4438成人网丁香五月五月天,人人射人人摸,亚洲视频手机在线播放,国产精品污污网站免费,欧美操逼视频黑人,俺去也俺来了在线观看免费,黄a免费视频在线观看,青娱乐亚洲精品在线视频

點擊上方“程序員大白”，選擇“星標”公眾號

重磅干貨，第一時間送達

作者：?Brian Kane?@SeekWell

編譯：伍杏玲

來源： AI科技大本營（ID：rgznai100）

作為分析師，我花費大量時間編寫 SQL 來回復(fù)各類業(yè)務(wù)問題，如簡單的客戶查詢問題“用戶X是否有正確的計劃”，評估 KPI，增長指標“上個月有多少用戶注冊，轉(zhuǎn)換為付費用戶的百分比是多少”，預(yù)估問題“12 個月內(nèi)我們將獲得多少收入”。

為了讓我的工作更輕松，我盡量使用自動化來完成。盡管公司研發(fā)一些工具來幫助解決，但需要寫 SQL 代碼的話用當前工具很難自動化，GPT-3 來救駕！

GPT-3 是一種文本完成引擎，它接受輸入的文本并返回它認為接下來會出現(xiàn)的文本?，F(xiàn)在已經(jīng)有很多人使用它根據(jù)指定說明來生成 HTML、CSS 等代碼。

由于我的大部分工作是寫 SQL，所以我希望通過簡單的英語描述語句，GPT-3 將這些語句轉(zhuǎn)為 SQL 代碼。接著執(zhí)行該 SQL，等待頁面返回結(jié)果。

對我來說，GPT-3 Instruct（仍處于beta版）比更通用的 GPT-3 引擎更有效果，GPT-3 Instruct（尤其是davinci-instruct）可讓你給出 GPT-3 響應(yīng)的特定指令。下面我將詳細為大家展示下一些示例，其中 gif 里輸入問題由我生成，為綠色，GPT-3 將其轉(zhuǎn)換為SQL（由GPT-3生成，為藍色），我對 GPT-3 說明（黃色）和 GPT-3 示例（橙色）。

這是我給的第一條指令，一個問題以及GPT-3的回復(fù)：

說明：給定輸入問題，請使用語法正確的 PostgreSQL 進行響應(yīng)?？梢杂袆?chuàng)新，但 SQL 必須正確

輸入：how many users signed up in the past month?

GPT-3：

SELECT?COUNT(*)?FROM?users
WHERE?signup_time?>?now()?-?interval?'1?month'

我沒給過數(shù)據(jù)庫架構(gòu)，但假設(shè)我有一個名為“ users”的表，有“ signup_time”時間戳字段用于用戶注冊，這個符合邏輯。它知道在 PostgreSQL 中從今天的日期減去一個月的正確方法（now（）-間隔“ 1個月”）。太酷了！

為了給 GPT-3 提供更多的上下文，我將有關(guān)數(shù)據(jù)庫模式的信息添加到指令中。我的新指令：

說明：給定輸入問題，請使用語法正確的PostgreSQL進行響應(yīng)。僅使用“用戶”和“收費”的表?！坝脩簟北砭哂幸韵铝校篿d（整數(shù)），signup_dt（時間戳），電子郵件（字符變化）和plan_type（字符變化）。“費用”表中包含列：金額（bigint），user_id（整數(shù)）和charge_dt（時間戳）。

我問另一個問題，看看 GPT-3 是否可以根據(jù)實際數(shù)據(jù)庫來響應(yīng)：

輸入：how much revenue did we have in the past 7 days?

GPT-3：

SELECT?SUM(amount)?FROM?charges?WHERE?charge_dt?>?now()?-?interval?'7?days'

我向它提供了有關(guān)數(shù)據(jù)庫中表和列的更多信息，它正確地推斷出“ amount” =“ revenue”，并 SUM（）來統(tǒng)計 7 天收費后的金額，我們看到，它已知道一些基本的SQL語法，并推斷出我的意思。

用示例啟動GPT-3

我想需要通過一個簡單的示例來明確告知 GPT-3 表中的列，示例是提供 GPT-3上下文并充實一些細節(jié)的好方法，這有助于確定哪些列和表可以使用（GPT-3有時喜歡“發(fā)明”列）。這是我添加到提示中的示例：

輸入：select all available columns from users table.

輸出：

SELECT?id,?signup_dt,?email,?plan_type?FROM?users

輸入：select all available columns from charges table.

