Как я использовал ChatGPT за последние 2 недели:

1. Любая техническая рутина - повторные действия где нужно что-то копировать/вставлять/менять много раз/форматировать.
2. Функция для замены испанских букв на английские - политика нейминга файлов AWS запрещает ряд символов и требует нормализации для сохранения на сервер. Я не смог найти какого-то существующего решения и пришлось писать код для замены каждого символа. (Смотрите в сторону нормализации по NFC и мэтчингу символов по юникоду)

На днях я доделал проект - копия HR инструмента для поиска кандидатов. Основой является большая БД с данными профилей с Linkedin и AI поиск. В рамках этого проекта я решил ряд задач с помощью ChatGPT:

1. До этого я не делал многоуровневую фильтрацию к SQL базе и оказалось, что для этого нужно собирать сложный запрос на лету. Вместе с GPT я собрал код для учета 8 разных фильтров (каждый фильтр принимает массив значений). На стороне Bubble я собираю JSON из выбранных фильтров и отправляю его в сценарий на Make. Этот сценарий является функцией - он получает данные с помощью webhook и возвращает их через webhook response. В этом сценарии я делаю запрос к функции на Napkin и возвращаю готовый SQL запрос, который использую дальше для поиска данных в БД и возвращения их в Bubble. Полученный список кандидатов выводится в РГ.

2. Одним из параметров является степень образования (магистр, бакалавр и тд). Linkedin не имеет жесткого ограничения на ввод данных, поэтому спарсенная информация представляет из себя микс всевозможных вариантов. С помощью SQL запроса я вывел список уникальных значений и скормил его GPT. На основе этого списка он составил мне SQL запрос для нормализации данных - замена Bachelors, Bachelor и тд. на Bachelor’s Degree.

3. Одной из главных фичей является поиск кандидатов по средством общения с системой подобно ChatGPT. Для реализации этого функционала я добавил шаг обработки запроса пользователя с помощью GPT - в промпте указываются инструкции для парсинга параметров и составления JSON подобно тому, что я отсылаю на бэк при обычной фильтрации. Дальше я использую этот JSON для поиска кандидатов с помощью сценария, описанного в первом пункте.

4. Найденные кандидаты возвращаются назад в сценарий и обрабатываются с помощью еще одного запроса к GPT. Он изучает полученную информацию о кандидатах и делает им короткое описание релевантное запросу пользователя. Полученный ответ сохраняется в БД и отображается в чате. Также к ответу крепится список пользователей, который можно отобразить списком (как при фильтрации) и изучить профиль каждого кандидата отдельно.

Такая реализация AI поиска является упрощенной, относительного того, как это должно быть сделано на самом деле с векторной базой и прочими AI элементами.
_____

Небольшое лирическое отступление - куда я пропал?

Оказалось, что невозможно вести 5 проектов, постить контент три раза в неделю и чувствовать себя хорошо, поэтому у меня практически полностью кончились силы как физические, так и моральные.
Сейчас я стараюсь освободить время для себя, а также я переехал в Мексику на берег Карибского моря, что думаю способствует релаксации на пассиве.

Ставьте лайк и подписывайтесь, со следующей недели я постараюсь вернуться в обычный темп и снова делиться с вами большим количеством полезной информации.