Le guide essentiel de l'ingénierie rapide dans ChatGPT

Depuis son lancement, ChatGPT a fait des vagues dans le domaine de l'IA, attirant plus de 100 millions d'utilisateurs en un temps record. La sauce secrète des performances et de la polyvalence impressionnantes de ChatGPT réside dans un art subtilement niché dans sa programmation - l'ingénierie rapide.

Lancés en 2022, DALL-E, MidJourney et StableDiffusion ont souligné le potentiel perturbateur de l'IA générative. Mais c'était Ouvrir AI's ChatGPT qui a vraiment occupé le devant de la scène plus tard en 2022. Et cet élan n'a montré aucun signe de ralentissement.

L'annonce de Bard par Google ainsi que les Lamma de Meta 2  La réponse au ChatGPT d'OpenAI a considérablement amplifié l'élan de la course à l'IA. En fournissant des entrées à ces modèles, nous orientons leur comportement et leurs réponses. Cela fait de nous tous des ingénieurs rapides dans une certaine mesure. L'industrie de la technologie en a pris note. Les capital-risqueurs investissent des fonds dans des startups axées sur l'ingénierie rapide, comme Vélin IA. De plus, Forbes rapporte que les ingénieurs invitent à commander salaires supérieurs à 300,000 XNUMX $, signe d'un marché du travail florissant et précieux.

Dans cet article, nous démystifierons le monde de l'ingénierie rapide dans le contexte de ChatGPT. Nous explorerons les principes et techniques de base et examinerons leurs applications commerciales.

Comprenons d'abord comment fonctionne ChatGPT et le rôle central que joue l'ingénierie des invites dans ce processus.

La mécanique derrière l'ingénierie rapide de ChatGPT

La sauce secrète derrière le succès de ChatGPT est sa capacité à comprendre et à imiter les nuances de la conversation humaine. Le modèle est formé sur une gamme variée de textes Internet, mais surtout, il ne connaît pas de documents ou de sources spécifiques dans son ensemble de formation, garantissant la généralisation plutôt que la spécificité. Cette approche de formation permet à ChatGPT de générer des réponses créatives, de naviguer dans des dialogues complexes et même de faire preuve d'humour. Cependant, il est important de se rappeler que ChatGPT ne comprend pas vraiment ou n'a pas de croyances ; il génère des réponses basées sur des modèles qu'il a appris pendant la formation.

La capacité de ChatGPT à comprendre et à répondre au langage humain de manière nuancée et sensible au contexte en fait des outils incroyablement polyvalents.

La mécanique de ces modèles repose sur le concept de « jetons », c'est-à-dire de morceaux de langage discrets pouvant aller d'un seul caractère à un mot entier. Ces modèles fonctionnent avec un nombre spécifique de jetons à la fois (4096 pour GPT-3.5-Turbo ou 8192 ou 32768 pour GPT-4), prédisant la prochaine séquence de jetons probables. Les modèles traitent les jetons à l'aide d'une algèbre linéaire complexe, prédisant le jeton suivant le plus probable.

Par exemple, une simple phrase de neuf mots pourrait se transformer en dix jetons. Même un seul mot complexe peut se transformer en plusieurs jetons, ce qui aide le modèle à mieux comprendre et générer le langage. Même les langues avec des structures de mots complexes, comme l'allemand, sont gérées par tokenisation.

Les modèles GPT (Generative Pre-trained Transformer) fonctionnent en générant un jeton à la fois, en commençant par le premier jeton et en continuant jusqu'au dernier. Après avoir généré chaque jeton, le modèle revisite la séquence entière et la traite à nouveau pour générer le jeton suivant. Ce processus itératif se poursuit jusqu'à ce que le jeton final soit généré, ce qui rend la génération de texte similaire à une grande boucle for.

Mais voici le hic - la qualité de ces réponses dépend en grande partie des invites qu'elle reçoit. Tout comme diriger une conversation avec un humain, diriger un dialogue avec ChatGPT nécessite un certain niveau de compétence et de compréhension. C'est là que l'ingénierie rapide entre en jeu.

Qu'est-ce que l'ingénierie rapide ?

L'ingénierie rapide est l'art de créer des invites/entrées précises et efficaces pour guider l'IA (PNL/Vision) comme ChatGPT pour générer les sorties les plus rentables, précises, utiles et sûres.

