[요약] ChatGPT를 통한 파이썬 자동화 :: with AI

> English Summary

 

[ 요약 ]

이 동영상에서는 자동화를 위해 Python을 사용하는 방법을 설명합니다.
첫 번째 사용 사례는 웹페이지 또는 블로그 기사에서 헤더를 추출하여 스페인어로 번역한 후 보기 위해 HTML 파일에 저장하는 것입니다.
두 번째 사용 사례는 다운로드 폴더에서 30일 이상 사용하지 않은 파일을 식별하여 "2D 삭제"라는 새 폴더로 이동하는 것입니다.
이 프로그램은 ChatGPT의 API를 사용하여 두 가지 사용 사례에 대한 Python 스크립트를 생성합니다.
Python은 서버, 클라우드 플랫폼, API 및 운영 체제와 대화할 수 있는 방대한 라이브러리 에코시스템으로 인해 자동화를 독점하고 있습니다.
모든 프로그래밍 언어에는 특정 영역에서 차별화되는 강점이 있습니다.
예를 들어 Java는 엔터프라이즈 소프트웨어에, JavaScript는 웹 애플리케이션에, Python은 자동화에 적합합니다.
OpenAI API를 사용하려면 먼저 해당 플랫폼에서 계정을 생성한 다음 API 키를 생성합니다.
이 키는 API 호출을 사용자 계정과 연결합니다.
이 키는 Python 프로그램에서 필요하므로 안전하고 접근하기 쉬운 곳에 복사하여 붙여넣으세요.
Python에 익숙하지 않은 경우 구문과 기본 사항을 배울 수 있는 튜토리얼이 있습니다.
Python으로 작업하려면 Python 패키지 관리자 pip와 함께 로컬에 설치해야 합니다.
Python 스크립트를 위한 별도의 폴더를 만들어야 하며, 스크립트는 Visual Studio Code와 같은 텍스트 편집기에서 작성할 수 있습니다.
OpenAI의 API와 상호 작용하려면 일반 요청 라이브러리를 사용하거나 보다 간단한 하이레벨 코드를 제공할 수 있는 OpenAI 라이브러리를 설치하여 사용할 수 있습니다.
OpenAI는 최신 라이브러리이므로 구문이 변경될 수 있으며, 요청 라이브러리를 사용하면 기본 요청에 대해 더 간단한 솔루션을 제공합니다.
그런 다음 사용자는 두 라이브러리의 공식 문서를 참조하여 API 요청에 사용할 수 있는 객체와 메서드를 학습할 수 있습니다.
OpenAI 라이브러리도 사용할 수 있지만 다용도로 사용할 수 있는 요청 라이브러리를 사용하는 것이 좋습니다.
첫 번째 단계는 해당 설명서를 참조하여 OpenAI의 API 엔드포인트를 찾는 것입니다.
프롬프트 및 완료 섹션에서 필요한 엔드포인트를 찾을 수 있습니다.
API 키는 인증에도 필요하지만 스크립트에 하드 코딩되어서는 안 됩니다.
마지막으로 API에서 데이터를 다시 가져오려면 포스트 요청이 필요합니다.
올바른 사용법을 위해 설명서를 따르는 것이 중요합니다.
독자는 OpenAI 설명서를 참조하여 API를 이해하고 그에 따라 사용해야 합니다.
요청 라이브러리를 사용하여 Python으로 포스트 요청을 하려면 API 엔드포인트와 메타데이터 및 실제 요청 내용을 포함하여 전송할 정보를 정의해야 합니다.
메타데이터에는 일반적으로 요청의 헤더로 전송되는 인증용 API 키가 포함됩니다.
API 키에 대한 참조를 변수에 저장하면 코드를 더 깔끔하게 정리할 수 있습니다.
제공된 예제 요청은 참조로 사용하거나 편의를 위해 복사할 수 있습니다.
요청을 만드는 데 openai 라이브러리도 사용할 수 있지만 여기에 언급된 간단한 사용 사례의 경우 요청 라이브러리로 충분합니다.
요청을 실행하려면 API 엔드포인트와 헤더를 파라미터로 사용하여 post 메서드를 사용할 수 있습니다.
API 엔드포인트에 요청을 하기 위해서는 사용하고자 하는 모델, 즉 Open AI의 머신러닝 모델과 같은 정보가 포함된 요청 본문을 제공해야 합니다.
텍스트 다빈치 003 모델은 가장 성능이 뛰어나며 복잡한 작업을 처리할 수 있습니다.
