ChatGPT-ում արագ ճարտարագիտության հիմնական ուղեցույցը

Գործարկման պահից ի վեր Զրուցարան GPT ալիք է բարձրացրել AI ոլորտում՝ ռեկորդային ժամանակում ներգրավելով ավելի քան 100 միլիոն օգտատերերի։ ChatGPT-ի տպավորիչ կատարողականության և բազմակողմանիության գաղտնիքը կայանում է արվեստի մեջ, որը նրբորեն տեղակայված է նրա ծրագրավորման մեջ՝ արագ ճարտարագիտություն:

2022 թվականին գործարկված DALL-E-ն, MidJourney-ը և StableDiffusion-ն ընդգծեցին Generative AI-ի խանգարող ներուժը: Բայց դա եղել է Բացեք AI-ն's ChatGPT-ն, որն իսկապես կենտրոնական տեղ գրավեց ավելի ուշ՝ 2022 թվականին: Եվ այս թափը դանդաղելու նշաններ ցույց չտվեց:

Google-ի հայտարարությունը Բարդի մասին և Meta's Lamma 2  OpenAI-ի ChatGPT-ի պատասխանը զգալիորեն մեծացրել է AI մրցավազքի թափը: Տրամադրելով այս մոդելներին մուտքագրումներ՝ մենք առաջնորդում ենք նրանց վարքն ու արձագանքները: Սա ստիպում է մեզ բոլորիս ինչ-որ չափով հուշել ինժեներներին: Տեխնոլոգիական արդյունաբերությունը ուշադրություն է դարձրել: Վենչուրային կապիտալիստները միջոցներ են լցնում նորաստեղծ ձեռնարկությունների վրա, որոնք կենտրոնացած են արագ ճարտարագիտության վրա, օրինակ Vellum AI. Ավելին, Forbes-ը հայտնում է, որ հրահանգում են օպերատիվ ինժեներները 300,000 դոլարից ավելի աշխատավարձ, որը վկայում է բարգավաճ և արժեքավոր աշխատաշուկայի մասին:

Այս հոդվածում մենք կապականացնենք արագ ճարտարագիտության աշխարհը ChatGPT-ի համատեքստում: Մենք կուսումնասիրենք հիմնական սկզբունքներն ու տեխնիկան և կուսումնասիրենք դրանց առևտրային կիրառությունները:

Եկեք նախ հասկանանք, թե ինչպես է գործում ChatGPT-ն և այս գործընթացում արագ ինժեներության առանցքային դերը:

ChatGPT արագ ճարտարագիտության ետևում գտնվող մեխանիկա

ChatGPT-ի հաջողության հիմքում ընկած գաղտնի սոուսը մարդկային զրույցի նրբությունները հասկանալու և ընդօրինակելու կարողությունն է: Մոդելը ուսուցանվում է ինտերնետային տեքստերի բազմազան տիրույթի վրա, բայց կարևոր է, որ այն չգիտի կոնկրետ փաստաթղթեր կամ աղբյուրներ իր ուսումնական հավաքածուի մեջ՝ ապահովելով ընդհանրացում կոնկրետության նկատմամբ: Այս վերապատրաստման մոտեցումը ChatGPT-ին թույլ է տալիս ստեղծել ստեղծագործական պատասխաններ, նավարկելու բարդ երկխոսություններ և նույնիսկ ցուցադրել հումորի զգացում: Այնուամենայնիվ, կարևոր է հիշել, որ ChatGPT-ն իսկապես չի հասկանում կամ չունի համոզմունքներ. այն առաջացնում է պատասխաններ՝ հիմնվելով վերապատրաստման ընթացքում սովորած օրինաչափությունների վրա:

ChatGPT-ի կարողությունը հասկանալու և արձագանքելու մարդկային լեզուն նրբերանգներով և համատեքստից տեղեկացված ձևով դրանք դարձնում է աներևակայելի բազմակողմանի գործիքներ:

Այս մոդելների մեխանիզմը հիմնված է «tokens» հասկացության վրա՝ լեզվի դիսկրետ կտորներ, որոնք կարող են տատանվել մեկ գրանշանից մինչև ամբողջ բառ: Այս մոդելները միաժամանակ աշխատում են որոշակի թվով նշանների հետ (4096 GPT-3.5-Turbo կամ 8192 կամ 32768 GPT-4-ի համար)՝ կանխատեսելով հավանական նշանների հաջորդ հաջորդականությունը: Մոդելները մշակում են նշանները՝ օգտագործելով բարդ գծային հանրահաշիվ՝ կանխատեսելով ամենահավանական հաջորդ նշանը:

Օրինակ, ինը բառից բաղկացած պարզ նախադասությունը կարող է վերածվել տասը նշանի: Նույնիսկ մեկ բարդ բառը կարող է վերածվել բազմաթիվ նշանների, ինչը օգնում է մոդելին ավելի լավ հասկանալ և ստեղծել լեզուն: Նույնիսկ բարդ բառային կառուցվածք ունեցող լեզուները, ինչպես գերմաներենը, կառավարվում են նշանավորման միջոցով:

