Ο βασικός οδηγός για την άμεση μηχανική στο ChatGPT

Από την κυκλοφορία του, ChatGPT έχει κάνει αίσθηση στον τομέα της Τεχνητής Νοημοσύνης, προσελκύοντας πάνω από 100 εκατομμύρια χρήστες σε χρόνο ρεκόρ. Η μυστική συνταγή για την εντυπωσιακή απόδοση και ευελιξία του ChatGPT βρίσκεται σε μια τέχνη που είναι διακριτικά ενσωματωμένη στον προγραμματισμό του: την άμεση μηχανική.

Τα DALL-E, MidJourney και StableDiffusion, που κυκλοφόρησαν το 2022, υπογράμμισαν τη δυνατότητα ανατροπής του Generative AI. Αλλά ήταν Ανοίξτε το AIΤο ChatGPT του ChatGPT που έγινε πραγματικά στο επίκεντρο αργότερα το 2022. Και αυτή η δυναμική δεν έδειξε σημάδια επιβράδυνσης.

Η ανακοίνωση της Google για την Bard και Το Λάμα 2 της Μέτα  Η απάντηση στο ChatGPT του OpenAI έχει ενισχύσει σημαντικά τη δυναμική του αγώνα δρόμου για την Τεχνητή Νοημοσύνη. Παρέχοντας σε αυτά τα μοντέλα δεδομένα, καθοδηγούμε τη συμπεριφορά και τις αντιδράσεις τους. Αυτό μας κάνει όλους γρήγορους μηχανικούς σε κάποιο βαθμό. Η τεχνολογική βιομηχανία το έχει προσέξει. Οι επενδυτές επιχειρηματικών κεφαλαίων επενδύουν κεφάλαια σε νεοσύστατες επιχειρήσεις που επικεντρώνονται στην άμεση μηχανική, όπως Vellum AI. Επιπλέον, το Forbes αναφέρει ότι οι μηχανικοί εντολών κάνουν εντολή μισθοί άνω των 300,000 $, ενδεικτικό μιας ακμάζουσας και πολύτιμης αγοράς εργασίας.

Σε αυτό το άρθρο, θα απομυθοποιήσουμε τον κόσμο της άμεσης μηχανικής στο πλαίσιο του ChatGPT. Θα εξερευνήσουμε τις βασικές αρχές και τεχνικές και θα εξετάσουμε τις εμπορικές εφαρμογές τους.

Ας κατανοήσουμε πρώτα πώς λειτουργεί το ChatGPT και τον καθοριστικό ρόλο που παίζει η μηχανική προτροπών σε αυτήν τη διαδικασία.

Η Μηχανική Πίσω από την Μηχανική Προτροπής ChatGPT

Η μυστική συνταγή πίσω από την επιτυχία του ChatGPT είναι η ικανότητά του να κατανοεί και να μιμείται τις αποχρώσεις της ανθρώπινης συνομιλίας. Το μοντέλο εκπαιδεύεται σε ένα ευρύ φάσμα κειμένων στο διαδίκτυο, αλλά το πιο σημαντικό είναι ότι δεν γνωρίζει συγκεκριμένα έγγραφα ή πηγές στο σύνολο εκπαίδευσής του, εξασφαλίζοντας γενίκευση έναντι της εξειδίκευσης. Αυτή η προσέγγιση εκπαίδευσης επιτρέπει στο ChatGPT να δημιουργεί δημιουργικές απαντήσεις, να πλοηγείται σε σύνθετους διαλόγους, ακόμη και να επιδεικνύει αίσθηση του χιούμορ. Ωστόσο, είναι σημαντικό να θυμόμαστε ότι το ChatGPT δεν κατανοεί πραγματικά ή δεν έχει πεποιθήσεις. Δημιουργεί απαντήσεις με βάση μοτίβα που έμαθε κατά τη διάρκεια της εκπαίδευσης.

Η ικανότητα του ChatGPT να κατανοεί και να ανταποκρίνεται στην ανθρώπινη γλώσσα με έναν λεπτό και προσαρμοσμένο στο περιβάλλον τρόπο, το καθιστά απίστευτα ευέλικτο εργαλείο.

Οι μηχανισμοί αυτών των μοντέλων βασίζονται στην έννοια των «tokens» — διακριτών τμημάτων γλώσσας που μπορούν να κυμαίνονται από έναν μόνο χαρακτήρα έως μια ολόκληρη λέξη. Αυτά τα μοντέλα λειτουργούν με έναν συγκεκριμένο αριθμό tokens κάθε φορά (4096 για το GPT-3.5-Turbo ή 8192 ή 32768 για το GPT-4), προβλέποντας την επόμενη ακολουθία πιθανών tokens. Τα μοντέλα επεξεργάζονται τα tokens χρησιμοποιώντας σύνθετη γραμμική άλγεβρα, προβλέποντας το πιο πιθανό επόμενο token.

Για παράδειγμα, μια απλή πρόταση εννέα λέξεων θα μπορούσε να μετατραπεί σε δέκα μάρκες. Ακόμη και μια σύνθετη λέξη θα μπορούσε να μετατραπεί σε πολλαπλά διακριτικά, κάτι που βοηθά το μοντέλο να κατανοήσει καλύτερα και να δημιουργήσει γλώσσα. Ακόμη και γλώσσες με σύνθετες δομές λέξεων, όπως τα γερμανικά, διαχειρίζονται μέσω του tokenization.

