La guida essenziale all'ingegneria rapida in ChatGPT

Dal suo lancio, ChatGPT ha fatto scalpore nella sfera dell'IA, attirando oltre 100 milioni di utenti in tempi record. La salsa segreta per le prestazioni e la versatilità impressionanti di ChatGPT risiede in un'arte sottilmente annidata 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 ed Meta's Lamma 2  la risposta al ChatGPT di OpenAI ha notevolmente amplificato lo slancio della gara AI. Fornendo input a questi modelli, guidiamo il loro comportamento e le loro risposte. Questo ci rende tutti ingegneri pronti in una certa misura. L'industria tecnologica se ne è accorta. I venture capitalist stanno versando fondi nelle startup concentrandosi 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 demistificheremo il mondo del prompt engineering nel contesto di ChatGPT. Esploreremo i principi e le tecniche fondamentali ed esamineremo le loro applicazioni commerciali.

Comprendiamo innanzitutto come funziona ChatGPT e il ruolo fondamentale che il prompt engineering gioca in questo processo.

I meccanismi alla base di ChatGPT Prompt Engineering

La salsa segreta dietro il 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 Internet, ma soprattutto non conosce documenti o fonti specifici nel suo set di formazione, garantendo la generalizzazione rispetto alla specificità. Questo approccio formativo consente a ChatGPT di generare risposte creative, navigare in dialoghi complessi e persino mostrare senso dell'umorismo. Tuttavia, è importante ricordare che ChatGPT non comprende veramente né ha convinzioni; genera risposte basate su schemi appresi durante l'allenamento.

La capacità di ChatGPT di comprendere e rispondere al linguaggio umano in modo sfumato e sensibile al contesto li rende strumenti incredibilmente versatili.

I meccanismi di questi modelli si basano sul concetto di "token", pezzi discreti di linguaggio che possono variare da un singolo carattere a un'intera parola. Questi modelli funzionano 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 probabili token. 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 trucco: la qualità di queste risposte dipende in gran parte dalle richieste che riceve. Proprio come guidare una conversazione con un essere umano, guidare un dialogo con ChatGPT richiede un certo livello di abilità e comprensione. È qui che entra in gioco l'ingegneria rapida.

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

L'abilità del modello GPT-4 nel comprendere istruzioni complesse e nel risolvere problemi intricati lo rende una risorsa inestimabile. Tuttavia, esistono diversi metodi per accedere alle capacità di questo modello e la loro comprensione può essere cruciale per il ruolo di un ingegnere tempestivo nell'ottimizzazione sia dell'efficienza che dell'efficacia in termini di costi.

Esistono essenzialmente due modi per interagire con i modelli GPT come GPT-4. Un modo è attraverso l'API di OpenAI, dove i costi vengono calcolati per token di input e output. In questo scenario, i costi per token da 1K possono variare in base alla dimensione del contesto. Ad esempio, in un contesto più ampio di 32K, il costo potrebbe salire fino a $ 0.06 per i token di input e $ 0.12 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'altra attività chiave nell'ingegneria dei prompt riguarda l'ottimizzazione dei parametri del modello. Questo processo comporta la regolazione delle variabili che il modello utilizza per fare previsioni. Mettendo a punto questi parametri, i prompt engineer possono migliorare la qualità e l'accuratezza delle risposte del modello, rendendole più pertinenti e utili dal punto di vista del contesto.

Sebbene molti ingegneri tempestivi provengano da un background tecnologico, la natura multidisciplinare del settore lo rende accessibile a persone provenienti da diversi background professionali. Sempre più scrittori, ricercatori e persino artisti sfruttano le loro abilità 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 che cercano ingegneri pronti con una vasta gamma di competenze e background.

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

Il prompt design, in sostanza, è l'arte e la scienza di creare il prompt perfetto per un dato modello di linguaggio di grandi dimensioni (LLM), come ChatGPT, per raggiungere un obiettivo chiaramente dichiarato. È una miscela 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 molti approcci, strumenti e framework di progettazione di prompt automatizzati per gestire i prompt su larga scala. Tuttavia, è importante capire che nessuno di questi strumenti può sostituire la comprensione, il giudizio e l'esperienza sfumati di un esperto ingegnere esperto.

Prompt Engineering: tecniche e best practice

1) Posizionamento e descrizione rapidi

L'inserimento di istruzioni all'inizio del prompt può avere un impatto significativo sulla comprensione e sulla risposta dell'IA. Considera il compito di riassumere un testo in un formato 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 riassunto breve (circa 200 parole) e coinvolgente del seguente articolo scientifico. Il riassunto dovrebbe essere comprensibile a chi non ha un background scientifico, pur riflettendo accuratamente i risultati chiave del documento.
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 oltre il suo limite di formazione, quindi non può fornire informazioni su eventi o aggiornamenti recenti dopo la sua formazione. Tuttavia, puoi introdurre nuove informazioni nel modello tramite i tuoi 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: “Immagina di giocare a un videogioco online e ci sono soldi di gioco che puoi guadagnare per acquistare potenziamenti o nuovi personaggi. La criptovaluta è un po' così, ma invece di essere limitata al gioco, puoi effettivamente usarla per acquistare beni e servizi del mondo reale. È come il 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. Ciò significa che i prompt lunghi possono limitare la lunghezza della risposta. Pertanto, è importante mantenere i prompt concisi ma informativi.