GPT (Generative Pre-trained Transformer) մոդելներն աշխատում են՝ գեներացնելով մեկ նշան, սկսած առաջին նշանից և շարունակելով մինչև վերջինը: Յուրաքանչյուր նշան ստեղծելուց հետո մոդելը վերանայում է ամբողջ հաջորդականությունը և նորից մշակում այն՝ հաջորդ նշանը ստեղծելու համար: Այս կրկնվող գործընթացը շարունակվում է այնքան ժամանակ, մինչև վերջնական նշանը ստեղծվի՝ դարձնելով տեքստի գեներացիան նման մեծ for-loop-ի:

Բայց ահա թեման. այս պատասխանների որակը մեծապես կախված է ստացվող հուշումներից: Ճիշտ այնպես, ինչպես մարդու հետ զրույց վարելը, ChatGPT-ի հետ երկխոսություն վարելը պահանջում է որոշակի մակարդակի հմտություն և հասկացողություն: Ահա թե որտեղ է արագ ճարտարագիտության ուժը:

Ի՞նչ է արագ ճարտարագիտությունը:

Արագ ճարտարագիտությունը ճշգրիտ, արդյունավետ հուշումներ/ներածություն ստեղծելու արվեստ է՝ ուղղորդելու AI (NLP/Vision) մոդելներ, ինչպիսիք են ChatGPT-ն՝ առավել ծախսարդյունավետ, ճշգրիտ, օգտակար և անվտանգ արդյունքներ ստեղծելու համար:

Արագ ճարտարագիտությունը չի սահմանափակվում միայն տեքստի ստեղծմամբ, այլ ունի լայնածավալ կիրառություններ AI տիրույթում: Այն ավելի ու ավելի է օգտագործվում այնպիսի ոլորտներում, ինչպիսիք են ռոբոտային գործընթացների ավտոմատացման բոտերը, 3D ակտիվները, սցենարները, ռոբոտի հրահանգները և այլ տեսակի բովանդակություն և թվային լրատվամիջոցներ: Այն ապահովում է տրամաբանության, կոդավորման, արվեստի և որոշ դեպքերում հատուկ մոդիֆիկատորների եզակի խառնուրդ:

Թեև հաղորդագրությունը կարող է ներառել բնական լեզվով տեքստ, պատկերներ կամ մուտքային տվյալների այլ տեսակներ, ելքը կարող է զգալիորեն տարբերվել արհեստական ​​ինտելեկտի ծառայություններից և գործիքներից: Յուրաքանչյուր գործիք ունի իր հատուկ փոփոխիչները, որոնք նկարագրում են բառերի, ոճերի, հեռանկարների, դասավորության կամ ցանկալի պատասխանի այլ հատկությունների կշիռը:

Այս ոլորտը կարևոր է AI-ով աշխատող ավելի լավ ծառայություններ ստեղծելու և գոյություն ունեցող գեներատիվ AI գործիքներից բարձր արդյունքներ ստանալու համար: Ձեռնարկությունների ծրագրավորողները, օրինակ, հաճախ օգտագործում են արագ ճարտարագիտություն՝ հարմարեցնելու համար GPT-3-ի նման Լեզուների խոշոր մոդելները (LLM)՝ հաճախորդի առջև կանգնած սնուցման համար: chatbot կամ կարգավորել այնպիսի առաջադրանքներ, ինչպիսիք են ոլորտին առնչվող պայմանագրերի ստեղծումը:

AI-ի կատարողականի արագ ճշգրտման և չափման այս կրկնվող գործընթացը առանցքային տարր է, որը թույլ է տալիս AI մոդելներին ստեղծել խիստ նպատակային, օգտակար պատասխաններ տարբեր համատեքստերում:

Դառնալ արագ ինժեներ

GPT-4 մոդելի կարողությունը բարդ հրահանգներ ընկալելու և բարդ խնդիրներ ճշգրիտ լուծելու գործում այն ​​դարձնում է անգնահատելի ռեսուրս: Այնուամենայնիվ, կան այս մոդելի հնարավորություններին մուտք գործելու տարբեր մեթոդներ, և դրանց ըմբռնումը կարող է վճռորոշ լինել արագ ինժեների դերի համար և՛ արդյունավետությունը, և՛ ծախսարդյունավետությունը օպտիմալացնելու համար:

Գոյություն ունի GPT-4-ի նման GPT մոդելների հետ աշխատելու երկու եղանակ: Ճանապարհներից մեկը OpenAI-ի API-ն է, որտեղ ծախսերը հաշվարկվում են մուտքային և ելքային նշանների համար: Այս սցենարում 1K նշանի համար ծախսերը կարող են տատանվել՝ ելնելով համատեքստի չափից: Օրինակ, ավելի մեծ 32K համատեքստում արժեքը կարող է հասնել մինչև $0.06 մուտքային նշանների համար և $0.12 ելքային նշանների համար: Այսպիսով, մեծ ծավալի հարցումներ կատարելիս, օգտագործման արժեքը կարող է արագ կուտակվել:

