ძირითადი გზამკვლევი სწრაფი ინჟინერიისთვის ChatGPT-ში

მისი გაშვების შემდეგ, ჩატი GPT მან ტალღა გამოიწვია ხელოვნური ინტელექტის სფეროში და რეკორდულ დროში მიიზიდა 100 მილიონზე მეტი მომხმარებელი. ChatGPT-ის შთამბეჭდავი შესრულებისა და მრავალფეროვნების საიდუმლო სოუსი მდგომარეობს ხელოვნებაში, რომელიც დახვეწილად არის ჩადებული მის პროგრამირებაში - სწრაფი ინჟინერია.

2022 წელს გამოშვებული DALL-E, MidJourney და StableDiffusion ხაზს უსვამენ Generative AI-ის დარღვევის პოტენციალს. Მაგრამ ეს იყო გახსენით AI's ChatGPT, რომელიც ნამდვილად დაიკავა ცენტრალური ადგილი მოგვიანებით 2022 წელს. და ამ იმპულსმა არ აჩვენა შენელების ნიშნები.

Google-ის განცხადება ბარდის შესახებ მდე მეტას ლამა 2  OpenAI-ის ChatGPT-ზე პასუხმა მნიშვნელოვნად გააძლიერა AI რბოლის იმპულსი. ამ მოდელების მონაცემების მიწოდებით, ჩვენ ვხელმძღვანელობთ მათ ქცევას და პასუხებს. ეს გვაიძულებს ყველა ინჟინერს გარკვეული ხარისხით აიძულებს. ტექნიკურმა ინდუსტრიამ გაითვალისწინა. ვენჩურული კაპიტალისტები ასხამენ სახსრებს სტარტაპებში, რომლებიც ფოკუსირებულნი არიან სწრაფ ინჟინერიაზე, მაგალითად Vellum AI. უფრო მეტიც, Forbes იუწყება, რომ სწრაფი ინჟინრები ბრძანებენ ხელფასი 300,000 დოლარზე მეტიაყვავებული და ღირებული სამუშაო ბაზრის მანიშნებელია.

ამ სტატიაში ჩვენ განვიხილავთ სწრაფი ინჟინერიის სამყაროს ChatGPT-ის კონტექსტში. ჩვენ შევისწავლით ძირითად პრინციპებსა და ტექნიკას და განვიხილავთ მათ კომერციულ აპლიკაციებს.

ჯერ გავიგოთ, როგორ ფუნქციონირებს ChatGPT და ამ პროცესში სწრაფი ინჟინერიის როლი.

მექანიკა ChatGPT სწრაფი ინჟინერიის უკან

ChatGPT-ის წარმატების საიდუმლო სოუსი არის მისი უნარი გაიგოს და მიბაძოს ადამიანთა საუბრის ნიუანსებს. მოდელი გაწვრთნილია ინტერნეტ ტექსტის მრავალფეროვან დიაპაზონზე, მაგრამ მნიშვნელოვანია ის, რომ მან არ იცის კონკრეტული დოკუმენტები ან წყაროები მის სასწავლო კომპლექტში, რაც უზრუნველყოფს განზოგადებას სპეციფიკაზე. ტრენინგის ეს მიდგომა ChatGPT-ს საშუალებას აძლევს შექმნას კრეატიული პასუხები, ნავიგაცია რთულ დიალოგებში და კიდევ გამოავლინოს იუმორის გრძნობა. თუმცა, მნიშვნელოვანია გვახსოვდეს, რომ ChatGPT-ს ნამდვილად არ ესმის ან არ გააჩნია რწმენა; ის წარმოქმნის პასუხებს ტრენინგის დროს ნასწავლი შაბლონების საფუძველზე.

ChatGPT-ის უნარი, გაიგოს და უპასუხოს ადამიანის ენას ნიუანსებით და კონტექსტის გათვალისწინებით, მათ წარმოუდგენლად მრავალმხრივ ინსტრუმენტად აქცევს.

ამ მოდელების მექანიკა ეფუძნება "tokens" -ის კონცეფციას - ენის დისკრეტული ნაჭრები, რომლებიც შეიძლება მერყეობდეს ერთი სიმბოლოდან მთლიან სიტყვამდე. ეს მოდელები ერთდროულად მუშაობენ ჟეტონების სპეციფიკურ რაოდენობასთან (4096 GPT-3.5-Turbo-სთვის ან 8192 ან 32768 GPT-4-ისთვის), რაც წინასწარმეტყველებს სავარაუდო ნიშნების მომდევნო თანმიმდევრობას. მოდელები ამუშავებენ ჟეტონებს რთული წრფივი ალგებრის გამოყენებით, რაც პროგნოზირებს ყველაზე სავარაუდო შემდგომ ჟეტონს.

მაგალითად, მარტივი ცხრასიტყვიანი წინადადება შეიძლება გადაიქცეს ათ ნიშნად. ერთი რთული სიტყვაც კი შეიძლება გადაიქცეს მრავალ ნიშნად, რაც მოდელს ენის უკეთ გაგებაში და გენერირებაში ეხმარება. რთული სიტყვების სტრუქტურის მქონე ენებიც კი, როგორიცაა გერმანული, იმართება ტოკენიზაციის გზით.