L'ingénierie rapide ne se limite pas à la génération de texte, mais a de nombreuses applications dans le domaine de l'IA. Il est de plus en plus utilisé dans des domaines tels que les robots d'automatisation des processus robotiques, les ressources 3D, les scripts, les instructions des robots et d'autres types de contenu et de médias numériques. Il fournit un mélange unique de logique, de codage, d’art et, dans certains cas, de modificateurs spéciaux.

Bien qu'une invite puisse inclure du texte en langage naturel, des images ou d'autres types de données d'entrée, la sortie peut varier considérablement d'un service et d'un outil d'IA à l'autre. Chaque outil a ses modificateurs spéciaux qui décrivent le poids des mots, les styles, les perspectives, la mise en page ou d'autres propriétés de la réponse souhaitée.

Ce domaine est essentiel pour créer de meilleurs services basés sur l'IA et obtenir des résultats supérieurs à partir des outils d'IA générative existants. Les développeurs d'entreprise, par exemple, utilisent souvent une ingénierie rapide pour personnaliser les grands modèles de langage (LLM) comme GPT-3 afin d'alimenter une interface client. Chatbot ou gérer des tâches telles que la création de contrats spécifiques à l'industrie.

Ce processus itératif d'affinement rapide et de mesure des performances de l'IA est un élément clé pour permettre aux modèles d'IA de générer des réponses très ciblées et utiles dans divers contextes.

Devenir un ingénieur prompt

Les prouesses du modèle GPT-4 dans la compréhension d'instructions complexes et la résolution précise de problèmes complexes en font une ressource inestimable. Cependant, il existe différentes méthodes pour accéder aux capacités de ce modèle, et leur compréhension peut être cruciale pour le rôle d'un ingénieur rapide dans l'optimisation à la fois de l'efficacité et de la rentabilité.

Il existe essentiellement deux façons de s'engager avec des modèles GPT comme GPT-4. L'un des moyens consiste à utiliser l'API d'OpenAI, où les coûts sont calculés par jetons d'entrée et de sortie. Dans ce scénario, les coûts par 1 32 jetons peuvent fluctuer en fonction de la taille du contexte. Par exemple, dans un contexte plus large de 0.06 Ko, le coût peut atteindre 0.12 USD pour les jetons d'entrée et XNUMX USD pour les jetons de sortie. Ainsi, lors du traitement d'un volume élevé de requêtes, le coût d'utilisation peut rapidement s'accumuler.

Alternativement, ChatGPT, qui exploite le modèle GPT-4, fonctionne sur un modèle basé sur un abonnement.

Une autre tâche clé dans l'ingénierie rapide implique le réglage des paramètres du modèle. Ce processus implique l'ajustement des variables que le modèle utilise pour faire des prédictions. En affinant ces paramètres, les ingénieurs prompts peuvent améliorer la qualité et la précision des réponses du modèle, les rendant plus pertinentes et utiles d'un point de vue contextuel.

Bien que de nombreux ingénieurs prompts soient issus d'une formation technique, la nature multidisciplinaire du domaine le rend accessible à des personnes issues de divers horizons professionnels. De plus en plus, des écrivains, des chercheurs et même des artistes tirent parti de leurs compétences uniques pour améliorer l'efficacité des modèles d'IA. Cette évolution se reflète également sur le marché du travail, avec un nombre croissant d'entreprises à la recherche d'ingénieurs rapides aux compétences et aux parcours variés.

Conception et ingénierie rapides dans ChatGPT

La conception et l'ingénierie rapides jouent un rôle essentiel dans l'optimisation des performances des modèles de langage et impliquent plus que de simples questions d'élaboration ; ils nécessitent une compréhension approfondie du modèle d'IA et une approche hautement itérative et raffinée.

Conception rapide

La conception rapide, à la base, est l'art et la science de créer l'invite parfaite pour un grand modèle de langage (LLM) donné, comme ChatGPT, pour atteindre un objectif clairement énoncé. C'est un mélange de :

• Compréhension du LLM : différents modèles de langage peuvent répondre de manière variable à la même invite. De plus, certains modèles de langage peuvent avoir des mots-clés ou des déclencheurs uniques, qu'ils interprètent d'une manière spécifique.
• Connaissance du domaine : l'expertise dans le domaine concerné est cruciale lors de la conception des invites. Par exemple, générer une invite pour déduire un diagnostic médical nécessiterait des connaissances médicales.
• Approche itérative et mesure de la qualité : le processus de création de l'invite idéale implique souvent des essais et des erreurs. Par conséquent, il est essentiel de disposer d'un moyen d'évaluer la qualité de la sortie au-delà du simple jugement subjectif, en particulier lors de l'utilisation de l'invite à plus grande échelle.