Τα μοντέλα GPT (Generative Pre-trained Transformer) λειτουργούν δημιουργώντας ένα διακριτικό τη φορά, ξεκινώντας από το πρώτο διακριτικό και συνεχίζοντας μέχρι το τελευταίο. Μετά τη δημιουργία κάθε διακριτικού, το μοντέλο επισκέπτεται ξανά ολόκληρη την ακολουθία και την επεξεργάζεται ξανά για να δημιουργήσει το επόμενο διακριτικό. Αυτή η επαναληπτική διαδικασία συνεχίζεται μέχρι να δημιουργηθεί το τελικό διακριτικό, καθιστώντας τη δημιουργία κειμένου παρόμοια με έναν μεγάλο βρόχο for.

Αλλά εδώ βρίσκεται το πρόβλημα – η ποιότητα αυτών των απαντήσεων εξαρτάται σε μεγάλο βαθμό από τις προτροπές που λαμβάνει. Όπως ακριβώς και η καθοδήγηση μιας συνομιλίας με έναν άνθρωπο, η καθοδήγηση ενός διαλόγου με το ChatGPT απαιτεί ένα ορισμένο επίπεδο δεξιοτήτων και κατανόησης. Εδώ ακριβώς έρχεται να παίξει ρόλο η μηχανική άμεσης απάντησης.

Τι είναι το Prompt Engineering;

Το Prompt Engineering είναι η τέχνη της δημιουργίας ακριβών, αποτελεσματικών προτροπών/εισαγωγών για την καθοδήγηση της τεχνητής νοημοσύνης (NLP/Vision) μοντέλα όπως το ChatGPT για τη δημιουργία των πιο οικονομικά αποδοτικών, ακριβών, χρήσιμων και ασφαλών αποτελεσμάτων.

Το Prompt Engineering δεν περιορίζεται μόνο στη δημιουργία κειμένου, αλλά έχει εφαρμογές ευρείας εμβέλειας σε όλο τον τομέα της τεχνητής νοημοσύνης. Χρησιμοποιείται όλο και περισσότερο σε τομείς όπως τα ρομποτικά ρομπότ αυτοματισμού διεργασιών, τα τρισδιάστατα στοιχεία, τα σενάρια, οι οδηγίες ρομπότ και άλλοι τύποι περιεχομένου και ψηφιακών μέσων. Παρέχει ένα μοναδικό μείγμα λογικής, κωδικοποίησης, τέχνης και σε ορισμένες περιπτώσεις ειδικών τροποποιητών.

Ενώ μια προτροπή μπορεί να περιλαμβάνει κείμενο φυσικής γλώσσας, εικόνες ή άλλους τύπους δεδομένων εισόδου, η έξοδος μπορεί να διαφέρει σημαντικά μεταξύ των υπηρεσιών και των εργαλείων τεχνητής νοημοσύνης. Κάθε εργαλείο έχει τους ειδικούς τροποποιητές του που περιγράφουν το βάρος των λέξεων, των στυλ, των προοπτικών, της διάταξης ή άλλων ιδιοτήτων της επιθυμητής απόκρισης.

Αυτός ο τομέας είναι απαραίτητος για τη δημιουργία καλύτερων υπηρεσιών με τεχνητή νοημοσύνη και την απόκτηση ανώτερων αποτελεσμάτων από τα υπάρχοντα εργαλεία παραγωγής τεχνητής νοημοσύνης. Οι επιχειρησιακοί προγραμματιστές, για παράδειγμα, χρησιμοποιούν συχνά την άμεση μηχανική για να προσαρμόσουν μοντέλα μεγάλων γλωσσών (LLM) όπως το GPT-3 για να τροφοδοτήσουν έναν πελάτη που αντιμετωπίζει chatbot ή να χειριστεί εργασίες όπως η δημιουργία συμβάσεων για συγκεκριμένο κλάδο.

Αυτή η επαναληπτική διαδικασία άμεσης βελτίωσης και μέτρησης της απόδοσης της τεχνητής νοημοσύνης είναι ένα βασικό στοιχείο που επιτρέπει στα μοντέλα τεχνητής νοημοσύνης να δημιουργούν εξαιρετικά στοχευμένες, χρήσιμες απαντήσεις σε διάφορα περιβάλλοντα.

Να γίνεις Μηχανικός Άμεσης Πληροφόρησης

Η ικανότητα του μοντέλου GPT-4 στην κατανόηση σύνθετων οδηγιών και στην ακριβή επίλυση περίπλοκων προβλημάτων το καθιστά έναν ανεκτίμητο πόρο. Ωστόσο, υπάρχουν διαφορετικές μέθοδοι για την πρόσβαση στις δυνατότητες αυτού του μοντέλου και η κατανόησή τους μπορεί να είναι κρίσιμη για τον ρόλο ενός μηχανικού άμεσης βελτιστοποίησης τόσο της αποδοτικότητας όσο και της σχέσης κόστους-αποτελεσματικότητας.

Υπάρχουν ουσιαστικά δύο τρόποι για να αλληλεπιδράσετε με μοντέλα GPT όπως το GPT-4. Ένας τρόπος είναι μέσω του API του OpenAI, όπου το κόστος υπολογίζεται ανά διακριτικά εισόδου και εξόδου. Σε αυτό το σενάριο, το κόστος ανά 1 διακριτικά μπορεί να κυμαίνεται ανάλογα με το μέγεθος του περιβάλλοντος. Για παράδειγμα, σε ένα μεγαλύτερο περιβάλλον 32, το κόστος θα μπορούσε να φτάσει τα 0.06 $ για διακριτικά εισόδου και τα 0.12 $ για διακριτικά εξόδου. Έτσι, κατά τον χειρισμό μεγάλου όγκου αιτημάτων, το κόστος χρήσης μπορεί να συσσωρευτεί γρήγορα.

