La guida essenziale all'ingegneria rapida in ChatGPT

Dal suo lancio, ChatGPT ha fatto scalpore nel mondo dell'intelligenza artificiale, attirando oltre 100 milioni di utenti in tempi record. Il segreto delle prestazioni e della versatilità impressionanti di ChatGPT risiede in un'arte sottilmente insita nella sua programmazione: l'ingegneria rapida.

Lanciati nel 2022, DALL-E, MidJourney e StableDiffusion hanno sottolineato il potenziale dirompente dell'IA generativa. Ma era Apri AIChatGPT di che ha preso davvero il centro della scena più tardi nel 2022. E questo slancio non ha mostrato segni di rallentamento.

L'annuncio di Google di Bard e Meta's Lamma 2  La risposta al ChatGPT di OpenAI ha amplificato significativamente lo slancio della corsa all'intelligenza artificiale. Fornendo input a questi modelli, ne guidiamo il comportamento e le risposte. Questo ci rende tutti, in una certa misura, ingegneri rapidi. L'industria tecnologica se n'è accorta. I capitalisti di rischio stanno investendo in startup focalizzate sull'ingegneria rapida, come Pergamena AI. Inoltre, Forbes riferisce che gli ingegneri del prompt comandano stipendi superiori a $ 300,000, indicativo di un fiorente e prezioso mercato del lavoro.

In questo articolo, faremo il punto sul mondo dell'ingegneria dei prompt nel contesto di ChatGPT. Esploreremo i principi e le tecniche fondamentali e ne esamineremo le applicazioni commerciali.

Cerchiamo innanzitutto di capire come funziona ChatGPT e il ruolo fondamentale che l'ingegneria dei prompt svolge in questo processo.

I meccanismi alla base di ChatGPT Prompt Engineering

Il segreto del successo di ChatGPT è la sua capacità di comprendere e imitare le sfumature della conversazione umana. Il modello viene addestrato su una vasta gamma di testi online, ma, cosa fondamentale, non conosce documenti o fonti specifici nel suo set di addestramento, garantendo la generalizzazione anziché la specificità. Questo approccio di addestramento consente a ChatGPT di generare risposte creative, gestire dialoghi complessi e persino mostrare un certo senso dell'umorismo. Tuttavia, è importante ricordare che ChatGPT non comprende veramente né ha convinzioni; genera risposte basate su modelli appresi durante l'addestramento.

La capacità di ChatGPT di comprendere e rispondere al linguaggio umano in modo sfumato e contestualizzato rende questi strumenti incredibilmente versatili.

Il funzionamento di questi modelli si basa sul concetto di "token", frammenti discreti di linguaggio che possono variare da un singolo carattere a un'intera parola. Questi modelli lavorano con un numero specifico di token alla volta (4096 per GPT-3.5-Turbo o 8192 o 32768 per GPT-4), prevedendo la successiva sequenza di token probabili. I modelli elaborano i token utilizzando un'algebra lineare complessa, prevedendo il token successivo più probabile.

Ad esempio, una semplice frase di nove parole potrebbe trasformarsi in dieci gettoni. Anche una singola parola complessa potrebbe trasformarsi in più token, il che aiuta il modello a comprendere e generare meglio il linguaggio. Anche le lingue con strutture di parole complesse, come il tedesco, sono gestite attraverso la tokenizzazione.

I modelli GPT (Generative Pre-trained Transformer) funzionano generando un token alla volta, partendo dal primo token e proseguendo fino all'ultimo. Dopo aver generato ogni token, il modello rivisita l'intera sequenza e la elabora nuovamente per generare il token successivo. Questo processo iterativo continua fino a quando non viene generato il token finale, rendendo la generazione del testo simile a un grande ciclo for.

Ma ecco il problema: la qualità di queste risposte dipende in larga misura dai prompt ricevuti. Proprio come gestire una conversazione con un essere umano, guidare un dialogo con ChatGPT richiede un certo livello di competenza e comprensione. È qui che entra in gioco l'ingegneria dei prompt.

Che cos'è l'ingegneria rapida?

Prompt Engineering è l'arte di creare suggerimenti/input precisi ed efficaci per guidare l'IA (NLP/Vision) come ChatGPT per generare gli output più convenienti, accurati, utili e sicuri.