Ingénierie rapide

L'ingénierie rapide est un domaine étendu de la conception rapide qui comprend plusieurs processus critiques :

• Conception d'invites à grande échelle : ce processus comprend la conception de méta-invites (invites qui génèrent d'autres invites) et de modèles d'invites, qui sont des invites paramétrées qui peuvent être instanciées lors de l'exécution.
• Conception et intégration d'outils : les invites peuvent parfois inclure des résultats d'outils externes, et l'intégration transparente de ces outils dans le système est cruciale.
• Flux de travail, planification et gestion des invites : le déploiement d'une application LLM, comme un chatbot, nécessite souvent de gérer des bibliothèques d'invites, de planifier et de choisir les bonnes invites et d'intégrer efficacement divers outils.
• Évaluation et assurance qualité des invites : cet aspect comprend la définition de métriques et de processus pour évaluer les invites à la fois automatiquement et avec une implication humaine.
• Optimisation des invites : le coût et la latence du modèle d'IA peuvent dépendre du choix du modèle et de la longueur de l'invite (nombre de jetons).

De nombreuses approches, outils et cadres de conception d'invites automatisées ont été développés pour gérer les invites à grande échelle. Cependant, il est important de comprendre qu'aucun de ces outils ne peut remplacer la compréhension, le jugement et l'expérience nuancés d'un ingénieur chevronné.

Ingénierie rapide : techniques et bonnes pratiques

1) Placement rapide et description

Placer des instructions au début de l'invite peut avoir un impact significatif sur la compréhension et la réponse de l'IA. Considérez la tâche de résumer un texte dans un format à puces. Une approche moins efficace serait :

Utilisateur: Résumez le texte ci-dessous sous forme de liste à puces des points les plus importants.
{saisie de texte ici}

En revanche, une technique plus efficace pourrait être :

Utilisateur: Résumez le texte ci-dessous sous forme de liste à puces des points les plus importants.
Texte: """
{saisie de texte ici}
"" "

En séparant clairement les instructions et le contexte avec des symboles tels que ### ou """, le modèle d'IA peut mieux délimiter sa tâche et le texte qu'il doit traiter, donnant ainsi des réponses plus précises et pertinentes.

Deuxièmement, être précis, descriptif et détaillé sur le contexte, le résultat attendu, la longueur, le format, le style, etc. peut améliorer considérablement la précision des réponses de l'IA. Supposons que vous ayez besoin de générer un bref aperçu d'un article scientifique dans un style engageant et convivial. Une instruction vague comme "Résumez l'article scientifique" donnerait des résultats moins efficaces par rapport à une invite spécifique et détaillée :

Utilisateur: Générez un bref (environ 200 mots), un résumé engageant de l'article scientifique suivant. Le résumé doit être compréhensible pour une personne sans formation scientifique, tout en reflétant avec précision les principales conclusions de l'article.
Papier: """
{texte de l'article scientifique ici}
"" "

2) Modèle de personnalité

Le Persona Pattern est une stratégie qui permet à l'IA de fonctionner dans une certaine perspective, comme un rôle professionnel ou un personnage fictif. Cette tactique permet au modèle de fournir des sorties liées aux rôles spécifiques que la personne gérerait. Par exemple, on pourrait demander à l'IA d'agir en tant qu'expert en cybersécurité lors d'une revue de code. Ce modèle est particulièrement utile lorsque les utilisateurs ont besoin d'aide mais ne sont pas sûrs des détails exacts requis dans la sortie.

Prenons l'exemple suivant :

Utilisateur: « Assumer la personnalité d'un historien de haut rang spécialisé dans la Révolution française. Compte tenu de cette personnalité, expliquez les événements clés et les raisons qui ont conduit à la chute de la monarchie française.

Dans ce scénario, l'IA est censée répondre par une analyse approfondie de la Révolution française, en se concentrant sur la chute de la monarchie, comme le ferait un historien.

Présentation de nouvelles informations

ChatGPT ne possède pas de connaissances au-delà de sa limite de formation, il ne peut donc pas fournir d'informations sur les événements récents ou les mises à jour après sa formation. Cependant, vous pouvez introduire de nouvelles informations dans le modèle via vos invites.