Εναλλακτικά, το ChatGPT, το οποίο αξιοποιεί το μοντέλο GPT-4, λειτουργεί σε ένα μοντέλο που βασίζεται σε συνδρομή.

Ένα άλλο βασικό έργο στη μηχανική εντολών περιλαμβάνει τη ρύθμιση των παραμέτρων του μοντέλου. Αυτή η διαδικασία περιλαμβάνει την προσαρμογή των μεταβλητών που χρησιμοποιεί το μοντέλο για να κάνει προβλέψεις. Με την βελτιστοποίηση αυτών των παραμέτρων, οι μηχανικοί εντολών μπορούν να βελτιώσουν την ποιότητα και την ακρίβεια των απαντήσεων του μοντέλου, καθιστώντας τες πιο σχετικές με τα συμφραζόμενα και χρήσιμες.

Παρόλο που πολλοί μηχανικοί ταχείας ανάπτυξης προέρχονται από τεχνολογικό υπόβαθρο, η διεπιστημονική φύση του τομέα τον καθιστά προσβάσιμο σε άτομα από διαφορετικό επαγγελματικό υπόβαθρο. Όλο και περισσότερο, συγγραφείς, ερευνητές, ακόμη και καλλιτέχνες αξιοποιούν τις μοναδικές τους δεξιότητες για να ενισχύσουν την αποτελεσματικότητα των μοντέλων Τεχνητής Νοημοσύνης. Αυτή η μετατόπιση αντικατοπτρίζεται και στην αγορά εργασίας, με έναν αυξανόμενο αριθμό εταιρειών να αναζητούν μηχανικούς ταχείας ανάπτυξης με ένα ευρύ φάσμα δεξιοτήτων και υποβάθρων.

Πρόχειρη σχεδίαση και μηχανική στο ChatGPT

Το Prompt Design and Engineering διαδραματίζουν κρίσιμο ρόλο στη βελτιστοποίηση της απόδοσης των μοντέλων γλώσσας και περιλαμβάνουν περισσότερα από τη δημιουργία ερωτήσεων. απαιτούν μια βαθιά κατανόηση του μοντέλου AI και μια εξαιρετικά επαναληπτική και εκλεπτυσμένη προσέγγιση.

Άμεση σχεδίαση

Ο σχεδιασμός προτροπών, στον πυρήνα του, είναι η τέχνη και η επιστήμη της δημιουργίας της τέλειας προτροπής για ένα δεδομένο μεγάλο γλωσσικό μοντέλο (LLM), όπως το ChatGPT, για την επίτευξη ενός σαφώς καθορισμένου στόχου. Είναι ένας συνδυασμός:

• Κατανόηση του LLM: Διαφορετικά μοντέλα γλώσσας ενδέχεται να ανταποκρίνονται μεταβλητά στην ίδια προτροπή. Επιπλέον, ορισμένα μοντέλα γλώσσας μπορεί να έχουν μοναδικές λέξεις-κλειδιά ή ενεργοποιητές, τις οποίες ερμηνεύουν με συγκεκριμένο τρόπο.
• Γνώση τομέα: Η τεχνογνωσία στον σχετικό τομέα είναι ζωτικής σημασίας κατά το σχεδιασμό προτροπών. Για παράδειγμα, η δημιουργία μιας προτροπής για να συναχθεί μια ιατρική διάγνωση θα απαιτούσε ιατρική γνώση.
• Επαναληπτική προσέγγιση και μέτρηση ποιότητας: Η διαδικασία δημιουργίας της ιδανικής προτροπής συχνά περιλαμβάνει δοκιμή και σφάλμα. Επομένως, είναι ζωτικής σημασίας να υπάρχει ένας τρόπος αξιολόγησης της ποιότητας του προϊόντος πέρα ​​από την υποκειμενική κρίση, ιδιαίτερα όταν χρησιμοποιείται η προτροπή σε μεγαλύτερη κλίμακα.

Άμεση Μηχανική

Η άμεση μηχανική είναι μια εκτεταμένη σφαίρα άμεσης σχεδίασης που περιλαμβάνει πολλές κρίσιμες διαδικασίες:

• Σχεδίαση προτροπών σε κλίμακα: Αυτή η διαδικασία περιλαμβάνει τη σχεδίαση μετατροπών (προτροπές που δημιουργούν άλλες προτροπές) και προτύπων προτροπών, τα οποία είναι παραμετροποιημένες προτροπές που μπορούν να δημιουργηθούν κατά τον χρόνο εκτέλεσης.
• Σχεδίαση και ενσωμάτωση εργαλείων: Οι προτροπές μπορεί μερικές φορές να περιλαμβάνουν αποτελέσματα από εξωτερικά εργαλεία και η απρόσκοπτη ενσωμάτωση αυτών των εργαλείων στο σύστημα είναι ζωτικής σημασίας.
• Ροή εργασίας, προγραμματισμός και διαχείριση προτροπής: Η ανάπτυξη μιας εφαρμογής LLM, όπως ένα chatbot, απαιτεί συχνά τη διαχείριση βιβλιοθηκών προτροπών, τον σχεδιασμό και την επιλογή των σωστών μηνυμάτων και την αποτελεσματική ενσωμάτωση διαφόρων εργαλείων.
• Αξιολόγηση και διασφάλιση ποιότητας των προτροπών: Αυτή η πτυχή περιλαμβάνει τον καθορισμό μετρήσεων και διαδικασιών για την αξιολόγηση των προτροπών τόσο αυτόματα όσο και με ανθρώπινη συμμετοχή.
• Prompt Optimization: Το κόστος και η καθυστέρηση του μοντέλου AI μπορεί να εξαρτηθεί από την επιλογή του μοντέλου και το μήκος της προτροπής (αριθμός διακριτικών).

