Prompt engineering

OpenAI:n Ohjeistus Prompt Engineeringiin: Mestarointi ChatGPT:lle Edistyneisiin Sovelluksiin

Aayush Mittal
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Prompt Engineering
Keskeiset kohdatSelkeät ja kontekstia sisältävät käskyt tuottavat huomattavasti tarkempia ja…
Näytä lisää
  • Selkeät ja kontekstia sisältävät käskyt tuottavat huomattavasti tarkempia ja hyödyllisempiä tekoälyvastauksia.
  • Monimutkaisten tehtävien jakaminen osatehtäviksi parantaa ChatGPT:n luotettavuutta ja tulosten laatua merkittävästi.
  • Järjestelmällinen testaaminen asiantuntijavastauksiin verraten varmistaa tekoälymallin tarkkuuden ja faktapohjaisen yhdenmukaisuuden.

Kehotesuunnittelun ymmärtäminen

Kehotesuunnittelu on taitoa ja tiedettä, jossa muotoillaan syötteitä eli kehotteita, jotta ChatGPT:n kaltaisilta tekoälymalleilta saadaan haluttuja tuloksia. Se on keskeinen taito mallien tehokkaassa hyödyntämisessä.

OpenAI:n GPT-3- ja GPT-4-arkkitehtuureihin perustuva ChatGPT on kehittynyt huomattavasti: se reagoi paremmin ja ottaa asiayhteyden entistä paremmin huomioon. Kehityksen ymmärtäminen auttaa hallitsemaan kehotesuunnittelua.

Kuten taitava kapellimestari johtaa orkesteria, kehotesuunnittelu auttaa ohjaamaan malleja monimutkaisiin tehtäviin yksityiskohtaisten teknisten asiakirjojen laatimisesta luovan ja kiinnostavan sisällön tuottamiseen. Tämä opas esittelee strategioita ja menetelmiä, joilla yksinkertaisista tekoälyn kanssa käydyistä keskusteluista voidaan edetä vivahteikkaaseen ja merkitykselliseen vuorovaikutukseen.

Vertaa kysymyksiä ”Miten lasken lukuja yhteen Excelissä?” ja ”Miten lasken dollarimäärien sarakkeen summan automaattisesti Excelissä ja näytän summat oikealla Yhteensä-sarakkeessa?” Jälkimmäinen, yksityiskohtaisempi kehote jättää vähemmän tulkinnanvaraa ja auttaa saamaan tarkemman ja hyödyllisemmän vastauksen. Myös roolien, erottimien ja vaiheittaisten ohjeiden käyttö vaikuttaa merkittävästi tulosten laatuun etenkin monimutkaisissa tehtävissä.

Opas käsittelee teorian lisäksi käytännön esimerkkejä. Opit esimerkiksi antamaan viitetekstejä, jotka vähentävät tekoälyn taipumusta keksiä tietoja, sekä jakamaan monimutkaisia tehtäviä yksinkertaisiksi osatehtäviksi tarkempien tulosten saamiseksi.

1. Selkeys ja yksityiskohtaisuus

GPT-4:n kaltaisille malleille laaditut tehokkaat kehotteet yhdistävät täsmällisyyden, asiayhteyden ja selkeyden. Huonosti laaditun ja harkitun kehotteen ero voi näkyä epämääräisen yleisvastauksen ja täsmällisen, tilanteeseen sopivan vastauksen erona.

Esimerkki 1: ChatGPT:n kielen ymmärtämisen hyödyntäminen teknisissä kysymyksissä

  • Tehoton kehote: ”Miten korjaan virheen koodissani?”
    • Tekoälyn vastaus: ”Korjataksesi koodivirheen sinun on ensin tunnistettava virhe, ymmärrettävä sen syy ja muutettava sitten koodia virheen korjaamiseksi.”
  • Tehokas tekninen kysymys: ”Ohjelmoin Pythonilla ja saan KeyError-virheen yrittäessäni käyttää sanakirjaa. Koodikatkelma on: [koodikatkelma]. Mikä aiheuttaa virheen ja miten korjaan sen?”
    • Tekoälyn vastaus: ”Python-koodisi KeyError johtuu todennäköisesti siitä, että yrität käyttää avainta, jota sanakirjassa ei ole. Näin voit muokata koodia virheen käsittelemiseksi: [muokattu koodikatkelma selityksineen].”