Il Prompt Engineering non si limita solo alla generazione di testo, ma ha applicazioni ad ampio raggio in tutto il dominio dell’intelligenza artificiale. Viene sempre più utilizzato in aree come i robot per l'automazione dei processi robotici, le risorse 3D, gli script, le istruzioni dei robot e altri tipi di contenuti e media digitali. Fornisce una miscela unica di logica, codifica, grafica e, in alcuni casi, modificatori speciali.

Sebbene un prompt possa includere testo in linguaggio naturale, immagini o altri tipi di dati di input, l'output può variare in modo significativo tra i servizi e gli strumenti di intelligenza artificiale. Ogni strumento ha i suoi modificatori speciali che descrivono il peso di parole, stili, prospettive, layout o altre proprietà della risposta desiderata.

Questo campo è essenziale per creare migliori servizi basati sull'intelligenza artificiale e ottenere risultati superiori dagli strumenti di intelligenza artificiale generativa esistenti. Gli sviluppatori aziendali, ad esempio, utilizzano spesso l'ingegneria rapida per personalizzare i modelli LLM (Large Language Model) come GPT-3 per alimentare un'interfaccia rivolta al cliente chatbot o gestire attività come la creazione di contratti specifici del settore.

Questo processo iterativo di rapido perfezionamento e misurazione delle prestazioni dell'IA è un elemento chiave per consentire ai modelli di intelligenza artificiale di generare risposte utili e altamente mirate in vari contesti.

Diventare un ingegnere pronto

La capacità del modello GPT-4 di comprendere istruzioni complesse e di risolvere con precisione problemi complessi lo rende una risorsa inestimabile. Tuttavia, esistono diversi metodi per accedere alle funzionalità di questo modello, e comprenderli può essere cruciale per il ruolo di un ingegnere tempestivo nell'ottimizzazione sia dell'efficienza che del rapporto costi-benefici.

Esistono essenzialmente due modi per interagire con modelli GPT come GPT-4. Un modo è tramite l'API di OpenAI, dove i costi vengono calcolati per token di input e output. In questo scenario, i costi per token da 1 possono variare in base alle dimensioni del contesto. Ad esempio, in un contesto più ampio da 32, il costo potrebbe arrivare fino a 0.06 dollari per i token di input e 0.12 dollari per i token di output. Pertanto, quando si gestisce un volume elevato di richieste, il costo di utilizzo può accumularsi rapidamente.

In alternativa, ChatGPT, che sfrutta il modello GPT-4, opera su un modello basato su abbonamento.

Un altro compito chiave nell'ingegneria dei prompt riguarda l'ottimizzazione dei parametri del modello. Questo processo comporta la regolazione delle variabili che il modello utilizza per effettuare previsioni. Ottimizzando questi parametri, gli ingegneri dei prompt possono migliorare la qualità e l'accuratezza delle risposte del modello, rendendole più pertinenti e utili dal punto di vista contestuale.

Sebbene molti ingegneri rapidi provengano da un background tecnologico, la natura multidisciplinare del settore lo rende accessibile a persone con background professionali diversi. Sempre più spesso, scrittori, ricercatori e persino artisti sfruttano le proprie competenze uniche per migliorare l'efficacia dei modelli di intelligenza artificiale. Questo cambiamento si riflette anche nel mercato del lavoro, con un numero crescente di aziende alla ricerca di ingegneri rapidi con competenze e background diversificati.

Progettazione e ingegneria rapide in ChatGPT

La progettazione e l'ingegneria rapide svolgono un ruolo fondamentale nell'ottimizzazione delle prestazioni dei modelli linguistici e coinvolgono più della semplice creazione di domande; richiedono una profonda comprensione del modello AI e un approccio altamente iterativo e raffinato.

Progettazione rapida

La progettazione dei prompt, in sostanza, è l'arte e la scienza di creare il prompt perfetto per un dato modello linguistico di grandi dimensioni (LLM), come ChatGPT, per raggiungere un obiettivo chiaramente definito. È un mix di:

• Comprensione del LLM: diversi modelli linguistici possono rispondere in modo variabile allo stesso prompt. Inoltre, alcuni modelli linguistici possono avere parole chiave o trigger univoci, che interpretano in un modo specifico.
• Conoscenza del dominio: la competenza nel campo pertinente è fondamentale durante la progettazione dei prompt. Ad esempio, la generazione di un suggerimento per dedurre una diagnosi medica richiederebbe conoscenze mediche.
• Approccio iterativo e misurazione della qualità: il processo di creazione del prompt ideale spesso comporta tentativi ed errori. Pertanto, avere un modo per valutare la qualità dell'output al di là del semplice giudizio soggettivo è fondamentale, in particolare quando si utilizza il prompt su scala più ampia.