Πολλές αυτοματοποιημένες προσεγγίσεις, εργαλεία και πλαίσια σχεδιασμού προτροπών έχουν αναπτυχθεί για τη διαχείριση προτροπών σε μεγάλη κλίμακα. Ωστόσο, είναι σημαντικό να κατανοήσουμε ότι κανένα από αυτά τα εργαλεία δεν μπορεί να αντικαταστήσει την λεπτή κατανόηση, την κρίση και την εμπειρία ενός έμπειρου μηχανικού προτροπών.

Prompt Engineering: Τεχνικές και βέλτιστες πρακτικές

1) Έγκαιρη τοποθέτηση και περιγραφή

Η τοποθέτηση οδηγιών στην αρχή της προτροπής μπορεί να επηρεάσει σημαντικά την κατανόηση και την απάντηση της Τεχνητής Νοημοσύνης. Σκεφτείτε το έργο της σύνοψης ενός κειμένου σε μορφή κουκκίδων. Μια λιγότερο αποτελεσματική προσέγγιση θα ήταν:

Χρήστες: Συνοψίστε το παρακάτω κείμενο ως μια λίστα κουκκίδων με τα πιο σημαντικά σημεία.
{εισαγωγή κειμένου εδώ}

Από την άλλη πλευρά, μια πιο αποτελεσματική τεχνική θα μπορούσε να είναι:

Χρήστες: Συνοψίστε το παρακάτω κείμενο ως μια λίστα κουκκίδων με τα πιο σημαντικά σημεία.
Κείμενο: """
{εισαγωγή κειμένου εδώ}
"" "

Διαχωρίζοντας σαφώς τις οδηγίες και το πλαίσιο με σύμβολα όπως ### ή """, το μοντέλο AI μπορεί να οριοθετήσει καλύτερα την εργασία του και το κείμενο που χρειάζεται να επεξεργαστεί, δίνοντας έτσι πιο ακριβείς και σχετικές απαντήσεις.

Δεύτερον, το να είσαι συγκεκριμένος, περιγραφικός και λεπτομερής σχετικά με το πλαίσιο, το αναμενόμενο αποτέλεσμα, το μήκος, τη μορφή, το στυλ και ούτω καθεξής μπορεί να βελτιώσει σημαντικά την ακρίβεια των απαντήσεων AI. Ας υποθέσουμε ότι πρέπει να δημιουργήσετε μια σύντομη επισκόπηση μιας επιστημονικής εργασίας σε ένα ελκυστικό, φιλικό προς τους απλούς ύφος. Μια ασαφής οδηγία όπως «Συνοψήστε την επιστημονική εργασία» θα απέφερε λιγότερο αποτελεσματικά αποτελέσματα σε σύγκριση με μια συγκεκριμένη, λεπτομερή προτροπή:

ΧρήστεςΔημιουργήστε μια σύντομη (περίπου 200 λέξεις) και ενδιαφέρουσα περίληψη της ακόλουθης επιστημονικής εργασίας. Η περίληψη θα πρέπει να είναι κατανοητή σε κάποιον χωρίς επιστημονικό υπόβαθρο, ενώ παράλληλα θα πρέπει να αντικατοπτρίζει με ακρίβεια τα βασικά ευρήματα της εργασίας.
Χαρτί: """
{επιστημονικό κείμενο εδώ}
"" "

2) Μοτίβο Persona

Το Μοτίβο Persona είναι μια στρατηγική που ρυθμίζει το AI να λειτουργεί από μια συγκεκριμένη προοπτική, όπως έναν επαγγελματικό ρόλο ή έναν φανταστικό χαρακτήρα. Αυτή η τακτική επιτρέπει στο μοντέλο να παρέχει αποτελέσματα που σχετίζονται με τους συγκεκριμένους ρόλους που θα χειριζόταν το πρόσωπο. Για παράδειγμα, θα μπορούσε κανείς να δώσει εντολή στο AI να ενεργεί ως εμπειρογνώμονας στον κυβερνοχώρο κατά τη διάρκεια μιας αναθεώρησης κώδικα. Αυτό το μοτίβο είναι ιδιαίτερα χρήσιμο όταν οι χρήστες χρειάζονται βοήθεια, αλλά δεν είναι σίγουροι για τις ακριβείς λεπτομέρειες που απαιτούνται στην έξοδο.

Πάρτε ως παράδειγμα τα ακόλουθα:

Χρήστες: «Υποθέστε την προσωπικότητα ενός ανώτερου ιστορικού που ειδικεύεται στη Γαλλική Επανάσταση. Δεδομένου αυτού του προσώπου, εξηγήστε τα βασικά γεγονότα και τους λόγους που οδήγησαν στην πτώση της γαλλικής μοναρχίας».

Σε αυτό το σενάριο, η AI αναμένεται να απαντήσει με μια εις βάθος ανάλυση της Γαλλικής Επανάστασης, εστιάζοντας στην πτώση της μοναρχίας, όπως θα έκανε ένας ιστορικός.

Παρουσίαση Νέων Πληροφοριών

Το ChatGPT δεν διαθέτει γνώσεις πέρα ​​από το όριο εκπαίδευσής του, επομένως δεν μπορεί να παρέχει πληροφορίες για πρόσφατα συμβάντα ή ενημερώσεις μετά την εκπαίδευσή του. Ωστόσο, μπορείτε να εισαγάγετε νέες πληροφορίες στο μοντέλο μέσω των προτροπών σας.