Esimerkki 2: Luova kirjoittaminen tyyliä jäljittelemällä

  • Tehoton kehote: ”Kirjoita novelli.”
    • Tekoälyn vastaus: ”Olipa kerran kaukaisessa maassa valtakunta, jota uhkasi suuri vaara…”
  • Tehokas tyylin jäljittelyä koskeva kehote: ”Kirjoita Ernest Hemingwayn tyylinen novelli kahden vanhan ystävän keskustelusta heidän kohdatessaan toisensa yllättäen.”
    • Tekoälyn vastaus: ”Aurinko paahtoi pölyistä tietä, jolla vanhat ystävät Jack ja Tom kohtasivat sattumalta. ’Siitä on vuosia’, Jack sanoi, ääni yhtä kuiva kuin ilma. ’Vuosia sodasta’, Tom vastasi. [Tarina jatkuu Hemingwayn tiiviiseen, dialogipainotteiseen tyyliin.]”

Esimerkki 3: Matkailuneuvot

  • Tehoton kehote: ”Mitä minun kannattaisi tehdä Pariisissa?”
    • Tekoälyn vastaus: ”Pariisissa voit käydä Eiffel-tornissa, Louvren museossa ja Notre-Damen katedraalissa.”
  • Tehokas kehote: ”Vietän tänä kesänä kolme päivää Pariisissa ja olen kiinnostunut taiteesta ja historiasta. Voitko ehdottaa yksityiskohtaista matkasuunnitelmaa?”
    • Tekoälyn vastaus: ”Päivä 1: Käy aamulla Louvren museossa ja kävele sitten Notre-Damen katedraalille. [Tämän jälkeen seuraa tarkempi matkasuunnitelma.]”

Vinkkejä parempien kehotteiden laatimiseen

  1. Täsmällisyys: Ole mahdollisimman tarkka. Mitä yksityiskohtaisempi kehote on, sitä paremmin vastaus voidaan sovittaa tarpeeseesi.
  2. Taustatiedot: Anna kaikki olennainen asiayhteys. Se auttaa tekoälyä ymmärtämään pyyntösi tarkan luonteen.
  3. Selkeä tavoite: Kerro, millaista lopputulosta odotat, olipa kyse reseptistä, matkasuunnitelmasta tai teknisestä ratkaisusta.
  4. Monitulkintaisuuden välttäminen: Epämääräiset kehotteet johtavat yleisiin vastauksiin. Täsmennä pyyntöäsi saadaksesi tarkkoja vastauksia.
  5. Tuttujen esitysmuotojen käyttö: Pyydä tarvittaessa tiedot esimerkiksi luettelona, vaiheittaisena oppaana tai kaaviona.

2. Tekoälyn vastausten parantaminen viiteteksteillä

Viitetekstien harkittu käyttö voi parantaa huomattavasti GPT-4:n kaltaisten mallien vastausten laatua ja tarkkuutta. Kun annat kysymyksen mukana asiaankuuluvaa ja luotettavaa tietoa, voit ohjata tekoälyä vastaamaan sen perusteella. Näin vastauksista tulee luotettavampia ja asiayhteyteen paremmin sopivia.

Esimerkki 1: Tieteellinen selitys

  • Tavallinen kehote: ”Miten musta aukko syntyy?”
    • Tekoälyn vastaus: ”Musta aukko muodostuu suuren tähden jäännöksistä sen kuoltua supernovaräjähdyksessä. Jos ytimen massa on riittävä, se luhistuu oman painovoimansa vaikutuksesta mustaksi aukoksi.”
  • Viitetekstillä parannettu kehote:
    • Annettu viiteteksti: ”[Tieteellinen artikkeli tähtien kehityksestä ja mustista aukoista]”
    • Kehote: ”Selitä mustan aukon syntyprosessi annetun tieteellisen artikkelin tietojen avulla.”
    • Tekoälyn vastaus: ”Annetun tieteellisen artikkelin mukaan musta aukko syntyy, kun massiivisen tähden ydinpolttoaine loppuu ja sen ydin luhistuu. Artikkeli kuvailee asiaa näin: [asiaankuuluvat otteet artikkelista].”