Utilisateur: "Qu'est-ce que la crypto-monnaie?"
ChatGPT: « La crypto-monnaie est un type de monnaie numérique ou virtuelle qui utilise la cryptographie pour la sécurité. La crypto-monnaie la plus connue est le Bitcoin.

Maintenant, si nous ajoutons un peu plus de contexte à l'invite, nous pouvons rendre l'explication encore plus intuitive :

Utilisateur: "Expliquer le concept de crypto-monnaie à un lycéen étudiant la finance numérique"
ChatGPT : "Imaginez que vous jouez à un jeu vidéo en ligne et que vous pouvez gagner de l'argent de jeu pour acheter des améliorations ou de nouveaux personnages. La crypto-monnaie est un peu comme ça, mais au lieu d'être limitée au jeu, vous pouvez en fait l'utiliser pour acheter des biens et services du monde réel. C'est comme de l'argent numérique qu'aucune banque ou gouvernement ne contrôle.

3) Limites de taille des invites

Comprendre la limitation de taille de ChatGPT est essentiel car cela a un impact direct sur le volume et le type d'informations que nous pouvons saisir. Les modèles de langage ne sont pas conçus pour traiter un nombre illimité de données à la fois. Ils ont une contrainte inhérente sur la taille de l'invite que nous pouvons créer et saisir. Cette limitation a de profondes implications pour la conception et l'exécution des invites.

ChatGPT a une limite de jetons (généralement 2048 jetons), qui inclut à la fois l'invite et la réponse générée. Cela signifie que de longues invites peuvent limiter la longueur de la réponse. Par conséquent, il est important que les invites restent concises mais informatives.

Dans la pratique, nous devons agir en tant qu'éditeurs, en choisissant sélectivement les informations les plus pertinentes pour la tâche à accomplir. Imaginez que vous écriviez un document ou un article avec une limite de mots ou de pages - vous ne pouvez pas simplement jeter des faits aléatoires, mais sélectionner et structurer avec soin les informations pertinentes pour le sujet.

Utilisateur: "Compte tenu des limites symboliques du modèle, résumez les événements clés de la Seconde Guerre mondiale en moins de 1000 mots."

En reconnaissant les limites symboliques du modèle, cette invite demande à l'IA de fournir un résumé concis mais complet de la Seconde Guerre mondiale.

Invites pour une utilisation répétée : dans un scénario conversationnel, vous pouvez réutiliser les invites ou les affiner en fonction des réponses précédentes. Cela donne un flux conversationnel et maintient le contexte dans l'interaction.

4) Modèle de raffinement des questions

ChatGPT peut également vous aider à affiner vos questions. Par exemple, si vous posez une question, il peut suggérer une question mieux formulée pour des résultats plus précis.

Le modèle de raffinement des questions implique que le LLM affine les questions posées par l'utilisateur. C'est particulièrement utile lorsque les utilisateurs ne sont pas des experts dans un domaine ou ne savent pas comment formuler leur question.

Un exemple d'invite peut ressembler à ceci :

Utilisateur: "Chaque fois que je pose une question sur la science des données, suggérez une question plus raffinée en tenant compte des spécificités de l'analyse statistique et demandez si je veux continuer avec la question raffinée."

Ici, l'IA est censée affiner les questions générales de science des données de l'utilisateur en questions plus détaillées tenant compte des aspects d'analyse statistique.

5) Modèle de vérificateur cognitif

Le modèle de vérification cognitive décompose les questions complexes en sous-questions plus petites et gérables. Les réponses à ces sous-questions sont ensuite combinées pour fournir une réponse complète à la question principale. Cette approche est utile lorsque les questions initiales sont de niveau trop élevé ou lorsqu'une clarté supplémentaire est nécessaire pour fournir une réponse complète.

Par exemple:

Utilisateur: « Si je pose une question sur le changement climatique, décomposez-la en trois petites questions qui vous aideront à fournir une réponse plus précise. Combinez les réponses à ces sous-questions pour donner la réponse finale.

Dans ce scénario, l'IA décomposera la question complexe du changement climatique en trois sous-questions gérables. Après avoir reçu des réponses à ces sous-questions, l'IA les combinera ensuite pour fournir une réponse plus complète et plus précise.

