Πράκτορες σύνοψης που φαντάζονται από το εργαλείο δημιουργίας εικόνων AI Dall-E.
Είστε μέρος του πληθυσμού που αφήνει κριτικές στους χάρτες Google κάθε φορά που επισκέπτεστε ένα νέο εστιατόριο;
Ή μήπως είστε ο τύπος που μοιράζεστε τη γνώμη σας για αγορές από το Amazon, ειδικά όταν σας προκαλεί ένα προϊόν χαμηλής ποιότητας;
Μην ανησυχείς, δεν θα σε κατηγορήσω — όλοι έχουμε τις στιγμές μας!
Στον σημερινό κόσμο δεδομένων, όλοι συμβάλλουμε στον κατακλυσμό δεδομένων με πολλούς τρόπους. Ένας τύπος δεδομένων που βρίσκω ιδιαίτερα ενδιαφέρον λόγω της ποικιλομορφίας και της δυσκολίας ερμηνείας του είναι τα δεδομένα κειμένου, όπως οι αμέτρητες κριτικές που δημοσιεύονται καθημερινά στο Διαδίκτυο. Έχετε σταματήσει ποτέ να εξετάζετε τη σημασία της τυποποίησης και της συμπύκνωσης των δεδομένων κειμένου; Καλώς ήρθατε στον κόσμο των πρακτόρων περίληψης!
Οι πράκτορες περίληψης έχουν ενσωματωθεί απρόσκοπτα στην καθημερινή μας ζωή, συμπυκνώνοντας πληροφορίες και παρέχοντας γρήγορη πρόσβαση σε σχετικό περιεχόμενο σε μια πληθώρα εφαρμογών και πλατφορμών.
Σε αυτό το άρθρο, θα διερευνήσουμε τη χρήση του ChatGPT ως ισχυρού παράγοντα σύνοψης για τις προσαρμοσμένες εφαρμογές μας. Χάρη στην ικανότητα των Large Language Models (LLM) να επεξεργάζονται και να κατανοούν κείμενα, Μπορούν να βοηθήσουν στην ανάγνωση κειμένων και στη δημιουργία ακριβών περιλήψεων ή στην τυποποίηση πληροφοριών. Ωστόσο, είναι σημαντικό να γνωρίζουμε πώς να εξάγουμε τις δυνατότητές τους για να κάνουν μια τέτοια εργασία, καθώς και να αναγνωρίζουμε τους περιορισμούς τους.
Ο μεγαλύτερος περιορισμός για τη σύνοψη; Τα LLM συχνά υπολείπονται όταν πρόκειται για την τήρηση συγκεκριμένων περιορισμών χαρακτήρων ή λέξεων στις περιλήψεις τους.
Ας εξερευνήσουμε τις βέλτιστες πρακτικές για τη δημιουργία περιλήψεων με το ChatGPT για την προσαρμοσμένη εφαρμογή μας, καθώς και τους λόγους πίσω από τους περιορισμούς της και πώς να τους ξεπεράσουμε!
Οι πράκτορες περίληψης χρησιμοποιούνται σε όλο το Διαδίκτυο. Για παράδειγμα, οι ιστότοποι χρησιμοποιούν πράκτορες σύνοψης για να προσφέρουν συνοπτικές περιλήψεις άρθρων, επιτρέποντας στους χρήστες να αποκτήσουν μια γρήγορη επισκόπηση των ειδήσεων χωρίς να εμβαθύνουν σε ολόκληρο το περιεχόμενο. Οι πλατφόρμες κοινωνικών μέσων και οι μηχανές αναζήτησης το κάνουν επίσης.
Από τους συγκεντρωτές ειδήσεων και τις πλατφόρμες κοινωνικών μέσων έως τους ιστότοπους ηλεκτρονικού εμπορίου, οι πράκτορες σύνοψης έχουν γίνει αναπόσπαστο μέρος του ψηφιακού μας τοπίου. Και με την αύξηση των LLM, ορισμένοι από αυτούς τους πράκτορες χρησιμοποιούν τώρα AI για πιο αποτελεσματικά αποτελέσματα περίληψης.