GPT (გენერაციული წინასწარ გაწვრთნილი ტრანსფორმატორი) მოდელები მუშაობენ თითო ტოკენის გენერირებით, პირველი ტოკენიდან დაწყებული და ბოლომდე. თითოეული ტოკენის გენერირების შემდეგ, მოდელი ხელახლა ათვალიერებს მთელ თანმიმდევრობას და ამუშავებს მას შემდეგი ტოკენის გენერირებისთვის. ეს განმეორებითი პროცესი გრძელდება მანამ, სანამ საბოლოო ტოკენი არ გენერირდება, რაც ტექსტის გენერაციას დიდი for-loop-ის მსგავსი გახდება.

მაგრამ აქ არის დაჭერა - ამ პასუხების ხარისხი დიდწილად დამოკიდებულია მის მიერ მიღებულ მოთხოვნებზე. ისევე, როგორც ადამიანთან საუბრის წარმართვა, ChatGPT-თან დიალოგის წარმართვა მოითხოვს გარკვეულ უნარს და გაგებას. სწორედ აქ მოქმედებს სწრაფი ინჟინერია.

რა არის სწრაფი ინჟინერია?

სწრაფი ინჟინერია არის ზუსტი, ეფექტური მოთხოვნის/შეტანის შემუშავების ხელოვნება, რომელიც ხელმძღვანელობს AI (NLP/Vision) მოდელები, როგორიცაა ChatGPT, ყველაზე ეფექტური, ზუსტი, სასარგებლო და უსაფრთხო შედეგების შესაქმნელად.

სწრაფი ინჟინერია არ შემოიფარგლება მხოლოდ ტექსტის გენერირებით, არამედ აქვს ფართო აპლიკაციები AI დომენში. ის სულ უფრო ხშირად გამოიყენება ისეთ სფეროებში, როგორიცაა რობოტული პროცესების ავტომატიზაციის ბოტები, 3D აქტივები, სკრიპტები, რობოტების ინსტრუქციები და სხვა სახის შინაარსი და ციფრული მედია. ის უზრუნველყოფს ლოგიკის, კოდირების, ხელოვნებისა და ზოგიერთ შემთხვევაში სპეციალური მოდიფიკატორების უნიკალურ ნაზავს.

მიუხედავად იმისა, რომ მოთხოვნა შეიძლება შეიცავდეს ბუნებრივ ენაზე ტექსტს, სურათებს ან სხვა ტიპის შეყვანის მონაცემებს, გამომავალი შეიძლება მნიშვნელოვნად განსხვავდებოდეს AI სერვისებსა და ინსტრუმენტებში. ყველა ხელსაწყოს აქვს თავისი სპეციალური მოდიფიკატორები, რომლებიც აღწერს სიტყვების წონას, სტილებს, პერსპექტივებს, განლაგებას ან სასურველი პასუხის სხვა თვისებებს.

ეს სფერო აუცილებელია AI-ზე მომუშავე უკეთესი სერვისების შესაქმნელად და არსებული გენერაციული AI ინსტრუმენტებიდან უმაღლესი შედეგების მისაღებად. მაგალითად, საწარმოს დეველოპერები ხშირად იყენებენ სწრაფ ინჟინერიას დიდი ენობრივი მოდელების (LLMs) მორგებისთვის, როგორიცაა GPT-3, რათა გააძლიერონ მომხმარებელთან. chatbot ან გაუმკლავდეს ამოცანებს, როგორიცაა ინდუსტრიისთვის სპეციფიკური კონტრაქტების შექმნა.

სწრაფი დახვეწისა და ხელოვნური ინტელექტის მუშაობის გაზომვის ეს განმეორებითი პროცესი არის ძირითადი ელემენტი, რომელიც საშუალებას აძლევს AI მოდელებს გამოიმუშაონ უაღრესად მიზანმიმართული, სასარგებლო პასუხები სხვადასხვა კონტექსტში.

გახდე სწრაფი ინჟინერი

GPT-4 მოდელის ოსტატობა რთული ინსტრუქციების გაგებაში და რთული პრობლემების ზუსტად გადაჭრაში მას ფასდაუდებელ რესურსად აქცევს. თუმცა, ამ მოდელის შესაძლებლობებზე წვდომის სხვადასხვა მეთოდი არსებობს და მათი გაგება შეიძლება გადამწყვეტი იყოს ინჟინრის სწრაფი როლისთვის, როგორც ეფექტურობის, ასევე ხარჯ-ეფექტურობის ოპტიმიზაციაში.

არსებითად ორი გზა არსებობს GPT მოდელებთან, როგორიცაა GPT-4. ერთი გზა არის OpenAI-ის API-ის მეშვეობით, სადაც ხარჯები გამოითვლება შეყვანისა და გამომავალი ტოკენისთვის. ამ სცენარში, 1K ჟეტონზე ხარჯები შეიძლება იცვლებოდეს კონტექსტის ზომის მიხედვით. მაგალითად, უფრო დიდ 32K კონტექსტში, ღირებულება შეიძლება მიაღწიოს $0.06-მდე შეყვანის ნიშნებისთვის და $0.12-მდე გამომავალი ტოკენებისთვის. ამრიგად, დიდი მოცულობის მოთხოვნების დამუშავებისას, გამოყენების ღირებულება შეიძლება სწრაფად დაგროვდეს.

ალტერნატიულად, ChatGPT, რომელიც იყენებს GPT-4 მოდელს, მუშაობს გამოწერებზე დაფუძნებულ მოდელზე.