Esimerkki 2: Oikeudellinen tulkinta

  • Tavallinen kehote: ”Mitä oikeudellisia seurauksia immateriaalioikeuksien loukkaamisesta voi olla?”
    • Tekoälyn vastaus: ”Immateriaalioikeuksien loukkaaminen voi johtaa oikeudenkäynteihin, sakkoihin ja vakavissa tapauksissa vankeusrangaistukseen.”
  • Viitetekstillä parannettu kehote:
    • Annettu viiteteksti: ”[Oikeustieteellisen lehden artikkeli immateriaalioikeudesta]”
    • Kehote: ”Selitä immateriaalioikeuksien loukkaamisen täsmälliset oikeudelliset seuraukset annetun oikeustieteellisen artikkelin perusteella.”
    • Tekoälyn vastaus: ”Oikeustieteellisen artikkelin mukaan immateriaalioikeuksien loukkaaminen voi johtaa siviilioikeudenkäyntiin, lakisääteisiin vahingonkorvauksiin ja mahdollisiin rikossyytteisiin. Artikkelissa mainitaan erityisesti: [suorat lainaukset artikkelista].”

Vinkkejä viitetekstien käyttöön kehotteissa

  1. Valitse olennaiset tekstit: Käytä kysymykseen suoraan liittyviä viitetekstejä.
  2. Täsmennä ohje: Ohjeista tekoälyä selvästi käyttämään annettua viitetekstiä vastauksensa pohjana.
  3. Lähdeviitteet: Pyydä vastausta viittaamaan viitetekstin tiettyihin kohtiin, jotta tiedot voidaan tarkistaa.
  4. Riittämättömät tiedot: Ohjeista tekoälyä ilmoittamaan selvästi, jos annetussa tekstissä ei ole kysymykseen vastaamiseen tarvittavia tietoja.

3. Monimutkaisten tehtävien yksinkertaistaminen osatehtävillä

Monimutkaisten tehtävien tehokas käsittely GPT-4:n kaltaisilla malleilla perustuu niiden jakamiseen yksinkertaisemmiksi osatehtäviksi. Tämä sujuvoittaa prosessia ja parantaa vastausten tarkkuutta ja osuvuutta. Seuraavat esimerkit havainnollistavat tarkoituksen luokittelun, tiivistämismenetelmien ja jäsenneltyjen keskustelujen etuja monimutkaisissa kysymyksissä.

Esimerkki 1: Asiakaspalvelukysymys

  • Tehoton lähestymistapa: Yksi yleistä apua pyytävä kehote.
    • Käyttäjän kehote: ”Minulla on ongelmia tilini kanssa.”
    • Tekoälyn vastaus: ”Voisitko täsmentää, millaisia ongelmia tilissäsi on?”
  • Tehokas lähestymistapa: Kysymyksen luokittelu ja kohdennetun avun tarjoaminen.
    • Käyttäjän kehote: ”En pääse kirjautumaan tililleni.”
    • Tekoälylle annettu ohje: ”Luokittele kysymys tilinhallintaa koskevaksi ja anna sitten tarkat vaiheet kirjautumisongelman selvittämiseen.”
    • Tekoälyn vastaus: ”Vaikuttaa siltä, että sinulla on vaikeuksia päästä tilillesi. Aloitetaan salasanan palauttamisesta. [Tämän jälkeen annetaan tarkat ohjeet.]”

