Základní průvodce rychlým inženýrstvím v ChatGPT

Od svého uvedení do provozu, ChatGPT dělá vlny ve sféře AI a přitahuje více než 100 milionů uživatelů v rekordním čase. Tajná omáčka k působivému výkonu a všestrannosti ChatGPT spočívá v umění jemně zasazeném do jeho programování – rychlém inženýrství.

DALL-E, MidJourney a StableDiffusion, které byly spuštěny v roce 2022, podtrhly rušivý potenciál generativní umělé inteligence. Ale bylo Otevřete AIChatGPT společnosti 's, který se skutečně dostal do centra pozornosti později v roce 2022. A tato dynamika nevykazovala žádné známky zpomalení.

Oznámení společnosti Google ohledně Barda  a Meta's Lamma 2  reakce na ChatGPT OpenAI výrazně zesílila dynamiku závodu AI. Tím, že těmto modelům poskytujeme vstupy, řídíme jejich chování a reakce. To z nás všech do určité míry dělá rychlé inženýry. Všiml si toho technický průmysl. Investoři rizikového kapitálu nalévají prostředky do startupů zaměřujících se na rychlé inženýrství, jako je Vellum AI. Forbes navíc uvádí, že inženýři požadují příkaz platy přesahující 300,000 XNUMX USD, svědčící o prosperujícím a hodnotném trhu práce.

V tomto článku demystifikujeme svět rychlého inženýrství v kontextu ChatGPT. Prozkoumáme základní principy a techniky a prozkoumáme jejich komerční aplikace.

Pojďme nejprve pochopit, jak funguje ChatGPT a klíčovou roli v tomto procesu hraje rychlé inženýrství.

Mechanika za rychlým inženýrstvím ChatGPT

Tajnou omáčkou za úspěchem ChatGPT je jeho schopnost porozumět a napodobit nuance lidské konverzace. Model je trénován na různorodém rozsahu internetových textů, ale co je zásadní, nezná konkrétní dokumenty nebo zdroje ve své trénovací sadě, což zajišťuje zobecnění přes specifičnost. Tento tréninkový přístup umožňuje ChatGPT generovat kreativní reakce, procházet složitými dialogy a dokonce projevovat smysl pro humor. Je však důležité si pamatovat, že ChatGPT skutečně nerozumí a nemá přesvědčení; generuje odpovědi na základě vzorců, které se naučil během tréninku.

Schopnost ChatGPT porozumět lidskému jazyku a reagovat na něj nuancovaným a kontextovým způsobem z nich dělá neuvěřitelně všestranné nástroje.

Mechanika těchto modelů spočívá na konceptu „tokenů“ – diskrétních částí jazyka, které se mohou pohybovat od jednoho znaku až po celé slovo. Tyto modely pracují s určitým počtem tokenů najednou (4096 pro GPT-3.5-Turbo nebo 8192 nebo 32768 pro GPT-4) a předpovídají další sekvenci pravděpodobných tokenů. Modely zpracovávají tokeny pomocí komplexní lineární algebry a předpovídají nejpravděpodobnější následující token.

Například jednoduchá devítislovná věta se může změnit na deset žetonů. I jediné složité slovo se může proměnit ve více tokenů, což pomáhá modelu lépe porozumět a generovat jazyk. Dokonce i jazyky se složitou strukturou slov, jako je němčina, jsou spravovány pomocí tokenizace.

Modely GPT (Generative Pre-trained Transformer) fungují tak, že generují vždy jeden token, počínaje prvním tokenem a pokračovat až k poslednímu. Po vygenerování každého tokenu model znovu navštíví celou sekvenci a znovu ji zpracuje, aby vygeneroval další token. Tento iterativní proces pokračuje, dokud není vygenerován konečný token, čímž se generování textu podobá velké smyčce for.

Ale tady je háček – kvalita těchto odpovědí do značné míry závisí na výzvách, které obdrží. Stejně jako řízení konverzace s člověkem, vedení dialogu s ChatGPT vyžaduje určitou úroveň dovedností a porozumění. Zde vstupuje do hry pohotové inženýrství.

Co je rychlé inženýrství?

Prompt Engineering je umění vytvářet přesné, efektivní výzvy/vstupy pro vedení AI (NLP/Vision) modely, jako je ChatGPT, s cílem generovat co nejhospodárnější, nejpřesnější, nejužitečnější a nejbezpečnější výstupy.