Ingegneria rapida

Il prompt engineering è un regno esteso del prompt design che include diversi processi critici:

• Progettazione di prompt su larga scala: questo processo include la progettazione di meta prompt (prompt che generano altri prompt) e modelli di prompt, che sono prompt parametrizzati che possono essere istanziati in fase di esecuzione.
• Progettazione e integrazione degli strumenti: a volte i prompt possono includere i risultati di strumenti esterni e l'integrazione perfetta di questi strumenti nel sistema è fondamentale.
• Flusso di lavoro, pianificazione e gestione dei prompt: la distribuzione di un'applicazione LLM, come un chatbot, spesso richiede la gestione di librerie di prompt, la pianificazione e la scelta dei prompt giusti e l'integrazione efficiente di vari strumenti.
• Valutazione e garanzia della qualità dei prompt: questo aspetto include la definizione di metriche e processi per valutare i prompt sia automaticamente che con il coinvolgimento umano.
• Ottimizzazione del prompt: il costo e la latenza del modello AI possono dipendere dalla scelta del modello e dalla lunghezza del prompt (numero di token).

Sono stati sviluppati numerosi approcci, strumenti e framework per la progettazione automatizzata dei prompt per gestire i prompt su larga scala. Tuttavia, è importante comprendere che nessuno di questi strumenti può sostituire la comprensione approfondita, il giudizio e l'esperienza di un esperto ingegnere dei prompt.

Prompt Engineering: tecniche e best practice

1) Posizionamento e descrizione rapidi

Inserire le istruzioni all'inizio del prompt può avere un impatto significativo sulla comprensione e sulla risposta dell'IA. Si consideri il compito di riassumere un testo in un elenco puntato. Un approccio meno efficace sarebbe:

Utente: Riassumi il testo sottostante sotto forma di elenco puntato dei punti più importanti.
{inserire il testo qui}

D'altra parte, una tecnica più efficace potrebbe essere:

Utente: Riassumi il testo sottostante sotto forma di elenco puntato dei punti più importanti.
Testo: """
{inserire il testo qui}
"" "

Separando chiaramente le istruzioni e il contesto con simboli come ### o """, il modello AI può delineare meglio il suo compito e il testo che deve elaborare, fornendo così risposte più accurate e pertinenti.

In secondo luogo, essere specifici, descrittivi e dettagliati riguardo al contesto, al risultato atteso, alla lunghezza, al formato, allo stile e così via può migliorare significativamente la precisione delle risposte AI. Supponiamo che tu debba generare una breve panoramica di un articolo scientifico in uno stile coinvolgente e adatto ai non addetti ai lavori. Un'istruzione vaga come "Riassumi l'articolo scientifico" produrrebbe risultati meno efficaci rispetto a un suggerimento specifico e dettagliato:

Utente: Genera un breve (circa 200 parole) riassunto accattivante del seguente articolo scientifico. Il riassunto deve essere comprensibile anche a chi non ha una formazione scientifica, pur riflettendo accuratamente i risultati principali dell'articolo.
Carta: """
{testo articolo scientifico qui}
"" "

2) Modello Persona

Il Persona Pattern è una strategia che imposta l'intelligenza artificiale in modo che funzioni da una certa prospettiva, come un ruolo professionale o un personaggio immaginario. Questa tattica consente al modello di fornire output relativi ai ruoli specifici che la persona gestirà. Ad esempio, si potrebbe istruire l'IA ad agire come esperto di sicurezza informatica durante una revisione del codice. Questo modello è particolarmente utile quando gli utenti necessitano di assistenza ma non sono sicuri dei dettagli esatti richiesti nell'output.

Prendi il seguente come esempio:

Utente: “Assumi il personaggio di uno storico anziano specializzato nella Rivoluzione francese. Dato quel personaggio, spiega gli eventi chiave e le ragioni che hanno portato alla caduta della monarchia francese.

In questo scenario, l'AI dovrebbe rispondere con un'analisi approfondita della Rivoluzione francese, concentrandosi sulla caduta della monarchia, come farebbe uno storico.

