最新

我们将基于GPT的语义搜索与人力资源招聘相结合。人工智能进行初步筛选，人类招聘人员进行验证并与候选人沟通，随后候选人录制一段60秒的自我介绍。早期用户将招聘时间从约30天缩短至约12天。技术栈包括：Pinecone、NextJS、OpenAI。欢迎提问：排名模型、视频参与率或扩展招聘人员的工作量。

你好，我是Dulra。我坚信推动人类进步的重要性。 我们正处于一个关键时刻：人工智能驱动的应用程序每天生成数亿条提示，给组织带来了数百万的令牌费用，并造成了治理上的困扰。 每一个浪费的字词在规模上都会产生累积效应——无论是在聊天机器人、摘要生成器、代码助手还是虚拟代理中——因此，提升提示的效率不仅是一个可有可无的选择，而是一个战略上的必要。 通过将提示视为一流资产，我们可以将大型语言模型的使用成本降低多达60%，消除合规风险，并解锁新的多模型工作流程，使我们在超过2000亿美元的人工智能市场中保持领先。 这就是我对提示效率套件感到兴奋的原因——这是一个首创的平台，将提示工程转变为一种战略性的企业级能力，使每个团队都能在规模上优化成本、质量和合规性。

最多11个字符。也许这是常识，但我觉得这很有趣。故意的吗？

最近，我们的一位客户告诉我们他们如何使用一些常见的数据分类工具，以及他们如何运用经典的机器学习。这种操作相当繁琐，尤其是在本地部署时。 我提出了一个想法，创建一个快速的概念验证，开发一个使用GPT的分类服务。这个服务非常容易托管和维护。您可以根据使用情况和环境更换底层的模型和提供者。 我认为将其开源并发布出去是个不错的主意。 目标是，您只需运行以下命令： ``` docker run -p 8083:8083 -e OPENAI_API_KEY=your_openai_key ghcr.io/adaptive-scale/superclass:latest ``` 分类服务便可以立即使用。 该实现支持文本文件、PDF、DOCX、PPTX、JPEG、PNG等图像格式。此外，容器化服务意味着所有依赖项，如Tesseract和文档处理库，都已集成在容器中。您只需将分类作为服务运行即可。 我刚刚验证了一些用例，对我来说效果很好。也许对其他人来说也非常有用。 欢迎随时给我反馈。