Pohotové inženýrství se neomezuje pouze na generování textu, ale má široké uplatnění v celé doméně umělé inteligence. Stále více se používá v oblastech, jako jsou roboti pro automatizaci robotických procesů, 3D aktiva, skripty, instrukce robotů a další typy obsahu a digitálních médií. Poskytuje jedinečnou směs logiky, kódování, umění a v některých případech i speciálních modifikátorů.

Zatímco výzva může obsahovat text v přirozeném jazyce, obrázky nebo jiné typy vstupních dat, výstup se může mezi službami a nástroji umělé inteligence výrazně lišit. Každý nástroj má své speciální modifikátory, které popisují váhu slov, styly, perspektivy, rozložení nebo jiné vlastnosti požadované odpovědi.

Tato oblast je nezbytná pro vytváření lepších služeb založených na AI a získávání vynikajících výsledků ze stávajících generativních nástrojů AI. Podnikoví vývojáři například často využívají rychlé inženýrství k přizpůsobení velkých jazykových modelů (LLM), jako je GPT-3, aby posílily potřeby zákazníků. chatbot nebo zpracovávat úkoly, jako je vytváření smluv pro konkrétní odvětví.

Tento iterativní proces rychlého zdokonalování a měření výkonu umělé inteligence je klíčovým prvkem umožňujícím modelům umělé inteligence generovat vysoce cílené a užitečné reakce v různých kontextech.

Stát se rychlým inženýrem

Schopnost modelu GPT-4 chápat složité instrukce a přesně řešit složité problémy z něj dělá neocenitelný zdroj. Existují však různé metody, jak získat přístup ke schopnostem tohoto modelu, a jejich pochopení může být zásadní pro roli pohotového inženýra při optimalizaci účinnosti a efektivity nákladů.

V zásadě existují dva způsoby, jak pracovat s modely GPT, jako je GPT-4. Jedním ze způsobů je rozhraní API OpenAI, kde se náklady počítají na vstupní a výstupní tokeny. V tomto scénáři mohou náklady na 1 32 tokenů kolísat v závislosti na velikosti kontextu. Například ve větším kontextu 0.06 0.12 by se náklady mohly vyšplhat až na XNUMX USD za vstupní tokeny a XNUMX USD za výstupní tokeny. Při vyřizování velkého množství požadavků se tedy mohou náklady na používání rychle nahromadit.

Případně ChatGPT, který využívá model GPT-4, funguje na modelu založeném na předplatném.

Dalším klíčovým úkolem v rychlém inženýrství je ladění parametrů modelu. Tento proces zahrnuje úpravu proměnných, které model používá k vytváření předpovědí. Jemným doladěním těchto parametrů mohou pohotoví inženýři zlepšit kvalitu a přesnost odpovědí modelu, čímž se stanou kontextově relevantnějšími a užitečnějšími.

Ačkoli mnoho rychlých inženýrů pochází z technického prostředí, multidisciplinární povaha oboru jej zpřístupňuje jednotlivcům z různých profesních prostředí. Spisovatelé, výzkumníci a dokonce i umělci stále častěji využívají své jedinečné dovednosti ke zvýšení účinnosti modelů umělé inteligence. Tento posun se odráží i na trhu práce, kde stále více společností hledá rychlé inženýry s různorodou škálou dovedností a zázemí.

Rychlý návrh a inženýrství v ChatGPT

Rychlý návrh a inženýrství hrají klíčovou roli při optimalizaci výkonu jazykových modelů a zahrnují více než jen vytváření otázek; vyžadují hluboké porozumění modelu AI a vysoce iterativní a rafinovaný přístup.

Prompt Design

Prompt design, ve svém jádru, je umění a věda vytvořit perfektní výzvu pro daný velký jazykový model (LLM), jako je ChatGPT, k dosažení jasně stanoveného cíle. Je to směs:

• Porozumění LLM: Různé jazykové modely mohou na stejnou výzvu reagovat různě. Některé jazykové modely navíc mohou mít jedinečná klíčová slova nebo spouštěče, které interpretují specifickým způsobem.
• Znalost domény: Odbornost v příslušné oblasti je klíčová při navrhování výzev. Například generování výzvy k odvození lékařské diagnózy by vyžadovalo lékařské znalosti.
• Iterativní přístup a měření kvality: Proces vytváření ideální výzvy často zahrnuje pokusy a omyly. Proto je životně důležité mít způsob, jak hodnotit kvalitu výstupu nad rámec pouhého subjektivního úsudku, zejména při použití výzvy ve větším měřítku.