Presentazione di nuove informazioni

ChatGPT non possiede conoscenze che vanno oltre il limite di addestramento, quindi non può fornire informazioni su eventi recenti o aggiornamenti successivi all'addestramento. Tuttavia, è possibile introdurre nuove informazioni nel modello tramite i prompt.

Utente: "Cos'è la criptovaluta?"
ChatGPT: “La criptovaluta è un tipo di valuta digitale o virtuale che utilizza la crittografia per la sicurezza. La criptovaluta più conosciuta è il Bitcoin.”

Ora, se aggiungiamo un po' più di contesto al prompt, possiamo rendere la spiegazione ancora più intuitiva:

Utente: “Spiega il concetto di criptovaluta a uno studente delle superiori che studia finanza digitale”
ChatGPT: "Immaginate di giocare a un videogioco online e di guadagnare denaro virtuale per acquistare potenziamenti o nuovi personaggi. Le criptovalute sono un po' così, ma invece di essere limitate al gioco, possono essere utilizzate per acquistare beni e servizi nel mondo reale. Sono come denaro digitale che nessuna banca o governo controlla."

3) Limiti di dimensione rapida

Comprendere la limitazione delle dimensioni di ChatGPT è essenziale in quanto influisce direttamente sul volume e sul tipo di informazioni che possiamo inserire. I modelli linguistici non sono progettati per elaborare dati illimitati contemporaneamente. Hanno un vincolo intrinseco sulla dimensione del prompt che possiamo creare e inserire. Questa limitazione ha profonde implicazioni per la progettazione e l'esecuzione dei prompt.

ChatGPT ha un limite di token (generalmente 2048 token), che include sia il prompt che la risposta generata. Questo significa che prompt lunghi possono limitare la lunghezza della risposta. Pertanto, è importante che i prompt siano concisi ma informativi.

Nella pratica, dobbiamo agire come editor, scegliendo selettivamente le informazioni più pertinenti per il compito da svolgere. Immagina di scrivere un articolo o un paper con un limite di parole o pagine: non puoi semplicemente buttare lì informazioni a caso, ma selezionare e strutturare attentamente le informazioni pertinenti all'argomento.

Utente: "Dati i limiti simbolici del modello, riassumi gli eventi chiave della seconda guerra mondiale in meno di 1000 parole."

Riconoscendo i limiti simbolici del modello, questo prompt indirizza l'IA a fornire un riassunto conciso ma completo della seconda guerra mondiale.

Prompt per uso ripetuto: in uno scenario conversazionale, puoi riutilizzare i prompt o perfezionarli in base alle risposte precedenti. Questo dà un flusso conversazionale e mantiene il contesto nell'interazione.

4) Modello di perfezionamento della domanda

ChatGPT può anche aiutarti a perfezionare le tue domande. Ad esempio, se fai una domanda, può suggerire una domanda meglio formulata per risultati più accurati.

Il Question Refinement Pattern prevede che l'LLM affini le domande poste dall'utente. È particolarmente utile quando gli utenti non sono esperti in un dominio o non sanno come formulare la loro domanda.

Un prompt di esempio potrebbe essere simile al seguente:

Utente: "Ogni volta che faccio una domanda sulla scienza dei dati, suggerisci una domanda più raffinata considerando le specifiche dell'analisi statistica e chiedi se voglio procedere con la domanda raffinata."

In questo caso, l'intelligenza artificiale dovrebbe perfezionare le domande generali di data science dell'utente trasformandole in domande più dettagliate, tenendo conto degli aspetti dell'analisi statistica.

5) Pattern del verificatore cognitivo

Il Cognitive Verifier Pattern suddivide le domande complesse in sotto-domande più piccole e gestibili. Le risposte a queste sotto-domande vengono poi combinate per fornire una risposta completa alla domanda principale. Questo approccio è utile quando le domande iniziali sono di livello troppo elevato o quando è necessaria ulteriore chiarezza per fornire una risposta completa.

Per esempio:

Utente: “Se faccio una domanda sul cambiamento climatico, scomponila in tre domande più piccole che ti aiuterebbero a fornire una risposta più precisa. Combina le risposte a queste sotto-domande per dare la risposta finale.

In questo scenario, l'intelligenza artificiale suddividerà la complessa domanda sui cambiamenti climatici in tre sotto-domande gestibili. Dopo aver ricevuto le risposte a queste domande secondarie, l'IA le combinerà per fornire una risposta più completa e accurata.

