ວິສະວະກໍາດ່ວນ
ຄໍາແນະນໍາທີ່ຈໍາເປັນເພື່ອວິສະວະກໍາທັນທີໃນ ChatGPT
ນັບຕັ້ງແຕ່ການເປີດຕົວ, ສົນທະນາ GPT ໄດ້ມີການສ້າງຄື້ນຟອງໃນຂອບເຂດ AI, ດຶງດູດຜູ້ໃຊ້ຫຼາຍກວ່າ 100 ລ້ານຄົນໃນເວລາບັນທຶກ. ນໍ້າຊອດລັບຕໍ່ກັບປະສິດທິພາບທີ່ໜ້າປະທັບໃຈຂອງ ChatGPT ແລະຄວາມຄ່ອງແຄ້ວແມ່ນຢູ່ໃນສິລະປະທີ່ຕັ້ງຢູ່ພາຍໃນການຂຽນໂປຼແກຼມຂອງມັນ – ວິສະວະກຳທີ່ວ່ອງໄວ.
ເປີດຕົວໃນປີ 2022, DALL-E, MidJourney, ແລະ StableDiffusion ຊີ້ໃຫ້ເຫັນທ່າແຮງທີ່ລົບກວນຂອງ Generative AI. ແຕ່ມັນແມ່ນ ເປີດ AIChatGPT ທີ່ເປັນຈຸດໃຈກາງຢ່າງແທ້ຈິງຕໍ່ມາໃນປີ 2022. ແລະຈັງຫວະນີ້ບໍ່ສະແດງສັນຍານທີ່ຈະຊ້າລົງ.
ການປະກາດຂອງ Google ຂອງ Bard ແລະ ເມຕາຂອງ Lamma 2 ການຕອບສະ ໜອງ ຕໍ່ ChatGPT ຂອງ OpenAI ໄດ້ຂະຫຍາຍຄວາມໄວຂອງການແຂ່ງຂັນ AI ຢ່າງຫຼວງຫຼາຍ. ໂດຍການໃຫ້ຕົວແບບເຫຼົ່ານີ້ດ້ວຍການປ້ອນຂໍ້ມູນ, ພວກເຮົາກຳລັງແນະນຳພຶດຕິກຳ ແລະ ຄຳຕອບຂອງພວກມັນ. ນີ້ເຮັດໃຫ້ພວກເຮົາທັງຫມົດວິສະວະກອນວ່ອງໄວໃນລະດັບທີ່ແນ່ນອນ. ອຸດສາຫະກໍາເຕັກໂນໂລຢີໄດ້ເອົາໃຈໃສ່. ນັກລົງທືນລົງທຶນກໍາລັງຖອກເງິນເຂົ້າໃນການເລີ່ມຕົ້ນທີ່ສຸມໃສ່ວິສະວະກໍາທັນທີ, ເຊັ່ນ Vellum AI. ຍິ່ງໄປກວ່ານັ້ນ, Forbes ລາຍງານວ່າວິສະວະກອນສັ່ງໃຫ້ທັນທີ ເງິນເດືອນເກີນ $300,000, ຊີ້ໃຫ້ເຫັນຕະຫຼາດວຽກເຮັດງານທໍາທີ່ຈະເລີນຮຸ່ງເຮືອງແລະມີຄຸນຄ່າ.
ໃນບົດຄວາມນີ້, ພວກເຮົາຈະ demystify ໂລກຂອງວິສະວະກໍາທັນທີໃນສະພາບການຂອງ ChatGPT. ພວກເຮົາຈະຄົ້ນຫາຫຼັກການ ແລະເຕັກນິກຫຼັກ, ແລະກວດເບິ່ງຄໍາຮ້ອງສະຫມັກທາງການຄ້າຂອງພວກເຂົາ.
ທໍາອິດໃຫ້ພວກເຮົາເຂົ້າໃຈວິທີການເຮັດວຽກຂອງ ChatGPT ແລະບົດບາດສໍາຄັນທາງດ້ານວິສະວະກໍາໃນຂະບວນການນີ້.