Որպես այլընտրանք, ChatGPT-ն, որն օգտագործում է GPT-4 մոդելը, գործում է բաժանորդագրության վրա հիմնված մոդելի վրա:

Մեկ այլ հիմնական խնդիր արագ ճարտարագիտության մեջ ներառում է մոդելի պարամետրերի թյունինգ: Այս գործընթացը ներառում է փոփոխականների ճշգրտում, որոնք մոդելն օգտագործում է կանխատեսումներ կատարելու համար: Այս պարամետրերը ճշգրտելով՝ արագ ինժեներները կարող են բարելավել մոդելի պատասխանների որակն ու ճշգրտությունը՝ դրանք դարձնելով համատեքստում ավելի համապատասխան և օգտակար:

Թեև շատ արագ ինժեներներ գալիս են տեխնոլոգիական ֆոնից, ոլորտի բազմամասնագիտական ​​բնույթն այն հասանելի է դարձնում տարբեր մասնագիտական ​​ծագում ունեցող անհատների համար: Գրողները, հետազոտողները և նույնիսկ արվեստագետները գնալով ավելի ու ավելի են օգտագործում իրենց եզակի հմտությունները՝ AI մոդելների արդյունավետությունը բարձրացնելու համար: Այս տեղաշարժն արտացոլվում է նաև աշխատաշուկայում, քանի որ աճող թվով ընկերություններ փնտրում են արագ ինժեներներ՝ տարբեր հմտություններով և գիտելիքներով:

Արագ նախագծում և ճարտարագիտություն ChatGPT-ում

Արագ դիզայնը և ճարտարագիտությունը կարևոր դեր են խաղում լեզվական մոդելների կատարողականի օպտիմալացման գործում և ներառում են ավելին, քան պարզապես հարցեր ստեղծելը. դրանք պահանջում են արհեստական ​​ինտելեկտի մոդելի խորը ըմբռնում և խիստ կրկնվող և կատարելագործված մոտեցում:

Արագ դիզայն

Արագ ձևավորումը, իր հիմքում, արվեստն ու գիտությունն է՝ ստեղծելու կատարյալ հուշում տվյալ մեծ լեզվական մոդելի (LLM) համար, ինչպիսին ChatGPT-ն է, հստակ նշված նպատակին հասնելու համար: Դա մի խառնուրդ է.

• LLM-ի ըմբռնում. տարբեր լեզուների մոդելներ կարող են փոփոխականորեն արձագանքել նույն հուշմանը: Ավելին, որոշ լեզվական մոդելներ կարող են ունենալ եզակի հիմնաբառեր կամ գործարկիչներ, որոնք նրանք մեկնաբանում են հատուկ ձևով:
• Դոմենի գիտելիքներ. համապատասխան ոլորտում փորձաքննությունը կարևոր է հուշումներ նախագծելիս: Օրինակ, բժշկական ախտորոշման վերաբերյալ հուշում ստեղծելը կպահանջի բժշկական գիտելիքներ:
• Կրկնվող մոտեցում և որակի չափում. Իդեալական հուշագրի ստեղծման գործընթացը հաճախ ներառում է փորձ և սխալ: Հետևաբար, արդյունքի որակը պարզապես սուբյեկտիվ դատողությունից դուրս գնահատելու միջոց ունենալը կենսական նշանակություն ունի, հատկապես, երբ հրամայականն ավելի մեծ մասշտաբով օգտագործվում է:

Արագ ճարտարագիտություն

Արագ ճարտարագիտությունը արագ նախագծման ընդլայնված տիրույթ է, որը ներառում է մի քանի կարևոր գործընթացներ.

• Հուշումների ձևավորում մասշտաբով. այս գործընթացը ներառում է մետա հուշումների նախագծում (հուշումներ, որոնք առաջացնում են այլ հուշումներ) և հուշումների ձևանմուշներ, որոնք պարամետրացված հուշումներ են, որոնք կարող են ստեղծվել գործարկման ժամանակ:
• Գործիքների ձևավորում և ինտեգրում. Հուշումները երբեմն կարող են ներառել արտաքին գործիքներից ստացված արդյունքներ, և այդ գործիքների անխափան ինտեգրումը համակարգին շատ կարևոր է:
• Աշխատանքային հոսք, պլանավորում և արագ կառավարում. LLM հավելվածի տեղակայումը, ինչպես չաթ-բոտը, հաճախ պահանջում է հրահանգների գրադարանների կառավարում, ճիշտ հուշումների պլանավորում և ընտրություն, ինչպես նաև տարբեր գործիքների արդյունավետ ինտեգրում:
• Հուշումների գնահատում և որակի ապահովում. այս ասպեկտը ներառում է ցուցումների և գործընթացների սահմանում` ինչպես ինքնաբերաբար, այնպես էլ մարդկանց ներգրավմամբ:
• Արագ օպտիմիզացում. AI մոդելի արժեքը և ուշացումը կարող են կախված լինել մոդելի ընտրությունից և հուշման երկարությունից (նշանների քանակից):