სწრაფი ინჟინერიის კიდევ ერთი მთავარი ამოცანაა მოდელის პარამეტრების დარეგულირება. ეს პროცესი მოიცავს ცვლადების კორექტირებას, რომლებსაც მოდელი იყენებს პროგნოზების გასაკეთებლად. ამ პარამეტრების დაზუსტებით, ოპერატიულ ინჟინრებს შეუძლიათ გააუმჯობესონ მოდელის პასუხების ხარისხი და სიზუსტე, რაც მათ კონტექსტურად უფრო აქტუალური და გამოსადეგი გახდის.

მიუხედავად იმისა, რომ ბევრი სწრაფი ინჟინერი მოდის ტექნიკური ფონიდან, დარგის მულტიდისციპლინარული ბუნება მას ხელმისაწვდომს ხდის სხვადასხვა პროფესიონალური წარმომავლობის მქონე პირებს. სულ უფრო და უფრო მწერლები, მკვლევარები და ხელოვანებიც კი იყენებენ თავიანთ უნიკალურ უნარებს ხელოვნური ინტელექტის მოდელების ეფექტურობის გასაძლიერებლად. ეს ცვლილება აისახება სამუშაო ბაზარზეც, კომპანიების მზარდი რაოდენობა, რომლებიც ეძებენ სწრაფ ინჟინრებს სხვადასხვა უნარებისა და გამოცდილების მქონე.

სწრაფი დიზაინი და ინჟინერია ChatGPT-ში

სწრაფი დიზაინი და ინჟინერია გადამწყვეტ როლს თამაშობს ენის მოდელების მუშაობის ოპტიმიზაციაში და მოიცავს არა მხოლოდ კითხვების შემუშავებას; ისინი საჭიროებენ AI მოდელის ღრმა გაგებას და უაღრესად განმეორებად და დახვეწილ მიდგომას.

სწრაფი დიზაინი

სწრაფი დიზაინი, თავის არსში, არის ხელოვნება და მეცნიერება, რომ შექმნათ სრულყოფილი მოთხოვნა მოცემული დიდი ენის მოდელისთვის (LLM), როგორიცაა ChatGPT, მკაფიოდ დასახული მიზნის მისაღწევად. ეს არის ნაზავი:

• LLM-ის გაგება: ენის სხვადასხვა მოდელმა შეიძლება ცვალებადი რეაგირება მოახდინოს ერთსა და იმავე მოთხოვნაზე. უფრო მეტიც, გარკვეულ ენობრივ მოდელებს შეიძლება ჰქონდეთ უნიკალური საკვანძო სიტყვები ან ტრიგერები, რომელთა ინტერპრეტაცია მათ კონკრეტული გზით აქვთ.
• დომენის ცოდნა: მოთხოვნის შექმნისას გადამწყვეტია გამოცდილება შესაბამის სფეროში. მაგალითად, სამედიცინო დიაგნოზის დასკვნების მოთხოვნის გამომუშავება საჭიროებს სამედიცინო ცოდნას.
• განმეორებითი მიდგომა და ხარისხის გაზომვა: იდეალური მოთხოვნის შექმნის პროცესი ხშირად მოიცავს ცდასა და შეცდომებს. აქედან გამომდინარე, სასიცოცხლო მნიშვნელობისაა გამომავალი ხარისხის შეფასების საშუალება მხოლოდ სუბიექტური განსჯის მიღმა, განსაკუთრებით მაშინ, როდესაც მოთხოვნა უფრო ფართო მასშტაბით გამოიყენება.

სწრაფი ინჟინერია

სწრაფი ინჟინერია არის სწრაფი დიზაინის გაფართოებული სფერო, რომელიც მოიცავს რამდენიმე კრიტიკულ პროცესს:

• მოთხოვნის დიზაინი მასშტაბით: ეს პროცესი მოიცავს მეტა მოთხოვნის დიზაინს (მოთხოვნებს, რომლებიც წარმოქმნის სხვა მოთხოვნას) და მოთხოვნის შაბლონებს, რომლებიც არის პარამეტრიზებული მოთხოვნები, რომლებიც შეიძლება განხორციელდეს მუშაობის დროს.
• ხელსაწყოების დიზაინი და ინტეგრაცია: მოთხოვნები ზოგჯერ შეიძლება შეიცავდეს შედეგებს გარე ხელსაწყოებიდან და ამ ინსტრუმენტების სისტემაში ინტეგრირება გადამწყვეტია.
• სამუშაო ნაკადი, დაგეგმვა და სწრაფი მენეჯმენტი: LLM აპლიკაციის დანერგვა, როგორიცაა ჩატბოტი, ხშირად მოითხოვს მოთხოვნების ბიბლიოთეკების მართვას, სწორი მოთხოვნის დაგეგმვასა და არჩევას და სხვადასხვა ხელსაწყოების ეფექტურად ინტეგრირებას.
• მოთხოვნის შეფასება და ხარისხის უზრუნველყოფა: ეს ასპექტი მოიცავს მეტრიკისა და პროცესების განსაზღვრას მოთხოვნების ავტომატურად და ადამიანური ჩართულობით შესაფასებლად.
• სწრაფი ოპტიმიზაცია: ხელოვნური ინტელექტის მოდელის ღირებულება და შეყოვნება შეიძლება დამოკიდებული იყოს მოდელის არჩევანზე და მოწოდების სიგრძეზე (ტოკენების რაოდენობაზე).

