AI時代的網站與手機App建置與開發Part31 - 認識Azure OpenAI


  • 摘要 
自從ChatGPT問世以來, 生成式AI得到使用者關注與日俱增, 應用方面也越來越廣, 生成式日AI不同於傳統的AI在於生成式AI能夠依據AI模型對使用者提問的問題的了解與認知生成全新的內容, 包括: 文字生成/聊天生成text, 圖像生成, 語音生成, 影片生成 甚至是程式碼生成, 而不是僅能夠針對使用者提問提出看法與解答.
圖: 生成式AI示意圖 
  • 認識生成式AI 
欲使用生成式AI提升工作的品質與效率, 使用者可以選擇使用OpenAI公司提供的功能, 也可以使用Microsoft Azure雲端提供的Azure OpenAI提供的功能, 兩者皆提供文字, 圖像, 音訊, 影片, 以及程式碼的生成式作業, 包括: 
  1. 文字生成/聊天生成 : 寫作文章, 生成文章摘要, 回應使用者提問, 生成提案與企畫等等. 
  2. 圖像生成 : 生成圖片, 數位藝術, 或是設計模型 
  3. 聲音生成 : 作曲, 生成聲音特效, 或模仿人類的語音 
  4. 影片生成 : 生成短影片, 動畫, 或是深偽(DeepFake)影片 
  5. 程式碼生成 : 生成或完成程式碼寫作. 
  • 認識OpenAI的生成式AI功能 
您可以啟動瀏覽器瀏覽至: https://platform.openai.com/, 就可以登入並使用OpenAI支援的生成式AI功能, 如圖1所示:
圖1: ChatGPT生成式AI的操作畫面 

  • 認識Azure OpenAI的生成式AI功能 

您可以瀏覽至https://portal.azure.com/, 登入並建立[Azure OpenAI]服務, 就可以利用[Azure AI Foundry Portal]體驗生成式AI的功能, 如圖2所示:
圖2: Azure OpenAI的操作畫面 Azure OpenAI支援的生成式AI功能除了提供OpenAI支援的生成式AI功能以外, 也支援第三方提供的生成式AI模型, 包括 Meta、Mistral、xAI 等公司提供的生成式AI模型. 下一回我們以Azure Open AI支援的各種生成式AI服務建立具生成式AI功能的網頁.

留言

張貼留言

這個網誌中的熱門文章

AI時代的網站與手機App建置與開發Part27 - ML.NET與物件偵測

圖片
  ·        摘要 在自動駕駛的無人車和無人機風風火火出現在日常生活的應用的現今 , 物件偵測技術的應用也日益普及 , 例如自駕車必須要能夠偵測並判斷車輛前方的物體 , 當然最近眾人關注的人形機器人 , 也必須重度依賴物件偵測技術 . 圖 : 物件偵測示意圖 在本篇文章中 , 我們將使用 Visual Studio 2022, 搭配 Microsoft ML.NET 執行物件偵測 . ·        準備訓練資料 首先請參考 [ 使用 VoTT 為物件偵測標記影像 ] 這篇文件的說明 , 為欲偵測的圖片內容進行標示的動作 . 您可以標示多張內含欲辨識的內容 ( 例如 : 汽車 , 機車 , 狗 , 貓 , 紅綠燈 , 交通號誌等等 ) 的圖片 . 例如我們想辨識以下圖片中的停止號誌 : 圖: 內含停止號誌的圖片 就可以使用 Microsoft Visual Object Tagging Tool 標示出圖中 Stop 號誌的位置 , 得到內容位置資訊的 JSON 文件 , 如下所示 : {     "asset": {         "format": "jpg",         "id": "3a74b9294f2f787bf2abe678f6a43231",         "name": "untitled-photo-3d6zCZ4lpBE-unsplash.jpg",         "path": "file:E:/temp/Stop-Signs/untitled-photo-3d6zCZ4lpBE-unsplash.jpg",         "size": {  ...
閱讀完整內容

AI時代的網站與手機App建置與開發Part24 - ML.NET與圖片異常偵測

圖片
  ·        摘要 將異常偵測應用在圖片資料能夠替代人工進行產品的瑕疵檢視 , 例如檢視食物是否腐敗 , 外型破裂 , 研判 X 光片的內容是否異常 , 或是判斷商品的包裝是否破損等等 , 對於 24 小時不間斷的生產線能夠提供重要的品管支援 . 圖 : 圖片異常偵測示意圖 在本篇文章中 , 我們將使用 Microsoft ML.NET 支援的 ResNet50 預訓練模型 (Pre-Trained Model) 執行圖片的異常偵測 , 期能利用 AI 模型支援 24 小時不間斷的自動化作業 . ·        準備訓練資料 首先請啟動瀏覽器 , 瀏覽至 Cloud and Non-Cloud Images(Anomaly Detection, 下載訓練圖片資料集 ( 下載網址 : https://www.kaggle.com/datasets/ashoksrinivas/cloud-anomaly-detection-images?resource=download ). 圖 1 所示即為下載得到的圖片資料集的部分內容 : 圖 1: 訓練圖片資料集的部分內容 請將訓練圖片加入到 Visual Studio 專案中名稱為 images 資料夾中 , 並到 [ 屬性 ] 視窗將所有的訓練圖片的 [ 複製到輸出目錄 ] 屬性的內容值設定為 : 有更新時才複製 . ·        準備預訓練模型 請啟動瀏覽器 , 瀏覽至 ONNX Model Zoo, 下載支援圖片辨識的預訓練模型 ( 下載網址 : GitHub - onnx/models: A collection of pre-trained, state-of-the-art models in the ONNX format ), 請下載名稱為 resnet50-v2-7.onnx 的預訓練模型 . 請將下載妥的預訓練模型加入到 Visual Studio 專案中名稱為 PreTrainedModel 資料夾中 , 並到 [ 屬性 ] 視窗將預訓練模型檔案的 [ 複製到輸出目錄...
閱讀完整內容

AI時代的網站與手機App建置與開發Part28 - 使用YOLO模型進行物件偵測

圖片
  l   摘要 應用程式要提供物件偵測功能 , 除了能夠使用 Microsoft ML.NET 本身的物件偵測模型 ( 請參考 : AI 時代的網站與手機 App 建置與開發 Part27 - ML.NET 與物件偵測 的說明 ) 以外 , 也可以利用 SSD(Single Shot MultiBox Detector) 或 YOLO(You Only Look Once) 等演算法提供即時的物件偵測功能 . 圖 : YOLO 梗圖 ·        認識 SSD 與 YOLO 演算法 SSD 和 YOLO 演算法都是用來執行物件偵測常用的做法 , 其主要特性比較如表 1 的說明 : Feature SSD YOLO 辨識效率 快 ( 較 R-NN 快 , 較 YOLO 慢 ) 非常快 , 適合即時 (real-time) 作業 準確度 辨識小型物件準確度佳 辨識大型物件準確度佳 複雜度 中等 相對簡單 辨識圖片大小 支援 版本越高支援越好 表 1: SSD 和 YOLO 演算法主要特性比較 SSD 與 YOLO 物件偵測演算法的適用場合 ·         YOLO 物件偵測演算法的適用場合 : ü   即時運算 (Real-time) 程式 , 例如監視器 , 自動駕駛交通工具 , 機器人 ü   辨識速度很關鍵的場合 ·         SSD 物件偵測演算法的適用場合 : ü   辨識小型物件準確度高的場合 , 例如文件分析或...
閱讀完整內容