ກົນໄກທີ່ຢູ່ເບື້ອງຫລັງວິສະວະກໍາ ChatGPT Prompt
ຊອດລັບທີ່ຢູ່ເບື້ອງຫລັງຄວາມສໍາເລັດຂອງ ChatGPT ແມ່ນຄວາມສາມາດໃນການເຂົ້າໃຈແລະ mimic nuances ຂອງການສົນທະນາຂອງມະນຸດ. ຮູບແບບດັ່ງກ່າວແມ່ນໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຄວາມຫຼາກຫຼາຍຂອງຂໍ້ຄວາມອິນເຕີເນັດ, ແຕ່ສໍາຄັນ, ມັນບໍ່ໄດ້ຮູ້ຈັກເອກະສານສະເພາະຫຼືແຫຼ່ງຂໍ້ມູນໃນຊຸດການຝຶກອົບຮົມຂອງຕົນ, ຮັບປະກັນການທົ່ວໄປໃນໄລຍະສະເພາະ. ວິທີການຝຶກອົບຮົມນີ້ອະນຸຍາດໃຫ້ ChatGPT ສ້າງສັນຄໍາຕອບທີ່ສ້າງສັນ, ຄົ້ນຫາການສົນທະນາທີ່ສັບສົນ, ແລະແມ້ກະທັ້ງສະແດງຄວາມຮູ້ສຶກຂອງຕະຫລົກ. ຢ່າງໃດກໍ່ຕາມ, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະຈື່ຈໍາວ່າ ChatGPT ບໍ່ເຂົ້າໃຈຢ່າງແທ້ຈິງຫຼືມີຄວາມເຊື່ອ; ມັນສ້າງການຕອບສະຫນອງໂດຍອີງໃສ່ຮູບແບບທີ່ມັນໄດ້ຮຽນຮູ້ໃນລະຫວ່າງການຝຶກອົບຮົມ.
ຄວາມສາມາດຂອງ ChatGPT ທີ່ຈະເຂົ້າໃຈ ແລະຕອບສະຫນອງຕໍ່ພາສາຂອງມະນຸດໃນລັກສະນະທີ່ລະອຽດອ່ອນ ແລະຄວາມເຂົ້າໃຈກ່ຽວກັບສະພາບການເຮັດໃຫ້ພວກເຂົາເປັນເຄື່ອງມືທີ່ຫຼາກຫຼາຍຢ່າງບໍ່ຫນ້າເຊື່ອ.
ກົນຈັກຂອງແບບຈໍາລອງເຫຼົ່ານີ້ຢູ່ໃນແນວຄວາມຄິດຂອງ 'ໂທເຄັນ' - chunks ຂອງພາສາທີ່ແຕກຕ່າງກັນທີ່ສາມາດຕັ້ງແຕ່ຕົວອັກສອນດຽວໄປຫາຄໍາທັງຫມົດ. ຮູບແບບເຫຼົ່ານີ້ເຮັດວຽກກັບຈໍານວນສະເພາະຂອງໂທເຄັນໃນເວລາ (4096 ສໍາລັບ GPT-3.5-Turbo ຫຼື 8192 ຫຼື 32768 ສໍາລັບ GPT-4), ຄາດຄະເນລໍາດັບຕໍ່ໄປຂອງ tokens ທີ່ເປັນໄປໄດ້. ໂມເດວປະມວນຜົນໂທເຄັນໂດຍໃຊ້ພຶດຊະຄະນິດເສັ້ນທີ່ຊັບຊ້ອນ, ຄາດການ token ຕໍ່ໄປທີ່ເປັນໄປໄດ້ທີ່ສຸດ.
ຕົວຢ່າງ, ປະໂຫຍກເກົ້າຄໍາທີ່ງ່າຍດາຍສາມາດປ່ຽນເປັນສິບ tokens. ແມ່ນແຕ່ຄຳສັບທີ່ສັບສົນອັນດຽວສາມາດປ່ຽນເປັນຫຼາຍໂທເຄັນ, ເຊິ່ງຊ່ວຍໃຫ້ຕົວແບບເຂົ້າໃຈ ແລະສ້າງພາສາໄດ້ດີຂຶ້ນ. ເຖິງແມ່ນວ່າພາສາທີ່ມີໂຄງສ້າງຄໍາສັບທີ່ສັບສົນ, ເຊັ່ນ: ເຍຍລະມັນ, ໄດ້ຖືກຄຸ້ມຄອງໂດຍຜ່ານ tokenization.