Esimerkki 2: Pitkän asiakirjan tiivistäminen

  • Tehoton lähestymistapa: Pitkän asiakirjan tiivistäminen yhdellä kertaa.
    • Käyttäjän kehote: ”Tiivistä tämä 300-sivuinen kirja.”
    • Tekoälyn vastaus: ”En voi käsitellä konteksti-ikkunaani pidempiä asiakirjoja.”
  • Tehokas lähestymistapa: Asiakirjan tiivistäminen osissa ja koko yhteenvedon kokoaminen rekursiivisesti.
    • Tekoälylle annettu ohje: ”Tiivistä jokainen luku erikseen. Laadi sitten tiivistelmistä uusi tiivistelmä ja jatka tarvittaessa samalla tavalla.”
    • Käyttäjän kehote: ”Tiivistä tämän kirjan ensimmäinen luku.”
    • Tekoälyn vastaus: ”Ensimmäisen luvun yhteenveto: [lyhyt tiivistelmä ensimmäisestä luvusta].”
    • Prosessin jatkaminen: Sama toistetaan jokaiselle luvulle. Lopuksi erilliset tiivistelmät yhdistetään koko kirjan yhteenvedoksi.

Osatehtäviin jakamisen ja asiayhteyden huomioivan kehotesuunnittelun edut

  1. Parempi tarkkuus: Kun tekoäly keskittyy monimutkaisen tehtävän tiettyyn osaan, sen vastaukset voivat olla tarkempia ja osuvampia.
  2. Parempi tehokkuus: Osatehtäviä on helpompi hallita, ja virheiden sekä asiaankuulumattomien tulosten todennäköisyys pienenee.
  3. Parempi käyttökokemus: Käyttäjät saavat kohdennettuja vaiheittaisia ohjeita, jotka auttavat yleisvastauksia enemmän.
  4. Kustannustehokkuus: Pienet kohdennetut kehotteet voivat olla kustannustehokkaampia kuin suuret ja monimutkaiset kehotteet.

4. Anna GPT:lle aikaa ajatella

Kun mallille annetaan aikaa ”ajatella” ja monimutkaiset tehtävät jaetaan hallittaviin vaiheisiin, GPT-4:n kaltaisten mallien vastausten laatu paranee huomattavasti.

Esimerkki 1: Matematiikan ratkaisun arviointi

  • Tehoton lähestymistapa: Mallia pyydetään suoraan arvioimaan opiskelijan ratkaisu.
    • Käyttäjän kehote: ”Onko opiskelijan ratkaisu tähän matematiikan tehtävään oikein?”
    • Tekoälyn vastaus: ”Opiskelijan ratkaisu vaikuttaa oikealta/väärältä.”
  • Tehokas lähestymistapa: Mallia pyydetään ratkaisemaan tehtävä itse ennen opiskelijan työn arviointia.
    • Käyttäjän kehote: ”Ratkaise ensin tämä matematiikan tehtävä. Vertaa sitten ratkaisuasi opiskelijan ratkaisuun ja arvioi sen oikeellisuus.”
    • Tekoälyn vastaus: ”Oma ratkaisuni: [yksityiskohtainen ratkaisu]. Verratessani sitä opiskelijan ratkaisuun löysin virheen kohdasta [tietty laskutoimitus]. Oikea menetelmä olisi [oikea menetelmä].”

Esimerkki 2: Asiakirjan analyysi

  • Tehoton lähestymistapa: Pitkän asiakirjan analysoiminen yhdellä kysymyksellä.
    • Käyttäjän kehote: ”Tiivistä koko tämän asiakirjan keskeiset kohdat.”
    • Tekoälyn vastaus: ”En pysty käsittelemään koko asiakirjaa sen pituuden vuoksi.”
  • Tehokas lähestymistapa: Otteiden poimiminen vaiheittain ja jatkokysymysten käyttö kattavaa analyysia varten.
    • Käyttäjän kehote: ”Poimi tästä asiakirjasta aiheeseen [tietty aihe] liittyvät keskeiset otteet.”
    • Tekoälyn vastaus: ”Ote 1: [olennainen tekstikohta]. Ote 2: [toinen olennainen tekstikohta].”
    • Käyttäjän jatkokysymys: ”Onko muita olennaisia otteita? Varmista, että asiayhteys säilyy kokonaisena.”
    • Tekoälyn vastaus: ”Lisäote: [muu olennainen tekstikohta].”