Questo schema prevede la generazione di più domande per ottenere una risposta finale più accurata. È un processo di verifica e consolidamento delle informazioni per un output finale robusto.

6) Approccio di suggerimento con pochi colpi

Il prompting a pochi scatti è un approccio efficace per insegnare ai modelli di intelligenza artificiale a seguire schemi specifici o a svolgere compiti. L'idea è quella di fornire al modello una serie di esempi prima di porre la domanda desiderata. Questo aiuta a impostare il comportamento desiderato e a guidare le risposte del modello.

Considera uno scenario in cui un utente sta tentando di redigere una copia di marketing concisa e convincente per un nuovo gadget tecnologico:

UtenteEcco alcuni esempi di testi di marketing tecnologico: "Scopri la musica come mai prima d'ora con le nostre cuffie wireless all'avanguardia". "Cattura il tuo mondo in uno straordinario 4K con la nostra action cam ultra-elegante". Sulla base di questi esempi, crea un testo di marketing per il nostro nuovo smartwatch con intelligenza artificiale.

ChatGPT: "Migliora il tuo stile di vita con il nostro smartwatch basato sull'intelligenza artificiale, il tuo compagno per la salute, la connettività e la produttività". La caratteristica notevole dell'apprendimento a pochi scatti è che non richiede una descrizione dettagliata di come eseguire l'attività. Richiede invece dimostrazioni di ciò che si sta facendo, il che può renderlo adatto a molte applicazioni.

Inoltre, questa tecnica va oltre il semplice accoppiamento input-output. Il modello può anche essere insegnato a gestire passaggi intermedi per raggiungere un obiettivo.

7) Incitamento alla catena di pensiero

Nel loro recente documento di ricerca, "La sollecitazione della catena di pensiero suscita il ragionamento nei modelli linguistici di grandi dimensioniGli autori Jason Wei e il suo team mirano a stimolare il ragionamento all'interno di modelli linguistici più ampi. Invece di utilizzare i tradizionali stimoli diretti, il team si avvale di una serie di stimoli interconnessi, formando una "catena di pensiero".

Ad esempio, un utente potrebbe essere interessato al potenziale impatto dell'intelligenza artificiale sui mercati del lavoro:

Utente: “Potresti spiegare brevemente il concetto di intelligenza artificiale?”

ChatGPT: "L'intelligenza artificiale, o IA, si riferisce alla capacità di una macchina di imitare il comportamento umano intelligente. Si tratta di progettare macchine in grado di pensare e imparare come gli esseri umani, consentendo loro di svolgere compiti come la traduzione linguistica, il processo decisionale e la risoluzione di problemi, tra gli altri."

Utente: "In che modo l'IA sta influenzando l'attuale mercato del lavoro?"

ChatGPT: "L'intelligenza artificiale sta creando nuovi posti di lavoro e cambiando la natura di quelli esistenti. Da un lato, automatizza le attività di routine, portando alla perdita di posti di lavoro in alcuni settori. Dall'altro, sta creando domanda per ruoli che prima non esistevano, come responsabili dell'etica dell'intelligenza artificiale, analisti di dati e ingegneri di apprendimento automatico. Inoltre, l'intelligenza artificiale può potenziare i ruoli umani, consentendo alle persone di svolgere i compiti in modo più efficiente e accurato."

La catena di pensieri segue una progressione di stimoli correlati, mantenendo una "conversazione" con il modello che lo guida verso risposte più precise e contestualmente appropriate.

Comprendere l'API ChatGPT e l'ingegneria dei prompt dal punto di vista di uno sviluppatore

Dal punto di vista di uno sviluppatore o di un ricercatore, l'ingegneria dei prompt è un processo più complesso. Implica la progettazione di algoritmi e tecniche per aiutare il modello di intelligenza artificiale a comprendere e rispondere ai prompt in modo più efficace. Ciò potrebbe includere strategie per gestire prompt ambigui, identificare il contesto dei prompt o concatenare i prompt per stimolare processi di pensiero più complessi nell'intelligenza artificiale.