ໂມເດວ GPT (Generative Pre-trained Transformer) ເຮັດວຽກໂດຍການສ້າງໂທເຄັນໜຶ່ງຄັ້ງຕໍ່ຄັ້ງ, ເລີ່ມຕົ້ນຈາກໂທເຄັນທຳອິດ ແລະສືບຕໍ່ຈົນຮອດອັນສຸດທ້າຍ. ຫຼັງຈາກການສ້າງແຕ່ລະ token, ຮູບແບບຈະທົບທວນຄືນລໍາດັບທັງຫມົດແລະປຸງແຕ່ງມັນອີກເທື່ອຫນຶ່ງເພື່ອສ້າງ token ຕໍ່ໄປ. ຂະບວນການຊ້ໍາກັນນີ້ຍັງສືບຕໍ່ຈົນກ່ວາ token ສຸດທ້າຍຖືກສ້າງຂື້ນ, ເຮັດໃຫ້ການສ້າງຂໍ້ຄວາມຄ້າຍຄືກັນກັບ for-loop ໃຫຍ່.
ແຕ່ນີ້ແມ່ນການຈັບ - ຄຸນນະພາບຂອງການຕອບໂຕ້ເຫຼົ່ານີ້ສ່ວນໃຫຍ່ແມ່ນຂຶ້ນກັບການກະຕຸ້ນເຕືອນທີ່ມັນໄດ້ຮັບ. ຄືກັນກັບການຊີ້ນໍາການສົນທະນາກັບມະນຸດ, ການຊີ້ນໍາການສົນທະນາກັບ ChatGPT ຕ້ອງການທັກສະ ແລະຄວາມເຂົ້າໃຈໃນລະດັບທີ່ແນ່ນອນ. ນັ້ນແມ່ນບ່ອນທີ່ວິສະວະກໍາທັນທີເຂົ້າມາຫຼິ້ນ.
ວິສະວະກໍາ Prompt ແມ່ນຫຍັງ?
ວິສະວະ ກຳ ວ່ອງໄວແມ່ນສິລະປະຂອງການສ້າງການກະຕຸ້ນເຕືອນ / ການປ້ອນຂໍ້ມູນທີ່ຊັດເຈນ, ມີປະສິດທິພາບເພື່ອແນະ ນຳ AI (NLP/Vision) ແບບຈໍາລອງເຊັ່ນ ChatGPT ໄປສູ່ການສ້າງຜົນຜະລິດທີ່ຄຸ້ມຄ່າທີ່ສຸດ, ຖືກຕ້ອງ, ເປັນປະໂຫຍດ ແລະປອດໄພ.
ວິສະວະກໍາທີ່ວ່ອງໄວບໍ່ພຽງແຕ່ຈໍາກັດໃນການຜະລິດຂໍ້ຄວາມແຕ່ມີຄໍາຮ້ອງສະຫມັກຢ່າງກວ້າງຂວາງໃນທົ່ວໂດເມນ AI. ມັນໄດ້ຮັບການຈ້າງງານຫຼາຍຂຶ້ນໃນຂົງເຂດຕ່າງໆເຊັ່ນ: bots ອັດຕະໂນມັດຂະບວນການຫຸ່ນຍົນ, ຊັບສິນ 3D, scripts, ຄໍາແນະນໍາຫຸ່ນຍົນ, ແລະປະເພດອື່ນໆຂອງເນື້ອຫາແລະສື່ດິຈິຕອນ. ມັນສະຫນອງການຜະສົມຜະສານທີ່ເປັນເອກະລັກຂອງເຫດຜົນ, ການເຂົ້າລະຫັດ, ສິນລະປະ, ແລະໃນບາງກໍລະນີ, ຕົວແກ້ໄຂພິເສດ.
ໃນຂະນະທີ່ການເຕືອນສາມາດປະກອບມີຂໍ້ຄວາມພາສາທໍາມະຊາດ, ຮູບພາບ, ຫຼືປະເພດຂອງຂໍ້ມູນການປ້ອນຂໍ້ມູນອື່ນໆ, ຜົນຜະລິດສາມາດແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍໃນທົ່ວການບໍລິການ AI ແລະເຄື່ອງມື. ທຸກໆເຄື່ອງມືມີຕົວດັດແປງພິເສດຂອງມັນທີ່ອະທິບາຍເຖິງນ້ໍາຫນັກຂອງຄໍາສັບ, ຮູບແບບ, ທັດສະນະ, ຮູບລັກ, ຫຼືຄຸນສົມບັດອື່ນໆຂອງການຕອບສະຫນອງທີ່ຕ້ອງການ.