მრავალი ავტომატური სწრაფი დიზაინის მიდგომა, ხელსაწყო და ჩარჩო შემუშავებულია მოთხოვნების მასშტაბური მართვისთვის. თუმცა, მნიშვნელოვანია გვესმოდეს, რომ არცერთ ამ ხელსაწყოს არ შეუძლია შეცვალოს გამოცდილი ინჟინრის ნიუანსური გაგება, განსჯა და გამოცდილება.

სწრაფი ინჟინერია: ტექნიკა და საუკეთესო პრაქტიკა

1) სწრაფი განთავსება და აღწერა

მოწოდების დასაწყისში ინსტრუქციების განთავსებამ შეიძლება მნიშვნელოვნად იმოქმედოს AI-ს გაგებაზე და პასუხზე. განიხილეთ დავალება ტექსტის შეჯამება პუნქტის ფორმატში. ნაკლებად ეფექტური მიდგომა იქნება:

შესახებ: შეაჯამეთ ქვემოთ მოცემული ტექსტი, როგორც ყველაზე მნიშვნელოვანი პუნქტების ჩამონათვალი.
{ტექსტის შეყვანა აქ}

მეორეს მხრივ, უფრო ეფექტური ტექნიკა შეიძლება იყოს:

შესახებ: შეაჯამეთ ქვემოთ მოცემული ტექსტი, როგორც ყველაზე მნიშვნელოვანი პუნქტების ჩამონათვალი.
ტექსტი: """
{ტექსტის შეყვანა აქ}
"" "

ინსტრუქციების და კონტექსტის მკაფიოდ გამოყოფით ისეთი სიმბოლოებით, როგორიცაა ### ან „““, ხელოვნური ინტელექტის მოდელს შეუძლია უკეთ განსაზღვროს თავისი ამოცანები და ტექსტი, რომელიც უნდა დამუშავდეს, რითაც იძლევა უფრო ზუსტ და შესაბამის პასუხებს.

მეორეც, კონტექსტის, მოსალოდნელი შედეგის, სიგრძის, ფორმატის, სტილის და ა.შ. კონტექსტის, მოსალოდნელი შედეგის, ფორმატის, სტილისა და ა. დავუშვათ, რომ თქვენ უნდა შექმნათ სამეცნიერო ნაშრომის მოკლე მიმოხილვა მიმზიდველი, უნივერსალური სტილით. ბუნდოვანი ინსტრუქცია, როგორიცაა „შეაჯამეთ სამეცნიერო ნაშრომი“ ნაკლებად ეფექტურ შედეგს გამოიღებდა კონკრეტულ, დეტალურ მოთხოვნასთან შედარებით:

შესახებ: შექმენით შემდეგი სამეცნიერო ნაშრომის მოკლე შინაარსი (დაახლოებით 200 სიტყვა). რეზიუმე გასაგები უნდა იყოს ვინმესთვის, რომელსაც არ აქვს სამეცნიერო საფუძველი, ხოლო ზუსტად ასახავდეს ნაშრომის ძირითად მიგნებებს.
ქაღალდი: """
{სამეცნიერო ნაშრომის ტექსტი აქ}
"" "

2) პერსონალური ნიმუში

პერსონალური ნიმუში არის სტრატეგია, რომელიც აყალიბებს AI-ს ფუნქციონირებას გარკვეული პერსპექტივიდან, როგორიცაა პროფესიული როლი ან გამოგონილი პერსონაჟი. ეს ტაქტიკა საშუალებას აძლევს მოდელს უზრუნველყოს შედეგები, რომლებიც დაკავშირებულია კონკრეტულ როლებთან, რომელსაც პერსონა ასრულებდა. მაგალითად, შეიძლება დაევალებინა AI-ს, რომ იმოქმედოს როგორც კიბერუსაფრთხოების ექსპერტი კოდის განხილვის დროს. ეს ნიმუში განსაკუთრებით გამოსადეგია, როცა მომხმარებლებს დახმარება სჭირდებათ, მაგრამ არ არიან დარწმუნებულნი გამომავალში საჭირო ზუსტ დეტალებში.

მაგალითისთვის მიიღეთ შემდეგი:

შესახებ: „დავუშვათ საფრანგეთის რევოლუციის სპეციალობით უფროსი ისტორიკოსის პერსონა. ამ პერსონის გათვალისწინებით, ახსენით საფრანგეთის მონარქიის დაცემის ძირითადი მოვლენები და მიზეზები.

ამ სცენარში, ხელოვნური ინტელექტი, სავარაუდოდ, უპასუხებს საფრანგეთის რევოლუციის სიღრმისეული ანალიზით, ფოკუსირებული მონარქიის დაცემაზე, როგორც ამას ისტორიკოსი გააკეთებს.

ახალი ინფორმაციის გაცნობა

ChatGPT არ ფლობს ცოდნას ტრენინგის მიღმა, ამიტომ მას არ შეუძლია ინფორმაციის მიწოდება ბოლო მოვლენებზე ან განახლებებზე ტრენინგის შემდეგ. თუმცა, თქვენ შეგიძლიათ გააცნოთ ახალი ინფორმაცია მოდელს თქვენი მოთხოვნის საშუალებით.

შესახებ: "რა არის კრიპტოვალუტა?"
ჩატი GPT: „კრიპტოვალუტა არის ციფრული ან ვირტუალური ვალუტის ტიპი, რომელიც იყენებს კრიპტოგრაფიას უსაფრთხოებისთვის. ყველაზე ცნობილი კრიპტოვალუტა არის ბიტკოინი“.