Շատ ավտոմատացված արագ նախագծման մոտեցումներ, գործիքներ և շրջանակներ են մշակվել՝ հրահանգները մասշտաբով կառավարելու համար: Այնուամենայնիվ, կարևոր է հասկանալ, որ այս գործիքներից ոչ մեկը չի կարող փոխարինել փորձառու արագ ինժեների նրբերանգ ըմբռնմանը, դատողությանը և փորձին:

Արագ ճարտարագիտություն. տեխնիկա և լավագույն պրակտիկա

1) Արագ տեղադրում և նկարագրություն

Հրահանգների տեղադրումը հուշագրի սկզբում կարող է զգալիորեն ազդել AI-ի ըմբռնման և արձագանքի վրա: Մտածեք տեքստի ամփոփման առաջադրանքը կետային ձևաչափով: Ավելի քիչ արդյունավետ մոտեցումը կլինի.

ՕգտվողՍտորև բերված տեքստը ամփոփեք որպես ամենակարևոր կետերի կետային ցանկ:
{տեքստի մուտքագրում այստեղ}

Մյուս կողմից, ավելի արդյունավետ տեխնիկան կարող է լինել.

ՕգտվողՍտորև բերված տեքստը ամփոփեք որպես ամենակարևոր կետերի կետային ցանկ:
Տեքստը՝ «»
{տեքստի մուտքագրում այստեղ}
«» »

Հստակ տարանջատելով հրահանգները և համատեքստը այնպիսի նշաններով, ինչպիսիք են ### կամ «»՝ AI մոդելը կարող է ավելի լավ ուրվագծել իր առաջադրանքը և այն տեքստը, որը պետք է մշակի, դրանով իսկ տալով ավելի ճշգրիտ և համապատասխան պատասխաններ:

Երկրորդ, կոնկրետ, նկարագրական և մանրամասն լինելը համատեքստի, ակնկալվող արդյունքի, երկարության, ձևաչափի, ոճի և այլնի վերաբերյալ կարող է զգալիորեն բարձրացնել AI պատասխանների ճշգրտությունը: Ենթադրենք, որ դուք պետք է ստեղծեք գիտական ​​հոդվածի համառոտ ակնարկ՝ գրավիչ, ոչ սովորական ոճով: Անորոշ հրահանգը, ինչպիսին է «Ամփոփել գիտական ​​աշխատանքը», ավելի քիչ արդյունավետ արդյունքներ կբերի կոնկրետ, մանրամասն հուշման համեմատ.

ՕգտվողՍտեղծեք հակիրճ (մոտ 200 բառ) հետևյալ գիտական ​​աշխատության գրավիչ ամփոփագիրը: Ամփոփագիրը պետք է հասկանալի լինի որևէ մեկի համար, ով գիտական ​​հիմք չունի՝ միևնույն ժամանակ ճշգրտորեն արտացոլելով աշխատության հիմնական բացահայտումները:
Թուղթ՝ «»
{գիտական ​​թղթի տեքստն այստեղ}
«» »

2) անձի օրինակ

Persona Pattern-ը ռազմավարություն է, որը սահմանում է AI-ի գործառույթը որոշակի տեսանկյունից, օրինակ՝ պրոֆեսիոնալ դերի կամ հորինված կերպարի: Այս մարտավարությունը մոդելին հնարավորություն է տալիս տրամադրել արդյունքներ՝ կապված կոնկրետ դերերի հետ, որոնց անձը կզբաղվի: Օրինակ, կարելի է AI-ին հանձնարարել հանդես գալ որպես կիբերանվտանգության փորձագետ կոդի վերանայման ժամանակ: Այս օրինաչափությունը հատկապես օգտակար է, երբ օգտատերերն օգնության կարիք ունեն, բայց վստահ չեն ելքի մեջ պահանջվող ճշգրիտ մանրամասների վերաբերյալ:

Որպես օրինակ վերցրեք հետևյալը.

Օգտվող«Ենթադրենք ֆրանսիական հեղափոխության մեջ մասնագիտացած ավագ պատմաբանի կերպար: Հաշվի առնելով այդ անձը, բացատրեք ֆրանսիական միապետության անկմանը տանող հիմնական իրադարձություններն ու պատճառները»:

Այս սցենարում ակնկալվում է, որ AI-ն կպատասխանի Ֆրանսիական հեղափոխության խորը վերլուծությամբ՝ կենտրոնանալով միապետության անկման վրա, ինչպես կվարվեր պատմաբանը:

Նոր տեղեկատվության ներկայացում

ChatGPT-ն իր վերապատրաստման սահմաններից դուրս գիտելիքներ չունի, հետևաբար այն չի կարող տեղեկատվություն տրամադրել վերջին իրադարձությունների կամ թարմացումների մասին իր վերապատրաստումից հետո: Այնուամենայնիվ, դուք կարող եք մոդելին նոր տեղեկատվություն ներկայացնել ձեր հուշումների միջոցով:

Օգտվող«Ի՞նչ է կրիպտոարժույթը»:
Զրուցարան GPTԿրիպտոարժույթը թվային կամ վիրտուալ արժույթի տեսակ է, որն օգտագործում է ծածկագրությունը անվտանգության համար: Ամենահայտնի կրիպտոարժույթը բիթքոյնն է»:

Այժմ, եթե հուշումին մի փոքր ավելի շատ համատեքստ ավելացնենք, բացատրությունը կարող ենք ավելի ինտուիտիվ դարձնել.