Χρήστες: "Τι είναι το κρυπτονόμισμα;"
ChatGPT: «Το κρυπτονόμισμα είναι ένας τύπος ψηφιακού ή εικονικού νομίσματος που χρησιμοποιεί κρυπτογραφία για ασφάλεια. Το πιο γνωστό κρυπτονόμισμα είναι το Bitcoin».

Τώρα, αν προσθέσουμε λίγο περισσότερο πλαίσιο στην προτροπή, μπορούμε να κάνουμε την εξήγηση ακόμη πιο διαισθητική:

Χρήστες: "Εξηγήστε την έννοια του κρυπτονομίσματος σε έναν μαθητή γυμνασίου που σπουδάζει ψηφιακά χρηματοοικονομικά"
ChatGPT: «Φανταστείτε ότι παίζετε ένα διαδικτυακό βιντεοπαιχνίδι και υπάρχουν χρήματα από το παιχνίδι που μπορείτε να κερδίσετε για να αγοράσετε αναβαθμίσεις ή νέους χαρακτήρες. Τα κρυπτονομίσματα είναι κάπως έτσι, αλλά αντί να περιορίζονται στο παιχνίδι, μπορείτε στην πραγματικότητα να τα χρησιμοποιήσετε για να αγοράσετε αγαθά και υπηρεσίες του πραγματικού κόσμου. Είναι σαν το ψηφιακό χρήμα που καμία τράπεζα ή κυβέρνηση δεν ελέγχει.»

3) Περιορισμοί στο μέγεθος

Η κατανόηση του περιορισμού μεγέθους του ChatGPT είναι απαραίτητη, καθώς επηρεάζει άμεσα τον όγκο και τον τύπο των πληροφοριών που μπορούμε να εισαγάγουμε. Τα μοντέλα γλώσσας δεν έχουν κατασκευαστεί για να επεξεργάζονται απεριόριστα δεδομένα ταυτόχρονα. Έχουν έναν εγγενή περιορισμό στο μέγεθος της προτροπής που μπορούμε να δημιουργήσουμε και να εισαγάγουμε. Αυτός ο περιορισμός έχει βαθιές συνέπειες για το σχεδιασμό και την εκτέλεση των προτροπών.

Το ChatGPT έχει ένα όριο διακριτικών (γενικά 2048 διακριτικά), το οποίο περιλαμβάνει τόσο την προτροπή όσο και την απόκριση που δημιουργείται. Αυτό σημαίνει ότι οι μεγάλες προτροπές μπορούν να περιορίσουν τη διάρκεια της απόκρισης. Επομένως, είναι σημαντικό οι προτροπές να διατηρούνται συνοπτικές αλλά και ενημερωτικές.

Στην πράξη, πρέπει να ενεργούμε ως επιμελητές, επιλέγοντας επιλεκτικά τις πιο σχετικές πληροφορίες για την εργασία που έχουμε μπροστά μας. Φανταστείτε να γράφετε μια εργασία ή ένα άρθρο με όριο λέξεων ή σελίδων – δεν μπορείτε απλώς να παραθέσετε τυχαία στοιχεία, αλλά να επιλέξετε και να δομήσετε προσεκτικά πληροφορίες σχετικές με το θέμα.

Χρήστες: "Δεδομένων των συμβολικών περιορισμών του μοντέλου, συνοψίστε τα βασικά γεγονότα του Β 'Παγκοσμίου Πολέμου σε λιγότερες από 1000 λέξεις."

Αναγνωρίζοντας τους περιορισμούς των συμβολισμών του μοντέλου, αυτή η προτροπή κατευθύνει την Τεχνητή Νοημοσύνη να παρέχει μια συνοπτική αλλά ολοκληρωμένη περίληψη του Β' Παγκοσμίου Πολέμου.

Προτροπές για επαναλαμβανόμενη χρήση: Σε ένα σενάριο συνομιλίας, μπορείτε να χρησιμοποιήσετε ξανά προτροπές ή να τις βελτιώσετε με βάση προηγούμενες απαντήσεις. Αυτό δίνει μια ροή συνομιλίας και διατηρεί το πλαίσιο στην αλληλεπίδραση.

4) Μοτίβο βελτίωσης ερώτησης

Το ChatGPT μπορεί επίσης να σας βοηθήσει να βελτιώσετε τις ερωτήσεις σας. Για παράδειγμα, εάν κάνετε μια ερώτηση, μπορεί να προτείνει μια καλύτερα διατυπωμένη ερώτηση για πιο ακριβή αποτελέσματα.

Το μοτίβο βελτίωσης ερωτήσεων περιλαμβάνει τη βελτίωση των ερωτήσεων που θέτει ο χρήστης από το LLM. Είναι ιδιαίτερα χρήσιμο όταν οι χρήστες δεν είναι ειδικοί σε έναν τομέα ή δεν είναι σίγουροι για το πώς να διατυπώσουν την ερώτησή τους.

Ένα παράδειγμα προτροπής μπορεί να μοιάζει με αυτό:

Χρήστες: "Όποτε κάνω μια ερώτηση σχετικά με την επιστήμη δεδομένων, προτείνετε μια πιο εκλεπτυσμένη ερώτηση λαμβάνοντας υπόψη τις ιδιαιτερότητες της στατιστικής ανάλυσης και ρωτήστε εάν θέλω να συνεχίσω με την εκλεπτυσμένη ερώτηση."