ახლა, თუ მოთხოვნას ცოტა მეტ კონტექსტს დავამატებთ, შეგვიძლია ახსნა კიდევ უფრო ინტუიციური გავხადოთ:

შესახებ: „აუხსენით კრიპტოვალუტის კონცეფცია გიმნაზიის სტუდენტს, რომელიც სწავლობს ციფრულ ფინანსებს“
ChatGPT: „წარმოიდგინეთ, რომ თამაშობთ ონლაინ ვიდეო თამაშს და არის თამაშის ფული, რომლის გამომუშავებაც შეგიძლიათ განახლებების ან ახალი პერსონაჟების შესაძენად. კრიპტოვალუტა ერთგვარი მსგავსია, მაგრამ იმის ნაცვლად, რომ შემოიფარგლოთ თამაშით, შეგიძლიათ რეალურად გამოიყენოთ იგი რეალურ სამყაროში არსებული საქონლისა და მომსახურების შესაძენად. ეს ციფრულ ფულს ჰგავს, რომელსაც არცერთი ბანკი ან მთავრობა არ აკონტროლებს“.

3) სწრაფი ზომის შეზღუდვები

ChatGPT-ის ზომის შეზღუდვის გაგება აუცილებელია, რადგან ის პირდაპირ გავლენას ახდენს ინფორმაციის მოცულობასა და ტიპზე, რომლის შეყვანაც შეგვიძლია. ენის მოდელები არ არის შექმნილი შეუზღუდავი მონაცემების ერთდროულად დასამუშავებლად. მათ აქვთ თანდაყოლილი შეზღუდვა იმ მოთხოვნის ზომაზე, რომლის შექმნა და შეყვანა შეგვიძლია. ეს შეზღუდვა ღრმა გავლენას ახდენს მოთხოვნების დიზაინსა და შესრულებაზე.

ChatGPT-ს აქვს ტოკენის ლიმიტი (ზოგადად 2048 ჟეტონი), რომელიც მოიცავს როგორც მოთხოვნას, ასევე გენერირებულ პასუხს. ეს ნიშნავს, რომ ხანგრძლივმა მოთხოვნამ შეიძლება შეზღუდოს პასუხის ხანგრძლივობა. აქედან გამომდინარე, მნიშვნელოვანია შევინარჩუნოთ მოთხოვნები ლაკონური, მაგრამ ინფორმატიული.

პრაქტიკულ გამოყენებაში ჩვენ უნდა ვიმოქმედოთ როგორც რედაქტორები, შერჩევით ვირჩევთ ყველაზე შესაბამის ინფორმაციას დავალებისთვის. წარმოიდგინეთ, რომ წერთ ნაშრომს ან სტატიას სიტყვის ან გვერდის ლიმიტით – თქვენ არ შეგიძლიათ უბრალოდ შემთხვევითი ფაქტების გადაყრა, არამედ ყურადღებით შეარჩიოთ და ააწყოთ ინფორმაცია ამ თემაზე.

შესახებ: ”მოდელის სიმბოლური შეზღუდვების გათვალისწინებით, შეაჯამეთ მეორე მსოფლიო ომის ძირითადი მოვლენები 1000-ზე ნაკლებ სიტყვაში.”

მოდელის სიმბოლური შეზღუდვების აღიარებით, ეს მოწოდება ავალდებულებს AI-ს, რომ მოგვაწოდოს მოკლე, მაგრამ ყოვლისმომცველი შეჯამება მეორე მსოფლიო ომის შესახებ.

განმეორებითი გამოყენების მოთხოვნა: სასაუბრო სცენარში შეგიძლიათ ხელახლა გამოიყენოთ მოთხოვნები ან დახვეწოთ ისინი წინა პასუხების საფუძველზე. ეს იძლევა საუბრის დინებას და ინარჩუნებს კონტექსტს ინტერაქციაში.

4) კითხვის დახვეწის ნიმუში

ChatGPT ასევე დაგეხმარებათ თქვენი კითხვების დაზუსტებაში. მაგალითად, თუ თქვენ სვამთ შეკითხვას, მას შეუძლია შემოგთავაზოთ უკეთ ჩამოყალიბებული შეკითხვა უფრო ზუსტი შედეგებისთვის.

კითხვების დახვეწის ნიმუში გულისხმობს LLM-ის დახვეწას მომხმარებლის მიერ დასმული კითხვების შესახებ. ეს განსაკუთრებით სასარგებლოა, როდესაც მომხმარებლები არ არიან დომენის ექსპერტები ან არ იციან როგორ გამოხატონ თავიანთი შეკითხვა.

მაგალითის მოთხოვნა შეიძლება ასე გამოიყურებოდეს:

შესახებ: „როდესაც მე ვსვამ შეკითხვას მონაცემთა მეცნიერების შესახებ, შესთავაზეთ უფრო დახვეწილი კითხვა სტატისტიკური ანალიზის სპეციფიკის გათვალისწინებით და მკითხეთ, მსურს თუ არა დახვეწილი შეკითხვის გაგრძელება“.

აქ, AI მოსალოდნელია, რომ დახვეწოს მომხმარებლის ზოგადი მონაცემთა მეცნიერების კითხვები უფრო დეტალურ კითხვებზე სტატისტიკური ანალიზის ასპექტების გათვალისწინებით.

