ChatGPT में प्रॉम्प्ट इंजीनियरिंग के लिए आवश्यक मार्गदर्शिका

इसके लॉन्च के बाद से, ChatGPT एआई क्षेत्र में धूम मचा रहा है और रिकॉर्ड समय में 100 मिलियन से अधिक उपयोगकर्ताओं को आकर्षित कर रहा है। चैटजीपीटी के प्रभावशाली प्रदर्शन और बहुमुखी प्रतिभा का रहस्य इसकी प्रोग्रामिंग - शीघ्र इंजीनियरिंग में सूक्ष्मता से निहित एक कला में निहित है।

2022 में लॉन्च किए गए DALL-E, मिडजर्नी और स्टेबलडिफ्यूजन ने जेनरेटिव AI की विघटनकारी क्षमता को रेखांकित किया। लेकिन वह था AI खोलेंचैटजीपीटी ने वास्तव में बाद में 2022 में केंद्र का स्थान ले लिया। और इस गति में धीमा होने का कोई संकेत नहीं दिखा।

Google की बार्ड की घोषणा और मेटा का लैम्मा 2  OpenAI के ChatGPT की प्रतिक्रिया ने AI दौड़ की गति को काफी बढ़ा दिया है। इन मॉडलों को इनपुट प्रदान करके, हम उनके व्यवहार और प्रतिक्रियाओं का मार्गदर्शन कर रहे हैं। यह हम सभी को कुछ हद तक त्वरित इंजीनियर बनाता है। टेक उद्योग ने नोटिस लिया है। उद्यम पूंजीपति शीघ्र इंजीनियरिंग पर ध्यान केंद्रित करने वाले स्टार्टअप में धन डाल रहे हैं वेल्लम ए.आई. इसके अलावा, फोर्ब्स की रिपोर्ट है कि शीघ्र इंजीनियर आदेश देते हैं वेतन $300,000 से अधिक, एक संपन्न और मूल्यवान नौकरी बाजार का संकेत।

इस लेख में, हम ChatGPT के संदर्भ में प्रॉम्प्ट इंजीनियरिंग की दुनिया को उजागर करेंगे। हम मूल सिद्धांतों और तकनीकों का पता लगाएंगे, और उनके व्यावसायिक अनुप्रयोगों की जांच करेंगे।

आइए पहले समझें कि चैटजीपीटी कैसे कार्य करता है और इस प्रक्रिया में प्रॉम्प्ट इंजीनियरिंग महत्वपूर्ण भूमिका निभाती है।

चैटजीपीटी प्रॉम्प्ट इंजीनियरिंग के पीछे यांत्रिकी

चैटजीपीटी की सफलता के पीछे का रहस्य इसकी मानवीय बातचीत की बारीकियों को समझने और नकल करने की क्षमता है। मॉडल को इंटरनेट टेक्स्ट की विविध रेंज पर प्रशिक्षित किया जाता है, लेकिन महत्वपूर्ण बात यह है कि यह अपने प्रशिक्षण सेट में विशिष्ट दस्तावेजों या स्रोतों को नहीं जानता है, जो विशिष्टता पर सामान्यीकरण सुनिश्चित करता है। यह प्रशिक्षण दृष्टिकोण चैटजीपीटी को रचनात्मक प्रतिक्रियाएँ उत्पन्न करने, जटिल संवादों को नेविगेट करने और यहां तक ​​कि हास्य की भावना प्रदर्शित करने की अनुमति देता है। हालाँकि, यह याद रखना महत्वपूर्ण है कि चैटजीपीटी वास्तव में समझता नहीं है या उसमें विश्वास नहीं है; यह प्रशिक्षण के दौरान सीखे गए पैटर्न के आधार पर प्रतिक्रियाएँ उत्पन्न करता है।

चैटजीपीटी की मानव भाषा को सूक्ष्म और संदर्भ-जागरूक तरीके से समझने और प्रतिक्रिया देने की क्षमता उन्हें अविश्वसनीय रूप से बहुमुखी उपकरण बनाती है।

इन मॉडलों की यांत्रिकी 'टोकन' की अवधारणा पर आधारित है - भाषा के अलग-अलग हिस्से जो एक वर्ण से लेकर पूरे शब्द तक हो सकते हैं। ये मॉडल एक समय में विशिष्ट संख्या में टोकन के साथ काम करते हैं (जीपीटी-4096-टर्बो के लिए 3.5 या जीपीटी-8192 के लिए 32768 या 4), संभावित टोकन के अगले अनुक्रम की भविष्यवाणी करते हैं। मॉडल जटिल रैखिक बीजगणित का उपयोग करके टोकन को संसाधित करते हैं, सबसे संभावित बाद के टोकन की भविष्यवाणी करते हैं।

उदाहरण के लिए, नौ शब्दों का एक साधारण वाक्य दस टोकन में बदल सकता है। यहां तक ​​कि एक जटिल शब्द भी कई टोकन में बदल सकता है, जो मॉडल को भाषा को बेहतर ढंग से समझने और उत्पन्न करने में मदद करता है। यहां तक ​​कि जर्मन जैसी जटिल शब्द संरचना वाली भाषाओं को भी टोकनाइजेशन के माध्यम से प्रबंधित किया जाता है।