輸出：

SELECT?amount,?user_id,?and?charge_dt?FROM?charges

?將這些示例提供給 GPT-3，我將再問一個問題：

輸入：what was the largest payment amount made in the past 30 days?

GPT-3：

SELECT?MAX(amount)?FROM?charges?WHERE?charge_dt?>?NOW()?-?INTERVAL?'30?days'

它知道使用MAX（金額）來獲得最大的付款并正確設(shè)置日期條件，沒看到有關(guān)如何從當前日期減去天數(shù)的示例。我們再試試其他的：

輸入：when did user with email [email protected] make his last payment?

GPT-3：

SELECT?MAX(charge_dt)?FROM?charges?WHERE?user_id?=?1?AND?email?=?'[email protected]'

不太對，“收費”表中沒有電子郵件列，因此該查詢將失敗。我也從來沒有說過電子郵件=“ [email protected]”的用戶的user_id = 1-不知道從何而來。要正確回答該問題，必須將“收費”表與“用戶”表結(jié)合在一起，因為只有“用戶”有電子郵件列。

由于知道在users.id = Charges.user_id上聯(lián)接這些表是一個大的進步，所以我將給 GPT-3 一個“聯(lián)接”的示例：

輸入：when did jane@seekwell.io make her first payment?

輸出：

SELECT?MIN(charge_dt)?as?last_payment_dt?from?charges?LEFT?JOIN
users?ON?users.id?=?charges.user_id
WHERE?users.email?=?'[email protected]'

我再試一次：

輸入：when did user with email [email protected] make his last payment?

GPT-3：

SELECT?MAX(charge_dt)?as?last_payment_dt?from?charges?LEFT?JOIN?users?ON?users.id?=?charges.user_id?WHERE?users.email?=?'[email protected]'

根據(jù)示例，它變得太簡單了，它正確地更改了MIN（）→MAX（）并用我要求的電子郵件替換了該電子郵件。我們嘗試另一個難度級別，先加更多示例來提供更多背景信息并改善響應(yīng)。新的例子：

輸入：how many users signed up in the past 30 days?

輸出：

SELECT?COUNT(*)?FROM?users?WHERE?signup_dt?>=?now()?-?interval?'30?days'

輸入：when did user with email [email protected] sign up?

輸出：

SELECT?signup_dt?FROM?users?WHERE?email?=?'[email protected]'

輸入： how much revenue did we have in the past 7 days?

輸出：

SELECT?SUM(amount)?from?charges?WHERE?charge_dt?>=?now()?-?interval?'7?days'

輸入：how much revenue did we have from 10-01-20 through 11-15-20?

輸出：

SELECT?SUM(case?when?charge_dt>=?'10-01-20'::date?and?charge_dt?'11-15-20'::date?then?amount?else?0?end)?as?revenue
FROM?charges

輸入：how much revenue have we had from users that signed up in the last 6 months?

輸出：

SELECT?SUM(charges.amount)?FROM?users?INNER?JOIN
charges?ON?users.id?=?charges.user_id
WHERE?users.signup_dt>=?now()?-?interval?'6?months'

輸入：when did user with email [email protected] make his first payment?

輸出：

SELECT?MIN(charge_dt)?as?last_payment_dt?from?users?INNER?JOIN
charges?ON?users.id?=?charges.user_id
WHERE?users.email?=?'[email protected]'

輸入：how many new users signed up in each of the last 2 months?

輸出：

SELECT?sum(case?when?signup_dt>=?now()?-?interval?'1?month'?then?1?else?0?end)?as?signups_this_month,
sum(case?when?signup_dt>=?now()?-?interval?'2?months'?and?signup_dt?now()?-?interval?'1?month'??then?1?else?0?end)?as?signups_last_month
FROM?users

這些示例為它提供了一些基本查詢，因此它更加熟悉我的數(shù)據(jù)庫以及用例的特定術(shù)語和概念（例如，“付費用戶”表示其plan_type =“ pro”）。我還介紹了匯總兩個日期之間的指標（收入）。我們繼續(xù)加深難度：

輸入：how many payments has user with email [email protected] made?

GPT-3：

SELECT?COUNT(*)?FROM?users?INNER?JOIN??charges?ON?users.id?=?charges.user_id?WHERE?users.email?=?'[email protected]'

GPT-3認為這里的COUNT（）是適當?shù)谋磉_式，知道將“用戶”與“收費”表結(jié)合在一起，并將電子郵件正確設(shè)置為我所詢問的電子郵件。GPT-3的另一個問題：

輸入：how much revenue have we received from users with an email ending in 'seekwell.io' in the last 3 months?

