采集数据方式这里不展开。后面的例子中统一都会当作文本来处理，也就是将所谓的行业数据都处理成一个字符串给到我们的程序。
- 转化成问答格式：由于GPT是一个问答的智能工具，所以需要将你的知识变成问答的格式输入给GPT，从文本到问答的转化我们使用了工具，后面会介绍。
- 通过GPT进行训练：这个步骤是将输入通过GPT的Fine-Tunning进行建模，也就是生成针对这些知识的模型。
- 应用模型：在建模完成之后就可以对其进行应用了，也就是针对模型内容进行提问。
整个过程需要调用OpenAI，它提供不同类型的API订阅计划，其中包括Developer、Production和Custom等计划。每个计划都提供不同的功能和API访问权限，并且有不同的价格。因为并不是本文的重点，在这里不展开说明。
创建数据集
从上面的操作步骤来看，第2步转化为问答格式对我们来说是一个挑战。
假设有关于人工智能的历史的领域知识需要教给GPT，并将这些知识转化为回答相关问题的模型。那就要转化成如下的形式：
|
当然整理成这样问答的形式还不够，需要形成GPT能够理解的格式，如下所示：
|
实际上就是在问题后面加上了“nn”，而在回答后面加上了“n”。
快速生成问答格式的模型
解决了问答格式问题，新的问题又来了，我们如何将行业的知识都整理成问答的模式呢？多数情况，我们从网上爬取大量的领域知识，或者找一大堆的领域文档，不管是哪种情况，输入文档对于我们来说是最方便的。但是将大量的文本处理成问答的形式，使用正则表达式或者人工的方式显然是不现实的。
因此就需要引入一种叫做自动摘要（Automatic Summarization）的技术，它可以从一篇文章中提取出关键信息，并生成一个简短的摘要。
自动摘要有两种类型：抽取式自动摘要和生成式自动摘要。抽取式自动摘要从原始文本中抽取出最具代表性的句子来生成摘要，而生成式自动摘要则是通过模型学习从原始文本中提取重要信息，并根据此信息生成摘要。实际上，自动摘要就是将输入的文本生成问答模式。
问题搞清楚了接下来就是上工具了，我们使用NLTK来搞事情，NLTK是Natural Language Toolkit的缩写，是一个Python/ target=_blank class=infotextkey>Python库，主要用于自然语言处理领域。它包括了各种处理自然语言的工具和库，如文本预处理、词性标注、命名实体识别、语法分析、情感分析等。
我们只需要将文本交给NLTK，它会对文本进行数据预处理操作，包括去除停用词、分词、词性标注等。在预处理之后，可以使用NLTK中的文本摘要生成模块来生成摘要。可以选择不同的算法，例如基于词频、基于TF-IDF等。在生成摘要的同时，可以结合问题模板来生成问答式的摘要，使得生成的摘要更加易读易懂。同时还可以对摘要进行微调，例如句子连贯性不强、答案不准确等，都可以进行调整。
来看下面的代码：
|
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM, pipeline import nltk
# 输入文本 text = """Natural Language Toolkit（自然语言处理工具包，缩写 NLTK）是一套Python库，用于解决人类语言数据的处理问题，例如： 分词 词性标注 句法分析 情感分析 语义分析 语音识别 文本生成等等 """
# 生成摘要 sentences = nltk.sent_tokenize(text) summary = " ".join(sentences[:2]) # 取前两个句子作为摘要 print("摘要：", summary)
# 用生成的摘要进行Fine-tuning，得到模型 tokenizer = AutoTokenizer.from_pretrained("t5-base") model = AutoModelForSeq2SeqLM.from_pretrained("t5-base") text = "summarize: " + summary # 构造输入格式 inputs = tokenizer(text, return_tensors="pt", padding=True)
# 训练模型 model_name = "first-model" model.save_pretrained(model_name)
# 测试模型 qa = pipeline("question-answering", model=model_name, tokenizer=model_name) context = "What is NLTK used for?" # 待回答问题 answer = qa(questinotallow=context, cnotallow=text["input_ids"]) print("问题：", context) print("回答：", answer["answer"]) |
输出结果如下：