Օգտվող«Բացատրե՛ք կրիպտոարժույթի հայեցակարգը թվային ֆինանսներ սովորող ավագ դպրոցի աշակերտին»
ChatGPT. «Պատկերացրեք, որ խաղում եք առցանց տեսախաղ, և կա գումար, որը կարող եք վաստակել՝ թարմացումներ կամ նոր կերպարներ գնելու համար: Կրիպտոարժույթը մի տեսակ նման է, բայց խաղով սահմանափակվելու փոխարեն, դուք կարող եք իրականում օգտագործել այն իրական աշխարհի ապրանքներ և ծառայություններ գնելու համար: Դա նման է թվային փողի, որը ոչ մի բանկ կամ կառավարություն չի վերահսկում»:

3) Արագ չափի սահմանափակումներ

ChatGPT-ի չափի սահմանափակումը հասկանալը կարևոր է, քանի որ այն ուղղակիորեն ազդում է այն տեղեկատվության ծավալի և տեսակի վրա, որը մենք կարող ենք մուտքագրել: Լեզուների մոդելները չեն ստեղծվել միանգամից անսահմանափակ տվյալների մշակման համար: Նրանք ունեն ներհատուկ սահմանափակում այն ​​հուշագրի չափի վրա, որը մենք կարող ենք ստեղծել և մուտքագրել: Այս սահմանափակումը խորը հետևանքներ ունի հուշումների նախագծման և կատարման վրա:

ChatGPT-ն ունի նշանային սահմանաչափ (ընդհանուր առմամբ 2048 նշան), որը ներառում է ինչպես հուշումը, այնպես էլ առաջացած պատասխանը: Սա նշանակում է, որ երկար հուշումները կարող են սահմանափակել պատասխանի երկարությունը: Հետևաբար, կարևոր է, որ հուշումները հակիրճ, բայց տեղեկատվական:

Գործնական օգտագործման դեպքում մենք պետք է հանդես գանք որպես խմբագիրներ՝ ընտրողաբար ընտրելով առավել համապատասխան տեղեկատվությունը տվյալ առաջադրանքի համար: Պատկերացրեք, որ գրում եք թերթ կամ հոդված բառի կամ էջի սահմանափակումով. դուք չեք կարող պարզապես պատահական փաստեր թափել, այլ ուշադիր ընտրել և կառուցվածքային տեղեկատվությունը, որը վերաբերում է թեմային:

Օգտվող«Հաշվի առնելով մոդելի խորհրդանշական սահմանափակումները՝ ամփոփեք Երկրորդ համաշխարհային պատերազմի հիմնական իրադարձությունները 1000-ից պակաս բառով»:

Ընդունելով մոդելի նշանների սահմանափակումները՝ այս հուշումը ուղղորդում է AI-ին տրամադրել Երկրորդ համաշխարհային պատերազմի հակիրճ, բայց համապարփակ ամփոփում:

Կրկնվող օգտագործման հուշումներ. խոսակցական սցենարի դեպքում դուք կարող եք կրկին օգտագործել հուշումները կամ կատարելագործել դրանք՝ հիմնվելով նախորդ պատասխանների վրա: Սա տալիս է խոսակցական հոսք և պահպանում է կոնտեքստը փոխազդեցության մեջ:

4) Հարցի ճշգրտման օրինաչափություն

ChatGPT-ն կարող է նաև օգնել ճշգրտել ձեր հարցերը: Օրինակ, եթե դուք հարց եք տալիս, այն կարող է առաջարկել ավելի լավ ձևակերպված հարց ավելի ճշգրիտ արդյունքների համար:

Հարցերի ճշգրտման ձևը ներառում է LLM-ի կողմից օգտագործողի կողմից տրված հարցերի ճշգրտումը: Այն հատկապես օգտակար է, երբ օգտվողները որևէ տիրույթի մասնագետ չեն կամ վստահ չեն, թե ինչպես ձևակերպել իրենց հարցը:

Օրինակի հուշումը կարող է այսպիսի տեսք ունենալ.