Το ChatGPT μπορεί να είναι ένας καλός σύμμαχος κατά τη δημιουργία μιας εφαρμογής χρησιμοποιώντας παράγοντες σύνοψης για την επιτάχυνση των εργασιών ανάγνωσης και την ταξινόμηση κειμένων. Για παράδειγμα, φανταστείτε ότι έχουμε μια επιχείρηση ηλεκτρονικού εμπορίου και μας ενδιαφέρει να επεξεργαστούμε όλες τις κριτικές πελατών μας. Το ChatGPT θα μπορούσε να μας βοηθήσει να συνοψίσουμε οποιαδήποτε δεδομένη κριτική σε λίγες προτάσεις, να την τυποποιήσουμε σε μια γενική μορφή, να προσδιορίσουμε το συναίσθημα της αναθεώρησης και την ταξινόμηση το αναλόγως.
Αν και είναι αλήθεια ότι θα μπορούσαμε απλώς να τροφοδοτήσουμε την κριτική στο ChatGPT, υπάρχει μια λίστα με τις βέλτιστες πρακτικές - και πράγματα που πρέπει να αποφύγετε - για να αξιοποιήσετε τη δύναμη του ChatGPT σε αυτό το συγκεκριμένο έργο.
Ας εξερευνήσουμε τις επιλογές ζωντανεύοντας αυτό το παράδειγμα!
Παράδειγμα: Κριτικές ηλεκτρονικού εμπορίου
Αυτοδημιούργητο gif.
Εξετάστε το παραπάνω παράδειγμα στο οποίο μας ενδιαφέρει να επεξεργαστούμε όλες τις κριτικές για ένα συγκεκριμένο προϊόν στον ιστότοπό μας ηλεκτρονικού εμπορίου. Θα μας ενδιέφερε να επεξεργαστούμε κριτικές όπως η ακόλουθη σχετικά με το αστέρι του προϊόντος μας: ο πρώτος υπολογιστής για παιδιά!
prod_review = """
I purchased this children's computer for my son, and he absolutely adores it. He spends hours exploring its various features and engaging with the educational games. The colorful design and intuitive interface make it easy for him to navigate. The computer is durable and built to withstand rough handling, which is perfect for active kids. My only minor gripe is that the volume could be a bit louder. Overall, it's an excellent educational toy that provides hours of fun and learning for my son. It arrived a day earlier
than expected, so I got to play with it myself before I gave it to him. """
Σε αυτήν την περίπτωση, θα θέλαμε το ChatGPT να:
Ταξινομήστε την κριτική σε θετική ή αρνητική.
Δώστε μια περίληψη της κριτικής 20 λέξεων.
Εκτυπώστε την απάντηση με μια συγκεκριμένη δομή για να τυποποιήσετε όλες τις αξιολογήσεις σε μια ενιαία μορφή.
Σημειώσεις εφαρμογής
Εδώ είναι η βασική δομή κώδικα που θα μπορούσαμε να χρησιμοποιήσουμε για να ζητήσουμε από το ChatGPT από την προσαρμοσμένη εφαρμογή μας. Παρέχω επίσης έναν σύνδεσμο προς ένα Jupyter Notebook με όλα τα παραδείγματα που χρησιμοποιούνται σε αυτό το άρθρο.
import openai
import os openai.api_key_path = "/path/to/key" def get_completion(prompt, model="gpt-3.5-turbo"): """
This function calls ChatGPT API with a given prompt
and returns the response back. """ messages = [{"role": "user", "content": prompt}] response = openai.ChatCompletion.create( model=model, messages=messages, temperature=0 ) return response.choices[0].message["content"] user_text = f"""
<Any given text> """ prompt = f"""
<Any prompt with additional text> """{user_text}""" """ # A simple call to ChatGPT
response = get_completion(prompt)
η λειτουργία get_completion() καλεί το ChatGPT API με ένα δεδομένο έγκαιρη. Εάν η προτροπή περιέχει επιπλέον κείμενο χρήστη, όπως η ίδια η κριτική στην περίπτωσή μας, διαχωρίζεται από τον υπόλοιπο κώδικα με τριπλά εισαγωγικά.
Ας χρησιμοποιήσουμε το get_completion() λειτουργία για να ζητήσει το ChatGPT!
Ακολουθεί μια προτροπή που πληροί τις απαιτήσεις που περιγράφονται παραπάνω:
prompt = f"""
Your task is to generate a short summary of a product review from an e-commerce site. Summarize the review below, delimited by triple backticks, in exactly 20 words. Output a json with the sentiment of the review, the summary and original review as keys. Review: ```{prod_review}``` """
response = get_completion(prompt)
print(response)
{ "sentiment": "positive", "summary": "Durable and engaging children's computer with intuitive interface and educational games. Volume could be louder.", "review": "I purchased this children's computer for my son, and he absolutely adores it. He spends hours exploring its various features and engaging with the educational games. The colorful design and intuitive interface make it easy for him to navigate. The computer is durable and built to withstand rough handling, which is perfect for active kids. My only minor gripe is that the volume could be a bit louder. Overall, it's an excellent educational toy that provides hours of fun and learning for my son. It arrived a day earlierthan expected, so I got to play with it myself before I gave it to him."