하지만 Open AI에는 코딩 예제를 위한 codex라는 모델 그룹도 있습니다.
이 모델은 방대한 양의 오픈 소스 코드로 학습되었으며 Python 및 기타 언어에 능숙합니다.
잠재력은 있지만 테스트에서 일관된 성능을 보여주지는 못했습니다.
요청 매개변수의 경우 API 엔드포인트와 통신하고 필요한 것을 요청하기 위한 다양한 옵션을 포함할 수 있습니다.
독자는 Open AI 웹사이트를 방문하여 프로젝트에서 개발하여 사용하는 다양한 AI 도구를 살펴볼 수 있습니다.
이 동영상에서 내레이터는 예제에서 Text DaVinci 003이라는 GPT-3 모델을 사용한다고 설명합니다.
그러나 다른 모델 이름으로 바꾸어 결과를 비교할 수 있다고 언급합니다.
프롬프트는 API에 정확히 무엇을 해야 하는지 알려주는 요청의 주요 부분이며, 텍스트를 생성할 때 API 모델의 동작을 제어하는 두 가지 중요한 매개 변수는 최대 토큰과 온도입니다.
내레이터는 최대 토큰을 100으로 설정하고 온도를 0.5로 설정했는데, 이는 절반은 창의적이고 절반은 예측 가능한 값입니다.
요청 데이터가 수집되면 API에 연결하여 응답을 얻을 수 있습니다.
독자는 모델 이름만 바꿔가며 다양한 모델을 테스트하고 비교해 보시기 바랍니다.
이 문서에서는 Python 스크립트를 사용하여 OpenAI API에 연결하는 방법에 대해 설명합니다.
인증과 함께 OpenAI에 요청을 보내고 JSON 형식의 응답을 받는 과정을 설명합니다.
또한 요청 오류를 처리하고 오류 메시지를 출력하는 방법을 보여줍니다.
마지막으로 Python 스크립트를 실행하고 필요한 라이브러리를 설치하는 방법에 대한 지침을 제공합니다.
독자는 설명된 단계를 따라 Python을 사용하여 OpenAI API에 연결할 것을 권장합니다.
이 자습서에서는 강사가 OpenAI의 다빈치 텍스트 모델 API에 연결하기 위해 Python 코드에서 요청 라이브러리를 설치하고 사용하는 방법을 설명합니다.
또한 Python 스크립트를 실행하고 JSON 객체를 처리하여 속성에서 원하는 값을 추출하는 방법도 다룹니다.
또한 API에 현재 날짜를 인쇄하기 위한 Python 코드를 생성하도록 요청하는 예제가 제공됩니다.
강사는 독자가 객체와 배열에 익숙하지 않은 경우 Python 강좌에 등록할 것을 권장합니다.
독자는 예제를 사용해 보고 다른 프롬프트를 사용하여 API를 테스트할 수 있습니다.
이 문서에서는 프롬프트를 조정하여 추가 텍스트 없이 프로그래밍 방식으로 API에서 Python 코드를 추출하는 방법에 대해 설명합니다.
이 문서에서는 사용 사례를 입력하기 위해 실행될 때 Python 애플리케이션에 대한 명령줄 인수를 구문 분석하기 위해 Python의 기본 제공 라이브러리인 Arcparse를 사용할 것을 권장합니다.
이 문서에서는 사용자 입력을 읽고 이를 API에 인수로 전달하는 샘플 코드를 제공합니다.
독자는 이 접근 방식을 따라 사용자 입력을 인수로 사용하여 API의 프롬프트를 매개변수화해야 합니다.
이 Python 튜토리얼에서는 값 프롬프트가 변수에 할당되어 문자열 내에서 사용됩니다.
argparse 모듈은 명령줄 인수를 구문 분석하고 프롬프트 이름으로 입력을 등록하는 데 사용됩니다.
스크립트를 실행하려면 인수를 제공해야 하며, 그렇지 않으면 오류가 발생합니다.
스크립트 출력은 콘솔에 인쇄하는 대신 파일에 저장할 수 있습니다.
스크립트는 프롬프트를 입력으로 전달하도록 매개변수화되어 있으며, 스크립트를 완료하려면 두 단계를 추가로 거쳐야 합니다.
첫 번째 단계는 스크립트 출력을 복사하여 새 파일을 만드는 대신 별도의 Python 스크립트 파일에 저장하는 것입니다.
두 번째 단계는 API 키를 환경 변수로 추출하는 것입니다.
예제 사용 사례는 블로그 글에서 헤더를 추출하여 번역하고 다운로드 폴더에서 오래된 파일을 정리하는 것입니다.