ພາກສະຫນາມນີ້ເປັນສິ່ງຈໍາເປັນສໍາລັບການສ້າງການບໍລິການທີ່ດີກວ່າ AI-powered ແລະໄດ້ຮັບຜົນໄດ້ຮັບທີ່ດີກວ່າຈາກເຄື່ອງມື AI ການຜະລິດທີ່ມີຢູ່ແລ້ວ. ສໍາລັບຕົວຢ່າງ, ນັກພັດທະນາວິສາຫະກິດ, ມັກຈະໃຊ້ວິສະວະກໍາທັນທີເພື່ອປັບຕົວແບບພາສາຂະຫນາດໃຫຍ່ (LLMs) ເຊັ່ນ GPT-3 ເພື່ອເຮັດໃຫ້ລູກຄ້າປະເຊີນຫນ້າ. chatbot ຫຼືຈັດການວຽກງານເຊັ່ນ: ການສ້າງສັນຍາສະເພາະອຸດສາຫະກໍາ.
ຂະບວນການປັບປຸງແບບເລັ່ງລັດແລະການວັດແທກປະສິດທິພາບ AI ນີ້ແມ່ນເປັນອົງປະກອບທີ່ສໍາຄັນໃນການເຮັດໃຫ້ຕົວແບບ AI ເພື່ອສ້າງການຕອບສະຫນອງທີ່ມີເປົ້າຫມາຍສູງ, ເປັນປະໂຫຍດໃນສະພາບການຕ່າງໆ.
ກາຍເປັນວິສະວະກອນດ່ວນ
ຄວາມສາມາດຂອງຕົວແບບ GPT-4 ໃນການເຂົ້າໃຈຄໍາແນະນໍາທີ່ຊັບຊ້ອນແລະການແກ້ໄຂບັນຫາທີ່ສັບສົນຢ່າງຖືກຕ້ອງເຮັດໃຫ້ມັນເປັນຊັບພະຍາກອນທີ່ບໍ່ມີຄ່າ. ຢ່າງໃດກໍ່ຕາມ, ມີວິທີການທີ່ແຕກຕ່າງກັນເພື່ອເຂົ້າເຖິງຄວາມສາມາດຂອງຕົວແບບນີ້, ແລະການເຂົ້າໃຈສິ່ງເຫຼົ່ານີ້ສາມາດມີຄວາມສໍາຄັນຕໍ່ບົດບາດຂອງວິສະວະກອນທີ່ວ່ອງໄວໃນການເພີ່ມປະສິດທິພາບແລະປະຫຍັດຄ່າໃຊ້ຈ່າຍ.
ໂດຍວິທີທາງການ, ມີສອງວິທີທີ່ຈະມີສ່ວນຮ່ວມກັບຕົວແບບ GPT ເຊັ່ນ GPT-4. ວິທີຫນຶ່ງແມ່ນຜ່ານ API ຂອງ OpenAI, ບ່ອນທີ່ຄ່າໃຊ້ຈ່າຍແມ່ນຄິດໄລ່ຕໍ່ input ແລະ output tokens. ໃນສະຖານະການນີ້, ຄ່າໃຊ້ຈ່າຍຕໍ່ 1K tokens ສາມາດປ່ຽນແປງໄດ້ໂດຍອີງຕາມຂະຫນາດຂອງສະພາບການ. ຕົວຢ່າງ, ໃນບໍລິບົດ 32K ທີ່ໃຫຍ່ກວ່າ, ຄ່າໃຊ້ຈ່າຍສາມາດສູງເຖິງ $0.06 ສໍາລັບ tokens ຂາເຂົ້າ ແລະ $0.12 ສໍາລັບ output tokens. ດັ່ງນັ້ນ, ເມື່ອປະຕິບັດການຮ້ອງຂໍປະລິມານສູງ, ຄ່າໃຊ້ຈ່າຍໃນການນໍາໃຊ້ສາມາດສະສົມໄດ້ໄວ.
ອີກທາງເລືອກ, ChatGPT, ເຊິ່ງໃຊ້ແບບຈໍາລອງ GPT-4, ດໍາເນີນການໃນຮູບແບບການສະຫມັກ.