}
Όπως μπορούμε να παρατηρήσουμε από τα αποτελέσματα, η ανασκόπηση είναι ακριβής και καλά δομημένη, ωστόσο χάνει κάποιες πληροφορίες που θα μπορούσαμε να μας ενδιαφέρουν ως ιδιοκτήτες του ηλεκτρονικού εμπορίου, όπως πληροφορίες σχετικά με την παράδοση του προϊόντος.
Συνοψίστε με εστίαση σε
Μπορούμε να βελτιώσουμε επαναλαμβανόμενα την προτροπή ζητώντας από το ChatGPT να επικεντρωθεί σε ορισμένα πράγματα στη σύνοψη. Σε αυτήν την περίπτωση, μας ενδιαφέρει οποιεσδήποτε λεπτομέρειες δοθούν σχετικά με την αποστολή και την παράδοση:
prompt = f"""
Your task is to generate a short summary of a product review from an ecommerce site. Summarize the review below, delimited by triple backticks, in exactly 20 words and focusing on any aspects that mention shipping and delivery of the product. Output a json with the sentiment of the review, the summary and original review as keys. Review: ```{prod_review}``` """ response = get_completion(prompt)
print(response)
Αυτή τη φορά, η απάντηση του ChatGPT είναι η εξής:
{ "sentiment": "positive", "summary": "Durable and engaging children's computer with intuitive interface. Arrived a day earlier than expected.", "review": "I purchased this children's computer for my son, and he absolutely adores it. He spends hours exploring its various features and engaging with the educational games. The colorful design and intuitive interface make it easy for him to navigate. The computer is durable and built to withstand rough handling, which is perfect for active kids. My only minor gripe is that the volume could be a bit louder. Overall, it's an excellent educational toy that provides hours of fun and learning for my son. It arrived a day earlierthan expected, so I got to play with it myself before I gave it to him."
}
Τώρα η αναθεώρηση είναι πολύ πιο ολοκληρωμένη. Η παροχή λεπτομερειών σχετικά με τη σημαντική εστίαση της αρχικής κριτικής είναι ζωτικής σημασίας για να αποφευχθεί η παράβλεψη ορισμένων πληροφοριών που μπορεί να είναι πολύτιμες για την περίπτωση χρήσης του ChatGPT.
Έχετε παρατηρήσει ότι παρόλο που αυτή η δεύτερη δοκιμή περιλαμβάνει πληροφορίες για την παράδοση, παρέλειψε τη μόνη αρνητική πτυχή της αρχικής κριτικής;
Ας το φτιάξουμε!
"Εξαγωγή" αντί για "Σύνοψη"
Διερευνώντας τις εργασίες σύνοψης, το ανακάλυψα Η σύνοψη μπορεί να είναι μια δύσκολη εργασία για LLM εάν η προτροπή του χρήστη δεν είναι αρκετά ακριβής.
Όταν ζητάμε από το ChatGPT να παράσχει μια περίληψη ενός δεδομένου κειμένου, μπορεί να παραλείψει πληροφορίες που μπορεί να είναι σχετικές για εμάς — όπως βιώσαμε πρόσφατα — ή θα δώσει την ίδια σημασία σε όλα τα θέματα του κειμένου, παρέχοντας μόνο μια επισκόπηση των κύριων σημείων.
Οι ειδικοί σε LLM χρησιμοποιούν τον όρο εκχύλισμα και πρόσθετες πληροφορίες για τις εστίες τους αντί για συνοψίζω όταν εκτελείτε τέτοιες εργασίες με τη βοήθεια αυτού του τύπου μοντέλων.