GPT-3：

SELECT?SUM(charges.amount)?FROM?users?INNER?JOIN?charges?ON?users.id?=?charges.user_id?WHERE?users.email?LIKE?'%seekwell.io%'?AND?users.signup_dt>=?now()?-?interval?'3?months'

太棒了，它知道將“以seekwell.io結(jié)尾的電子郵件”在SQL中轉(zhuǎn)換為“ users.email LIKE'％seekwell.io％'”（即使之前從未見過），并對與此匹配的用戶收取了所有費用的總和健康）狀況。還有一個：

輸入：how much revenue did we have between June 1st and August 1st 2020?

GPT-3：

SELECT?SUM(case?when?charge_dt?>=?'06-01-2020'::date?and?charge_dt?'08-01-2020'::date?then?amount?else?0?end)?as?revenue?FROM?charges

我已經(jīng)教過它如何從10-01-20到11-15-20來獲取收入，所以它要容易一些，它確實知道將6月1日和8月1日轉(zhuǎn)換為SQL中適當?shù)娜掌诟袷剑?06- 01-2020”和“ 08-01-2020”）。如果它只是用“ 6月1日”和“ 8月1日”替換了我示例中的日期，我它不是在獲取日期的概念，只是將模式匹配到最接近的示例。有了這個結(jié)果，我可以知道GPT-3至少在某種程度上了解了日期的概念。

將 GPT-3 “玩壞了”

剛才我列舉的例子都是關(guān)于用戶、收入和增長指標等基本問題，GPT-3 處理得很好。現(xiàn)在我想知道有多少用戶轉(zhuǎn)換為付費用戶：

輸入：what percent of users who signed up converted to paid?

GPT-3：

SELECT?COUNT()?as?total_users,?COUNT()?as?total_paid_users,?100.0*(COUNT()?as?total_paid_users)?/?COUNT()?as?total_users?AS?percent_converted?FROM?users

這不是我想要的，絕對不是正確的SQL。它不理解“百分比”的概，它僅是 COUNT（）并乘以100。我使用“百分比”來試驗下：

輸入：what percent of users have an email ending in 'gmail.com'?

輸出：

SELECT?SUM(CASE?WHEN?email?like?'%gmail.com'?then?1?else?0?end)/COUNT(*)?as?percent_gmail
FROM?users

當我嘗試相同的問題時，我得到：

輸入：what percent of users who signed up converted to paid?

GPT-3：

SELECT?SUM(CASE?WHEN?plan_type?=?'pro'?THEN?1?else?0?end)/COUNT(*)?as?percent_paid?FROM?users

整潔多了，它知道將plan_type ='pro'的用戶數(shù)除以用戶總數(shù)即可得到我要求的百分比。我還可以向部分用戶（例如最近6個月內(nèi)注冊的用戶）詢問相同的問題，并獲得準確的答復(fù)：

輸入：what percent of users that signed up in the past 6 months converted to paid?

GPT-3：

SELECT?SUM(CASE?WHEN?plan_type='pro'?THEN?1?ELSE?0?END)/COUNT(*)?AS?percent_paid?FROM?users?WHERE?users.signup_dt>=?now()?-?interval?'6?months'

調(diào)整 GPT-3 的參數(shù)

除了給GPT-3提供指導(dǎo)和示例外，還可以調(diào)整參數(shù)來提高 GPT-3 的有效性。其中關(guān)鍵要素是“Temperature”，它轉(zhuǎn)化為GPT-3在響應(yīng)中包含多少隨機性。如果只需要最高的概率響應(yīng)（即無隨機性），則將?Temperature 設(shè)置為0。

以“最近兩個月的每個月我們有多少收入？”提示為例，將Temperature 設(shè)置為.8的話：

輸入： how much revenue did we have in each of the last 2 months?

Temperature為.8時 GPT-3：

SELECT?SUM(case?when?charge_dt>=?now()?-?interval?'1?month'??then?charges.amount?else?0?end)?as?revenue_this_month,?CASE?WHEN?signup_dt>=?now()?-?interval?'2?months'?AND?signup_dt?now()?-?interval?'1?month'?THEN?SUM(charges.amount)?else?0?end?as?revenue_last_month?FROM?charges??LEFT?OUTER?JOIN?users?ON?users.id?=?charges.user_id?\?WHERE?users.signup_dt?>=?now()?-?interval?'1?month'

將Temperature 設(shè)置為較低的.3，可提供一個有效的查詢，并回答以下問題：

輸入：how much revenue did we have in each of the last 2 months?