ວຽກງານທີ່ສໍາຄັນອີກອັນຫນຶ່ງໃນວິສະວະກໍາດ່ວນກ່ຽວຂ້ອງກັບການປັບຕົວກໍານົດການຕົວແບບ. ຂະບວນການນີ້ກ່ຽວຂ້ອງກັບການປັບຕົວແປທີ່ຕົວແບບໃຊ້ເພື່ອເຮັດໃຫ້ການຄາດຄະເນ. ໂດຍການປັບປຸງຕົວກໍານົດການເຫຼົ່ານີ້, ວິສະວະກອນດ່ວນສາມາດປັບປຸງຄຸນນະພາບແລະຄວາມຖືກຕ້ອງຂອງການຕອບສະຫນອງຂອງຕົວແບບ, ເຮັດໃຫ້ມັນມີຄວາມກ່ຽວຂ້ອງແລະເປັນປະໂຫຍດຫຼາຍ.
ເຖິງແມ່ນວ່ານັກວິສະວະກອນຫຼາຍຄົນມາຈາກພື້ນຖານເຕັກໂນໂລຢີ, ລັກສະນະສະຫຼາຍວິຊາຂອງພາກສະຫນາມເຮັດໃຫ້ມັນສາມາດເຂົ້າເຖິງບຸກຄົນຈາກພື້ນຖານວິຊາຊີບທີ່ຫຼາກຫຼາຍ. ເພີ່ມຂຶ້ນ, ນັກຂຽນ, ນັກຄົ້ນຄວ້າ, ແລະແມ້ກະທັ້ງນັກສິລະປິນກໍາລັງໃຊ້ທັກສະທີ່ເປັນເອກະລັກຂອງພວກເຂົາເພື່ອເພີ່ມປະສິດທິພາບຂອງຕົວແບບ AI. ການປ່ຽນແປງນີ້ແມ່ນສະທ້ອນໃຫ້ເຫັນໃນຕະຫຼາດວຽກເຮັດງານທໍາເຊັ່ນດຽວກັນ, ມີຈໍານວນບໍລິສັດທີ່ເພີ່ມຂຶ້ນຊອກຫາວິສະວະກອນທັນທີທີ່ມີລະດັບຄວາມຫຼາກຫຼາຍຂອງທັກສະແລະພື້ນຖານ.
ການອອກແບບແລະວິສະວະກໍາທັນທີໃນ ChatGPT
ການອອກແບບ ແລະ ວິສະວະກຳທີ່ວ່ອງໄວມີບົດບາດສຳຄັນໃນການເພີ່ມປະສິດທິພາບຂອງຕົວແບບພາສາ ແລະ ມີສ່ວນຮ່ວມຫຼາຍກວ່າພຽງແຕ່ການສ້າງຄຳຖາມ; ພວກເຂົາຕ້ອງການຄວາມເຂົ້າໃຈຢ່າງເລິກເຊິ່ງກ່ຽວກັບຮູບແບບ AI ແລະວິທີການທີ່ຊ້ໍາກັນແລະປັບປຸງໃຫມ່.
ການອອກແບບດ່ວນ
ການອອກແບບການກະຕຸ້ນເຕືອນ, ຫຼັກຂອງມັນ, ແມ່ນສິລະປະແລະວິທະຍາສາດຂອງການສ້າງການກະຕຸ້ນເຕືອນທີ່ສົມບູນແບບສໍາລັບຮູບແບບພາສາຂະຫນາດໃຫຍ່ (LLM), ເຊັ່ນ ChatGPT, ເພື່ອບັນລຸເປົ້າຫມາຍທີ່ລະບຸໄວ້ຢ່າງຊັດເຈນ. ມັນເປັນການປະສົມຂອງ:
- ຄວາມເຂົ້າໃຈກ່ຽວກັບ LLM: ຮູບແບບພາສາທີ່ແຕກຕ່າງກັນອາດຈະຕອບສະຫນອງຄວາມປ່ຽນແປງຕໍ່ກັບການເຕືອນດຽວກັນ. ຍິ່ງໄປກວ່ານັ້ນ, ຮູບແບບພາສາບາງຢ່າງອາດມີຄໍາທີ່ເປັນເອກະລັກຫຼືຕົວກະຕຸ້ນ, ເຊິ່ງພວກເຂົາຕີຄວາມຫມາຍໃນລັກສະນະສະເພາະ.