5) შემეცნებითი გადამოწმების ნიმუში

შემეცნებითი შემმოწმებლის ნიმუში ანაწილებს რთულ კითხვებს უფრო მცირე, მართვად ქვეკითხვებად. შემდეგ ამ ქვეკითხვებზე პასუხები გაერთიანებულია მთავარ კითხვაზე ამომწურავი პასუხის გასაცემად. ეს მიდგომა სასარგებლოა, როდესაც საწყისი კითხვები ძალიან მაღალი დონისაა ან როდესაც საჭიროა დამატებითი სიცხადე სრული პასუხის გასაცემად.

მაგალითად:

შესახებ: „თუ მე დავსვამ შეკითხვას კლიმატის ცვლილებასთან დაკავშირებით, დაყავით ის სამ პატარა კითხვად, რაც დაგეხმარებათ უფრო ზუსტი პასუხის გაცემაში. გააერთიანეთ ამ ქვეკითხვებზე პასუხები საბოლოო პასუხის გასაცემად“.

ამ სცენარში, ხელოვნური ინტელექტი დაყოფს კომპლექსურ კითხვას კლიმატის ცვლილების შესახებ სამ მართვად ქვესაკითხად. ამ ქვეკითხვებზე პასუხების მიღების შემდეგ, ხელოვნური ინტელექტი გააერთიანებს მათ უფრო ყოვლისმომცველ და ზუსტ პასუხს.

ეს ნიმუში მოიცავს მრავალი კითხვის გენერირებას უფრო ზუსტი საბოლოო პასუხის მისაღებად. ეს არის ინფორმაციის გადამოწმებისა და კონსოლიდაციის პროცესი ძლიერი საბოლოო შედეგისთვის

6) რამდენიმე დარტყმის მიდგომა

რამდენიმე დარტყმის მოთხოვნა არის ძლიერი მიდგომა ხელოვნური ინტელექტის მოდელებს ასწავლოს კონკრეტული შაბლონების დაცვა ან ამოცანების შესრულება. იდეა მდგომარეობს იმაში, რომ მოდელს მივცეთ რამდენიმე მაგალითი, სანამ სასურველ კითხვას დასვამთ. ეს ხელს უწყობს სასურველი ქცევის დაყენებას და მოდელის პასუხების მართვას.

განვიხილოთ სცენარი, როდესაც მომხმარებელი ცდილობს შექმნას ლაკონური, დამაჯერებელი მარკეტინგული ასლი ახალი ტექნიკური გაჯეტისთვის:

შესახებ: „აქ არის ტექნიკური მარკეტინგის ასლების რამდენიმე მაგალითი: „გამოიგრძენი მუსიკა ისე, როგორც არასდროს, ჩვენი უახლესი უკაბელო ყურსასმენებით“. გადაიღეთ თქვენი სამყარო განსაცვიფრებელ 4K-ში ჩვენი ულტრა გლუვი სამოქმედო კამერით. ამ მაგალითებიდან გამომდინარე, შეადგინეთ მარკეტინგული ასლი ჩვენი ახალი AI-ით აღჭურვილი ჭკვიანი საათისთვის.

ჩატი GPT: „გააძლიერეთ თქვენი ცხოვრების წესი ჩვენი AI-ზე მომუშავე ჭკვიანი საათით, თქვენი თანამგზავრი ჯანმრთელობის, კავშირისა და პროდუქტიულობისთვის“. რამდენიმე დარტყმის სწავლის ღირსშესანიშნავი თვისება ის არის, რომ არ არის საჭირო დავალების შესრულების დეტალური აღწერა. ამის ნაცვლად, ის მოითხოვს დემონსტრირებას იმის შესახებ, თუ რა კეთდება, რამაც შეიძლება ის კარგად მოერგოს ბევრ აპლიკაციას.

გარდა ამისა, ეს ტექნიკა სცილდება მარტივი შეყვანის-გამომავალი დაწყვილების მიღმა. მოდელს ასევე შეიძლება ვასწავლოთ მიზნის მისაღწევად შუალედური ნაბიჯების გატარება.

7) აზრების ჯაჭვის მოწოდება

მათ ბოლო კვლევით ნაშრომში, "აზროვნების ჯაჭვი იწვევს მსჯელობას დიდ ენობრივ მოდელებშიავტორთა ჯეისონ ვეის და გუნდის მიზანია მსჯელობის სტიმულირება დიდი ენობრივი მოდელების ფარგლებში. ტრადიციული, პირდაპირი მოთხოვნის გამოყენების ნაცვლად, გუნდი იყენებს ურთიერთდაკავშირებულ მოთხოვნათა სერიას, რაც ქმნის "აზრების ჯაჭვს".

მაგალითად, მომხმარებელი შეიძლება დაინტერესდეს ხელოვნური ინტელექტის პოტენციური ზემოქმედებით სამუშაო ბაზრებზე:

შესახებ: ”შეგიძლიათ მოკლედ აგიხსნათ ხელოვნური ინტელექტის კონცეფცია?”

ჩატი GPT: ”ხელოვნური ინტელექტი, ან AI, გულისხმობს მანქანის უნარს, მიბაძოს ინტელექტუალური ადამიანის ქცევას. საუბარია მანქანების დიზაინზე, რომლებსაც შეუძლიათ ადამიანებივით იფიქრონ და ისწავლონ, რაც მათ საშუალებას აძლევს შეასრულონ ისეთი ამოცანები, როგორიცაა ენის თარგმნა, გადაწყვეტილების მიღება და პრობლემების გადაჭრა, სხვათა შორის“.

