Technical Tutorials

يتغير مشهد الذكاء الاصطناعي بسرعة من روبوتات الدردشة متعددة الأغراض إلى نماذج لغوية متخصصة وعالية الأداء. ومن بين المنصات الرائدة في هذا المجال شركة Cohere، المخصصة لبناء نماذج أساسية للمؤسسات. بالنسبة للمطورين الذين يتطلعون إلى دمج قدرات قوية لمعالجة اللغات الطبيعية (NLP) في تطبيقاتهم، توفر واجهة برمجة تطبيقات Cohere بديلاً جذاباً لمقدمي الخدمات الرئيسيين الآخرين بسبب تركيزها على دعم اللغات المتعددة، وتوليد منخفض زمن الاستجابة، ونماذج تضمين متطورة.

يستكشف هذا الدليل كيفية الاستفادة من واجهة برمجة تطبيقات Cohere بفعالية، متجاوزة التوليد النصي الأساسي لتنفيذ البحث الدلالي وتصنيف النوايا.

لماذا تختار Cohere؟

تكمن الميزة الأساسية لـ Cohere في نموذج الأوامر (Command Model)، المصمم خصيصاً للتعامل مع مجموعة واسعة من مهام معالجة اللغات الطبيعية بأداء متسق. وعلى عكس بعض المنافسين الذين يتطلبون ضبطاً دقيقاً (Fine-tuning) لحالات استخدام محددة، يتيح لك التعلم في السياق (In-context learning) في Cohere تعريف المهام باستخدام تعليمات باللغة الطبيعية. علاوة على ذلك، يدعم نموذج التضمين لديهم أكثر من 100 لغة بشكل أصلي، مما يجعله خياراً ممتازاً للتطبيقات العالمية.

إعداد بيئة العمل

قبل الغوص في الكود، ستحتاج إلى مفتاح API من لوحة تحكم Cohere. بمجرد الحصول عليه، قم بتثبيت العميل الرسمي للغة Python:

pip install cohere

قم بتهيئة العميل باستخدام رمز المصادقة الخاص بك. من أفضل الممارسات تخزين هذا في متغيرات البيئة للحفاظ على أمان بيانات الاعتماد الخاصة بك.

import os
import cohere

# Initialize client
co = cohere.Client(os.environ["COHERE_API_KEY"])

# Verify connection
print(co.is_authenticated())

تنفيذ توليد النص والدردشة

توفر واجهة برمجة تطبيقات Cohere نقطتي نهاية رئيسيتين للتوليد: generate للإخراج أحادي الدور و chat لتدفقات المحادثة. يسمح لك نقطة النهاية generate بتمرير مطالبة (Prompt) واستقبال رد. يمكنك التحكم في إبداع المخرجات باستخدام المعلمة temperature.

response = co.generate(
  prompt="Translate the following English text to French: 'I love building scalable AI systems.'",
  model="command",
  max_tokens=50,
  temperature=0.3
)

print(response.generations[0].text)

بالنسبة للمحادثات متعددة الأدوار، تحافظ نقطة النهاية chat على السياق تلقائياً. هذا أمر أساسي لبناء روبوتات الدردشة أو المساعدين الذين يتطلبون ذاكرة للتفاعلات السابقة ضمن الجلسة.

chat_response = co.chat(
  message="What is the capital of Japan?",
  preamble="You are a helpful travel assistant.",
  chat_history=[
      {"user_name": "User", "message": "Hello!"},
      {"user_name": "Chatbot", "message": "Hi there! How can I help you with your travels?"}
  ]
)
print(chat_response.text)

البحث الدلالي باستخدام التضمين

إحدى أقوى ميزات واجهة برمجة تطبيقات Cohere هي نموذج التضمين الخاص بها، الذي يحول النص إلى متجهات عالية الأبعاد. تلتقط هذه المتجهات المعنى الدلالي للنص، مما يتيح البحث الدلالي بدلاً من مجرد مطابقة الكلمات المفتاحية. هذا أمر بالغ الأهمية لبناء محركات التوصية أو العثور على مستندات مماثلة.

embeds = co.embed(
    texts=["Quantum computing is the future", "Machine learning algorithms"],
    input_type="search_document"
)

for doc, vec in zip(["Quantum computing is the future", "Machine learning algorithms"], embeds.embeddings):
    print(f"Vector length: {len(vec)}")

الخاتمة

توفر واجهة برمجة تطبيقات Cohere مجموعة أدوات متعددة الاستخدامات وقوية للمطورين الذين يبنون تطبيقات ذكاء اصطناعي من الجيل التالي. من خلال الاستفادة من قدرات التوليد الخاصة بها للمهام الإبداعية ونماذج التضمين الخاصة بها للفهم الدلالي، يمكنك إنشاء تطبيقات ليست ذكية فحسب، بل تدعم لغات متعددة وتكون واعية بالسياق. أثناء دمج هذه الأدوات، تذكر دائماً مراقبة استخدام الرموز المميزة (Tokens) وتحسين مطالباتك للحصول على أفضل نسبة تكلفة إلى أداء.