Εδώ, η Τεχνητή Νοημοσύνη αναμένεται να βελτιώσει τις γενικές ερωτήσεις του χρήστη σχετικά με την επιστήμη δεδομένων σε πιο λεπτομερείς ερωτήσεις, λαμβάνοντας υπόψη πτυχές της στατιστικής ανάλυσης.

5) Μοτίβο Γνωστικού Επαληθευτή

Το Μοτίβο Γνωστικού Επαληθευτή αναλύει σύνθετες ερωτήσεις σε μικρότερες, διαχειρίσιμες υποερωτήσεις. Στη συνέχεια, οι απαντήσεις σε αυτά τα υποερωτήματα συνδυάζονται για να δώσουν μια ολοκληρωμένη απάντηση στο κύριο ερώτημα. Αυτή η προσέγγιση είναι χρήσιμη όταν οι αρχικές ερωτήσεις είναι πολύ υψηλού επιπέδου ή όταν απαιτείται πρόσθετη σαφήνεια για να δοθεί μια πλήρης απάντηση.

Για παράδειγμα:

Χρήστες: «Αν κάνω μια ερώτηση σχετικά με την κλιματική αλλαγή, χωρίστε την σε τρεις μικρότερες ερωτήσεις που θα σας βοηθήσουν να δώσετε μια πιο ακριβή απάντηση. Συνδυάστε τις απαντήσεις σε αυτές τις δευτερεύουσες ερωτήσεις για να δώσετε την τελική απάντηση.»

Σε αυτό το σενάριο, η τεχνητή νοημοσύνη θα αναλύσει το περίπλοκο ερώτημα σχετικά με την κλιματική αλλαγή σε τρία διαχειρίσιμα υποερωτήματα. Αφού λάβει απαντήσεις σε αυτές τις επιμέρους ερωτήσεις, η τεχνητή νοημοσύνη θα τις συνδυάσει για να παρέχει μια πιο ολοκληρωμένη και ακριβή απάντηση.

Αυτό το μοτίβο περιλαμβάνει τη δημιουργία πολλαπλών ερωτήσεων για την απόκτηση μιας πιο ακριβούς τελικής απάντησης. Είναι μια διαδικασία επαλήθευσης και ενοποίησης πληροφοριών για ένα αξιόπιστο τελικό αποτέλεσμα.

6) Προσέγγιση προτροπής λίγων βολών

Η λίγη-λίγη προτροπή είναι μια ισχυρή προσέγγιση για τη διδασκαλία μοντέλων τεχνητής νοημοσύνης ώστε να ακολουθούν συγκεκριμένα μοτίβα ή να εκτελούν εργασίες. Η ιδέα είναι να τροφοδοτείται το μοντέλο με μια σειρά από παραδείγματα πριν τεθεί η επιθυμητή ερώτηση. Αυτό βοηθά στον καθορισμό της επιθυμητής συμπεριφοράς και καθοδηγεί τις απαντήσεις του μοντέλου.

Εξετάστε ένα σενάριο όπου ένας χρήστης προσπαθεί να συντάξει ένα συνοπτικό, συναρπαστικό αντίγραφο μάρκετινγκ για ένα νέο τεχνολογικό gadget:

Χρήστες: «Ακολουθούν μερικά παραδείγματα κειμένων μάρκετινγκ τεχνολογίας: «Ζήστε μουσική όπως ποτέ άλλοτε με τα ασύρματα ακουστικά αιχμής μας». «Απαθανατίστε τον κόσμο σας σε εκπληκτική ανάλυση 4K με την εξαιρετικά κομψή κάμερα δράσης μας». Με βάση αυτά τα παραδείγματα, συντάξτε ένα κείμενο μάρκετινγκ για το νέο μας smartwatch με τεχνητή νοημοσύνη.»

ChatGPT«Ενισχύστε τον τρόπο ζωής σας με το έξυπνο ρολόι μας με τεχνητή νοημοσύνη, τον σύντροφό σας για υγεία, συνδεσιμότητα και παραγωγικότητα». Το αξιοσημείωτο χαρακτηριστικό της μάθησης με λίγα βήματα είναι ότι δεν απαιτεί λεπτομερή περιγραφή του τρόπου εκτέλεσης της εργασίας. Αντίθετα, απαιτεί επιδείξεις για το τι γίνεται, γεγονός που την καθιστά ιδανική για πολλές εφαρμογές.

Επιπλέον, αυτή η τεχνική εκτείνεται πέρα ​​από την απλή σύζευξη εισόδου-εξόδου. Το μοντέλο μπορεί επίσης να διδαχθεί να χειρίζεται ενδιάμεσα βήματα για την επίτευξη ενός στόχου.

7) Προτροπή αλυσίδας σκέψης

Στην πρόσφατη ερευνητική τους εργασία, «Η προτροπή της αλυσίδας σκέψης προκαλεί συλλογισμό σε μεγάλα γλωσσικά μοντέλαΟι συγγραφείς Jason Wei και η ομάδα τους στοχεύουν στην τόνωση της συλλογιστικής μέσα σε μεγάλα γλωσσικά μοντέλα. Αντί να χρησιμοποιούν παραδοσιακές, άμεσες προτροπές, η ομάδα χρησιμοποιεί μια σειρά από διασυνδεδεμένες προτροπές, σχηματίζοντας μια «αλυσίδα σκέψης».

