File size: 3,064 Bytes
1249082 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 |
# Algorithmic Learning and Optimized Quantum Artificial Solutions (ALOQAS)
<p>
<a href="https://huggingface.co/spaces/ALOQAS/aloqas-gradio">Démo. Gradio sur Hugging Face Spaces</a>
</p>
<p>
<a href="https://github.com/LucasAguetai/ALOQAS">Lien vers le repository GitHub</a>
</p>
<p>
<a href="https://drive.google.com/drive/folders/1MrW-UftHd0HVgLjJ_C5HmwBG3ymEY_qY?usp=drive_link">Lien vers les notebooks Google Colaboratory (sur demande)</a>
</p>
## Projet : Création d'un Système de Chatbot Conversationnel basé sur GPT-2
Ce projet a pour objectif de développer un chatbot conversationnel intelligent en utilisant le modèle GPT-2 comme base. <br />
Le chatbot sera capable d'engager des conversations naturelles avec les utilisateurs, de répondre à leurs questions et de fournir des informations utiles.
## Membres du projet
<ul>
<li><b>A</b>urélien ZUFIC</li>
<li><b>L</b>ucas AGUETAÏ</li>
<li><b>O</b>ny ANDRIATSAHAVOJAONA</li>
<li><b>Q</b>uentin VERMEERSCH</li>
<li><b>A</b>lexandre HUYNH</li>
<li><b>S</b>amuel DORISMOND</li>
</ul>
## Jeux de données traité
Dataset TensorFlow sur des articles scientifiques : <a href="https://www.tensorflow.org/datasets/catalog/scientific_papers">scientific_papers</a>
## Tâches du projet
### Compréhension de GPT-2 :
Étudiez le fonctionnement de GPT-2 en utilisant l'API TensorFlow.<br />
Explorez comment GPT-2 génère du texte en réponse à des stimuli.
### Collecte de Données :
Identifiez un domaine spécifique ou une application pour votre chatbot (par exemple,
un chatbot de service client, un chatbot éducatif, etc.).<br />
Collectez ou préparez un ensemble de données de dialogue adapté à votre domaine
d'application.
### Fine-tuning de GPT-2 :
Fine-tunez le modèle GPT-2 en utilisant l'ensemble de données de dialogue.<br />
Optimisez le modèle pour la génération de réponses de chatbot cohérentes et
pertinentes.<br />
Évaluez les performances du modèle fine-tuné en utilisant des mesures de qualité de
dialogue.
### Intégration de Gradio :
Utilisez la bibliothèque Gradio pour intégrer une interface utilisateur conviviale à
votre chatbot.<br />
Personnalisez l'interface pour qu'elle corresponde à l'esthétique de votre application.
### Tests et Optimisation :
Testez le chatbot avec des utilisateurs pour recueillir des commentaires et des
données de performance.<br />
Effectuez des ajustements en fonction des commentaires des utilisateurs pour
améliorer la qualité des réponses du chatbot.
### Documentation et Présentation :
Rédigez une documentation complète expliquant comment utiliser le chatbot.<br />
Préparez une présentation pour montrer et expliquer votre chatbot à vos pairs et
enseignants.
### Ressources :
Vous pouvez utiliser l'API GPT-2 de TensorFlow pour le fine-tuning et la génération de
réponses de chatbot.<br />
Flask est une bibliothèque Python populaire pour le développement de serveurs web.<br />
Gradio propose des ressources et des exemples pour développer des interfaces
utilisateur interactives.
|