जीपीटी (जेनरेटिव प्री-ट्रेंड ट्रांसफार्मर) मॉडल एक समय में एक टोकन उत्पन्न करके, पहले टोकन से शुरू होकर आखिरी तक जारी रखते हुए काम करते हैं। प्रत्येक टोकन उत्पन्न करने के बाद, मॉडल पूरे अनुक्रम को फिर से देखता है और अगला टोकन उत्पन्न करने के लिए इसे फिर से संसाधित करता है। यह पुनरावृत्तीय प्रक्रिया अंतिम टोकन उत्पन्न होने तक जारी रहती है, जिससे पाठ की पीढ़ी एक बड़े फॉर-लूप के समान हो जाती है।

लेकिन यहाँ एक समस्या है - इन प्रतिक्रियाओं की गुणवत्ता काफी हद तक प्राप्त संकेतों पर निर्भर करती है। किसी इंसान के साथ बातचीत को संचालित करने की तरह, चैटजीपीटी के साथ बातचीत का मार्गदर्शन करने के लिए एक निश्चित स्तर के कौशल और समझ की आवश्यकता होती है। यहीं पर त्वरित इंजीनियरिंग काम आती है।

प्रॉम्प्ट इंजीनियरिंग क्या है?

प्रॉम्प्ट इंजीनियरिंग एआई को निर्देशित करने के लिए सटीक, प्रभावी संकेत/इनपुट तैयार करने की कला है (एनएलपी/विज़न) सबसे अधिक लागत प्रभावी, सटीक, उपयोगी और सुरक्षित आउटपुट उत्पन्न करने के लिए चैटजीपीटी जैसे मॉडल।

प्रॉम्प्ट इंजीनियरिंग केवल टेक्स्ट जेनरेशन तक ही सीमित नहीं है, बल्कि एआई डोमेन में इसके व्यापक अनुप्रयोग हैं। इसे रोबोटिक प्रोसेस ऑटोमेशन बॉट, 3डी एसेट्स, स्क्रिप्ट, रोबोट निर्देश और अन्य प्रकार की सामग्री और डिजिटल मीडिया जैसे क्षेत्रों में तेजी से नियोजित किया जा रहा है। यह तर्क, कोडिंग, कला और कुछ मामलों में विशेष संशोधक का एक अनूठा मिश्रण प्रदान करता है।

जबकि प्रॉम्प्ट में प्राकृतिक भाषा पाठ, चित्र, या अन्य प्रकार के इनपुट डेटा शामिल हो सकते हैं, आउटपुट एआई सेवाओं और उपकरणों में काफी भिन्न हो सकता है। प्रत्येक उपकरण के अपने विशेष संशोधक होते हैं जो शब्दों, शैलियों, परिप्रेक्ष्यों, लेआउट या वांछित प्रतिक्रिया के अन्य गुणों के महत्व का वर्णन करते हैं।

बेहतर एआई-संचालित सेवाएं बनाने और मौजूदा जेनरेटिव एआई टूल्स से बेहतर परिणाम प्राप्त करने के लिए यह क्षेत्र आवश्यक है। उदाहरण के लिए, एंटरप्राइज़ डेवलपर्स अक्सर ग्राहक-सामना को सशक्त बनाने के लिए GPT-3 जैसे बड़े भाषा मॉडल (एलएलएम) को तैयार करने के लिए त्वरित इंजीनियरिंग का उपयोग करते हैं। chatbot या उद्योग-विशिष्ट अनुबंध बनाने जैसे कार्य संभालें।

त्वरित परिशोधन और एआई प्रदर्शन को मापने की यह पुनरावृत्तीय प्रक्रिया एआई मॉडल को विभिन्न संदर्भों में अत्यधिक लक्षित, उपयोगी प्रतिक्रियाएं उत्पन्न करने में सक्षम बनाने में एक प्रमुख तत्व है।

एक प्रॉम्प्ट इंजीनियर बनना

जटिल निर्देशों को समझने और जटिल समस्याओं को सटीक रूप से हल करने में GPT-4 मॉडल की क्षमता इसे एक अमूल्य संसाधन बनाती है। हालाँकि, इस मॉडल की क्षमताओं तक पहुँचने के लिए अलग-अलग तरीके हैं, और इन्हें समझना दक्षता और लागत-प्रभावशीलता दोनों को अनुकूलित करने में एक त्वरित इंजीनियर की भूमिका के लिए महत्वपूर्ण हो सकता है।

GPT-4 जैसे GPT मॉडल के साथ जुड़ने के अनिवार्य रूप से दो तरीके हैं। एक तरीका ओपनएआई के एपीआई के माध्यम से है, जहां लागत की गणना प्रति इनपुट और आउटपुट टोकन के अनुसार की जाती है। इस परिदृश्य में, संदर्भ आकार के आधार पर प्रति 1K टोकन की लागत में उतार-चढ़ाव हो सकता है। उदाहरण के लिए, बड़े 32K संदर्भ में, इनपुट टोकन के लिए लागत $0.06 और आउटपुट टोकन के लिए $0.12 तक जा सकती है। इस प्रकार, बड़ी मात्रा में अनुरोधों को संभालने पर, उपयोग की लागत तेजी से बढ़ सकती है।

वैकल्पिक रूप से, ChatGPT, जो GPT-4 मॉडल का लाभ उठाता है, सदस्यता-आधारित मॉडल पर काम करता है।