Prompt Engineering

Prompt engineering je rozšířená oblast promptního návrhu, která zahrnuje několik kritických procesů:

• Návrh výzev ve velkém měřítku: Tento proces zahrnuje návrh meta výzev (výzev, které generují další výzvy) a šablon výzev, což jsou parametrizované výzvy, které lze vytvořit za běhu.
• Návrh a integrace nástrojů: Výzvy mohou někdy zahrnovat výsledky externích nástrojů a bezproblémová integrace těchto nástrojů do systému je zásadní.
• Workflow, Planning and Prompt Management: Nasazení LLM aplikace, jako je chatbot, často vyžaduje správu knihoven výzev, plánování a výběr správných výzev a efektivní integraci různých nástrojů.
• Vyhodnocování a zajišťování kvality výzev: Tento aspekt zahrnuje definování metrik a procesů pro vyhodnocování výzev jak automaticky, tak se zapojením člověka.
• Optimalizace výzvy: Náklady a latence modelu AI mohou záviset na volbě modelu a délce výzvy (počet tokenů).

Pro správu výzev ve velkém měřítku bylo vyvinuto mnoho automatizovaných přístupů, nástrojů a rámců návrhu. Je však důležité pochopit, že žádný z těchto nástrojů nemůže nahradit jemné porozumění, úsudek a zkušenosti zkušeného pohotového inženýra.

Prompt Engineering: Techniky a osvědčené postupy

1) Okamžité umístění a popis

Umístění instrukcí na začátek výzvy může významně ovlivnit porozumění a reakci AI. Zvažte úkol shrnout text ve formátu odrážek. Méně efektivní přístup by byl:

Uživatel: Shrňte níže uvedený text jako odrážkový seznam nejdůležitějších bodů.
{textový vstup zde}

Na druhou stranu, účinnější technika by mohla být:

Uživatel: Shrňte níže uvedený text jako odrážkový seznam nejdůležitějších bodů.
Text: """
{textový vstup zde}
„“ “

Jasným oddělením pokynů a kontextu pomocí symbolů jako ### nebo „“ může model umělé inteligence lépe vymezit svůj úkol a text, který potřebuje zpracovat, a tím poskytnout přesnější a relevantnější odpovědi.

Za druhé, konkrétní, popisné a podrobné informace o kontextu, očekávaném výsledku, délce, formátu, stylu atd. mohou významně zvýšit přesnost odpovědí AI. Předpokládejme, že potřebujete vytvořit stručný přehled vědeckého článku v poutavém stylu, který je vhodný pro laiky. Vágní instrukce jako „Shrňte vědeckou práci“ by přinesla méně efektivní výsledky ve srovnání s konkrétní, podrobnou výzvou:

Uživatel: Vytvořte stručné (cca 200 slov), poutavé shrnutí následující vědecké práce. Shrnutí by mělo být srozumitelné pro někoho bez vědeckého vzdělání a zároveň by mělo přesně odrážet klíčová zjištění článku.
Papír: """
{text vědeckého článku zde}
„“ “

2) Vzor persony

Persona Pattern je strategie, která nastavuje AI tak, aby fungovala z určité perspektivy, jako je profesionální role nebo fiktivní postava. Tato taktika umožňuje modelu poskytovat výstupy související s konkrétními rolemi, které by persona zvládala. Například by bylo možné instruovat AI, aby jednala jako expert na kybernetickou bezpečnost během kontroly kódu. Tento vzor je zvláště užitečný, když uživatelé potřebují pomoc, ale nejsou si jisti přesnými podrobnostmi požadovanými ve výstupu.

Vezměte si jako příklad následující:

Uživatel: „Předpokládejme, že jde o osobu staršího historika specializujícího se na Francouzskou revoluci. Vzhledem k této osobě vysvětlete klíčové události a důvody vedoucí k pádu francouzské monarchie.“

V tomto scénáři se očekává, že AI zareaguje hloubkovou analýzou francouzské revoluce se zaměřením na pád monarchie, jak by to udělal historik.