Nell'uso pratico, dobbiamo agire come redattori, scegliendo selettivamente le informazioni più rilevanti per il compito da svolgere. Immagina di scrivere un documento o un articolo con un limite di parole o pagine: non puoi semplicemente scaricare fatti casuali, ma selezionare e strutturare attentamente le informazioni rilevanti per l'argomento.

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

Riconoscendo i limiti del token del modello, questo suggerimento indirizza l'IA a fornire un riepilogo 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 modello di raffinamento delle domande prevede che l'LLM raffini le domande poste dall'utente. È particolarmente utile quando gli utenti non sono esperti in un dominio o non sono sicuri di 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 scienza dei dati dell'utente in domande più dettagliate che tengano 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 modello prevede la generazione di più domande per ottenere una risposta finale più accurata. È un processo di verifica e consolidamento delle informazioni per un robusto output finale

6) Approccio di suggerimento con pochi colpi

Il suggerimento a pochi colpi è un approccio potente per insegnare ai modelli di intelligenza artificiale a seguire schemi specifici o svolgere compiti. L'idea è di alimentare il modello con una serie di esempi prima di porre la domanda desiderata. Questo aiuta a impostare il comportamento desiderato e guida 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:

Utente: “Ecco alcuni esempi di copie 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 camera ultra-elegante." Alla luce di questi esempi, redigere una copia di marketing per il nostro nuovo smartwatch basato sull'intelligenza artificiale.

ChatGPT: "Potenzia 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 colpi è che non richiede una descrizione dettagliata di come eseguire l'attività. Invece, richiede dimostrazioni di ciò che viene fatto, 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 team mirano a stimolare il ragionamento all'interno di grandi modelli linguistici. Invece di utilizzare i tradizionali suggerimenti diretti, il team utilizza una serie di suggerimenti interconnessi, formando una "catena di pensieri".

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 apprendere 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 sta cambiando la natura di quelli esistenti. Da un lato, automatizza le attività di routine, portando allo spostamento di posti di lavoro in alcuni settori. D’altro canto, sta creando domanda per ruoli che prima non esistevano, come responsabili dell’etica dell’IA, analisti di dati e ingegneri del machine learning. Inoltre, l’intelligenza artificiale può aumentare i ruoli umani, consentendo alle persone di svolgere compiti in modo più efficiente e accurato”.

Il suggerimento a catena di pensiero segue una progressione di suggerimenti correlati, mantenendo una "conversazione" con il modello che lo guida verso risposte più precise e contestualmente appropriate.

Comprensione dell'API ChatGPT e della progettazione rapida dal punto di vista di uno sviluppatore

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

Nell'illustrazione sopra, un utente interagisce con un'interfaccia di chat, alimentata da GPT-4. Il loro input viene migliorato per chiarezza e coerenza contestuale da un modulo specializzato prima di essere inserito nel modello AI. Il ruolo di questo modulo è quello di perfezionare e migliorare l'input dell'utente per una migliore comprensione pur mantenendo 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 in modo coerente, mantenendo il contesto della conversazione. Nel complesso, questo diagramma illustra un flusso di conversazione utente-AI dinamico abilitato da tecniche di ingegneria rapida.

I API 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. Questi includono i parametri Temperatura, Lunghezza massima e Sequenze di arresto. Esploriamo come funzionano e possono essere utilizzati in diversi contesti.

1) Temperatura

Il parametro della 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, spinge l'IA a selezionare risposte più deterministiche, che possono essere vantaggiose per output mirati e specifici ma possono mancare di varietà.

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

2) Lunghezza massima

Questo parametro controlla la lunghezza massima del token dell'output del modello, che include sia i token nell'input del messaggio che l'output del messaggio. L'impostazione di un limite superiore consente risposte più estese, mentre un limite inferiore 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 in ogni fase delle previsioni del modello. Un valore inferiore, come 0.5, porta a risultati più sicuri e più mirati. Un valore più alto, come 0.9, include una selezione più ampia di parole, portando a risultati più diversificati.

Esempio: se stai creando un'intelligenza artificiale per scrivere poesie e desideri che utilizzi un'ampia gamma di vocaboli e frasi stilistiche, potresti impostare "Top P" su un valore più alto. Un suggerimento 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 il gergo, potresti impostare la penalità di frequenza su un valore inferiore per mantenere la lingua chiara 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