प्रॉम्प्ट इंजीनियरिंग में एक अन्य महत्वपूर्ण कार्य में मॉडल पैरामीटर ट्यूनिंग शामिल है। इस प्रक्रिया में उन चरों को समायोजित करना शामिल है जिनका उपयोग मॉडल भविष्यवाणियां करने के लिए करता है। इन मापदंडों को ठीक करके, त्वरित इंजीनियर मॉडल की प्रतिक्रियाओं की गुणवत्ता और सटीकता में सुधार कर सकते हैं, जिससे वे अधिक प्रासंगिक और उपयोगी बन सकते हैं।

यद्यपि कई त्वरित इंजीनियर तकनीकी पृष्ठभूमि से आते हैं, क्षेत्र की बहु-विषयक प्रकृति इसे विविध पेशेवर पृष्ठभूमि वाले व्यक्तियों के लिए सुलभ बनाती है। तेजी से, लेखक, शोधकर्ता और यहां तक ​​कि कलाकार एआई मॉडल की प्रभावकारिता को बढ़ाने के लिए अपने अद्वितीय कौशल का लाभ उठा रहे हैं। यह बदलाव नौकरी बाजार में भी दिखाई दे रहा है, विभिन्न प्रकार के कौशल और पृष्ठभूमि वाले योग्य इंजीनियरों की तलाश करने वाली कंपनियों की संख्या बढ़ रही है।

चैटजीपीटी में शीघ्र डिजाइन और इंजीनियरिंग

प्रॉम्प्ट डिज़ाइन और इंजीनियरिंग भाषा मॉडल के प्रदर्शन को अनुकूलित करने में महत्वपूर्ण भूमिका निभाते हैं और इसमें केवल प्रश्नों को तैयार करने के अलावा और भी बहुत कुछ शामिल होता है; उन्हें एआई मॉडल की गहरी समझ और अत्यधिक पुनरावृत्तीय और परिष्कृत दृष्टिकोण की आवश्यकता है।

शीघ्र डिज़ाइन

प्रॉम्प्ट डिज़ाइन, इसके मूल में, स्पष्ट रूप से बताए गए लक्ष्य को प्राप्त करने के लिए चैटजीपीटी जैसे किसी दिए गए बड़े भाषा मॉडल (एलएलएम) के लिए सही प्रॉम्प्ट बनाने की कला और विज्ञान है। यह इसका मिश्रण है:

• एलएलएम की समझ: विभिन्न भाषा मॉडल एक ही संकेत पर अलग-अलग प्रतिक्रिया दे सकते हैं। इसके अलावा, कुछ भाषा मॉडल में अद्वितीय कीवर्ड या ट्रिगर हो सकते हैं, जिनकी वे एक विशिष्ट तरीके से व्याख्या करते हैं।
• डोमेन ज्ञान: प्रॉम्प्ट डिज़ाइन करते समय संबंधित क्षेत्र में विशेषज्ञता महत्वपूर्ण है। उदाहरण के लिए, चिकित्सीय निदान का अनुमान लगाने के लिए संकेत उत्पन्न करने के लिए चिकित्सीय ज्ञान की आवश्यकता होगी।
• पुनरावृत्तीय दृष्टिकोण और गुणवत्ता मापन: आदर्श संकेत बनाने की प्रक्रिया में अक्सर परीक्षण और त्रुटि शामिल होती है। इसलिए, केवल व्यक्तिपरक निर्णय से परे आउटपुट गुणवत्ता का मूल्यांकन करने का एक तरीका होना महत्वपूर्ण है, खासकर जब बड़े पैमाने पर संकेत का उपयोग किया जाता है।

शीघ्र इंजीनियरिंग

प्रॉम्प्ट इंजीनियरिंग, प्रॉम्प्ट डिज़ाइन का एक विस्तारित क्षेत्र है जिसमें कई महत्वपूर्ण प्रक्रियाएँ शामिल हैं:

• स्केल पर संकेतों का डिज़ाइन: इस प्रक्रिया में मेटा प्रॉम्प्ट (संकेत जो अन्य संकेत उत्पन्न करते हैं) और प्रॉम्प्ट टेम्प्लेट का डिज़ाइन शामिल है, जो पैरामीटरयुक्त संकेत हैं जिन्हें रनटाइम पर तुरंत चालू किया जा सकता है।
• टूल डिज़ाइन और एकीकरण: संकेतों में कभी-कभी बाहरी टूल के परिणाम शामिल हो सकते हैं, और इन टूल को सिस्टम में निर्बाध रूप से एकीकृत करना महत्वपूर्ण है।
• वर्कफ़्लो, योजना और त्वरित प्रबंधन: चैटबॉट की तरह एलएलएम एप्लिकेशन को तैनात करने के लिए अक्सर संकेतों की लाइब्रेरी प्रबंधित करने, योजना बनाने और सही संकेतों को चुनने और विभिन्न उपकरणों को कुशलतापूर्वक एकीकृत करने की आवश्यकता होती है।
• संकेतों का मूल्यांकन और गुणवत्ता आश्वासन: इस पहलू में स्वचालित रूप से और मानवीय भागीदारी के साथ संकेतों का मूल्यांकन करने के लिए मैट्रिक्स और प्रक्रियाओं को परिभाषित करना शामिल है।
• प्रॉम्प्ट अनुकूलन: एआई मॉडल की लागत और विलंबता मॉडल की पसंद और प्रॉम्प्ट की लंबाई (टोकन की संख्या) पर निर्भर हो सकती है।