Edut ja huomiot

  1. Analyysin syvyys: Kun tekoäly muodostaa ensin oman ratkaisun tai analyysin, se voi arvioida vastauksia tarkemmin ja perusteellisemmin.
  2. Ohjattu oppiminen: Opetuksessa sisäisen pohdinnan ja vihjeiden käyttö voi kannustaa opiskelijoita löytämään ratkaisun itse ja tukea oppimista.
  3. Kattavuus: Vaiheittaiset ja rekursiiviset menetelmät auttavat käsittelemään asiakirjan perusteellisesti jättämättä tärkeitä yksityiskohtia pois.
  4. Vinoumien välttäminen: Oman ratkaisun laatiminen ensin vähentää annetun vastauksen suoraan arvioimisesta mahdollisesti syntyvää vinoumaa.

5. Ulkoisten työkalujen hyödyntäminen

Ulkoisten työkalujen ja tietolähteiden yhdistäminen tekoälyn käyttöön voi parantaa huomattavasti GPT-4:n kaltaisten mallien vastausten tarkkuutta ja osuvuutta. Tässä osassa havainnollistetaan upotuksiin perustuvaa tiedonhakua, koodin suorittamista tarkkoja laskelmia varten ja funktiokutsuja mallin kykyjen laajentamiseksi.

Esimerkki 1: Tarkat laskelmat koodia suorittamalla

  • Ilman koodin suorittamista: Luotetaan yksinomaan mallin laskentakykyyn.
    • Käyttäjän kehote: ”Laske luvun 529 neliöjuuri.”
    • Tekoälyn vastaus: ”Luvun 529 neliöjuuri on noin 23.”
  • Koodia suorittamalla: Varmistetaan laskelman täsmällisyys.
    • Käyttäjän kehote: ”Laske luvun 529 neliöjuuri.”
    • Tekoälylle annettu ohje: ”Kirjoita ja suorita tämän laskemiseen Python-koodi.”
    • Tekoälyn vastaus: ”python import math math.sqrt(529) Luvun 529 neliöjuuri on täsmälleen 23.”

Esimerkki 2: API-kutsujen käyttö dynaamiseen vuorovaikutukseen

  • Ilman API-kutsuja: Vastaukset rajoittuvat staattiseen, ennalta ohjelmoituun toimintaan.
    • Käyttäjän kehote: ”Lähetä ystävälleni muistutus huomisesta tapaamisestamme.”
    • Tekoälyn vastaus: ”Muistutus: Muista lähettää ystävällesi viesti huomisesta tapaamisesta.”
  • API-kutsuja käyttämällä: Ulkoisten järjestelmien kanssa voidaan suorittaa toimintoja reaaliaikaisesti.
    • Käyttäjän kehote: ”Lähetä ystävälleni Johnille muistutus huomisesta tapaamisestamme.”
    • Tekoälylle annettu ohje: ”Käytä viestintärajapintaa muistutuksen lähettämiseen.”
    • Tekoälyn vastaus: ”python import message message.write(to='John', message='Hey, remember our meeting tomorrow!') Johnille on lähetetty muistutus huomisesta tapaamisesta.”

Edut ja huomiot

  1. Laajempi tietopohja: Upotuksiin perustuvan haun avulla tekoäly voi käyttää laajasti ajantasaista tietoa ja sisällyttää sitä vastauksiin, mikä parantaa niiden osuvuutta ja tarkkuutta.
  2. Täsmälliset laskelmat: Koodin suorittaminen mahdollistaa tarkat matemaattiset laskelmat, mikä on erityisen hyödyllistä teknisissä ja tieteellisissä yhteyksissä.
  3. Vuorovaikutteiset toiminnot: API-kutsut mahdollistavat ulkoisten järjestelmien käytön esimerkiksi viestien lähettämiseen ja muistutusten asettamiseen.