Ενώ η περίληψη στοχεύει να παρέχει μια συνοπτική επισκόπηση των κύριων σημείων του κειμένου, συμπεριλαμβανομένων θεμάτων που δεν σχετίζονται με το θέμα εστίασης, η εξαγωγή πληροφοριών εστιάζει στην ανάκτηση συγκεκριμένων λεπτομερειών και μπορεί να μας δώσει αυτό που ακριβώς ψάχνουμε. Ας προσπαθήσουμε τότε με εξαγωγή!
prompt = f"""
Your task is to extract relevant information from a product review from an ecommerce site to give feedback to the Shipping department. From the review below, delimited by triple quotes extract the information relevant to shipping and delivery. Use 100 characters. Review: ```{prod_review}``` """ response = get_completion(prompt)
print(response)
Σε αυτήν την περίπτωση, χρησιμοποιώντας την εξαγωγή, λαμβάνουμε πληροφορίες μόνο για το θέμα εστίασής μας: Shipping: Arrived a day earlier than expected.
Αυτοματοποίηση
Αυτό το σύστημα λειτουργεί για μία μόνο αναθεώρηση. Ωστόσο, όταν σχεδιάζετε μια προτροπή για συγκεκριμένη εφαρμογή, είναι σημαντικό να το δοκιμάσουμε σε μια παρτίδα παραδειγμάτων, ώστε να μπορούμε να συλλάβουμε τυχόν ακραίες τιμές ή κακή συμπεριφορά στο μοντέλο.
Σε περίπτωση επεξεργασίας πολλαπλών κριτικών, εδώ είναι ένα δείγμα δομής κώδικα Python που μπορεί να βοηθήσει.
reviews = [ "The children's computer I bought for my daughter is absolutely fantastic! She loves it and can't get enough of the educational games. The delivery was fast and arrived right on time. Highly recommend!", "I was really disappointed with the children's computer I received. It didn't live up to my expectations, and the educational games were not engaging at all. The delivery was delayed, which added to my frustration.", "The children's computer is a great educational toy. My son enjoys playing with it and learning new things. However, the delivery took longer than expected, which was a bit disappointing.", "I am extremely happy with the children's computer I purchased. It's highly interactive and keeps my kids entertained for hours. The delivery was swift and hassle-free.", "The children's computer I ordered arrived damaged, and some of the features didn't work properly. It was a huge letdown, and the delivery was also delayed. Not a good experience overall."
] prompt = f""" Your task is to generate a short summary of each product review from an e-commerce site. Extract positive and negative information from each of the given reviews below, delimited by triple backticks in at most 20 words each. Extract information about the delivery, if included. Review: ```{reviews}``` """
Ακολουθούν οι περιλήψεις της παρτίδας των κριτικών μας:
1. Positive: Fantastic children's computer, fast delivery. Highly recommend.
2. Negative: Disappointing children's computer, unengaging games, delayed delivery.
3. Positive: Great educational toy, son enjoys it. Delivery took longer than expected.
4. Positive: Highly interactive children's computer, swift and hassle-free delivery.
5. Negative: Damaged children's computer, some features didn't work, delayed delivery.
⚠️ Σημειώστε ότι παρόλο που ο περιορισμός λέξεων των περιλήψεών μας ήταν αρκετά σαφής στις προτροπές μας, μπορούμε εύκολα να δούμε ότι αυτός ο περιορισμός λέξεων δεν επιτυγχάνεται σε καμία από τις επαναλήψεις.
Αυτή η αναντιστοιχία στην καταμέτρηση λέξεων συμβαίνει επειδή τα LLM δεν έχουν ακριβή κατανόηση του αριθμού λέξεων ή χαρακτήρων. Ο λόγος πίσω από αυτό βασίζεται σε ένα από τα κύρια σημαντικά στοιχεία της αρχιτεκτονικής τους: το tokenizer.
Tokenizer
Τα LLM όπως το ChatGPT έχουν σχεδιαστεί για να δημιουργούν κείμενο με βάση στατιστικά μοτίβα που μαθαίνονται από τεράστιες ποσότητες γλωσσικών δεδομένων. Αν και είναι πολύ αποτελεσματικά στη δημιουργία ρευστού και συνεκτικού κειμένου, δεν έχουν ακριβή έλεγχο στον αριθμό των λέξεων.
Στα παραπάνω παραδείγματα, όταν έχουμε δώσει οδηγίες σχετικά με έναν πολύ ακριβή αριθμό λέξεων, Το ChatGPT δυσκολευόταν να καλύψει αυτές τις απαιτήσεις. Αντίθετα, έχει δημιουργήσει κείμενο που είναι στην πραγματικότητα μικρότερο από τον καθορισμένο αριθμό λέξεων.