बड़े पैमाने पर संकेतों को प्रबंधित करने के लिए कई स्वचालित त्वरित डिजाइन दृष्टिकोण, उपकरण और ढांचे विकसित किए गए हैं। हालाँकि, यह समझना महत्वपूर्ण है कि इनमें से कोई भी उपकरण एक अनुभवी त्वरित इंजीनियर की सूक्ष्म समझ, निर्णय और अनुभव की जगह नहीं ले सकता है।

प्रॉम्प्ट इंजीनियरिंग: तकनीकें और सर्वोत्तम प्रथाएँ

1) शीघ्र प्लेसमेंट और विवरण

प्रॉम्प्ट की शुरुआत में निर्देश देने से एआई की समझ और प्रतिक्रिया पर महत्वपूर्ण प्रभाव पड़ सकता है। किसी पाठ को बुलेट पॉइंट प्रारूप में सारांशित करने के कार्य पर विचार करें। एक कम प्रभावी दृष्टिकोण होगा:

उपयोगकर्ता: नीचे दिए गए पाठ को सबसे महत्वपूर्ण बिंदुओं की बुलेट बिंदु सूची के रूप में सारांशित करें।
{पाठ इनपुट यहां}

दूसरी ओर, एक अधिक प्रभावी तकनीक हो सकती है:

उपयोगकर्ता: नीचे दिए गए पाठ को सबसे महत्वपूर्ण बिंदुओं की बुलेट बिंदु सूची के रूप में सारांशित करें।
मूलपाठ: """
{पाठ इनपुट यहां}
"" "

निर्देशों और संदर्भ को ### या "" जैसे प्रतीकों के साथ स्पष्ट रूप से अलग करके, एआई मॉडल अपने कार्य और उस पाठ को बेहतर ढंग से चित्रित कर सकता है जिसे संसाधित करने की आवश्यकता है, जिससे अधिक सटीक और प्रासंगिक प्रतिक्रियाएं मिलती हैं।

दूसरे, संदर्भ, अपेक्षित परिणाम, लंबाई, प्रारूप, शैली आदि के बारे में विशिष्ट, वर्णनात्मक और विस्तृत होने से एआई प्रतिक्रियाओं की सटीकता में काफी वृद्धि हो सकती है। मान लीजिए कि आपको एक आकर्षक, सामान्य व्यक्ति-अनुकूल शैली में एक वैज्ञानिक पेपर का संक्षिप्त अवलोकन तैयार करने की आवश्यकता है। "वैज्ञानिक पेपर को सारांशित करें" जैसा अस्पष्ट निर्देश एक विशिष्ट, विस्तृत संकेत की तुलना में कम प्रभावी परिणाम देगा:

उपयोगकर्ता: निम्नलिखित वैज्ञानिक पेपर का एक संक्षिप्त (लगभग 200 शब्द), आकर्षक सारांश तैयार करें। सारांश को बिना किसी वैज्ञानिक पृष्ठभूमि वाले व्यक्ति के लिए समझने योग्य होना चाहिए, जबकि यह पेपर के मुख्य निष्कर्षों को सटीक रूप से प्रतिबिंबित करता है।
कागज़: """
{वैज्ञानिक पेपर पाठ यहाँ}
"" "

2) व्यक्तित्व पैटर्न

पर्सोना पैटर्न एक रणनीति है जो एआई को एक निश्चित परिप्रेक्ष्य से कार्य करने के लिए सेट करती है, जैसे कि पेशेवर भूमिका या काल्पनिक चरित्र। यह रणनीति मॉडल को उन विशिष्ट भूमिकाओं से संबंधित आउटपुट प्रदान करने में सक्षम बनाती है जिन्हें व्यक्ति संभालेगा। उदाहरण के लिए, कोई कोड समीक्षा के दौरान एआई को साइबर सुरक्षा विशेषज्ञ के रूप में कार्य करने का निर्देश दे सकता है। यह पैटर्न विशेष रूप से तब उपयोगी होता है जब उपयोगकर्ताओं को सहायता की आवश्यकता होती है लेकिन आउटपुट में आवश्यक सटीक विवरण के बारे में अनिश्चित होते हैं।

उदाहरण के तौर पर निम्नलिखित को लें:

उपयोगकर्ता: “फ्रांसीसी क्रांति में विशेषज्ञता रखने वाले एक वरिष्ठ इतिहासकार के व्यक्तित्व पर विचार करें। उस व्यक्तित्व को देखते हुए, फ्रांसीसी राजशाही के पतन की प्रमुख घटनाओं और कारणों की व्याख्या करें।

इस परिदृश्य में, एआई से एक इतिहासकार की तरह, राजशाही के पतन पर ध्यान केंद्रित करते हुए, फ्रांसीसी क्रांति के गहन विश्लेषण के साथ प्रतिक्रिया देने की उम्मीद की जाती है।

नई जानकारी का परिचय

चैटजीपीटी के पास अपने प्रशिक्षण कटऑफ से परे ज्ञान नहीं है, इसलिए यह प्रशिक्षण के बाद हाल की घटनाओं या अपडेट के बारे में जानकारी प्रदान नहीं कर सकता है। हालाँकि, आप अपने संकेतों के माध्यम से मॉडल में नई जानकारी पेश कर सकते हैं।