Temperature為.3時 GPT-3：

SELECT?SUM(case?when?charge_dt>=?now()?-?interval?'1?month'?then?amount?else?0?end)?as?revenue_this_month,?SUM(case?when?charge_dt>=?now()?-?interval?'2?months'?and?charge_dt?now()?-?interval?'1?month'?then?amount?else?0?end)?as?revenue_last_month?FROM?charges

更高的Temperature 讓 GPT-3 ?變得更具“創(chuàng)造力”，但也使它過于復(fù)雜并給出了幾乎沒有意義的響應(yīng)。Temperature 設(shè)置為.3，響應(yīng)將問題正確轉(zhuǎn)換為SQL。

根據(jù)我的經(jīng)驗，如果你問的問題遵循的是示例所建立的模式，則較低的Temperature往往會表現(xiàn)得更好。但是，如果您要問一些需要更多創(chuàng)造力的問題，則更高的Temperature是最佳選擇，因為GPT-3更有可能嘗試未明確教導(dǎo)的事情。

在下面的案例中，我問：“過去6個月內(nèi)注冊的用戶給我們帶來了多少收入？” （從我的示例中刪除之后）。在較低的Temperature下，GPT-3嘗試在“ charges”表中創(chuàng)建一個“ signup_dt”列，因此不必將“ users”表和“ charges”表連接在一起。隨著 Temperature 的升高，它確實加入了，這是Temperature設(shè)置為.8的響應(yīng)：

輸入：how much revenue have we had from users that signed up in the last 6 months?

Temperature為.8時 GPT-3：

SELECT?SUM(charges.amount)?FROM?users?INNER?JOIN?charges?ON?users.id?=?charges.user_id?WHERE?signup_dt?>=?DATE_SUB(now(),?INTERVAL?'6?months')

可以肯定的是，“ DATE_SUB（now（），INTERVAL'6 months'）”不是一個有效的Postgres表達式，因此該查詢在技術(shù)上將失敗。但是從結(jié)構(gòu)上講，它通過加入“ charges”和“ users”而處于正確的道路上，因此可以以“ signup_dt”為條件。同時，使用“ charges”表中實際上不存在的“ signup_dt”列，.Temperature設(shè)置為.2時響應(yīng)完全不正確：

輸入：how much revenue have we had from users that signed up in the last 6 months?

Temperature為.2時 GPT-3：

SELECT?SUM(CASE?WHEN?signup_dt?>=?now()?-?interval?'6?months'?THEN?amount?ELSE?0?END)?AS?revenue?FROM?charges

結(jié)論

GPT-3 實例會根據(jù)簡單的英語問題，將其轉(zhuǎn)換為數(shù)據(jù)庫真正有效的SQL。它不總是完美，對“增長率”或“百分比”等復(fù)雜的概念仍然需要一些人工幫助，但是它對我的日常工作是有用，對于簡單的SQL，GPT-3 能幫忙減輕我的負擔(dān)，并且對于不熟悉 SQL 語法的初學(xué)者很有用。

這個項目的代碼傳送門：https://github.com/bkane1/gpt3-instruct-sandbox

原文鏈接：https://blog.seekwell.io/gpt3

推薦閱讀
國產(chǎn)小眾瀏覽器因屏蔽視頻廣告，被索賠100萬（后續(xù)）
年輕人“不講武德”：因看黃片上癮，把網(wǎng)站和786名女主播起訴了
中國聯(lián)通官網(wǎng)被發(fā)現(xiàn)含木馬腳本，可向用戶推廣色情APP
張一鳴：每個逆襲的年輕人，都具備的底層能力

關(guān)于程序員大白

程序員大白是一群哈工大，東北大學(xué)，西湖大學(xué)和上海交通大學(xué)的碩士博士運營維護的號，大家樂于分享高質(zhì)量文章，喜歡總結(jié)知識，歡迎關(guān)注[程序員大白]，大家一起學(xué)習(xí)進步！

告別手敲 SQL ？GPT-3 自動幫你寫

用示例啟動GPT-3

將 GPT-3 “玩壞了”

調(diào)整 GPT-3 的參數(shù)

結(jié)論