제공된 스크립트를 사용하면 다른 사용 사례에도 쉽게 적용할 수 있습니다.
이 튜토리얼에서는 작성자가 Python 자동화 스크립트를 생성할 수 있는 Python 스크립트를 만드는 방법을 설명합니다.
이 스크립트는 Python에서 파일을 만들고 쓰는 방법을 보여줍니다.
또한 명령줄 인수를 사용하여 다양한 사용 사례를 가진 파일을 읽고 쓰는 방법도 보여줍니다.
또한 스크립트에서는 시스템에서 환경 변수를 추출하고 이를 Python 코드에서 사용하여 API 키를 안전하게 유지하는 방법을 보여줍니다.
마지막으로 저자는 스크립트를 사용하여 블로그 게시물에서 헤더를 추출하고 스페인어로 번역한 다음 HTML 파일에 저장하는 방법에 대한 예제를 제공합니다.
독자는 지침에 따라 스크립트를 사용하여 다양한 종류의 Python 자동화 스크립트를 생성하여 자동화 문제를 해결할 수 있습니다.
이 스크립트는 스페인어 웹 페이지의 문장을 추출하는 파이썬 코드를 생성하고 그 결과를 HTML 파일에 저장합니다.
"최대 토큰" 매개 변수의 제한이 충분하지 않아 생성된 코드가 완전하지 않으므로 500으로 늘려야 합니다.
또한 웹 페이지의 정보를 추출하기 위해 Python Beautiful Soup 라이브러리를 사용하고 번역을 위해 Google 번역을 사용합니다.
독자는 필요에 따라 생성 된 코드를 조정하고 자신의 블로그 기사 예제로 시도해야합니다.
이 문서에서는 Python 스크립트에서 무료 Google 번역 API를 사용하여 텍스트를 번역하는 이점에 대해 설명합니다.
코드 섹션에서는 번역기를 시작하고 헤더 텍스트를 스페인어로 번역하여 번역된 헤더가 포함된 HTML 파일을 만듭니다.
그러나 헤더 및 제목의 계층 구조를 유지하려면 조정이 필요합니다.
스크립트를 실행하기 전에 필요한 라이브러리 및 종속성을 설치하는 것이 중요합니다.
테스트 중에 누락된 속성 이름을 나타내는 오류가 발생했습니다.
문제를 파악하려면 코드를 디버깅하는 것이 필수적입니다.
독자는 지침에 따라 Python 스크립트에서 Google 번역 API를 실험해 볼 것을 권장합니다.
이 문서에서 저자는 Google 번역 라이브러리를 사용하여 Python 스크립트에서 헤더를 번역하는 방법에 대한 자세한 설명을 제공합니다.
번역된 텍스트와 헤더 이름으로 사전 객체를 생성한 다음 배열에 추가하는 방법을 보여줍니다.
또한 저자는 웹 브라우저에서 번역된 HTML 파일을 보는 방법을 보여줍니다.
두 번째 사용 사례에서는 30일이 지난 파일을 '삭제할' 폴더로 이동하는 프로세스를 자동화하기 위한 Python 코드를 생성하는 방법을 설명합니다.
본문 마지막에는 독자가 직접 이러한 기술을 시도해 보도록 권장합니다.
이 동영상에서는 전문가가 30일이 지난 파일을 '삭제할' 파일로 이동하여 다운로드 폴더를 정리하는 Python 스크립트를 생성했습니다.
이 스크립트는 OS, shutil, datetime의 세 가지 라이브러리를 사용하며, '삭제할' 파일이 이미 존재하는지 확인하고, 존재하지 않는 경우 파일을 생성한 다음 shutil을 사용하여 이전 파일을 이동하는 명확한 논리를 따릅니다.
전문가가 스크립트를 실행하고 의도한 대로 작동하는지 확인했습니다.
이 동영상에서는 자동화 사용 사례를 위한 사용자 지정 Python 스크립트를 생성할 수 있는 프로그램도 언급합니다.
전문가는 시청자가 동영상에 댓글을 달고 배운 내용을 공유하도록 권장합니다.
시청자가 직접 스크립트와 프로그램을 사용해 프로세스를 자동화해 보도록 권장합니다.
전문가는 파이썬 자동화 API의 효과에 대한 피드백을 요청하고 독자들에게 가치 있고 실용적인 사용 사례를 공유하도록 초대합니다.
독자는 API 사용 경험에 대한 인사이트를 제공하고 발생한 문제를 공유하도록 요청받습니다.