उपयोगकर्ता: "क्रिप्टोकरेंसी क्या है?"
ChatGPT: “क्रिप्टोकरेंसी एक प्रकार की डिजिटल या आभासी मुद्रा है जो सुरक्षा के लिए क्रिप्टोग्राफी का उपयोग करती है। सबसे प्रसिद्ध क्रिप्टोकरेंसी बिटकॉइन है।”

अब, यदि हम संकेत में थोड़ा और संदर्भ जोड़ते हैं, तो हम स्पष्टीकरण को और भी अधिक सहज बना सकते हैं:

उपयोगकर्ता: "डिजिटल वित्त का अध्ययन करने वाले हाई स्कूल के छात्र को क्रिप्टोकरेंसी की अवधारणा समझाएं"
चैटजीपीटी: “कल्पना करें कि आप एक ऑनलाइन वीडियो गेम खेल रहे हैं और गेम से पैसे लेकर आप अपग्रेड या नए पात्र खरीद सकते हैं। क्रिप्टोकरेंसी कुछ ऐसी ही है, लेकिन खेल तक सीमित रहने के बजाय, आप वास्तव में इसका उपयोग वास्तविक दुनिया की वस्तुओं और सेवाओं को खरीदने के लिए कर सकते हैं। यह डिजिटल पैसे की तरह है जिसे कोई बैंक या सरकार नियंत्रित नहीं करती है।”

3) शीघ्र आकार सीमाएं

चैटजीपीटी की आकार सीमा को समझना आवश्यक है क्योंकि यह सीधे हमारे द्वारा इनपुट की जा सकने वाली जानकारी की मात्रा और प्रकार को प्रभावित करता है। भाषा मॉडल एक साथ असीमित डेटा संसाधित करने के लिए नहीं बनाए गए हैं। हमारे द्वारा बनाए और इनपुट किए जा सकने वाले प्रॉम्प्ट के आकार पर उनमें एक अंतर्निहित बाधा होती है। इस सीमा का संकेतों के डिज़ाइन और निष्पादन पर गहरा प्रभाव पड़ता है।

ChatGPT की एक टोकन सीमा है (आम तौर पर 2048 टोकन), जिसमें शीघ्र और उत्पन्न प्रतिक्रिया दोनों शामिल हैं। इसका मतलब है कि लंबे संकेत प्रतिक्रिया की लंबाई को सीमित कर सकते हैं। इसलिए, संकेतों को संक्षिप्त लेकिन जानकारीपूर्ण रखना महत्वपूर्ण है।

व्यावहारिक उपयोग में, हमें संपादकों के रूप में कार्य करना चाहिए, हाथ में लिए गए कार्य के लिए सबसे अधिक प्रासंगिक जानकारी का चयन करना चाहिए। एक शब्द या पृष्ठ सीमा के साथ एक पेपर या लेख लिखने की कल्पना करें - आप केवल यादृच्छिक तथ्यों को डंप नहीं कर सकते हैं, बल्कि विषय से संबंधित जानकारी का सावधानीपूर्वक चयन और संरचना कर सकते हैं।

उपयोगकर्ता: "मॉडल की सांकेतिक सीमाओं को देखते हुए, द्वितीय विश्व युद्ध की प्रमुख घटनाओं को 1000 से कम शब्दों में सारांशित करें।"

मॉडल की टोकन सीमाओं को स्वीकार करते हुए, यह संकेत एआई को द्वितीय विश्व युद्ध का संक्षिप्त लेकिन व्यापक सारांश प्रदान करने का निर्देश देता है।

बार-बार उपयोग के लिए संकेत: बातचीत के परिदृश्य में, आप संकेतों का पुन: उपयोग कर सकते हैं या पिछली प्रतिक्रियाओं के आधार पर उन्हें परिष्कृत कर सकते हैं। यह बातचीत का प्रवाह देता है और बातचीत में संदर्भ बनाए रखता है।

4) प्रश्न शोधन पैटर्न

चैटजीपीटी आपके प्रश्नों को परिष्कृत करने में भी मदद कर सकता है। उदाहरण के लिए, यदि आप कोई प्रश्न पूछते हैं, तो यह अधिक सटीक परिणामों के लिए बेहतर ढंग से तैयार किया गया प्रश्न सुझा सकता है।

प्रश्न शोधन पैटर्न में एलएलएम में उपयोगकर्ता द्वारा पूछे गए प्रश्नों को परिष्कृत करना शामिल है। यह विशेष रूप से तब उपयोगी होता है जब उपयोगकर्ता किसी डोमेन के विशेषज्ञ नहीं होते हैं या इस बात को लेकर अनिश्चित होते हैं कि अपने प्रश्न को कैसे व्यक्त किया जाए।

एक उदाहरण संकेत इस तरह दिख सकता है:

उपयोगकर्ता: "जब भी मैं डेटा विज्ञान के बारे में कोई प्रश्न पूछता हूं, तो सांख्यिकीय विश्लेषण विशिष्टताओं पर विचार करते हुए एक अधिक परिष्कृत प्रश्न सुझाएं और पूछें कि क्या मैं परिष्कृत प्रश्न के साथ आगे बढ़ना चाहता हूं।"