Představujeme nové informace

ChatGPT nemá znalosti nad rámec svého tréninkového limitu, a proto nemůže poskytovat informace o nedávných událostech nebo aktualizacích po školení. Pomocí výzev však můžete modelu vložit nové informace.

Uživatel: "Co je to kryptoměna?"
ChatGPT: „Kryptoměna je typ digitální nebo virtuální měny, která používá k zabezpečení kryptografii. Nejznámější kryptoměnou je bitcoin.”

Nyní, když k výzvě přidáme trochu více kontextu, můžeme vysvětlení učinit ještě intuitivnějším:

Uživatel: „Vysvětlete pojem kryptoměna středoškolskému studentovi studujícímu digitální finance“
ChatGPT: „Představte si, že hrajete online videohru a máte herní peníze, které můžete vydělat na nákup vylepšení nebo nových postav. Kryptoměna je něco podobného, ​​ale místo toho, abyste byli omezeni na hru, můžete ji skutečně použít k nákupu skutečného zboží a služeb. Je to jako digitální peníze, které nekontroluje žádná banka ani vláda.“

3) Omezení velikosti výzvy

Pochopení omezení velikosti ChatGPT je zásadní, protože přímo ovlivňuje objem a typ informací, které můžeme vkládat. Jazykové modely nejsou stavěny pro zpracování neomezeného množství dat najednou. Mají vlastní omezení velikosti výzvy, kterou můžeme vytvořit a zadat. Toto omezení má hluboké důsledky pro návrh a provádění výzev.

ChatGPT má limit tokenů (obecně 2048 tokenů), který zahrnuje jak výzvu, tak vygenerovanou odpověď. To znamená, že dlouhé výzvy mohou omezit délku odpovědi. Proto je důležité, aby byly výzvy stručné a zároveň informativní.

Při praktickém použití musíme jednat jako editoři, kteří selektivně vybírají ty nejrelevantnější informace pro daný úkol. Představte si, že píšete článek nebo článek s omezeným počtem slov nebo stránek – nemůžete jen vypsat náhodná fakta, ale pečlivě vybrat a strukturovat informace relevantní k tématu.

Uživatel: „S ohledem na symbolická omezení modelu shrňte klíčové události druhé světové války do méně než 1000 slov.“

Tím, že uznává omezení tokenu modelu, tato výzva nasměruje AI k poskytnutí stručného, ​​ale komplexního shrnutí druhé světové války.

Výzvy pro opakované použití: V konverzačním scénáři můžete výzvy znovu použít nebo je upřesnit na základě předchozích odpovědí. To dává konverzační tok a udržuje kontext v interakci.

4) Vzor zpřesnění otázky

ChatGPT může také pomoci upřesnit vaše otázky. Pokud například položíte otázku, může vám navrhnout lépe formulovanou otázku pro přesnější výsledky.

Vzor zpřesnění otázek zahrnuje LLM upřesnění otázek položených uživatelem. Je to užitečné zejména tehdy, když uživatelé nejsou odborníky v doméně nebo si nejsou jisti, jak formulovat svou otázku.

Příklad výzvy může vypadat takto:

Uživatel: „Kdykoli položím otázku o datové vědě, navrhněte jemnější otázku s ohledem na specifika statistické analýzy a zeptejte se, zda chci pokračovat s rafinovanou otázkou.“

Zde se očekává, že umělá inteligence zpřesní obecné otázky vědy o údajích uživatele na podrobnější otázky s ohledem na aspekty statistické analýzy.

5) Vzor kognitivního ověřovače

Kognitivní ověřovací vzor rozděluje složité otázky na menší, zvládnutelné podotázky. Odpovědi na tyto dílčí otázky jsou pak kombinovány tak, aby poskytovaly komplexní odpověď na hlavní otázku. Tento přístup je užitečný, když jsou počáteční otázky příliš vysoké úrovně nebo když je pro poskytnutí úplné odpovědi potřeba další srozumitelnost.

Například:

Uživatel: „Pokud položím otázku týkající se změny klimatu, rozdělte ji na tři menší otázky, které vám pomohou poskytnout přesnější odpověď. Spojte odpovědi na tyto dílčí otázky a dejte konečnou odpověď.“

V tomto scénáři AI rozdělí složitou otázku o změně klimatu do tří zvládnutelných dílčích otázek. Po obdržení odpovědí na tyto dílčí otázky je AI zkombinuje, aby poskytla komplexnější a přesnější odpověď.