Σε άλλες περιπτώσεις, μπορεί να δημιουργήσει μεγαλύτερα κείμενα ή απλώς κείμενο που είναι υπερβολικά περιεκτικό ή στερείται λεπτομερειών. Επιπροσθέτως, Το ChatGPT μπορεί να δώσει προτεραιότητα σε άλλους παράγοντες όπως η συνοχή και η συνάφεια, έναντι της αυστηρής τήρησης του αριθμού των λέξεων. Αυτό μπορεί να οδηγήσει σε κείμενο που είναι υψηλής ποιότητας ως προς το περιεχόμενο και τη συνοχή του, αλλά που δεν ταιριάζει ακριβώς με την απαίτηση πλήθους λέξεων.
Το tokenizer είναι το βασικό στοιχείο στην αρχιτεκτονική του ChatGPT που επηρεάζει σαφώς τον αριθμό των λέξεων στο παραγόμενο αποτέλεσμα.
Αυτοδημιούργητο gif.
Tokenizer Architecture
Το tokenizer είναι το πρώτο βήμα στη διαδικασία δημιουργίας κειμένου. Είναι υπεύθυνο για την κατανομή του κειμένου που εισάγουμε στο ChatGPT σε μεμονωμένα στοιχεία — μάρκες —, τα οποία στη συνέχεια επεξεργάζονται από το μοντέλο γλώσσας για τη δημιουργία νέου κειμένου.
Όταν το tokenizer αναλύει ένα κομμάτι κειμένου σε διακριτικά, το κάνει με βάση ένα σύνολο κανόνων που έχουν σχεδιαστεί για να προσδιορίζουν τις ουσιαστικές μονάδες της γλώσσας-στόχου. Ωστόσο, αυτοί οι κανόνες δεν είναι πάντα τέλειοι, και μπορεί να υπάρχουν περιπτώσεις όπου το tokenizer διαχωρίζει ή συγχωνεύει διακριτικά με τρόπο που επηρεάζει το συνολικό αριθμό λέξεων του κειμένου.
Για παράδειγμα, λάβετε υπόψη την ακόλουθη πρόταση: «Θέλω να φάω ένα σάντουιτς με φυστικοβούτυρο». Εάν το tokenizer έχει ρυθμιστεί να χωρίζει διακριτικά με βάση τα κενά και τα σημεία στίξης, μπορεί να αναλύσει αυτήν την πρόταση στα ακόλουθα διακριτικά με συνολικό αριθμό λέξεων 8, ίσο με το πλήθος των διακριτικών.
Αυτοδημιούργητη εικόνα.
Ωστόσο, εάν το tokenizer έχει ρυθμιστεί για θεραπεία "φυστικοβούτυρο" ως σύνθετη λέξη, μπορεί να αναλύσει την πρόταση στα ακόλουθα σημεία: με συνολικό αριθμό λέξεων 8, αλλά συμβολικό 7.
Έτσι, ο τρόπος διαμόρφωσης του tokenizer μπορεί να επηρεάσει τον συνολικό αριθμό λέξεων του κειμένου, και αυτό μπορεί να επηρεάσει την ικανότητα του LLM να ακολουθεί οδηγίες σχετικά με τον ακριβή αριθμό λέξεων. Ενώ ορισμένα tokenizers προσφέρουν επιλογές για την προσαρμογή του τρόπου με τον οποίο γίνεται το κείμενο, αυτό δεν είναι πάντα αρκετό για να διασφαλιστεί η ακριβής τήρηση των απαιτήσεων πλήθους λέξεων. Για το ChatGPT σε αυτήν την περίπτωση, δεν μπορούμε να ελέγξουμε αυτό το τμήμα της αρχιτεκτονικής του.
Αυτό κάνει το ChatGPT να μην είναι τόσο καλό στο να επιτύχει περιορισμούς χαρακτήρων ή λέξεων, αλλά μπορεί κανείς να δοκιμάσει με προτάσεις, καθώς το tokenizer δεν επηρεάζει τον αριθμό των προτάσεων, αλλά το μήκος τους.
Η επίγνωση αυτού του περιορισμού μπορεί να σας βοηθήσει να δημιουργήσετε την καλύτερη κατάλληλη προτροπή για την εφαρμογή σας στο μυαλό. Έχοντας αυτή τη γνώση για το πώς λειτουργεί η καταμέτρηση λέξεων στο ChatGPT, ας κάνουμε μια τελική επανάληψη με την προτροπή μας για την εφαρμογή ηλεκτρονικού εμπορίου!
