با ایجاد فایلی شروع می کنیم که از آن برای دانلود مدل استفاده می کنیم. برای کمک به ما، استفاده می کنیم صورت در آغوش گرفته، یک کتابخانه پایتون که مدل های مختلف NLP با کیفیت بالا را ارائه می دهد.
سپس یک کلاس پایتون ایجاد می کنیم که از آن برای مدیریت منطق تبدیل متن انگلیسی خود برای ایجاد توکن های کلمه استفاده می کنیم که به عنوان ورودی برای مدل خود استفاده می کنیم.
سپس یک را می سازیم فلاسک API با دو نقطه پایانی، یکی برای بررسی اینکه آیا سرویس کار می کند و دیگری برای ادغام با ربات چت ما.
در نهایت یک Dockerfile تولید می‌کنیم که هنگام ساخت، مدل چت را از قبل دانلود می‌کند تا زمانی که درخواستی را به API خود ارسال می‌کنیم، بتواند به جای بارگیری مجدد مدل هر بار، پاسخ‌های سریع بدهد. این به شدت عملکرد ربات ما را بهبود می بخشد. برای میزبانی API ما از gunicorn به عنوان سرور wsgi خود بدون چارچوب وب سرور اضافی استفاده می کنیم.
مراحل از اجرای مدل شما بر روی ماشین محلی شما تا راه اندازی آن در مرحله تولید می تواند دلهره آور باشد. با این حال چندین سرویس این مرحله را در سال های اخیر بسیار آسان تر انجام داده اند.
قرار است با هم کار کنیم اجرای ابری گوگل برای این پروژه پلتفرم «بدون سرور» گوگل، من کلمه بدون سرور را دوست ندارم زیرا البته باید یک سرور کد را اجرا کند، اما بدون سرور است به این معنا که هیچ داده مشتری را از جلسه به جلسه دیگر ذخیره نمی کند. ما هر سروری را که در هر زمان در دسترس است دریافت می کنیم.
1. گزارش روندهای چت بات در سال 2021
2. 4 باید و 3 نباید برای آموزش یک مدل NLP چت بات