 

반응형

 

 

 

Python Automation with ChatGPT

https://www.youtube.com/watch?v=w-X_EQ2Xva4 

 

 

 

[ Summary ]

In the video, the audience is taught how to use Python for automation.
The first use case involves extracting headers from a webpage or blog article, translating them to Spanish, and saving them in an HTML file for viewing.
The second use case involves identifying files in the downloads folder that have not been used in over 30 days and moving them to a new folder called "2D delete".
The program uses ChatGPT's API to generate Python scripts for the two use cases.
Python has a monopoly on automation because of its vast library ecosystem that can talk to servers, Cloud platforms, APIs and operating systems.
The audience is encouraged to subscribe to the channel for more free content.
Readers can try out the cool and exciting use cases themselves.
Every programming language has its strengths in one particular area that differentiates it.
For example, Java is good for enterprise software, JavaScript for web applications, and Python for automation.
To use the OpenAI API, first, create an account on their platform and then generate an API key.
This key will associate the API call with your user account.
Copy and paste the key somewhere safe and accessible because it will be needed in the Python program.
If you're unfamiliar with Python, there are tutorials available to learn its syntax and basics.
To work with Python, one needs to have it installed locally along with the Python package manager, pip.
A separate folder for the Python scripts should be created, and the script can be written in a text editor like Visual Studio Code.
To interact with OpenAI's API, one can either use the generic requests library or install and use the OpenAI library, which can provide a more straightforward high-level code.
As OpenAI is a newer library, the syntax may change, and using the requests library provides a simpler solution for basic requests.
The user can then refer to the official documentation of either library to learn the available objects and methods to make API requests.
The OpenAI library can be used, but the request library is recommended for its versatility.
The first step is to find the API endpoint for OpenAI by referring to their documentation.
The prompts and completions section is where the endpoint needed is located.
The API key is also necessary for authentication, but it should not be hard-coded in the script.
Finally, a post request is required to get data back from the API.
It is essential to follow the documentation for the correct usage.
The reader should refer to the OpenAI documentation to understand their API and use it accordingly.
To make a post request in Python with the requests library, we need to define the API endpoint and the information we are sending, which includes metadata and the actual request contents.
The metadata usually includes the API key for authentication, which is sent as headers in the request.
A reference to the API key can be stored in a variable for cleaner code.
The example request provided can be used as a reference or copied for convenience.
The openai library can also be used for making requests, but for the simple use case mentioned here, the requests library is sufficient.
To execute the request, we can use the post method with the API endpoint and headers as parameters.
To make a request to an API endpoint, we need to provide a request body that includes information like the model we want to use, which is the machine learning model of Open AI.
The text DaVinci 003 model is the most capable and can handle complex tasks.
However, Open AI also has a model group called codex, specifically for coding examples.
It has been trained with extensive amounts of open source code and is proficient in Python and other languages.
While it has potential, it did not perform consistently in tests.
As for the request parameters, we can include different options to communicate with the API endpoint and ask for what we need.
Readers can visit the Open AI website to explore the various AI tools they have developed and use in their projects.
In this video, the narrator explains that they will be using the GPT-3 model called Text DaVinci 003 for their example.
However, they mention that you can replace it with any other model name and compare the results.
The prompt is the main part of the request that tells the API exactly what to do, and two important parameters are Max Tokens and Temperature, which control the behavior of the API model when generating text.
The narrator sets Max Tokens to 100 and Temperature to 0.5, which is half creative and half predictable.
Once the request data is pieced together, it can be connected to the API to get a response.
The reader is encouraged to test and compare different models by simply replacing the model name.
The article discusses how to connect to OpenAI API using Python script.
It explains the process of sending requests to OpenAI with authorization and receiving JSON format response.
Additionally, it demonstrates how to handle request errors and print error messages.
Finally, it provides instructions on how to execute Python scripts and install the necessary libraries.
The reader is encouraged to follow the steps outlined to connect to OpenAI API using Python.
In this tutorial, the instructor explains how to install and use requests library in Python code in order to connect to the DaVinci text model API of OpenAI.