6. Järjestelmällinen testaus

Järjestelmällinen testaus eli arviointimenettelyt (evals) on tärkeää tekoälyjärjestelmiin tehtyjen muutosten tehokkuuden selvittämisessä. Mallin tuloksia verrataan ennalta määritettyihin kriteereihin tai luotettaviin vertailuvastauksiin niiden tarkkuuden arvioimiseksi.

Esimerkki 1: Vastausten ristiriitojen tunnistaminen

  • Testitilanne: Mallin vastauksen ja asiantuntijavastausten ristiriitojen havaitseminen.
    • Järjestelmäohje: Selvitä, onko mallin vastaus ristiriidassa minkään asiantuntijavastauksen osan kanssa.
    • Käyttäjän syöte: ”Neil Armstrong oli toinen Kuussa kävellyt ihminen Buzz Aldrinin jälkeen.”
    • Arviointiprosessi: Järjestelmä vertaa väitettä asiantuntijavastaukseen, jonka mukaan Neil Armstrong oli ensimmäinen ihminen Kuussa.
    • Mallin tulos: Mallin vastaus on suoraan ristiriidassa asiantuntijavastauksen kanssa, mikä osoittaa virheen.

Esimerkki 2: Vastausten yksityiskohtaisuuden vertailu

  • Testitilanne: Arvioidaan, vastaako mallin vastauksen yksityiskohtaisuus asiantuntijavastausta vai sisältääkö se enemmän tai vähemmän tietoa.
    • Järjestelmäohje: Vertaa mallin ja asiantuntijan vastausten tietojen syvyyttä.
    • Käyttäjän syöte: ”Neil Armstrong käveli Kuussa ensimmäisen kerran 21. heinäkuuta 1969 kello 02.56 UTC.”
    • Arviointiprosessi: Järjestelmä arvioi, sisältääkö mallin vastaus enemmän, yhtä paljon vai vähemmän yksityiskohtia kuin asiantuntijavastaus.
    • Mallin tulos: Mallin vastaus antaa lisätiedon eli tarkan kellonajan, joka on asiantuntijavastauksen kanssa yhdenmukainen ja täydentää sitä.

Edut ja huomiot

  1. Tarkkuus ja luotettavuus: Järjestelmällinen testaus auttaa varmistamaan vastausten tarkkuuden ja luotettavuuden erityisesti faktatietoja käsiteltäessä.
  2. Virheiden havaitseminen: Menetelmä auttaa löytämään vastauksista virheitä, ristiriitoja ja epäjohdonmukaisuuksia.
  3. Laadunvarmistus: Tämä lähestymistapa on olennainen tekoälyn tuottaman sisällön laadun ylläpitämisessä etenkin opetuksessa, historiassa ja muissa tietojen oikeellisuudelle herkissä yhteyksissä.

Johtopäätökset ja keskeinen viesti

Esimerkit ja strategiat osoittavat, miten kehotteen täsmällisyys voi muuttaa tulosta huomattavasti ja miten monimutkaisen tehtävän jakaminen yksinkertaisemmiksi osatehtäviksi tekee vaativista haasteista hallittavia. Olemme tarkastelleet ulkoisten työkalujen kykyä laajentaa tekoälyn toimintoja sekä järjestelmällisen testauksen merkitystä vastausten luotettavuuden ja tarkkuuden varmistamisessa. OpenAI:n kehotesuunnitteluopas tarjoaa perustietoa, joka täydentää tässä käsiteltyjä edistyneitä tekniikoita ja strategioita tekoälyn kanssa käytävän vuorovaikutuksen parantamiseen.

Olen viettänyt viimeiset viisi vuotta uppoutuen koneoppimisen ja syväoppimisen kiehtovaan maailmaan. Intohimoni ja asiantuntemukseni ovat saaneet minut osallistumaan yli 50 erilaiseen ohjelmistotekniikan hankkeeseen, joissa olen keskittynyt erityisesti tekoälyyn ja koneoppimiseen. Jatkuva uteliaisuuteni on johdattanut minut myös luonnollisen kielen käsittelyn pariin, ja haluan tutkia tätä alaa syvemmin.