Για παράδειγμα, ένας χρήστης μπορεί να ενδιαφέρεται για τον πιθανό αντίκτυπο της τεχνητής νοημοσύνης στις αγορές εργασίας:

Χρήστες: "Θα μπορούσατε να εξηγήσετε εν συντομία την έννοια της τεχνητής νοημοσύνης;"

ChatGPT«Η Τεχνητή Νοημοσύνη, ή AI, αναφέρεται στην ικανότητα μιας μηχανής να μιμείται την ευφυή ανθρώπινη συμπεριφορά. Πρόκειται για το σχεδιασμό μηχανών που μπορούν να σκέφτονται και να μαθαίνουν όπως οι άνθρωποι, επιτρέποντάς τους να εκτελούν εργασίες όπως η μετάφραση γλωσσών, η λήψη αποφάσεων και η επίλυση προβλημάτων, μεταξύ άλλων.»

Χρήστες: "Πώς η τεχνητή νοημοσύνη επηρεάζει την τρέχουσα αγορά εργασίας;"

ChatGPT«Η Τεχνητή Νοημοσύνη δημιουργεί νέες θέσεις εργασίας και αλλάζει τη φύση των υπαρχουσών. Αφενός, αυτοματοποιεί τις συνήθεις εργασίες, οδηγώντας σε μετατόπιση θέσεων εργασίας σε ορισμένους τομείς. Αφετέρου, δημιουργεί ζήτηση για ρόλους που δεν υπήρχαν προηγουμένως, όπως υπεύθυνοι δεοντολογίας της Τεχνητής Νοημοσύνης, αναλυτές δεδομένων και μηχανικοί μηχανικής μάθησης. Επιπλέον, η Τεχνητή Νοημοσύνη μπορεί να ενισχύσει τους ανθρώπινους ρόλους, επιτρέποντας στους ανθρώπους να εκτελούν εργασίες πιο αποτελεσματικά και με μεγαλύτερη ακρίβεια.»

Η υποκίνηση μέσω αλυσίδας σκέψης ακολουθεί μια ακολουθία σχετικών υποδείξεων, διατηρώντας μια «συνομιλία» με το μοντέλο που το καθοδηγεί προς πιο ακριβείς και κατάλληλες για τα συμφραζόμενα απαντήσεις.

Κατανόηση του ChatGPT API και της Μηχανικής Προτροπών από την οπτική γωνία ενός προγραμματιστή

Από την οπτική γωνία ενός προγραμματιστή ή ερευνητή, η μηχανική προτροπών είναι μια πιο σύνθετη διαδικασία. Περιλαμβάνει τον σχεδιασμό αλγορίθμων και τεχνικών που θα βοηθήσουν το μοντέλο Τεχνητής Νοημοσύνης να κατανοήσει και να ανταποκριθεί σε προτροπές πιο αποτελεσματικά. Αυτό θα μπορούσε να περιλαμβάνει στρατηγικές για τον χειρισμό διφορούμενων προτροπών, τον προσδιορισμό του πλαισίου των προτροπών ή την αλυσίδα των προτροπών για την τόνωση πιο σύνθετων διαδικασιών σκέψης στην Τεχνητή Νοημοσύνη.

Στην παραπάνω απεικόνιση, ένας χρήστης αλληλεπιδρά με μια διεπαφή συνομιλίας, που υποστηρίζεται από το GPT-4. Τα στοιχεία εισόδου του βελτιώνονται για λόγους σαφήνειας και συνέπειας με τα συμφραζόμενα από μια εξειδικευμένη ενότητα πριν τροφοδοτηθούν στο μοντέλο Τεχνητής Νοημοσύνης. Ο ρόλος αυτής της ενότητας είναι να βελτιώσει και να βελτιώσει τα στοιχεία εισόδου του χρήστη για καλύτερη κατανόηση, διατηρώντας παράλληλα το πλαίσιο της συνομιλίας. Η απάντηση της Τεχνητής Νοημοσύνης, που διαμορφώνεται με βάση την βελτιωμένη προτροπή, επιστρέφεται στον χρήστη μέσω της διεπαφής συνομιλίας. Το ιστορικό αλληλεπίδρασης ενημερώνεται με συνέπεια, διατηρώντας το πλαίσιο συνομιλίας. Συνολικά, αυτό το διάγραμμα απεικονίζει μια δυναμική ροή συνομιλίας χρήστη-Τεχνητής Νοημοσύνης που ενεργοποιείται από τεχνικές μηχανικής προτροπών.

The API ChatGPT Η διεπαφή έχει σχεδιαστεί με διάφορες υπερπαραμέτρους που επιτρέπουν στους χρήστες να βελτιώνουν τις απαντήσεις της τεχνητής νοημοσύνης στις προτροπές, καθιστώντας τες πιο αποτελεσματικές και ευέλικτες. Αυτές περιλαμβάνουν τις παραμέτρους Θερμοκρασία, Μέγιστο Μήκος και Ακολουθίες Διακοπής. Ας εξερευνήσουμε πώς λειτουργούν και πώς μπορούν να χρησιμοποιηθούν σε διαφορετικά περιβάλλοντα.

1) Θερμοκρασία

Η παράμετρος θερμοκρασίας επηρεάζει την τυχαιότητα των απαντήσεων της Τεχνητής Νοημοσύνης (ΤΝ). Μια υψηλότερη θερμοκρασία, όπως το 1.0, ενθαρρύνει την πιο τυχαία έξοδο, με αποτέλεσμα ποικίλες αλλά ενδεχομένως εκτός θέματος απαντήσεις. Αντίθετα, μια χαμηλότερη θερμοκρασία, όπως το 0.2, ωθεί την ΤΝ να επιλέξει πιο ντετερμινιστικές απαντήσεις, οι οποίες μπορεί να είναι ωφέλιμες για εστιασμένες και συγκεκριμένες εξόδους, αλλά μπορεί να μην έχουν ποικιλία.

