fix: check broken paths

matrixx136 · Nov 12, 2023 · acee0a4 · acee0a4
1 parent 7f6ce0c
commit acee0a4
Show file tree

Hide file tree

Showing 3 changed files with 9 additions and 16 deletions.
diff --git a/03-using-generative-ai-responsibly/translations/pt-br/README.md b/03-using-generative-ai-responsibly/translations/pt-br/README.md
@@ -1,6 +1,6 @@
 # Usando a IA Generativa de Forma Responsável
 
-[![Usando a IA Generativa de Forma Responsável](../../images/genai_course_3[77].png?WT.mc_id=academic-105485-koreyst)]() 
+[![Usando a IA Generativa de Forma Responsável](../../images/03-lesson-banner.png?WT.mc_id=academic-105485-koreyst)]() 
 
 > **Vídeo em Breve**
 

diff --git a/04-prompt-engineering-fundamentals/translations/pt-br/README.md b/04-prompt-engineering-fundamentals/translations/pt-br/README.md
@@ -1,6 +1,6 @@
 # Fundamentos de Engenharia de Prompt
 
-[![Prompt Engineering Fundamentals](../../img/04-lesson-banner.png?WT.mc_id=academic-105485-koreyst)](https://youtu.be/r2ItK3UMVTk?WT.mc_id=academic-105485-koreyst)
+[![Prompt Engineering Fundamentals](../../images/04-lesson-banner.png)](https://youtu.be/r2ItK3UMVTk?WT.mc_id=academic-105485-koreyst)
 
 A forma como você escreve seu prompt para o LLM importa. Um prompt cuidadosamente elaborado pode alcançar um resultado melhor do que um que não é. Mas o que são esses conceitos, prompt, Engenharia de Prompt e como posso melhorar o que envio para o LLM? Perguntas como essas são o que este capítulo e o próximo estão procurando responder.
 
@@ -76,7 +76,7 @@ Um LLM vê prompts como uma _sequência de tokens_ onde diferentes modelos (ou v
 
 Para ter uma intuição de como a tokenização funciona, experimente ferramentas como o [OpenAI Tokenizer](https://platform.openai.com/tokenizer?WT.mc_id=academic-105485-koreyst) mostrado abaixo. Copie seu prompt e veja como ele é convertido em tokens, prestando atenção em como caracteres de espaço em branco e pontuações são tratados. Note que este exemplo mostra um LLM mais antigo (GPT-3) - então, tentar isso com um modelo mais recente pode produzir um resultado diferente.
 
-![Tokenization](../../img/4.0-tokenizer-example.png?WT.mc_id=academic-105485-koreyst)
+![Tokenization](../../images/04-tokenizer-example.png?WT.mc_id=academic-105485-koreyst)
 
 ### Conceito: Modelos Fundamentais
 
@@ -88,7 +88,7 @@ Desejam ver como a conclusão baseada em prompts funciona? Insira o prompt acima
 
 Mas e se o usuário quiser ver algo específico que atenda a alguns critérios ou objetivos de tarefa? É aqui que os LLMs _instruídos_ entram em cena.
 
-![Base LLM Chat Completion](../../img/4.0-playground-chat-base.png?WT.mc_id=academic-105485-koreyst)
+![Base LLM Chat Completion](../../images/04-playground-chat-base.png?WT.mc_id=academic-105485-koreyst)
 
 ### Conceito: LLMs Instruídos
 
@@ -102,7 +102,7 @@ Vamos experimentar - revisite o prompt acima, mas agora altere a _mensagem do si
 
 Veja como o resultado agora está ajustado para refletir o objetivo desejado e o formato? Um educador pode agora usar diretamente essa resposta em seus slides para aquela aula.
 
-![Instruction Tuned LLM Chat Completion](../../img/4.0-playground-chat-instructions.png?WT.mc_id=academic-105485-koreyst)
+![Instruction Tuned LLM Chat Completion](../../images/04-playground-chat-instructions.png?WT.mc_id=academic-105485-koreyst)
 
 ## Por que precisamos de Engenharia de Prompt?
 
@@ -130,15 +130,15 @@ Então, o que acontece quando executamos este prompt com diferentes provedores d
 
 > **Resposta 1**: OpenAI Playground (GPT-35)
 
-![Resposta 1](../../img/4.0-hallucination-aoai.png?WT.mc_id=academic-105485-koreyst)
+![Resposta 1](../../images/04-hallucination-aoai.png?WT.mc_id=academic-105485-koreyst)
 
 > **Resposta 2**: Azure OpenAI Playground (GPT-35)
 
-![Resposta 2](../../img/4.0-hallucination-aoai.png?WT.mc_id=academic-105485-koreyst)
+![Resposta 2](../../images/04-hallucination-oai.png?WT.mc_id=academic-105485-koreyst)
 
 > **Resposta 3**: : Hugging Face Chat Playground (LLama-2)
 
-![Resposta 3](../../img/4.0-hallucination-huggingchat.png?WT.mc_id=academic-105485-koreyst)
+![Resposta 3](../../images/04-hallucination-huggingchat.png?WT.mc_id=academic-105485-koreyst)
 
 Como esperado, cada modelo (ou versão do modelo) produz respostas ligeiramente diferentes devido ao comportamento estocástico e variações nas capacidades do modelo. Por exemplo, um modelo tem como alvo uma audiência do 8º ano, enquanto o outro assume um estudante do ensino médio. Mas os três modelos geraram respostas que poderiam convencer um usuário desinformado de que o evento era real.
 

diff --git a/07-building-chat-applications/translations/cn/README.md b/07-building-chat-applications/translations/cn/README.md
@@ -62,14 +62,7 @@
 - **更容易维护**：更新和改进更易于管理，因为大多数 API 和 SDK 在发布新版本时只需要更新库。
 - **获得尖端技术**：利用经过微调和在广泛数据集上训练的模型为您的应用程序提供自然语言功能。
 
-访问 SDK 或 API 的功能通常涉及获取使用所提供服务的许可，这通常是通过使用唯一 kwy 或身份验证 token 来实现的。 我们将使用 OpenAI Python library 来探索它是什么样子。 您也可以在本章的
-
-[OpenAI notebook](../../notebook-openai.ipynb?WT.mc_id=academic-105485-koreyst) 
-
-[Azure OpenAI notebook](../../notebook-azure-openai.ipynb?WT.mc_id=academic-105485-koreyst)  
-
-中自行尝试。
-
+访问 SDK 或 API 的功能通常涉及获取使用所提供服务的许可，这通常是通过使用唯一 kwy 或身份验证 token 来实现的。 我们将使用 OpenAI Python library 来探索它是什么样子。 您也可以在本章的[notebook](../../notebook-openai.ipynb) 中自行尝试。
 
 ```python
 import os