- ຄວາມຮູ້ໂດເມນ: ຄວາມຊໍານານໃນຂົງເຂດທີ່ກ່ຽວຂ້ອງແມ່ນສໍາຄັນໃນເວລາທີ່ການອອກແບບ prompts. ສໍາລັບຕົວຢ່າງ, ການສ້າງການກະຕຸ້ນເຕືອນການບົ່ງມະຕິທາງການແພດຈະຕ້ອງມີຄວາມຮູ້ທາງການແພດ.
- ວິທີການແບບຊ້ຳໆແລະການວັດແທກຄຸນນະພາບ: ຂະບວນການສ້າງການກະຕຸ້ນເຕືອນທີ່ເໝາະສົມມັກຈະກ່ຽວຂ້ອງກັບການທົດລອງ ແລະຄວາມຜິດພາດ. ດັ່ງນັ້ນ, ການມີວິທີການປະເມີນຄຸນນະພາບຂອງຜົນຜະລິດນອກເຫນືອຈາກພຽງແຕ່ການຕັດສິນຂອງຫົວຂໍ້ແມ່ນສໍາຄັນ, ໂດຍສະເພາະໃນເວລາທີ່ນໍາໃຊ້ການກະຕຸ້ນເຕືອນໃນລະດັບຂະຫນາດໃຫຍ່.
ວິສະວະກໍາດ່ວນ
ວິສະວະ ກຳ ດ່ວນແມ່ນຂົງເຂດຂະຫຍາຍຂອງການອອກແບບທີ່ທັນສະ ໄໝ ທີ່ປະກອບມີຂະບວນການທີ່ ສຳ ຄັນຫຼາຍ:
- ການອອກແບບ Prompts at Scale: ຂະບວນການນີ້ປະກອບມີການອອກແບບ meta prompts (ການກະຕຸ້ນເຕືອນທີ່ສ້າງ prompts ອື່ນໆ) ແລະ prompt templates, ເຊິ່ງເປັນ parameterized prompts ທີ່ສາມາດ instantiated ໃນ runtime.
- ການອອກແບບແລະການເຊື່ອມໂຍງເຄື່ອງມື: ບາງຄັ້ງການກະຕຸ້ນເຕືອນສາມາດລວມເອົາຜົນໄດ້ຮັບຈາກເຄື່ອງມືພາຍນອກ, ແລະການລວມເອົາເຄື່ອງມືເຫຼົ່ານີ້ເຂົ້າໄປໃນລະບົບຢ່າງບໍ່ຢຸດຢັ້ງແມ່ນສໍາຄັນ.
- Workflow, Planning, and Prompt Management: ການນຳໃຊ້ແອັບພລິເຄຊັນ LLM, ເຊັ່ນ: chatbot, ມັກຈະຕ້ອງການການຈັດການຫ້ອງສະໝຸດຂອງ prompts, ການວາງແຜນ ແລະເລືອກ prompts ທີ່ຖືກຕ້ອງ, ແລະການລວມເອົາເຄື່ອງມືຕ່າງໆຢ່າງມີປະສິດທິພາບ.
- ການປະເມີນຜົນແລະການຮັບປະກັນຄຸນນະພາບຂອງການກະຕຸ້ນເຕືອນ: ລັກສະນະນີ້ປະກອບມີການກໍານົດ metrics ແລະຂະບວນການເພື່ອປະເມີນການກະຕຸ້ນເຕືອນທັງອັດຕະໂນມັດແລະການມີສ່ວນຮ່ວມຂອງມະນຸດ.
- ການເພີ່ມປະສິດທິພາບການກະຕຸ້ນເຕືອນ: ຄ່າໃຊ້ຈ່າຍແລະການຊັກຊ້າຂອງຕົວແບບ AI ສາມາດຂຶ້ນກັບທາງເລືອກຂອງຕົວແບບແລະຄວາມຍາວຂອງການກະຕຸ້ນເຕືອນ (ຈໍານວນໂທເຄນ).
ວິທີການອອກແບບ, ເຄື່ອງມື, ແລະກອບວຽກອັດຕະໂນມັດຫຼາຍອັນໄດ້ຖືກພັດທະນາເພື່ອຈັດການການກະຕຸ້ນເຕືອນໃນລະດັບ. ຢ່າງໃດກໍ່ຕາມ, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະເຂົ້າໃຈວ່າບໍ່ມີເຄື່ອງມືເຫຼົ່ານີ້ສາມາດທົດແທນຄວາມເຂົ້າໃຈ, ການຕັດສິນ, ແລະປະສົບການຂອງວິສະວະກອນທີ່ທັນເວລາ.