Tento vzorec zahrnuje generování více otázek pro získání přesnější konečné odpovědi. Je to proces ověřování a konsolidace informací pro robustní konečný výstup

6) Přístup nabádající k několika výstřelům

Několikanásobné nabádání je účinný přístup k výuce modelů umělé inteligence, aby se řídily specifickými vzory nebo vykonávaly úkoly. Cílem je nakrmit model řadou příkladů, než položíte požadovanou otázku. To pomáhá nastavit požadované chování a vést reakce modelu.

Zvažte scénář, kdy se uživatel pokouší navrhnout stručnou a působivou marketingovou kopii pro nový technický gadget:

Uživatel: „Zde je několik příkladů kopií technického marketingu: 'Zažijte hudbu jako nikdy předtím s našimi špičkovými bezdrátovými sluchátky.' "Zachyťte svůj svět v ohromujícím rozlišení 4K s naší ultra elegantní akční kamerou." Na základě těchto příkladů navrhněte marketingovou kopii pro naše nové chytré hodinky s umělou inteligencí.“

ChatGPT: „Podpořte svůj životní styl s našimi chytrými hodinkami s umělou inteligencí, vaším společníkem pro zdraví, konektivitu a produktivitu.“ Pozoruhodnou vlastností několikanásobného učení je, že nevyžaduje podrobný popis, jak úkol provést. Místo toho vyžaduje ukázky toho, co se právě dělá, díky čemuž se může dobře hodit pro mnoho aplikací.

Navíc tato technika přesahuje jednoduché vstupně-výstupní párování. Model lze také naučit zvládat mezikroky k dosažení cíle.

7) Vybízení k řetězci myšlení

Ve svém nedávném výzkumném článku „Chain-of-Thought Prompting vyvolává uvažování ve velkých jazykových modelech“ autoři Jason Wei a tým si kladou za cíl stimulovat uvažování v rámci velkých jazykových modelů. Místo tradičních přímých výzev tým využívá řadu vzájemně propojených výzev, které tvoří „myšlenkový řetězec“.

Uživatel by se například mohl zajímat o potenciální dopad umělé inteligence na trhy práce:

Uživatel: "Mohl byste stručně vysvětlit pojem umělé inteligence?"

ChatGPT: „Umělá inteligence neboli AI označuje schopnost stroje napodobovat inteligentní lidské chování. Jde o navrhování strojů, které dokážou myslet a učit se jako lidé, což jim umožňuje mimo jiné provádět úkoly, jako je překlad jazyka, rozhodování a řešení problémů.“

Uživatel: "Jak AI ovlivňuje současný trh práce?"

ChatGPT: „AI vytváří nová pracovní místa a zároveň mění povahu těch stávajících. Na jedné straně automatizuje rutinní úkoly, což vede k přesunu pracovních míst v určitých sektorech. Na druhou stranu to vytváří poptávku po rolích, které dříve neexistovaly, jako jsou etici AI, datoví analytici a inženýři strojového učení. Umělá inteligence navíc může rozšířit lidské role a umožnit lidem plnit úkoly efektivněji a přesněji.“

Nabádání řetězcem myšlenek následuje postup souvisejících podnětů a udržuje „konverzaci“ s modelem, který jej vede k přesnějším a kontextuálně přiměřenějším odpovědím.

Pochopení ChatGPT API a rychlého inženýrství z pohledu vývojáře

Z pohledu vývojáře nebo výzkumníka je rychlé inženýrství složitější proces. Zahrnuje návrh algoritmů a technik, které pomohou modelu umělé inteligence lépe porozumět výzvám a reagovat na ně. To by mohlo zahrnovat strategie pro zacházení s nejednoznačnými výzvami, identifikaci kontextu výzev nebo řetězení výzev dohromady, aby se stimulovaly složitější myšlenkové procesy v AI.

Na obrázku výše uživatel komunikuje s rozhraním chatu, které využívá GPT-4. Jejich vstup je vylepšen pro jasnost a kontextovou konzistenci pomocí specializovaného modulu před tím, než je předán do modelu AI. Úkolem tohoto modulu je upřesnit a vylepšit vstup uživatele pro lepší porozumění a zároveň zachovat kontext konverzace. Odpověď AI, vytvořená na základě rafinované výzvy, je vrácena uživateli prostřednictvím rozhraní chatu. Historie interakcí se důsledně aktualizuje a zachovává konverzační kontext. Celkově tento diagram ilustruje dynamický tok konverzace mezi uživatelem a AI, který umožňují rychlé inženýrské techniky.