Παράδειγμα: Αν γράφετε μια δημιουργική ιστορία και θέλετε απρόβλεπτα, ευφάνταστα στοιχεία, ορίστε τη θερμοκρασία σε υψηλότερη τιμή. Μια προτροπή θα μπορούσε να είναι: «Γράψτε μια σύντομη ιστορία για μια γάτα που ταξιδεύει στο χρόνο». Με υψηλή θερμοκρασία, μπορεί να έχετε μια άγρια, φανταστική ιστορία με απρόβλεπτες ανατροπές και στροφές.

2) Μέγιστο μήκος

Αυτή η παράμετρος ελέγχει το μέγιστο μήκος διακριτικού (token) της εξόδου του μοντέλου, το οποίο περιλαμβάνει τόσο τα διακριτικά (tokens) στην είσοδο όσο και στην έξοδο του μηνύματος. Ο ορισμός υψηλότερου ορίου επιτρέπει πιο εκτεταμένες απαντήσεις, ενώ ένα χαμηλότερο όριο διατηρεί την έξοδο σύντομη και περιεκτική.

Παράδειγμα: Για σύντομες απαντήσεις σε ασήμαντα ερωτήματα όπως, "Ποιος κέρδισε το Νόμπελ Λογοτεχνίας το 2020;" μπορεί να θέλετε να ορίσετε το μέγιστο μήκος σε μια χαμηλή τιμή, διασφαλίζοντας ότι η απόκριση είναι συνοπτική και άμεση.

3) Ακολουθίες διακοπής

Οι ακολουθίες διακοπής είναι συγκεκριμένες συμβολοσειρές κειμένου όπου, όταν το μοντέλο τις συναντήσει, παύει να παράγει περαιτέρω έξοδο. Αυτή η δυνατότητα μπορεί να είναι χρήσιμη για τον έλεγχο του μήκους της εξόδου ή για την εντολή στο μοντέλο να σταματήσει σε λογικά τελικά σημεία.

Παράδειγμα: Για μια επίσημη επιστολή, θα μπορούσατε να χρησιμοποιήσετε τη λέξη «Ειλικρινά», ως ακολουθία διακοπής για να διασφαλίσετε ότι η τεχνητή νοημοσύνη δεν δημιουργεί πρόσθετο κείμενο πέρα ​​από τη σωστή κατάληξη της επιστολής.

4) Κορυφή Π

Η παράμετρος «Top P», γνωστή και ως δειγματοληψία πυρήνα, είναι μια μέθοδος που παρέχει μια δυναμική επιλογή του αριθμού των λέξεων που λαμβάνονται υπόψη σε κάθε βήμα των προβλέψεων του μοντέλου. Μια χαμηλότερη τιμή, όπως 0.5, οδηγεί σε ασφαλέστερα και πιο εστιασμένα αποτελέσματα. Μια υψηλότερη τιμή, όπως 0.9, περιλαμβάνει μια ευρύτερη επιλογή λέξεων, οδηγώντας σε πιο ποικίλα αποτελέσματα.

Παράδειγμα: Εάν δημιουργείτε μια τεχνητή νοημοσύνη για να γράφει ποιήματα και θέλετε να χρησιμοποιεί ένα ευρύ φάσμα λεξιλογίου και στυλιστικών φράσεων, μπορείτε να ορίσετε την τιμή «Κορυφαίο Π» σε υψηλότερη. Μια προτροπή θα μπορούσε να είναι: «Σύνθεσε ένα ποίημα για την ομορφιά του φθινοπώρου».

5) Ποινή συχνότητας

Το Frequency Penalty ελέγχει πόσο το μοντέλο θα πρέπει να ευνοεί τις λιγότερο συχνές λέξεις. Μια υψηλότερη ποινή (έως 1) ενθαρρύνει το μοντέλο να χρησιμοποιεί λιγότερο κοινές λέξεις, ενώ μια χαμηλότερη τιμή (μέχρι -1) ενθαρρύνει το μοντέλο να χρησιμοποιεί πιο κοινές λέξεις.

Παράδειγμα: Εάν προσπαθείτε να δημιουργήσετε μια επιχειρηματική πρόταση και θέλετε να αποφύγετε την ορολογία, μπορείτε να ορίσετε την ποινή συχνότητας σε χαμηλότερη τιμή για να διατηρήσετε τη διατύπωση σαφή και προσβάσιμη.

6) Ποινή παρουσίας

Η παράμετρος Ποινή παρουσίας επηρεάζει το πόσο τιμωρείται το μοντέλο για τη δημιουργία νέων ιδεών ή θεμάτων που δεν υπήρχαν στο ιστορικό συνομιλιών. Οι υψηλότερες τιμές ενθαρρύνουν το μοντέλο να εμμείνει στα θέματα που έχουν ήδη αναφερθεί, ενώ οι χαμηλότερες τιμές επιτρέπουν στο μοντέλο να εισάγει νέες έννοιες πιο ελεύθερα.

Παράδειγμα: Για συνεδρίες καταιγισμού ιδεών, μπορείτε να ορίσετε την ποινή παρουσίας σε χαμηλότερη τιμή για να ενθαρρύνετε μια ποικιλία ιδεών. Θα μπορούσατε να χρησιμοποιήσετε μια προτροπή όπως «Δημιουργήστε καινοτόμες στρατηγικές μάρκετινγκ για μια διαδικτυακή εκπαιδευτική πλατφόρμα».

Βιομηχανική Εφαρμογή του Prompt Engineering