Việc học lập trình có còn cần thiết khi Chatgpt có thể làm được điều đó ?

import openai

def analyze_sentiment(text):
    # Thiết lập xác thực API OpenAI
    openai.api_key = 'YOUR_API_KEY'  #Thay bằng mã khoá API OpenAI của bạn

    # Mẫu prompt cho sentiment analysis
    prompt = f"This is a sentiment analysis task. The sentiment of the following text is: '{text}'"
    # Thực hiện sentiment analysis bằng ChatGPT
    response = openai.Completion.create(
        engine='text-davinci-003',
        prompt=prompt,
        max_tokens=1,
        temperature=0,
        n=1,
        stop=None
    
    # Trích xuất kết quả sentiment lable
    sentiment = response.choices[0].text.strip()
    return sentiment
# Ví dụ
text = "I really enjoyed watching that movie!"
sentiment = analyze_sentiment(text)
print(f"Sentiment: {sentiment}")

Chatbot

Bằng cách tích hợp ChatGPT vào framework chatbot, developer có thể cải thiện đáng kể khả năng đàm thoại của chatbot như: tạo tương tác hội thoại có ý nghĩa, hiểu được nhu cầu của người dùng và cung cấp thông tin có liên quan.

Điều này hữu ích cho các tính năng hỗ trợ khách hàng, nghiên cứu và xây dựng trợ lý ảo.

Dưới đây là ví dụ về xây dựng một chatbot với API ChatGPT với bộ nhớ đàm thoại trong Python:

import random
# Xác định từ điển đầu vào có thể xảy ra của người dùng và các phản hồi tương ứng của bot 
bot_responses = {

    "hello": ["Hello!", "Hi there!", "Greetings!"],
    "how are you?": ["I'm good, thanks!", "I'm doing great!", "All good!"],
    "what's your name?": ["I'm a chatbot!", "You can call me ChatBot.", "I don't have a name."],
    "bye": ["Goodbye!", "See you later!", "Take care!"],
    "default": ["I'm sorry, I didn't understand.", "Could you please rephrase that?", "I'm still learning, can you ask something else?"]

}
def chatbot():
    print("ChatBot: Hi! How can I assist you today?")
    while True:
        user_input = input("User: ").lower()
        if user_input == "bye":
            print("ChatBot: " + random.choice(bot_responses["bye"]))
            break     
        response = bot_responses.get(user_input, bot_responses["default"])
        print("ChatBot: " + random.choice(response))

# Chạy chatbot
chatbot()

Giải thích:

Trong ví dụ trên, chatbot sử dụng một từ điển có tên là ‘bot_responses’ để sắp xếp thông tin đầu vào của người dùng với các phản hồi tương ứng của bot.

Nếu người dùng nhập một thông tin đầu vào có tồn tại trong từ điển, chatbot sẽ chọn ngẫu nhiên một phản hồi tương ứng trong danh sách.

Nếu đầu vào của người dùng không thể xác định, chatbot sẽ mặc định trả về một phản hồi chung.

Bạn có thể thêm các dữ kiện đầu vào và phản hồi bằng cách thêm các cặp key-value vào từ điển ‘bot_responses’. Developer cũng có thể tích hợp các thư viện xử lý ngôn ngữ tự nhiên như NLTK hoặc spaCy để có các chức năng chatbot nâng cao hơn.

Dịch thuật ngôn ngữ

Nếu đào tạo ChatGPT theo hướng dịch thuật (thường được thực hiện với việc sử dụng parallel corpora – kho dữ liệu song song), developer có thể phát triển mô hình ngôn ngữ có khả năng dịch văn bản tức thời và chính xác.

Điều này hữu ích khi xây dựng các ứng dụng đa ngôn ngữ hoặc đơn giản là ứng dụng dịch thuật.

Đây là một ví dụ sử dụng ChatGPT để dịch ngôn ngữ:

import openai

def translate_text(text, source_lang, target_lang):
    # Thiết lập xác thực API OpenAI
    openai.api_key = 'YOUR_API_KEY'  # Thay bằng mã khoá API OpenAI của bạn
    # Mẫu prompt để dịch thuật
    prompt = f"Translate the following {source_lang} text to {target_lang}: \n{text}"
    # Tạo bản dịch bằng ChatGPT

    response = openai.Completion.create(

        engine='text-davinci-003',
        prompt=prompt,
        max_tokens=100,
        temperature=0.7,
        n=1,
        stop=None   
    # Trích xuất văn bản đã dịch 
   translation = response.choices[0].text.strip()
    return translation
# Ví dụ sử dụng ChatGPT để dịch thuật
text = "Hello, how are you?"
source_lang = "English"
target_lang = "Spanish"

translation = translate_text(text, source_lang, target_lang)
print(f"Translated text: {translation}")

Data visualization (Trực quan hoá dữ liệu)

ChatGPT có thể giúp trực quan hoá dữ liệu như cung cấp các đề xuất về đồ thị, biểu đồ, sơ đồ,… phù hợp nhất với yêu cầu, dựa trên những dữ liệu và thông tin chi tiết mà nó được cung cấp.

Đây là ví dụ sử dụng JSON để truyền dữ liệu giữa code Python và ChatGPT để trực quan hóa dữ liệu:

import openai
import json
import matplotlib.pyplot as plt
def visualize_data(data):
   # Thiết lập xác thực API OpenAI
    openai.api_key = 'YOUR_API_KEY'  # Thay bằng mã khoá API OpenAI của bạn
    # Mẫu prompt dành cho data visualization
    prompt = {
        "data": data
    }

    # Thực hiện data visualization với ChatGPT
    response = openai.Completion.create(
        engine='text-davinci-003',
        prompt=prompt,
        max_tokens=200,
        temperature=0.5,
        n=1,
        stop=None
    # Trích xuất mô tả trực quan từ phản hồi
    description = response.choices[0].text.strip()
    # Ví dụ tạo bar chart dựa trên dữ liệu
    values = [int(item['Value']) for item in data]
    labels = [item['Category'] for item in data]
    plt.bar(labels, values)
    plt.xlabel('Categories')
    plt.ylabel('Values')
    plt.title('Data Visualization')
    return description
# Ví dụ sử dụng
data = [
    {"Category": "A", "Value": 10},

    {"Category": "B", "Value": 15},

    {"Category": "C", "Value": 20},

    {"Category": "D", "Value": 8}
data_json = json.dumps(data)
description = visualize_data(data_json)
print(f"Visualization Description:\n{description}")
plt.show()