Projekt ChatGPT API rozhraní je navrženo s různými hyperparametry, které uživatelům umožňují vylepšit reakce umělé inteligence na výzvy, což je činí efektivnějšími a všestrannějšími. Patří mezi ně parametry Teplota, Maximální délka a Zastavovací sekvence. Pojďme prozkoumat, jak fungují a mohou být použity v různých kontextech.

1) Teplota

Parametr teploty ovlivňuje náhodnost reakcí AI. Vyšší teplota, jako je 1.0, podporuje náhodnější výstup, což má za následek různé, ale potenciálně mimo tématické reakce. Naproti tomu nižší teplota, například 0.2, přiměje AI k výběru determinističtějších reakcí, které mohou být přínosné pro cílené a specifické výstupy, ale mohou postrádat rozmanitost.

Příklad: Pokud píšete kreativní příběh a chcete nepředvídatelné, nápadité prvky, nastavte teplotu na vyšší hodnotu. Výzva by mohla znít: „Napiš krátký příběh o kočce cestující v čase.“ S vysokou teplotou můžete získat divoký, fantastický příběh s nepředvídatelnými zvraty.

2) Maximální délka

Tento parametr řídí maximální délku tokenu výstupu modelu, který zahrnuje jak tokeny na vstupu zprávy, tak na výstupu zprávy. Nastavení vyššího limitu umožňuje rozšířenější odezvy, zatímco nižší limit udržuje výstup krátký a výstižný.

Příklad: Stručné odpovědi na triviální otázky jako: „Kdo získal Nobelovu cenu za literaturu v roce 2020?“ možná budete chtít nastavit maximální délku na nízkou hodnotu, aby byla odpověď stručná a přímá.

3) Zastavte sekvence

Stop sekvence jsou specifické textové řetězce, u kterých, když se s nimi model setká, přestane generovat další výstup. Tato funkce může být užitečná pro řízení délky výstupu nebo pokyn modelu, aby se zastavil na logických koncových bodech.

Příklad: U formálního dopisu můžete použít „S pozdravem“ jako stop sekvenci, abyste zajistili, že AI nevygeneruje žádný další text nad rámec správného konce dopisu.

4) Nahoru P

Parametr 'Top P', také známý jako nucleus sampling, je metoda, která poskytuje dynamický výběr počtu slov uvažovaných v každém kroku předpovědí modelu. Nižší hodnota, například 0.5, vede k bezpečnějším a cílenějším výstupům. Vyšší hodnota, například 0.9, zahrnuje širší výběr slov, což vede k rozmanitějším výstupům.

Příklad: Pokud vytváříte AI pro psaní básní a chcete, aby používala širokou škálu slovní zásoby a stylistických frází, můžete nastavit „Top P“ na vyšší hodnotu. Výzva by mohla znít: „Slož báseň o kráse podzimu.“

5) Frekvenční trest

Frequency Penalty řídí, jak moc by měl model upřednostňovat méně frekventovaná slova. Vyšší trest (až 1) povzbudí model k používání méně obvyklých slov, zatímco nižší hodnota (až -1) povzbudí model, aby používal běžnější slova.

Příklad: Pokud se pokoušíte vygenerovat obchodní návrh a chcete se vyhnout žargonu, můžete nastavit penalizaci frekvence na nižší hodnotu, aby byl jazyk jasný a dostupný.

6) Trest za přítomnost

Parametr Penalta za přítomnost ovlivňuje, jak moc je model penalizován za generování nových nápadů nebo témat, která nebyla přítomna v historii konverzace. Vyšší hodnoty povzbuzují model, aby se držel již zmíněných témat, zatímco nižší hodnoty umožňují modelu volněji zavádět nové koncepty.

Příklad: U brainstormingových relací můžete nastavit penalizaci za přítomnost na nižší hodnotu, abyste podpořili různorodou škálu nápadů. Můžete použít výzvu jako: „Vytvářejte inovativní marketingové strategie pro online vzdělávací platformu.“

Průmyslová aplikace rychlého inženýrství