Le guide essentiel de l'ingénierie rapide dans ChatGPT

Depuis son lancement, ChatGPT ChatGPT a fait sensation dans le monde de l'IA, attirant plus de 100 millions d'utilisateurs en un temps record. Le secret des performances et de la polyvalence impressionnantes de ChatGPT réside dans un art subtilement intégré à sa programmation : l'ingénierie des temps.

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.

Annonce de Bard par Google et Lamma 2 de Meta  La réponse au ChatGPT d'OpenAI a considérablement amplifié la course à l'IA. En fournissant des données à ces modèles, nous orientons leur comportement et leurs réponses. Cela fait de nous tous, dans une certaine mesure, des ingénieurs prompts. L'industrie technologique l'a remarqué. Les investisseurs en capital-risque investissent massivement dans des startups axées sur l'ingénierie prompte, 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 des prompts dans le contexte de ChatGPT. Nous explorerons les principes et techniques fondamentaux, et examinerons leurs applications commerciales.

Commençons d’abord par comprendre comment fonctionne ChatGPT et le rôle essentiel que joue l’ingénierie des invites dans ce processus.

La mécanique derrière l'ingénierie rapide de ChatGPT

Le secret du succès de ChatGPT réside dans sa capacité à comprendre et à imiter les nuances de la conversation humaine. Le modèle est entraîné sur un large éventail de textes Internet, mais, surtout, il ne connaît pas de documents ou de sources spécifiques dans son ensemble d'entraînement, ce qui favorise la généralisation plutôt que la spécificité. Cette approche d'entraînement 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 garder à l'esprit que ChatGPT ne comprend pas véritablement et n'a pas de croyances ; il génère des réponses basées sur des schémas appris lors de l'entraînement.

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

La mécanique de ces modèles repose sur le concept de « tokens » – des fragments discrets de langage pouvant aller d'un seul caractère à un mot entier. Ces modèles fonctionnent avec un nombre spécifique de tokens à la fois (4096 3.5 pour GPT-8192-Turbo ou 32768 4 ou XNUMX XNUMX pour GPT-XNUMX), prédisant la prochaine séquence de tokens probables. Ils traitent les tokens à l'aide d'une algèbre linéaire complexe, prédisant le token 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 voilà le hic : la qualité de ces réponses dépend en grande partie des messages reçus. Tout comme diriger une conversation avec un humain, diriger un dialogue avec ChatGPT requiert un certain niveau de compétence et de compréhension. C'est là qu'intervient l'ingénierie des messages.

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

La capacité du modèle GPT-4 à comprendre des instructions complexes et à résoudre avec précision des problèmes complexes en fait une ressource précieuse. Cependant, il existe différentes méthodes pour accéder aux capacités de ce modèle, et leur compréhension peut être cruciale pour le rôle d'un ingénieur performant dans l'optimisation de l'efficacité et de la rentabilité.

Il existe essentiellement deux façons d'interagir avec les modèles GPT comme GPT-4. L'une d'elles consiste à utiliser l'API d'OpenAI, où les coûts sont calculés par jeton d'entrée et de sortie. Dans ce scénario, les coûts par jeton de 1 32 peuvent fluctuer en fonction de la taille du contexte. Par exemple, dans un contexte plus large de 0.06 0.12, le coût peut atteindre XNUMX $ pour les jetons d'entrée et XNUMX $ pour les jetons de sortie. Ainsi, lors du traitement d'un volume important 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 essentielle de l'ingénierie des réponses rapides consiste à ajuster les paramètres du modèle. Ce processus implique d'ajuster les variables utilisées par le modèle pour réaliser ses prédictions. En affinant ces paramètres, les ingénieurs en réponses rapides peuvent améliorer la qualité et la précision des réponses du modèle, les rendant ainsi plus pertinentes et utiles.

Bien que de nombreux ingénieurs en IA soient issus du secteur technologique, la nature multidisciplinaire de ce domaine le rend accessible à des personnes issues de divers horizons professionnels. De plus en plus d'auteurs, de chercheurs et même d'artistes mettent à profit leurs compétences uniques pour améliorer l'efficacité des modèles d'IA. Cette évolution se reflète également sur le marché du travail, où un nombre croissant d'entreprises recherchent des ingénieurs en IA 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 d'invites est, à la base, l'art et la science de créer l'invite idéale pour un modèle de langage large (MLL) donné, comme ChatGPT, afin d'atteindre un objectif clairement défini. Elle combine :

• 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 automatisés d'invites 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 d'un ingénieur d'invites expérimenté.

Ingénierie rapide : techniques et bonnes pratiques

1) Placement rapide et description

Placer des instructions dès le début de l'invite peut avoir un impact significatif sur la compréhension et la réponse de l'IA. Prenons l'exemple de la synthèse d'un texte sous forme de puces. Une approche moins efficace serait :

L'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 :

L'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 :

L'UtilisateurRédigez un résumé concis (environ 200 mots) et engageant de l'article scientifique suivant. Ce résumé doit être compréhensible par une personne sans formation scientifique, tout en reflétant fidèlement 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 :

L'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 d'entraînement ; il ne peut donc pas fournir d'informations sur les événements récents ni sur les mises à jour postérieures à son entraînement. Cependant, vous pouvez introduire de nouvelles informations dans le modèle via vos invites.

L'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 :

L'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 pour acheter des améliorations ou de nouveaux personnages. Les cryptomonnaies fonctionnent un peu comme ça, mais au lieu d'être limitées au jeu, elles permettent d'acheter des biens et services réels. C'est comme une monnaie numérique qu'aucune banque ni aucun 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 impose une limite de jetons (généralement 2048 jetons), qui inclut à la fois l'invite et la réponse générée. Par conséquent, des invites longues peuvent limiter la longueur de la réponse. Il est donc important que les invites soient concises et informatives.