यहां, एआई से सांख्यिकीय विश्लेषण पहलुओं पर विचार करते हुए उपयोगकर्ता के सामान्य डेटा विज्ञान प्रश्नों को अधिक विस्तृत प्रश्नों में परिष्कृत करने की अपेक्षा की जाती है।

5) संज्ञानात्मक सत्यापनकर्ता पैटर्न

संज्ञानात्मक सत्यापनकर्ता पैटर्न जटिल प्रश्नों को छोटे, प्रबंधनीय उप-प्रश्नों में तोड़ देता है। फिर इन उप-प्रश्नों के उत्तरों को मुख्य प्रश्न का व्यापक उत्तर प्रदान करने के लिए संयोजित किया जाता है। यह दृष्टिकोण तब उपयोगी होता है जब प्रारंभिक प्रश्न बहुत उच्च-स्तरीय होते हैं या जब पूर्ण उत्तर प्रदान करने के लिए अतिरिक्त स्पष्टता की आवश्यकता होती है।

उदाहरण के लिए:

उपयोगकर्ता: “अगर मैं जलवायु परिवर्तन के बारे में कोई प्रश्न पूछता हूं, तो इसे तीन छोटे प्रश्नों में विभाजित करें जो आपको अधिक सटीक उत्तर देने में मदद करेंगे। अंतिम उत्तर देने के लिए इन उप-प्रश्नों के उत्तरों को संयोजित करें।

इस परिदृश्य में, एआई जलवायु परिवर्तन के बारे में जटिल प्रश्न को तीन प्रबंधनीय उप-प्रश्नों में तोड़ देगा। इन उप-प्रश्नों के उत्तर प्राप्त करने के बाद, एआई अधिक व्यापक और सटीक प्रतिक्रिया प्रदान करने के लिए इन्हें संयोजित करेगा।

इस पैटर्न में अधिक सटीक अंतिम उत्तर प्राप्त करने के लिए कई प्रश्न उत्पन्न करना शामिल है। यह एक मजबूत अंतिम आउटपुट के लिए जानकारी के सत्यापन और समेकन की एक प्रक्रिया है

6) फ्यू-शॉट प्रॉम्प्टिंग दृष्टिकोण

एआई मॉडल को विशिष्ट पैटर्न का पालन करने या कार्यों को पूरा करने के लिए सिखाने के लिए फ्यू-शॉट प्रॉम्प्टिंग एक शक्तिशाली दृष्टिकोण है। विचार यह है कि वांछित प्रश्न पूछने से पहले मॉडल को कई उदाहरण दिए जाएं। यह वांछित व्यवहार निर्धारित करने और मॉडल की प्रतिक्रियाओं को निर्देशित करने में मदद करता है।

ऐसे परिदृश्य पर विचार करें जहां एक उपयोगकर्ता एक नए तकनीकी गैजेट के लिए एक संक्षिप्त, आकर्षक मार्केटिंग कॉपी का मसौदा तैयार करने का प्रयास कर रहा है:

उपयोगकर्ता: "यहां तकनीकी विपणन प्रतियों के कुछ उदाहरण दिए गए हैं: 'हमारे अत्याधुनिक वायरलेस हेडफ़ोन के साथ संगीत का ऐसा अनुभव करें जैसा पहले कभी नहीं हुआ।' 'हमारे अल्ट्रा-स्लीक एक्शन कैमरे से अपनी दुनिया को शानदार 4K में कैद करें।' इन उदाहरणों को देखते हुए, हमारी नई एआई-संचालित स्मार्टवॉच के लिए एक मार्केटिंग कॉपी का मसौदा तैयार करें।

ChatGPT: "हमारे एआई-संचालित स्मार्टवॉच के साथ अपनी जीवनशैली को सशक्त बनाएं, जो स्वास्थ्य, कनेक्टिविटी और उत्पादकता के लिए आपका साथी है।" कुछ-शॉट सीखने की उल्लेखनीय विशेषता यह है कि इसमें कार्य को कैसे करना है इसके विस्तृत विवरण की आवश्यकता नहीं है। इसके बजाय, इसमें जो किया जा रहा है उसके प्रदर्शन की आवश्यकता है, जो इसे कई अनुप्रयोगों के लिए उपयुक्त बना सकता है।

इसके अलावा, यह तकनीक सरल इनपुट-आउटपुट पेयरिंग से भी आगे तक फैली हुई है। किसी लक्ष्य को प्राप्त करने के लिए मॉडल को मध्यवर्ती चरणों को संभालना भी सिखाया जा सकता है।

7) चेन-ऑफ़-थॉट प्रॉम्प्टिंग

उनके हालिया शोध पत्र में, "चेन-ऑफ़-थॉट प्रॉम्प्टिंग बड़े भाषा मॉडल में तर्क उत्पन्न करता हैलेखक जेसन वेई और टीम का लक्ष्य बड़े भाषा मॉडल के भीतर तर्क को प्रोत्साहित करना है। पारंपरिक, प्रत्यक्ष संकेतों का उपयोग करने के बजाय, टीम परस्पर जुड़े संकेतों की एक श्रृंखला का उपयोग करती है, जिससे 'विचार श्रृंखला' बनती है।

उदाहरण के लिए, किसी उपयोगकर्ता की रुचि नौकरी बाजारों पर कृत्रिम बुद्धिमत्ता के संभावित प्रभाव में हो सकती है:

उपयोगकर्ता: "क्या आप कृत्रिम बुद्धिमत्ता की अवधारणा को संक्षेप में समझा सकते हैं?"