The tutorial also covers how to execute the Python script and handle JSON objects to extract the desired values from its attributes.
Additionally, an example is given where the API is asked to generate Python code for printing the current date.
The instructor encourages the readers to enroll in their Python course if they are not familiar with objects and arrays.
Readers may try out the example and test the API with different prompts.
The article discusses how to extract Python code from an API programmatically without the additional text by adjusting the prompt.
The article recommends using Arcparse, a built-in library in Python, to parse the command-line arguments to the Python application when executed to input any use cases.
The article provides a sample code to read user input and pass it as an argument to the API.
The reader should follow this approach to parameterize the API's prompt by taking the user input as an argument.
In this Python tutorial, the value prompt is assigned to a variable and used within a string.
The argparse module is used to parse command line arguments and register input with the name of prompt.
The executed script requires an argument to be provided, otherwise an error will occur.
The script output can be saved to a file instead of printing to the console.
The script is parameterized to pass prompt as an input, with two additional steps required to complete the script.
The first step is to save the script output into a separate Python script file instead of copying and creating a new file.
The second step is to extract the API key into an environment variable.
The example use cases mentioned are extracting headers from a blog article and translating it, and cleaning up old files from the downloads folder.
The provided script allows for easy adaptation to other use cases.
In this tutorial, the author explains how to create a Python script that can generate Python automation scripts.
The script demonstrates how to create and write to a file in Python.
It also shows how to read and write to files with different use cases using command line arguments.
Additionally, the script demonstrates how to extract environment variables from your system and use them in your Python code to keep your API key secure.
Finally, the author provides an example of how to use the script to extract the headers from a blog post, translate them into Spanish, and save them to an HTML file.
As a reader, you can follow the instructions and use the script for generating different kinds of Python automation scripts to solve your automation problems.
El script generará código de python para extraer los encabezados de un página web en español y guardar el resultado en un archivo HTML.
El código generado no está completo debido a que el parámetro "Max tokens" no tiene suficiente límite, por lo que se debe aumentar a 500.
También se utiliza la biblioteca de Python Beautiful Soup para extraer la información de la página web, y Google Translate para traducirla.
El lector deberá ajustar el código generado según sea necesario y probarlo con su propio ejemplo de artículo de blog.
The article discusses the benefits of the free Google translate API in Python scripts to translate text.
The code section initiates the translator and translates header text to Spanish, creating an HTML file with the translated headers.
However, adjustments are needed to preserve the hierarchy of headers and titles.
Installing necessary libraries and dependencies is crucial before executing the script.
An error was encountered during the test, suggesting a missing attribute name.
Debugging the code is essential to determine the issue.
The reader is encouraged to follow the instructions and experiment with the Google translate API in Python scripts.
In this text, the author provides a detailed explanation of how to translate headers in a Python script using the Google Translate library.
They show how to create a dictionary object with the translated text and header name, which is then appended to an array.
Additionally, the author demonstrates how to view the translated HTML file in a web browser.
In the second use case, they explain how to generate Python code for automating the process of moving files older than 30 days to a "to delete" folder.
At the end of the text, the reader is encouraged to try out these techniques on their own.
In this video, the expert generated a Python script to clean up the downloads folder by moving files older than 30 days to a "to delete" file.
The script uses three libraries - OS, shutil, and datetime - and follows a clear logic that checks if the "to delete" file already exists, creates it if not, and moves the old files using shutil.
The expert executed the script and verified that it worked as intended.
The video also mentions a program that can generate custom Python scripts for automation use cases.
The expert encourages viewers to comment on the video and share what they learned.
The reader is encouraged to try the script and program themselves to automate their processes.
The expert requests feedback on the effectiveness of the python automation API and invites readers to share valuable and practical use cases.
Readers are asked to provide insight on their experience using the API and share any issues they may have encountered.
The expert expresses gratitude for the readers' time and looks forward to covering additional examples in future videos.