En pratique, nous devons agir comme des éditeurs, sélectionnant avec soin les informations les plus pertinentes pour la tâche à accomplir. Imaginez rédiger un article avec une limite de mots ou de pages : vous ne pouvez pas simplement publier des faits au hasard, mais sélectionner et structurer avec soin les informations pertinentes pour le sujet.

L'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 d'affinement des questions implique que le LLM affine les questions posées par l'utilisateur. Il est particulièrement utile lorsque les utilisateurs ne sont pas experts dans un domaine ou ne savent pas comment formuler leur question.

Un exemple d'invite peut ressembler à ceci :

L'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 devrait affiner les questions générales de l'utilisateur en matière de science des données en des questions plus détaillées prenant en compte les aspects de l'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:

L'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 la génération de plusieurs questions pour obtenir une réponse finale plus précise. Il s'agit d'un processus de vérification et de consolidation des informations pour un résultat final robuste.

6) Approche incitant à quelques coups

L'incitation par séquences courtes est une approche efficace pour apprendre aux modèles d'IA à suivre des schémas spécifiques ou à effectuer des tâches. L'idée est de fournir au modèle un certain nombre d'exemples avant de lui 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 :

L'UtilisateurVoici quelques exemples de textes marketing pour les technologies : « Vivez une expérience musicale inédite avec nos écouteurs sans fil de pointe. » « Imaginez votre monde en 4K époustouflante avec notre caméra d'action ultra-élégante. » À partir de ces exemples, rédigez un texte marketing pour notre nouvelle montre connectée dotée d'IA. »

ChatGPT: « Optimisez votre style de vie grâce à notre montre connectée alimentée par l'IA, votre compagnon pour la santé, la connectivité et la productivité. » L'apprentissage par étapes se distingue par le fait qu'il ne nécessite pas de description détaillée de la manière d'effectuer la tâche. Il nécessite plutôt des démonstrations de ce qui est fait, ce qui en fait un outil idéal 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 langageLes auteurs Jason Wei et son équipe cherchent à stimuler le raisonnement au sein de grands modèles linguistiques. 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 :

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

ChatGPT: « L'intelligence artificielle, ou IA, désigne 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 les humains, leur permettant d'effectuer des tâches telles que la traduction, la prise de décision et la résolution de problèmes, entre autres. »

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

ChatGPT: « L'IA crée de nouveaux emplois et transforme ceux existants. D'un côté, elle automatise les tâches routinières, entraînant des suppressions d'emplois dans certains secteurs. De l'autre, elle 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 enrichir les rôles humains, permettant aux individus d'accomplir leurs tâches avec plus d'efficacité et de précision. »

L'incitation à la chaîne de pensée suit une progression d'incitations connexes, maintenant une « conversation » avec le modèle qui le guide vers des réponses plus précises et contextuellement appropriées.

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

Du point de vue d'un développeur ou d'un chercheur, l'ingénierie des invites est un processus plus complexe. Elle implique la conception d'algorithmes et de techniques permettant au modèle d'IA de comprendre et de répondre plus efficacement aux invites. Cela peut 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 au sein de l'IA.

Dans l'illustration ci-dessus, un utilisateur interagit avec une interface de chat optimisée par GPT-4. Ses informations sont enrichies par un module spécialisé pour plus de clarté et de cohérence contextuelle avant d'être transmises au modèle d'IA. Ce module a pour rôle d'affiner et d'améliorer les informations saisies par l'utilisateur afin d'améliorer sa compréhension tout en préservant le contexte de la conversation. La réponse de l'IA, élaborée à partir de l'invite optimisée, est renvoyée à l'utilisateur via l'interface de chat. L'historique des interactions est mis à jour régulièrement, préservant ainsi le contexte de la conversation. Globalement, ce diagramme illustre un flux de conversation dynamique utilisateur-IA, rendu possible par des techniques d'ingénierie des invites.

API ChatGPT L'interface est conçue avec divers hyperparamètres permettant aux utilisateurs d'affiner les réponses de l'IA aux invites, les rendant ainsi plus efficaces et polyvalentes. Parmi ces paramètres figurent la température, la longueur maximale et les séquences d'arrêt. Voyons leur fonctionnement et leur utilisation dans différents contextes.

1) Température

Le paramètre de température influence le caractère aléatoire des réponses de l'IA. Une température plus élevée, par exemple 1.0, favorise des résultats plus aléatoires, ce qui produit des réponses diverses, mais potentiellement hors sujet. À l'inverse, une température plus basse, par exemple 0.2, incite l'IA à sélectionner des réponses plus déterministes, ce qui peut être bénéfique pour des résultats ciblés 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 suggestion pourrait être : « Écrivez une nouvelle sur un chat voyageant dans le temps. » Avec une température élevée, vous pourriez obtenir un récit fantastique et déjanté aux rebondissements imprévisibles.

2) Longueur maximale

Ce paramètre contrôle la longueur maximale des jetons de sortie du modèle, qui inclut les jetons d'entrée et de sortie du message. Une limite supérieure permet des réponses plus longues, tandis qu'une limite inférieure garantit 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 appelé échantillonnage de noyau, est une méthode qui permet une sélection dynamique du nombre de mots pris en compte à chaque étape des prédictions du modèle. Une valeur inférieure, comme 0.5, produit des résultats plus fiables et plus ciblés. Une valeur supérieure, comme 0.9, inclut une sélection de mots plus large, ce qui conduit à des résultats plus diversifiés.

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 souhaitez éviter le jargon, vous pouvez définir la pénalité de fréquence sur une valeur inférieure pour garder le langage 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