Ce modèle implique de générer plusieurs questions pour obtenir une réponse finale plus précise. C'est un processus de vérification et de consolidation des informations pour un résultat final robuste

6) Approche incitant à quelques coups

L'incitation à quelques prises de vue est une approche puissante pour apprendre aux modèles d'IA à suivre des modèles spécifiques ou à effectuer des tâches. L'idée est d'alimenter le modèle avec un certain nombre d'exemples avant de poser la question souhaitée. Cela permet de définir le comportement souhaité et de guider les réponses du modèle.

Considérez un scénario dans lequel un utilisateur tente de rédiger une copie marketing concise et convaincante pour un nouveau gadget technologique :

Utilisateur: "Voici quelques exemples de copies de marketing technologique : 'Découvrez la musique comme jamais auparavant avec nos écouteurs sans fil de pointe.' "Capturez votre monde en 4K époustouflant avec notre caméra d'action ultra-élégante." Compte tenu de ces exemples, rédigez une copie marketing pour notre nouvelle montre intelligente alimentée par l'IA. »

ChatGPT: "Enrichissez votre style de vie avec notre montre intelligente alimentée par l'IA, votre compagnon pour la santé, la connectivité et la productivité." La caractéristique remarquable de l'apprentissage en quelques coups est qu'il ne nécessite pas une description détaillée de la façon d'effectuer la tâche. Au lieu de cela, il nécessite des démonstrations de ce qui est fait, ce qui peut en faire un bon choix pour de nombreuses applications.

De plus, cette technique va au-delà du simple appariement entrée-sortie. Le modèle peut également apprendre à gérer les étapes intermédiaires pour atteindre un objectif.

7) Incitation à la chaîne de pensée

Dans leur récent article de recherche, «L'incitation à la chaîne de pensée suscite le raisonnement dans de grands modèles de langage” les auteurs Jason Wei et son équipe visent à stimuler le raisonnement au sein de grands modèles de langage. Plutôt que d'utiliser des invites directes traditionnelles, l'équipe utilise une série d'invites interconnectées, formant une « chaîne de pensée ».

Par exemple, un utilisateur peut être intéressé par l'impact potentiel de l'intelligence artificielle sur les marchés du travail :

Utilisateur: "Pourriez-vous expliquer brièvement le concept d'intelligence artificielle ?"

ChatGPT: "L'intelligence artificielle, ou IA, fait référence à la capacité d'une machine à imiter le comportement humain intelligent. Il s'agit de concevoir des machines capables de penser et d'apprendre comme des humains, leur permettant d'effectuer des tâches telles que la traduction, la prise de décision et la résolution de problèmes, entre autres.

Utilisateur: "Comment l'IA influence-t-elle le marché du travail actuel ?"

ChatGPT: « L’IA crée à la fois de nouveaux emplois et change la nature de ceux qui existent déjà. D’une part, elle automatise les tâches routinières, entraînant des suppressions d’emplois dans certains secteurs. D’un autre côté, cela crée une demande pour des postes qui n’existaient pas auparavant, comme ceux de responsables de l’éthique de l’IA, d’analystes de données et d’ingénieurs en apprentissage automatique. De plus, l’IA peut augmenter les rôles humains, permettant aux gens d’accomplir des tâches avec plus d’efficacité et de précision.

L'incitation à la chaîne de pensée suit une progression d'invites liées, entretenant une «conversation» avec le modèle qui le guide vers des réponses plus précises et adaptées au contexte.

Comprendre l'API ChatGPT et l'ingénierie rapide du point de vue d'un développeur

Du point de vue d'un développeur ou d'un chercheur, l'ingénierie rapide est un processus plus complexe. Cela implique la conception d'algorithmes et de techniques pour aider le modèle d'IA à comprendre et à répondre plus efficacement aux invites. Cela pourrait inclure des stratégies pour gérer les invites ambiguës, identifier le contexte des invites ou enchaîner les invites pour stimuler des processus de pensée plus complexes dans l'IA.

Dans l'illustration ci-dessus, un utilisateur interagit avec une interface de chat alimentée par GPT-4. Leur contribution est améliorée pour plus de clarté et de cohérence contextuelle par un module spécialisé avant d'être introduite dans le modèle d'IA. Le rôle de ce module est d'affiner et d'enrichir la saisie de l'utilisateur pour une meilleure compréhension tout en maintenant le contexte de la conversation. La réponse de l'IA, conçue sur la base de l'invite raffinée, est renvoyée à l'utilisateur via l'interface de chat. L'historique des interactions est mis à jour de manière cohérente, en maintenant le contexte conversationnel. Dans l'ensemble, ce diagramme illustre un flux de conversation dynamique utilisateur-IA activé par des techniques d'ingénierie rapide.