ChatGPT: “आर्टिफिशियल इंटेलिजेंस, या एआई, बुद्धिमान मानव व्यवहार की नकल करने के लिए एक मशीन की क्षमता को संदर्भित करता है। यह उन मशीनों को डिज़ाइन करने के बारे में है जो इंसानों की तरह सोच और सीख सकती हैं, जो उन्हें भाषा अनुवाद, निर्णय लेने और समस्या-समाधान जैसे कार्य करने में सक्षम बनाती हैं।

उपयोगकर्ता: "एआई वर्तमान नौकरी बाजार को कैसे प्रभावित कर रहा है?"

ChatGPT: “एआई नई नौकरियाँ पैदा कर रहा है और मौजूदा नौकरियों की प्रकृति बदल रहा है। एक ओर, यह नियमित कार्यों को स्वचालित करता है, जिससे कुछ क्षेत्रों में नौकरी विस्थापन होता है। दूसरी ओर, यह उन भूमिकाओं की मांग पैदा कर रहा है जो पहले मौजूद नहीं थीं, जैसे एआई एथिक्स अधिकारी, डेटा विश्लेषक और मशीन लर्निंग इंजीनियर। इसके अतिरिक्त, एआई मानवीय भूमिकाओं को बढ़ा सकता है, जिससे लोग कार्यों को अधिक कुशलतापूर्वक और सटीकता से पूरा कर सकते हैं।

चेन-ऑफ़-थॉट प्रॉम्प्टिंग संबंधित संकेतों की प्रगति का अनुसरण करता है, मॉडल के साथ 'बातचीत' बनाए रखता है जो इसे अधिक सटीक और प्रासंगिक रूप से उपयुक्त प्रतिक्रियाओं की ओर निर्देशित करता है।

एक डेवलपर के नजरिए से चैटजीपीटी एपीआई और प्रॉम्प्ट इंजीनियरिंग को समझना

एक डेवलपर या शोधकर्ता के दृष्टिकोण से, शीघ्र इंजीनियरिंग एक अधिक जटिल प्रक्रिया है। इसमें एआई मॉडल को संकेतों को समझने और अधिक प्रभावी ढंग से प्रतिक्रिया देने में मदद करने के लिए एल्गोरिदम और तकनीकों का डिज़ाइन शामिल है। इसमें अस्पष्ट संकेतों को संभालने, संकेतों के संदर्भ की पहचान करने, या एआई में अधिक जटिल विचार प्रक्रियाओं को प्रोत्साहित करने के लिए संकेतों को एक साथ जोड़ने की रणनीतियां शामिल हो सकती हैं।

उपरोक्त चित्रण में, एक उपयोगकर्ता GPT-4 द्वारा संचालित चैट इंटरफ़ेस के साथ इंटरैक्ट करता है। एआई मॉडल में फीड किए जाने से पहले उनके इनपुट को एक विशेष मॉड्यूल द्वारा स्पष्टता और प्रासंगिक स्थिरता के लिए बढ़ाया जाता है। इस मॉड्यूल की भूमिका बातचीत के संदर्भ को बनाए रखते हुए बेहतर समझ के लिए उपयोगकर्ता के इनपुट को परिष्कृत और बढ़ाना है। परिष्कृत संकेत के आधार पर तैयार की गई एआई की प्रतिक्रिया, चैट इंटरफ़ेस के माध्यम से उपयोगकर्ता को लौटा दी जाती है। बातचीत के संदर्भ को बनाए रखते हुए, बातचीत का इतिहास लगातार अपडेट किया जाता है। कुल मिलाकर, यह आरेख त्वरित इंजीनियरिंग तकनीकों द्वारा सक्षम एक गतिशील उपयोगकर्ता-एआई वार्तालाप प्रवाह को दर्शाता है।

RSI चैटजीपीटी एपीआई इंटरफ़ेस को विभिन्न हाइपरपैरामीटरों के साथ इंजीनियर किया गया है जो उपयोगकर्ताओं को संकेतों के लिए एआई की प्रतिक्रियाओं को परिष्कृत करने में सक्षम बनाता है, जिससे वे अधिक प्रभावी और बहुमुखी बन जाते हैं। इनमें तापमान, अधिकतम लंबाई और स्टॉप अनुक्रम पैरामीटर शामिल हैं। आइए देखें कि वे कैसे कार्य करते हैं और विभिन्न संदर्भों में उनका उपयोग कैसे किया जा सकता है।

1) तापमान

तापमान पैरामीटर एआई की प्रतिक्रियाओं की यादृच्छिकता को प्रभावित करता है। एक उच्च तापमान, जैसे कि 1.0, अधिक यादृच्छिक आउटपुट को प्रोत्साहित करता है, जिसके परिणामस्वरूप विविध लेकिन संभावित रूप से विषय से परे प्रतिक्रियाएँ होती हैं। इसके विपरीत, 0.2 जैसा कम तापमान, एआई को अधिक नियतात्मक प्रतिक्रियाओं का चयन करने के लिए प्रेरित करता है, जो केंद्रित और विशिष्ट आउटपुट के लिए फायदेमंद हो सकता है लेकिन विविधता की कमी हो सकती है।