შესახებ: "როგორ მოქმედებს ხელოვნური ინტელექტი მიმდინარე სამუშაო ბაზარზე?"

ჩატი GPT: ”AI არის როგორც ახალი სამუშაო ადგილების შექმნა, ასევე არსებული სამუშაოების ხასიათის შეცვლა. ერთის მხრივ, ის ავტომატიზირებს რუტინულ ამოცანებს, რაც იწვევს სამუშაოს გადაადგილებას გარკვეულ სექტორებში. მეორეს მხრივ, ის ქმნის მოთხოვნას როლებზე, რომლებიც ადრე არ არსებობდა, როგორიცაა ხელოვნური ინტელექტის ეთიკის ოფიცრები, მონაცემთა ანალიტიკოსები და მანქანათმცოდნეობის ინჟინრები. გარდა ამისა, AI-ს შეუძლია გაზარდოს ადამიანის როლები, რაც ადამიანებს საშუალებას აძლევს შეასრულონ ამოცანები უფრო ეფექტურად და ზუსტად. ”

აზროვნების ჯაჭვის მოთხოვნა მოჰყვება დაკავშირებული მოთხოვნების პროგრესირებას, ინარჩუნებს „საუბარს“ მოდელთან, რომელიც მას უფრო ზუსტი და კონტექსტურად შესაბამისი პასუხებისკენ უხელმძღვანელებს.

ChatGPT API-ს და სწრაფი ინჟინერიის გაგება დეველოპერის პერსპექტივიდან

დეველოპერის ან მკვლევარის პერსპექტივიდან, სწრაფი ინჟინერია უფრო რთული პროცესია. იგი მოიცავს ალგორითმებისა და ტექნიკის დიზაინს, რათა დაეხმაროს AI მოდელს უფრო ეფექტურად გაიგოს და უპასუხოს მოთხოვნებს. ეს შეიძლება მოიცავდეს ორაზროვანი მოთხოვნების დამუშავების სტრატეგიებს, მოთხოვნის კონტექსტის იდენტიფიცირებას ან მოთხოვნის ერთმანეთთან მიჯაჭვულობას AI-ში უფრო რთული სააზროვნო პროცესების სტიმულირებისთვის.

ზემოთ მოყვანილ ილუსტრაციაში, მომხმარებელი ურთიერთქმედებს ჩეთის ინტერფეისთან, რომელიც აღჭურვილია GPT-4-ით. მათი შეყვანა გაუმჯობესებულია სიცხადისთვის და კონტექსტური თანმიმდევრულობისთვის სპეციალიზებული მოდულით, სანამ AI მოდელს მიეწოდება. ამ მოდულის როლი არის დახვეწოს და გააძლიეროს მომხმარებლის წვდომა უკეთესი გაგებისთვის და ამავე დროს შეინარჩუნოს საუბრის კონტექსტი. ხელოვნური ინტელექტის პასუხი, რომელიც შექმნილია დახვეწილი მოთხოვნის საფუძველზე, უბრუნდება მომხმარებელს ჩეთის ინტერფეისის მეშვეობით. ურთიერთქმედების ისტორია მუდმივად განახლდება, საუბრის კონტექსტის შენარჩუნებით. მთლიანობაში, ეს დიაგრამა ასახავს მომხმარებლის AI საუბრის დინამიურ ნაკადს, რომელიც ჩართულია სწრაფი საინჟინრო ტექნიკით.

ის ChatGPT API-ები ინტერფეისი შემუშავებულია სხვადასხვა ჰიპერპარამეტრებით, რაც მომხმარებლებს საშუალებას აძლევს დახვეწონ AI-ის პასუხები მოთხოვნებზე, რაც მათ უფრო ეფექტურს და მრავალმხრივს გახდის. ეს მოიცავს ტემპერატურა, მაქსიმალური სიგრძე და გაჩერების თანმიმდევრობის პარამეტრებს. მოდით გამოვიკვლიოთ, თუ როგორ ფუნქციონირებენ ისინი და შეიძლება მათი გამოყენება სხვადასხვა კონტექსტში.

1) ტემპერატურა

ტემპერატურის პარამეტრი გავლენას ახდენს AI-ს პასუხების შემთხვევითობაზე. უფრო მაღალი ტემპერატურა, როგორიცაა 1.0, ხელს უწყობს უფრო შემთხვევით გამომავალს, რაც იწვევს მრავალფეროვან, მაგრამ პოტენციურად თემის მიღმა პასუხებს. ამის საპირისპიროდ, დაბალი ტემპერატურა, როგორიცაა 0.2, აიძულებს AI შეარჩიოს უფრო განმსაზღვრელი პასუხები, რაც შეიძლება იყოს მომგებიანი ფოკუსირებული და სპეციფიკური შედეგებისთვის, მაგრამ შეიძლება არ ჰქონდეს მრავალფეროვნება.