Les API ChatGPT L'interface est conçue avec divers hyperparamètres qui permettent aux utilisateurs d'affiner les réponses de l'IA aux invites, les rendant plus efficaces et polyvalentes. Il s'agit notamment des paramètres Température, Longueur maximale et Séquences d'arrêt. Explorons comment ils fonctionnent et peuvent être utilisés dans différents contextes.

1) Température

Le paramètre de température influence le caractère aléatoire des réponses de l'IA. Une température plus élevée, telle que 1.0, encourage une sortie plus aléatoire, entraînant des réponses diverses mais potentiellement hors sujet. En revanche, une température plus basse, comme 0.2, incite l'IA à sélectionner des réponses plus déterministes, ce qui peut être bénéfique pour des sorties ciblées et spécifiques, mais peut manquer de variété.

Exemple : si vous écrivez une histoire créative et souhaitez des éléments imprévisibles et imaginatifs, réglez la température sur une valeur plus élevée. Une invite pourrait être : "Écrivez une courte histoire sur un chat qui voyage dans le temps." Avec une température élevée, vous pourriez avoir un conte sauvage et fantastique avec des rebondissements imprévisibles.

2) Longueur maximale

Ce paramètre contrôle la longueur de jeton maximale de la sortie du modèle, qui inclut à la fois les jetons dans l'entrée et la sortie du message. La définition d'une limite supérieure permet des réponses plus étendues, tandis qu'une limite inférieure permet de conserver une sortie courte et concise.

Exemple : Pour de brèves réponses à des questions triviales telles que "Qui a remporté le prix Nobel de littérature en 2020 ?" vous souhaiterez peut-être définir la longueur maximale sur une valeur faible, en vous assurant que la réponse est concise et directe.

3) Séquences d'arrêt

Les séquences d'arrêt sont des chaînes de texte spécifiques où, lorsque le modèle les rencontre, il cesse de générer d'autres sorties. Cette fonctionnalité peut être utile pour contrôler la longueur de la sortie ou demander au modèle de s'arrêter aux extrémités logiques.

Exemple : pour une lettre officielle, vous pouvez utiliser "Sincèrement vôtre" comme séquence d'arrêt pour vous assurer que l'IA ne génère aucun texte supplémentaire au-delà de la fin appropriée de la lettre.

4) Haut P

Le paramètre 'Top P', également connu sous le nom d'échantillonnage par noyau, est une méthode qui fournit une sélection dynamique du nombre de mots considérés à chaque étape des prédictions du modèle. Une valeur inférieure, comme 0.5, conduit à des sorties plus sûres et plus ciblées. Une valeur plus élevée, comme 0.9, inclut une sélection plus large de mots, conduisant à des sorties plus diversifiées.

Exemple : Si vous créez une IA pour écrire des poèmes et souhaitez qu'elle utilise un large éventail de vocabulaire et de phrases stylistiques, vous pouvez définir " Top P " sur une valeur plus élevée. Une invite pourrait être : "Composer un poème sur la beauté de l'automne."

5) Pénalité de fréquence

La pénalité de fréquence contrôle dans quelle mesure le modèle doit favoriser les mots moins fréquents. Une pénalité plus élevée (jusqu'à 1) encourage le modèle à utiliser des mots moins courants, tandis qu'une valeur inférieure (jusqu'à -1) encourage le modèle à utiliser des mots plus courants.

Exemple : Si vous essayez de générer une proposition commerciale et que vous souhaitez éviter le jargon, vous pouvez définir la pénalité de fréquence sur une valeur inférieure pour que le langage reste clair et accessible.

6) Pénalité de présence

Le paramètre Pénalité de présence affecte le degré de pénalisation du modèle pour la génération de nouvelles idées ou de nouveaux sujets qui n'étaient pas présents dans l'historique de la conversation. Des valeurs plus élevées encouragent le modèle à s'en tenir aux sujets déjà mentionnés, tandis que des valeurs plus faibles permettent au modèle d'introduire plus librement de nouveaux concepts.

Exemple : pour les sessions de brainstorming, vous pouvez définir la pénalité de présence sur une valeur inférieure pour encourager un large éventail d'idées. Vous pouvez utiliser une invite telle que "Générer des stratégies marketing innovantes pour une plate-forme éducative en ligne".

Application industrielle de l'ingénierie rapide