Օգտվող«Երբ ես հարց եմ տալիս տվյալների գիտության վերաբերյալ, առաջարկեք ավելի հստակ հարց՝ հաշվի առնելով վիճակագրական վերլուծության առանձնահատկությունները և հարցրեք, թե արդյոք ես ուզում եմ շարունակել ճշգրտված հարցը»:

Այստեղ ակնկալվում է, որ AI-ն կմշակի օգտագործողի ընդհանուր տվյալների գիտության հարցերը ավելի մանրամասն հարցերի՝ հաշվի առնելով վիճակագրական վերլուծության ասպեկտները:

5) Ճանաչողական ստուգիչ օրինակ

Ճանաչողական ստուգիչի նախշը բարդ հարցերը բաժանում է ավելի փոքր, կառավարելի ենթահարցերի: Այնուհետև այս ենթահարցերի պատասխանները համակցվում են՝ հիմնական հարցին համապարփակ պատասխան տալու համար: Այս մոտեցումը օգտակար է, երբ սկզբնական հարցերը չափազանց բարձր մակարդակի են կամ երբ լրացուցիչ հստակություն է անհրաժեշտ ամբողջական պատասխան տալու համար:

Օրինակ.

Օգտվող«Եթե ես հարց տամ կլիմայի փոփոխության մասին, բաժանեք այն երեք փոքր հարցերի, որոնք կօգնեն ձեզ ավելի ճշգրիտ պատասխան տալ: Միավորեք այս ենթահարցերի պատասխանները՝ վերջնական պատասխանը տալու համար»։

Այս սցենարում AI-ն կբաժանի կլիմայի փոփոխության վերաբերյալ բարդ հարցը երեք կառավարելի ենթահարցերի: Այս ենթահարցերի պատասխանները ստանալուց հետո AI-ն այնուհետև կմիավորի դրանք՝ ավելի համապարփակ և ճշգրիտ պատասխան տալու համար:

Այս օրինաչափությունը ներառում է բազմաթիվ հարցերի առաջացում՝ առավել ճշգրիտ վերջնական պատասխան ստանալու համար: Սա կայուն վերջնական արդյունքի համար տեղեկատվության ստուգման և համախմբման գործընթաց է

6) Քիչ կրակոց հուշող մոտեցում

Քիչ կրակոցների հուշումը հզոր մոտեցում է AI մոդելներին սովորեցնելու համար հետևել որոշակի օրինաչափություններին կամ կատարել առաջադրանքներ: Գաղափարն այն է, որ մոդելը կերակրել մի շարք օրինակներով, նախքան ցանկալի հարցը տալը: Սա օգնում է սահմանել ցանկալի վարքագիծը և ուղղորդել մոդելի պատասխանները:

Դիտարկենք մի սցենար, երբ օգտատերը փորձում է նախագծել հակիրճ, գրավիչ մարքեթինգային օրինակ նոր տեխնոլոգիական գործիքի համար.

Օգտվող«Ահա տեխնոլոգիական մարքեթինգային օրինակների մի քանի օրինակներ. «Զգացեք երաժշտություն այնպես, ինչպես երբևէ, մեր նորագույն անլար ականջակալներով»: «Նկարեք ձեր աշխարհը ապշեցուցիչ 4K-ով մեր ծայրահեղ խնամված էքշն տեսախցիկով»: Հաշվի առնելով այս օրինակները, մշակեք մարքեթինգային օրինակ մեր նոր AI-ով աշխատող խելացի ժամացույցի համար»:

Զրուցարան GPT«Զորացրե՛ք ձեր ապրելակերպը AI-ով աշխատող մեր խելացի ժամացույցով, որը ձեր ուղեկիցն է առողջության, կապի և արտադրողականության համար»: Քիչ կրակոցներով ուսուցման ուշագրավ առանձնահատկությունն այն է, որ այն չի պահանջում առաջադրանքը կատարելու մանրամասն նկարագրություն: Փոխարենը, այն պահանջում է արվածի ցուցադրում, ինչը կարող է այն լավ պիտանի դարձնել բազմաթիվ ծրագրերի համար:

Ավելին, այս տեխնիկան դուրս է գալիս մուտք-ելք պարզ զուգավորումից դուրս: Մոդելը կարող է նաև սովորեցնել միջանկյալ քայլեր ձեռնարկել նպատակին հասնելու համար:

7) Մտքի շղթայի հուշում

Իրենց վերջին հետազոտական ​​աշխատության մեջ «Մտքերի շղթայի հուշումը առաջացնում է հիմնավորում մեծ լեզվական մոդելներումՀեղինակներ Ջեյսոն Վեյն ու թիմը նպատակ ունեն խթանել բանականությունը մեծ լեզվական մոդելներում: Ավանդական, ուղղակի հուշումներ օգտագործելու փոխարեն թիմը օգտագործում է մի շարք փոխկապակցված հուշումներ՝ ձևավորելով «մտքի շղթա»:

Օրինակ՝ օգտագործողին կարող է հետաքրքրել արհեստական ​​ինտելեկտի հնարավոր ազդեցությունը աշխատաշուկաների վրա.