მაგალითი: თუ თქვენ წერთ კრეატიულ ისტორიას და გსურთ არაპროგნოზირებადი, წარმოსახვითი ელემენტები, დააყენეთ ტემპერატურა უფრო მაღალ მნიშვნელობაზე. მოთხოვნა შეიძლება იყოს: „დაწერეთ მოკლე მოთხრობა დროში მოგზაური კატის შესახებ“. მაღალი ტემპერატურის შემთხვევაში, თქვენ შეიძლება მიიღოთ ველური, ფანტასტიკური ზღაპარი არაპროგნოზირებადი ტრიალებით.

2) მაქსიმალური სიგრძე

ეს პარამეტრი აკონტროლებს მოდელის გამომავალი ტოკენის მაქსიმალურ სიგრძეს, რომელიც მოიცავს როგორც შეტყობინებებს, ასევე შეტყობინებებს. უფრო მაღალი ლიმიტის დაყენება იძლევა უფრო გაფართოებულ პასუხებს, ხოლო ქვედა ზღვარი ინარჩუნებს გამომავალს მოკლე და ლაკონურს.

მაგალითი: მოკლე პასუხებისთვის წვრილმან კითხვებზე, როგორიცაა: „ვინ მოიგო ნობელის პრემია ლიტერატურაში 2020 წელს?“ შეიძლება დაგჭირდეთ მაქსიმალური სიგრძის დაყენება დაბალ მნიშვნელობაზე, რათა უზრუნველყოთ პასუხი ლაკონური და პირდაპირი.

3) Stop Sequences

გაჩერების თანმიმდევრობა არის ტექსტის სპეციფიკური სტრიქონები, სადაც, როდესაც მოდელი მათ შეხვდება, ის წყვეტს შემდგომი გამომუშავების გამომუშავებას. ეს ფუნქცია შეიძლება სასარგებლო იყოს გამომავალი სიგრძის გასაკონტროლებლად ან მოდელს ლოგიკურ ბოლო წერტილებზე გაჩერების მითითებისთვის.

მაგალითი: ფორმალური წერილისთვის შეგიძლიათ გამოიყენოთ „თქვენი გულწრფელად“, როგორც გაჩერების თანმიმდევრობა, რათა დარწმუნდეთ, რომ AI არ წარმოქმნის რაიმე დამატებით ტექსტს წერილის სათანადო დასასრულის მიღმა.

4) ტოპ პ

"Top P" პარამეტრი, რომელიც ასევე ცნობილია როგორც ბირთვის შერჩევის სახელი, არის მეთოდი, რომელიც უზრუნველყოფს მოდელის პროგნოზის თითოეულ საფეხურზე განხილული სიტყვების რაოდენობის დინამიურ შერჩევას. უფრო დაბალი მნიშვნელობა, როგორიცაა 0.5, იწვევს უფრო უსაფრთხო, უფრო ფოკუსირებულ შედეგებს. უფრო მაღალი მნიშვნელობა, როგორიცაა 0.9, მოიცავს სიტყვების უფრო ფართო არჩევანს, რაც იწვევს უფრო მრავალფეროვან შედეგებს.

მაგალითი: თუ თქვენ ქმნით AI-ს ლექსების დასაწერად და გსურთ, რომ გამოიყენოს ლექსიკისა და სტილისტური ფრაზების ფართო სპექტრი, შეგიძლიათ დააყენოთ „Top P“ უფრო მაღალ მნიშვნელობაზე. მოთხოვნა შეიძლება იყოს: „შეადგინე ლექსი შემოდგომის სილამაზეზე“.

5) სიხშირის ჯარიმა

სიხშირის ჯარიმა აკონტროლებს, თუ რამდენად უნდა უპირატესობა მიანიჭოს მოდელმა ნაკლებად გავრცელებულ სიტყვებს. უფრო მაღალი ჯარიმა (1-მდე) მოუწოდებს მოდელს გამოიყენოს ნაკლებად გავრცელებული სიტყვები, ხოლო დაბალი მნიშვნელობა (-1-მდე) მოუწოდებს მოდელს გამოიყენოს უფრო გავრცელებული სიტყვები.

მაგალითი: თუ თქვენ ცდილობთ ბიზნეს წინადადების გენერირებას და გსურთ თავიდან აიცილოთ ჟარგონი, შეგიძლიათ დააყენოთ სიხშირის ჯარიმა უფრო დაბალ მნიშვნელობაზე, რათა ენა იყოს გასაგები და ხელმისაწვდომი.

6) დასწრების ჯარიმა

Presence Penalty პარამეტრი გავლენას ახდენს იმაზე, თუ რამდენად დაჯარიმდება მოდელი ახალი იდეების ან თემების გენერირებისთვის, რომლებიც არ იყო წარმოდგენილი საუბრის ისტორიაში. უფრო მაღალი ღირებულებები მოდელს უბიძგებს მიჰყვეს უკვე ნახსენებ თემებს, ხოლო დაბალი მნიშვნელობები საშუალებას აძლევს მოდელს უფრო თავისუფლად დანერგოს ახალი ცნებები.

მაგალითი: აზრთა შტორმის სესიებისთვის, თქვენ შეგიძლიათ დააყენოთ ყოფნის ჯარიმა უფრო დაბალ მნიშვნელობაზე, რათა წაახალისოთ მრავალფეროვანი იდეები. თქვენ შეგიძლიათ გამოიყენოთ მოთხოვნა, როგორიცაა: „შექმენით ინოვაციური მარკეტინგული სტრატეგიები ონლაინ საგანმანათლებლო პლატფორმისთვის“.

სწრაფი ინჟინერიის ინდუსტრიის გამოყენება