उदाहरण: यदि आप एक रचनात्मक कहानी लिख रहे हैं और अप्रत्याशित, कल्पनाशील तत्व चाहते हैं, तो तापमान को उच्च मान पर सेट करें। एक संकेत हो सकता है: "समय यात्रा करने वाली बिल्ली के बारे में एक छोटी कहानी लिखें।" उच्च तापमान के साथ, आपको अप्रत्याशित मोड़ों के साथ एक जंगली, काल्पनिक कहानी मिल सकती है।

2) अधिकतम लंबाई

यह पैरामीटर मॉडल के आउटपुट की अधिकतम टोकन लंबाई को नियंत्रित करता है, जिसमें संदेश इनपुट और संदेश आउटपुट दोनों टोकन शामिल हैं। उच्च सीमा निर्धारित करने से अधिक विस्तारित प्रतिक्रियाएँ प्राप्त होती हैं, जबकि निचली सीमा आउटपुट को छोटा और संक्षिप्त रखती है।

उदाहरण: "2020 में साहित्य में नोबेल पुरस्कार किसने जीता?" जैसे सामान्य प्रश्नों के संक्षिप्त उत्तर के लिए। हो सकता है कि आप अधिकतम लंबाई को कम मान पर सेट करना चाहें, यह सुनिश्चित करते हुए कि प्रतिक्रिया संक्षिप्त और सीधी हो।

3) अनुक्रम रोकें

स्टॉप सीक्वेंस टेक्स्ट के विशिष्ट स्ट्रिंग हैं, जहां, जब मॉडल उनका सामना करता है, तो यह आगे आउटपुट उत्पन्न करना बंद कर देता है। यह सुविधा आउटपुट की लंबाई को नियंत्रित करने या मॉडल को तार्किक समापन बिंदुओं पर रुकने का निर्देश देने के लिए उपयोगी हो सकती है।

उदाहरण: एक औपचारिक पत्र के लिए, आप स्टॉप अनुक्रम के रूप में "ईमानदारी से आपका" का उपयोग कर सकते हैं, यह सुनिश्चित करने के लिए कि एआई पत्र के उचित अंत से परे कोई अतिरिक्त पाठ उत्पन्न नहीं करता है।

4) शीर्ष पी

'टॉप पी' पैरामीटर, जिसे न्यूक्लियस सैंपलिंग के रूप में भी जाना जाता है, एक ऐसी विधि है जो मॉडल की भविष्यवाणियों के प्रत्येक चरण पर विचार किए गए शब्दों की संख्या का एक गतिशील चयन प्रदान करती है। कम मान, जैसे 0.5, सुरक्षित, अधिक केंद्रित आउटपुट की ओर ले जाता है। 0.9 जैसे उच्च मान में शब्दों का व्यापक चयन शामिल होता है, जिससे अधिक विविध आउटपुट प्राप्त होते हैं।

उदाहरण: यदि आप कविताएँ लिखने के लिए एआई बना रहे हैं और चाहते हैं कि इसमें शब्दावली और शैलीगत वाक्यांशों की एक विस्तृत श्रृंखला का उपयोग किया जाए, तो आप 'टॉप पी' को उच्च मान पर सेट कर सकते हैं। एक संकेत हो सकता है: "शरद ऋतु की सुंदरता के बारे में एक कविता लिखें।"

5) बारंबारता जुर्माना

फ़्रीक्वेंसी पेनल्टी यह नियंत्रित करती है कि मॉडल को कम बार आने वाले शब्दों का कितना पक्ष लेना चाहिए। एक उच्च जुर्माना (1 तक) मॉडल को कम सामान्य शब्दों का उपयोग करने के लिए प्रोत्साहित करता है, जबकि कम मूल्य (-1 तक) मॉडल को अधिक सामान्य शब्दों का उपयोग करने के लिए प्रोत्साहित करता है।

उदाहरण: यदि आप कोई व्यावसायिक प्रस्ताव तैयार करने का प्रयास कर रहे हैं और शब्दजाल से बचना चाहते हैं, तो आप भाषा को स्पष्ट और सुलभ बनाए रखने के लिए आवृत्ति दंड को कम मान पर सेट कर सकते हैं।

6) उपस्थिति दंड

उपस्थिति दंड पैरामीटर प्रभावित करता है कि नए विचारों या विषयों को उत्पन्न करने के लिए मॉडल को कितना दंडित किया गया है जो बातचीत के इतिहास में मौजूद नहीं थे। उच्च मूल्य मॉडल को पहले से उल्लिखित विषयों पर टिके रहने के लिए प्रोत्साहित करते हैं, जबकि निम्न मूल्य मॉडल को नई अवधारणाओं को अधिक स्वतंत्र रूप से पेश करने की अनुमति देते हैं।

उदाहरण: विचार-मंथन सत्रों के लिए, आप विविध प्रकार के विचारों को प्रोत्साहित करने के लिए उपस्थिति दंड को कम मान पर सेट कर सकते हैं। आप एक संकेत का उपयोग कर सकते हैं, जैसे "एक ऑनलाइन शैक्षिक मंच के लिए नवीन विपणन रणनीतियाँ तैयार करें।"

प्रॉम्प्ट इंजीनियरिंग का उद्योग अनुप्रयोग