Օգտվող«Կարո՞ղ եք համառոտ բացատրել արհեստական ​​ինտելեկտի հայեցակարգը»:

Զրուցարան GPT«Արհեստական ​​ինտելեկտը կամ AI-ն վերաբերում է մարդու խելացի վարքագիծը նմանակելու մեքենայի կարողությանը: Խոսքը գնում է մեքենաների նախագծման մասին, որոնք կարող են մտածել և սովորել մարդկանց նման՝ հնարավորություն տալով նրանց կատարել այնպիսի խնդիրներ, ինչպիսիք են լեզվի թարգմանությունը, որոշումների կայացումը և խնդիրների լուծումը, ի թիվս այլոց»:

Օգտվող«Ինչպե՞ս է AI-ն ազդում ներկայիս աշխատաշուկայի վրա»:

Զրուցարան GPT«AI-ը և՛ նոր աշխատատեղեր է ստեղծում, և՛ փոխում է եղածների բնույթը: Մի կողմից, այն ավտոմատացնում է սովորական առաջադրանքները՝ հանգեցնելով որոշակի ոլորտներում աշխատատեղերի տեղաշարժի: Մյուս կողմից, այն պահանջում է այնպիսի դերերի համար, որոնք նախկինում գոյություն չունեին, ինչպիսիք են AI-ի էթիկայի սպաները, տվյալների վերլուծաբանները և մեքենայական ուսուցման ինժեներները: Բացի այդ, AI-ն կարող է մեծացնել մարդու դերերը՝ թույլ տալով մարդկանց ավելի արդյունավետ և ճշգրիտ կատարել առաջադրանքները»:

Մտքերի շղթայի հուշումը հետևում է առնչվող հուշումների առաջընթացին՝ պահպանելով «խոսակցություն» մոդելի հետ, որն ուղղորդում է այն դեպի ավելի ճշգրիտ և համատեքստային համապատասխան պատասխաններ:

Հասկանալով ChatGPT API-ն և Prompt Engineering-ը մշակողի տեսանկյունից

Մշակողի կամ հետազոտողի տեսանկյունից արագ ճարտարագիտությունը ավելի բարդ գործընթաց է: Այն ներառում է ալգորիթմների և տեխնիկայի նախագծում, որոնք կօգնեն AI մոդելին ավելի արդյունավետ հասկանալ և արձագանքել հրահանգներին: Սա կարող է ներառել երկիմաստ հուշումների հետ աշխատելու ռազմավարություններ, հայտերի համատեքստը բացահայտելու կամ հուշումները միասին շղթայելու համար՝ AI-ում ավելի բարդ մտածողության գործընթացները խթանելու համար:

Վերոնշյալ նկարում օգտատերը փոխազդում է զրույցի ինտերֆեյսի հետ, որը սնուցվում է GPT-4-ով: Նրանց ներածումը ընդլայնվում է հստակության և համատեքստային հետևողականության համար մասնագիտացված մոդուլի միջոցով՝ նախքան AI մոդելին սնվելը: Այս մոդուլի դերն է կատարելագործել և ընդլայնել օգտատիրոջ մուտքը ավելի լավ հասկանալու համար՝ միաժամանակ պահպանելով զրույցի ենթատեքստը: Արհեստական ​​ինտելեկտի պատասխանը, որը մշակվել է կատարելագործված հուշման հիման վրա, վերադարձվում է օգտատիրոջը չաթի ինտերֆեյսի միջոցով: Փոխազդեցության պատմությունը հետևողականորեն թարմացվում է՝ պահպանելով խոսակցության համատեքստը: Ընդհանուր առմամբ, այս դիագրամը ցույց է տալիս դինամիկ օգտագործողի-AI խոսակցության հոսք, որը միացված է արագ ինժեներական տեխնիկայի միջոցով:

The ChatGPT API-ներ ինտերֆեյսը մշակված է տարբեր հիպերպարամետրերով, որոնք օգտատերերին հնարավորություն են տալիս կատարելագործել AI-ի պատասխանները հուշումներին՝ դարձնելով դրանք ավելի արդյունավետ և բազմակողմանի: Դրանք ներառում են ջերմաստիճանի, առավելագույն երկարության և կանգառի հաջորդականության պարամետրերը: Եկեք ուսումնասիրենք, թե ինչպես են դրանք գործում և կարող են օգտագործվել տարբեր համատեքստերում:

1) երմաստիճանը

Ջերմաստիճանի պարամետրը ազդում է AI-ի պատասխանների պատահականության վրա: Ավելի բարձր ջերմաստիճանը, ինչպիսին 1.0-ն է, խրախուսում է ավելի շատ պատահական արդյունք, ինչը հանգեցնում է տարբեր, բայց թեմայից դուրս պատասխանների: Ի հակադրություն, ցածր ջերմաստիճանը, ինչպես 0.2-ը, հուշում է AI-ին ընտրել ավելի դետերմինիստական ​​պատասխաններ, որոնք կարող են օգտակար լինել կենտրոնացված և կոնկրետ արդյունքների համար, բայց կարող են զուրկ լինել բազմազանությունից:

Օրինակ. Եթե ստեղծագործական պատմություն եք գրում և ցանկանում եք անկանխատեսելի, երևակայական տարրեր, ջերմաստիճանը սահմանեք ավելի բարձր արժեքի վրա: Հուշումը կարող է լինել. «Գրիր կարճ պատմություն ժամանակի ճամփորդող կատվի մասին»: Բարձր ջերմաստիճանի դեպքում դուք կարող եք ստանալ վայրի, ֆանտաստիկ հեքիաթ՝ անկանխատեսելի շրջադարձերով:

2) Առավելագույն երկարություն

Այս պարամետրը վերահսկում է մոդելի ելքի առավելագույն երկարությունը, որը ներառում է ինչպես հաղորդագրության մուտքագրման, այնպես էլ հաղորդագրության ելքի նշանները: Ավելի բարձր սահմանի սահմանումը թույլ է տալիս ավելի ընդլայնված պատասխաններ, մինչդեռ ստորին սահմանը թողարկումը կարճ և հակիրճ է պահում:

Օրինակ. «Ո՞վ է արժանացել գրականության Նոբելյան մրցանակին 2020 թվականին» տրիվիալ հարցերի հակիրճ պատասխանների համար: Դուք կարող եք սահմանել առավելագույն երկարությունը ցածր արժեքի վրա՝ ապահովելով պատասխանը հակիրճ և անմիջական:

3) Stop Sequences

Stop հաջորդականությունները տեքստի հատուկ տողեր են, որտեղ, երբ մոդելը հանդիպում է դրանց, այն դադարում է հետագա ելք ստեղծելուց: Այս հատկությունը կարող է օգտակար լինել ելքի երկարությունը վերահսկելու կամ մոդելին տրամաբանական վերջնակետերում կանգ առնելու հրահանգ տալու համար:

Օրինակ. Պաշտոնական նամակի համար դուք կարող եք օգտագործել «Անկեղծորեն ձերը»՝ որպես կանգառի հաջորդականություն՝ համոզվելու համար, որ AI-ն նամակի ճիշտ ավարտից դուրս որևէ լրացուցիչ տեքստ չի ստեղծում:

4) վերև Պ

«Top P» պարամետրը, որը նաև հայտնի է որպես միջուկային նմուշառում, մեթոդ է, որն ապահովում է մոդելի կանխատեսումների յուրաքանչյուր քայլում դիտարկվող բառերի քանակի դինամիկ ընտրություն: Ավելի ցածր արժեքը, ինչպես 0.5-ը, հանգեցնում է ավելի ապահով և կենտրոնացված արդյունքների: Ավելի բարձր արժեքը, ինչպես 0.9-ը, ներառում է բառերի ավելի լայն ընտրություն, ինչը հանգեցնում է ավելի բազմազան արդյունքների:

Օրինակ. Եթե դուք ստեղծում եք AI՝ բանաստեղծություններ գրելու համար և ցանկանում եք, որ այն օգտագործի բառապաշարի և ոճական արտահայտությունների լայն տեսականի, կարող եք «Top P»-ն ավելի բարձր արժեք դնել: Հուշում կարող է լինել. «Ստեղծիր բանաստեղծություն աշնան գեղեցկության մասին»:

5) հաճախականության տույժ

Հաճախականության տույժը վերահսկում է, թե որքանով մոդելը պետք է նախընտրի ավելի քիչ հաճախակի բառեր: Ավելի բարձր տույժը (մինչև 1) խրախուսում է մոդելին օգտագործել ավելի քիչ ընդհանուր բառեր, մինչդեռ ավելի ցածր արժեքը (մինչև -1) խրախուսում է մոդելին օգտագործել ավելի սովորական բառեր:

Օրինակ. Եթե դուք փորձում եք ստեղծել բիզնես առաջարկ և ցանկանում եք խուսափել ժարգոնից, կարող եք հաճախականության տույժը սահմանել ավելի ցածր արժեքի՝ լեզուն պարզ և մատչելի պահելու համար:

6) ներկայության տույժ

Ներկայության տույժի պարամետրը ազդում է այն բանի վրա, թե որքանով է մոդելը պատժվում նոր գաղափարներ կամ թեմաներ ստեղծելու համար, որոնք առկա չեն զրույցի պատմության մեջ: Ավելի բարձր արժեքները խրախուսում են մոդելին կառչել արդեն նշված թեմաներից, մինչդեռ ավելի ցածր արժեքները թույլ են տալիս մոդելին ավելի ազատ ներկայացնել նոր հասկացություններ:

Օրինակ. Ուղեղային գրոհի նիստերի համար դուք կարող եք սահմանել ներկայության տույժը ավելի ցածր արժեքի՝ խրախուսելու գաղափարների բազմազանությունը: Դուք կարող եք օգտագործել այնպիսի հուշում, ինչպիսին է «Ստեղծեք նորարարական շուկայավարման ռազմավարություններ առցանց կրթական հարթակի համար»:

Արագ ճարտարագիտության արդյունաբերության կիրառում