|
摘要： Natural Language Toolkit（自然语言处理工具包，缩写 NLTK）是一套Python库，用于解决人类语言数据的处理问题，例如： - 分词 - 词性标注 问题： NLTK用来做什么的? 答案：自然语言处理工具包 |
上面的代码通过nltk.sent_tokenize方法对输入的文本进行摘要的抽取，也就是进行问答格式化。然后，调用Fine-tuning的AutoModelForSeq2SeqLM.from_pretrained方法对其进行建模，再将名为“first-model”的模型进行保存。最后调用训练好的模型测试结果。
上面不仅通过NLTK生成了问答的摘要，还需要使用Fine-tuning的功能。Fine-tuning是在预训练模型基础上，通过少量的有标签的数据对模型进行微调，以适应特定的任务。实际上就是用原来的模型装你的数据形成你的模型，当然你也可以调整模型的内部结果，例如隐藏层的设置和参数等等。这里我们只是使用了它最简单的功能，可以通过下图了解更多Fine-tuning的信息。
需要说明的是：AutoModelForSeq2SeqLM 类，从预训练模型 "t5-base" 中加载 Tokenizer 和模型。
AutoTokenizer 是 Hugging Face Transformers 库中的一个类，可以根据预训练模型自动选择并加载合适的 Tokenizer。Tokenizer 的作用是将输入的文本编码为模型可以理解的格式，以便后续的模型输入。
AutoModelForSeq2SeqLM 也是 Hugging Face Transformers 库中的一个类，可以根据预训练模型自动选择并加载适当的序列到序列模型。在这里，使用的是基于T5架构的序列到序列模型，用于生成摘要或翻译等任务。在加载预训练模型之后，可以使用此模型进行 Fine-tuning 或生成任务相关的输出。
Fine-tunning 和Hugging Face 到底什么关系？
上面我们对建模代码进行了解释，涉及到了Fine-tunning和Hugging Face的部分，可能听起来比较懵。这里用一个例子帮助大家理解。
假设你要做菜，虽然你已经有食材（行业知识）了，但是不知道如何做。于是你向厨师朋友请教，你告诉他你有什么食材（行业知识）以及要做什么菜（解决的问题），你的朋友基于他的经验和知识（通用模型）给你提供一些建议，这个过程就是Fine-tuning（把行业知识放到通用模型中进行训练）。你朋友的经验和知识就是预先训练的模型，你需要输入行业知识和要解决的问题，并使用预先训练的模型，当然可以对这个模型进行微调，比如：佐料的含量，炒菜的火候，目的就是为了解决你行业的问题。
而 Hugging Face就是菜谱的仓库（代码中"t5-base"就是一个菜谱），它包含了很多定义好的菜谱（模型），比如：鱼香肉丝、宫保鸡丁、水煮肉片的做法。这些现成的菜谱，可以配合我们提供食材和需要做的菜创建出我们的菜谱。我们只需要对这些菜谱进行调整，然后进行训练，就形成了我们自己的菜谱。以后，我们就可以用自己的菜谱进行做菜了（解决行业问题）。
如何选择适合自己的模型？
可以在 Hugging Face 的模型库中搜索你需要的模型。如下图所示，在 Hugging Face 的官网上，点击"Models"，可以看到模型的分类，同时也可以使用搜索框搜索模型名称。
如下图所示，每个模型页面都会提供模型的描述、用法示例、预训练权重下载链接等相关信息。
总结
这里将整个行业知识从采集、转化、训练和使用的过程再和大家一起捋一遍。如下图所示：
- 采集数据：通过网络爬虫和知识文档的方式抽取行业知识，生成文本就可以了，比如String的字符串。
- 转换成问答格式：NLTK的摘要功能生成问和答的摘要，然后输入到GPT进行训练。
- 通过GPT进行训练：利用Hugging Face 现成的模型以及NLTK输入的问答摘要进行模型训练。
- 应用模型：将训练好的模型保存以后，就可以提出你的问题获得行业专业的答案了。
作者介绍
崔皓，51CTO社区编辑，资深架构师，拥有18年的软件开发和架构经验，10年分布式架构经验。