Nell'illustrazione sopra, un utente interagisce con un'interfaccia di chat basata su GPT-4. Il suo input viene migliorato per chiarezza e coerenza contestuale da un modulo specializzato prima di essere trasmesso al modello di intelligenza artificiale. Il ruolo di questo modulo è quello di perfezionare e migliorare l'input dell'utente per una migliore comprensione, mantenendo al contempo il contesto della conversazione. La risposta dell'intelligenza artificiale, elaborata sulla base del prompt perfezionato, viene restituita all'utente tramite l'interfaccia di chat. La cronologia delle interazioni viene aggiornata costantemente, mantenendo il contesto della conversazione. Nel complesso, questo diagramma illustra un flusso di conversazione dinamico utente-intelligenza artificiale, reso possibile da tecniche di progettazione dei prompt.

Migliori API di ChatGPT L'interfaccia è progettata con vari iperparametri che consentono agli utenti di perfezionare le risposte dell'IA ai prompt, rendendole più efficaci e versatili. Tra questi, i parametri Temperatura, Lunghezza massima e Sequenze di arresto. Esploriamo come funzionano e come possono essere utilizzati in diversi contesti.

1) Temperatura

Il parametro temperatura influenza la casualità delle risposte dell'IA. Una temperatura più alta, come 1.0, incoraggia un output più casuale, con conseguenti risposte diverse ma potenzialmente fuori tema. Al contrario, una temperatura più bassa, come 0.2, induce l'IA a selezionare risposte più deterministiche, che possono essere utili per output mirati e specifici, ma potrebbero risultare poco variegate.

Esempio: se stai scrivendo una storia creativa e desideri elementi imprevedibili e fantasiosi, imposta la temperatura a un valore più alto. Un suggerimento potrebbe essere: "Scrivi un racconto breve su un gatto che viaggia nel tempo". Con una temperatura alta, potresti ottenere un racconto selvaggio e fantastico con colpi di scena imprevedibili.

2) Lunghezza massima

Questo parametro controlla la lunghezza massima del token nell'output del modello, che include sia i token nell'input del messaggio che quelli nell'output del messaggio. Impostando un limite più alto è possibile ottenere risposte più estese, mentre un limite più basso mantiene l'output breve e conciso.

Esempio: per risposte brevi a domande trivia come "Chi ha vinto il premio Nobel per la letteratura nel 2020?" potresti voler impostare la lunghezza massima su un valore basso, assicurandoti che la risposta sia concisa e diretta.

3) Sequenze di arresto

Le sequenze di arresto sono stringhe di testo specifiche in cui, quando il modello le incontra, cessa di generare ulteriore output. Questa funzionalità può essere utile per controllare la lunghezza dell'output o per indicare al modello di fermarsi agli endpoint logici.

Esempio: per una lettera formale, potresti utilizzare "Cordiali saluti" come sequenza di interruzione per assicurarti che l'IA non generi testo aggiuntivo oltre alla fine corretta della lettera.

4) In alto P

Il parametro "Top P", noto anche come campionamento del nucleo, è un metodo che fornisce una selezione dinamica del numero di parole considerate a ogni passaggio delle previsioni del modello. Un valore inferiore, come 0.5, produce risultati più sicuri e mirati. Un valore superiore, come 0.9, include una selezione più ampia di parole, producendo risultati più diversificati.

Esempio: se stai creando un'IA per scrivere poesie e vuoi che utilizzi un'ampia gamma di vocaboli e frasi stilistiche, potresti impostare "Top P" su un valore più alto. Un prompt potrebbe essere: "Componi una poesia sulla bellezza dell'autunno".

5) Penalità di frequenza

Penalità di frequenza controlla quanto il modello dovrebbe favorire le parole meno frequenti. Una penalità più alta (fino a 1) incoraggia il modello a usare parole meno comuni, mentre un valore più basso (fino a -1) incoraggia il modello a usare parole più comuni.

Esempio: se stai cercando di generare una proposta commerciale e vuoi evitare termini tecnici, potresti impostare la penalità di frequenza su un valore inferiore per mantenere il linguaggio chiaro e accessibile.

6) Penalità di presenza

Il parametro Presence Penalty influisce su quanto il modello viene penalizzato per la generazione di nuove idee o argomenti che non erano presenti nella cronologia della conversazione. Valori più alti incoraggiano il modello ad attenersi agli argomenti già menzionati, mentre valori più bassi consentono al modello di introdurre nuovi concetti più liberamente.

Esempio: per le sessioni di brainstorming, potresti impostare la penalità di presenza su un valore inferiore per incoraggiare una gamma diversificata di idee. Potresti usare un suggerimento come "Genera strategie di marketing innovative per una piattaforma educativa online".

Applicazione industriale di ingegneria rapida