基于GPT3的低码无模型推荐系统

推荐系统在我们每天互动的许多产品和服务中都非常成功。比如，谷歌Play上安装的应用程序有40%，YouTube上60%的观看时间来自推荐。更不用说大家熟知的TikTok推荐系统了。

传统上，要构建一个基于ML的推荐系统，需要几个组件和阶段，如候选对象的生成、评分、排名。在候选生成方面，基于内容的过滤、协同过滤和深度神经网络(DNN)等常用方法在许多材料中都有很好的介绍。

现在，作为GPT3探索的一部分，我们在这里演示了一种低代码、无ML的方法(是的，无需模型培训和部署)来构建电影推荐器，以帮助用户查找给定特定电影或电视节目标题作为输入的相关或类似电影。

如果你不熟悉GPT3，它以它的学习机会少而闻名。无需收集和处理大量数据来训练您的模型，您可以利用预先训练的模型(GPT3作为服务)，然后只需提供几个基本事实示例来获得新输入的预测。有关示例、输入、输出和提示的概念的更多详细信息，请查看我以前的博客，其中有解释和示例。

对于此演示，输入是A列中的那些电影和电视标题，而它们的输出填充在B列中。如以下屏幕截图中突出显示的那样，A2：B10中的单元格是将用于预测的镜头/示例，而单元格A11将是新的输入。将A2：B10和A11结合起来，形成OpenAI API调用的提示符。

只需几个精心制作的示例👆，我就能够通过OpenAI API对类似的电影/电视做出一个不错的预测。

到目前为止，在没有培训模特的情况下就能获得相关的电影和电视预测，这是相当酷的。为了建立一个端到端的“你也可能喜欢”的功能，我们为什么不把他们带到一个更生动的演示现场呢？

我的灵感来自于Airtable，您可以在其中利用丰富的功能/公式来填充单元格和表格。例如，我们可以将图像/电影海报作为附件添加到单元格中(请参见下面的屏幕截图)，并将整个表中的记录作为图库查看(类似于前端)。

然后，使用数据块功能，我们可以在表格中启用类似APP的功能。在本例中，我们有一个块(👆屏幕截图的右侧)来捕获输入，并在后台运行一个简单的javascript函数来管理对OpenAI API的API调用以进行预测，然后从IMDB获取电影/电视元数据，最后解析元数据以在表中创建记录以供查看。

有了上面的工作流程，我们有了一个基本的低代码，没有ML设置来在不到一天的时间内用GPT3和Airtable构建我们的端到端电影推荐应用程序。想一想，用传统的方式需要付出多少努力。

无代码/低代码移动正在发生，自动化ML/AI正在蓬勃发展，AWS和GCP等托管云服务使这些服务更易于访问，更易于构建应用程序和解决方案。OpenAI API和GPT3作为服务给了我们一个新的视野，让我们重新思考什么是可能的。

希望这个博客能激励您探索、利用、构建原型，并将强大的GPT3API集成到您的应用程序中。如果您有任何问题或想了解更多关于此项目的信息，请随时联系我。