Ολοκλήρωση: Κριτικές ηλεκτρονικού εμπορίου
Ας συνδυάσουμε τις γνώσεις μας από αυτό το άρθρο σε μια τελική προτροπή! Σε αυτή την περίπτωση, θα ζητήσουμε τα αποτελέσματα HTML μορφή για καλύτερη έξοδο:
from IPython.display import display, HTML prompt = f"""
Your task is to extract relevant information from a product review from an ecommerce site to give feedback to the Shipping department and generic feedback from the product. From the review below, delimited by triple quotes construct an HTML table with the sentiment of the review, general feedback from
the product in two sentences and information relevant to shipping and delivery. Review: ```{prod_review}``` """ response = get_completion(prompt)
display(HTML(response))
Και εδώ είναι το τελικό αποτέλεσμα από το ChatGPT:
Αυτοδημιούργητο στιγμιότυπο οθόνης από το Jupyter Notebook με τα παραδείγματα που χρησιμοποιούνται σε αυτό το άρθρο.
Χαρακτηριστικά
Σε αυτό το άρθρο, έχουμε συζητήσει τις βέλτιστες πρακτικές για τη χρήση του ChatGPT ως παράγοντα σύνοψης για την προσαρμοσμένη εφαρμογή μας.
Έχουμε δει ότι κατά τη δημιουργία μιας εφαρμογής, είναι εξαιρετικά δύσκολο να βρείτε την τέλεια προτροπή που να ταιριάζει με τις απαιτήσεις της εφαρμογής σας στην πρώτη δοκιμή. Νομίζω ότι ένα ωραίο μήνυμα που λαμβάνει το σπίτι είναι να σκεφτείτε την προτροπή ως επαναληπτική διαδικασία όπου κάνετε τελειοποίηση και μοντελοποίηση της προτροπής σας μέχρι να λάβετε ακριβώς το επιθυμητό αποτέλεσμα.
Με την επαναληπτική βελτίωση της προτροπής σας και την εφαρμογή της σε μια παρτίδα παραδειγμάτων προτού την αναπτύξετε στην παραγωγή, μπορείτε να βεβαιωθείτε ότι το αποτέλεσμα είναι συνεπές σε πολλά παραδείγματα και καλύπτει ακραίες αποκρίσεις. Στο παράδειγμά μας, θα μπορούσε να συμβεί κάποιος να παράσχει ένα τυχαίο κείμενο αντί για μια κριτική. Μπορούμε να δώσουμε εντολή στο ChatGPT να έχει επίσης μια τυποποιημένη έξοδο για να αποκλείσει αυτές τις ακραίες αποκρίσεις.
Επιπλέον, όταν χρησιμοποιείτε το ChatGPT για μια συγκεκριμένη εργασία, είναι επίσης καλή πρακτική να μαθαίνουμε για τα πλεονεκτήματα και τα μειονεκτήματα της χρήσης LLM για την εργασία-στόχο μας. Έτσι ανακαλύψαμε το γεγονός ότι οι εργασίες εξαγωγής είναι πιο αποτελεσματικές από τη σύνοψη, όταν θέλουμε μια κοινή ανθρώπινη περίληψη ενός κειμένου εισόδου. Μάθαμε επίσης ότι η εστίαση της περίληψης μπορεί να είναι α παιχνίδι changer σχετικά με το παραγόμενο περιεχόμενο.
Τέλος, ενώ τα LLM μπορούν να είναι εξαιρετικά αποτελεσματικά στη δημιουργία κειμένου, δεν είναι ιδανικά για να ακολουθήσετε ακριβείς οδηγίες σχετικά με τον αριθμό των λέξεων ή άλλες συγκεκριμένες απαιτήσεις μορφοποίησης. Για να επιτευχθούν αυτοί οι στόχοι, μπορεί να είναι απαραίτητο να επιμείνουμε στη μέτρηση προτάσεων ή να χρησιμοποιήσουμε άλλα εργαλεία ή μεθόδους, όπως χειροκίνητη επεξεργασία ή πιο εξειδικευμένο λογισμικό.
Αυτό το άρθρο δημοσιεύθηκε αρχικά στις Προς την επιστήμη των δεδομένων και εκδόθηκε εκ νέου στο TOPBOTS με την άδεια του συντάκτη.
Σας αρέσει αυτό το άρθρο; Εγγραφείτε για περισσότερες ενημερώσεις έρευνας για την τεχνητή νοημοσύνη.
Θα σας ενημερώσουμε όταν κυκλοφορούμε περισσότερα συνοπτικά άρθρα όπως αυτό.