ວິສະວະກໍາດ່ວນ: ເຕັກນິກແລະການປະຕິບັດທີ່ດີທີ່ສຸດ
1) ການຈັດວາງ ແລະ ລາຍລະອຽດ
ການວາງຄໍາແນະນໍາໃນຕອນເລີ່ມຕົ້ນຂອງການກະຕຸ້ນເຕືອນສາມາດສົ່ງຜົນກະທົບຢ່າງຫຼວງຫຼາຍຕໍ່ຄວາມເຂົ້າໃຈແລະການຕອບສະຫນອງຂອງ AI. ພິຈາລະນາວຽກງານຂອງການສະຫຼຸບຂໍ້ຄວາມໃນຮູບແບບຈຸດ bullet ໄດ້. ວິທີການທີ່ມີປະສິດທິພາບຫນ້ອຍຈະເປັນ:
ຜູ້ໃຊ້: ສະຫຼຸບຂໍ້ຄວາມຂ້າງລຸ່ມນີ້ເປັນລາຍການຈຸດເດັ່ນຂອງຈຸດທີ່ສໍາຄັນທີ່ສຸດ.
{ການປ້ອນຂໍ້ຄວາມທີ່ນີ້}
ໃນທາງກົງກັນຂ້າມ, ເຕັກນິກທີ່ມີປະສິດທິພາບຫຼາຍອາດຈະເປັນ:
ຜູ້ໃຊ້: ສະຫຼຸບຂໍ້ຄວາມຂ້າງລຸ່ມນີ້ເປັນລາຍການຈຸດເດັ່ນຂອງຈຸດທີ່ສໍາຄັນທີ່ສຸດ.
ຂໍ້ຄວາມ: """
{ການປ້ອນຂໍ້ຄວາມທີ່ນີ້}
"" "" "
ໂດຍການແຍກອອກຄໍາແນະນໍາແລະສະພາບການທີ່ມີສັນຍາລັກເຊັ່ນ: ### ຫຼື "" ຢ່າງຊັດເຈນ, ຮູບແບບ AI ສາມາດກໍານົດຫນ້າວຽກແລະຂໍ້ຄວາມທີ່ມັນຈໍາເປັນຕ້ອງດໍາເນີນການໄດ້ດີຂຶ້ນ, ດັ່ງນັ້ນການຕອບສະຫນອງທີ່ຖືກຕ້ອງແລະມີຄວາມກ່ຽວຂ້ອງຫຼາຍຂຶ້ນ.
ອັນທີສອງ, ມີຄວາມສະເພາະ, ອະທິບາຍ, ແລະລາຍລະອຽດກ່ຽວກັບສະພາບການ, ຜົນໄດ້ຮັບທີ່ຄາດໄວ້, ຄວາມຍາວ, ຮູບແບບ, ຮູບແບບ, ແລະອື່ນໆສາມາດເສີມຂະຫຍາຍຄວາມແມ່ນຍໍາຂອງການຕອບສະຫນອງ AI ຢ່າງຫຼວງຫຼາຍ. ສົມມຸດວ່າທ່ານຕ້ອງການສ້າງພາບລວມສັ້ນໆຂອງກະດາດວິທະຍາສາດໃນຮູບແບບທີ່ມີສ່ວນຮ່ວມ, ເປັນມິດກັບຄົນ. ຄໍາແນະນໍາທີ່ບໍ່ຊັດເຈນເຊັ່ນ "ສະຫຼຸບເອກະສານວິທະຍາສາດ" ຈະເຮັດໃຫ້ຜົນໄດ້ຮັບທີ່ມີປະສິດທິພາບຫນ້ອຍເມື່ອປຽບທຽບກັບການກະຕຸ້ນເຕືອນທີ່ມີລາຍລະອຽດສະເພາະ:
ຜູ້ໃຊ້: ສ້າງບົດສະຫຼຸບສັ້ນໆ (ປະມານ 200 ຄໍາ), ສະຫຼຸບສັງລວມຂອງເອກະສານວິທະຍາສາດຕໍ່ໄປນີ້. ບົດສະຫຼຸບຄວນຈະເຂົ້າໃຈໄດ້ກັບຄົນທີ່ບໍ່ມີພື້ນຖານວິທະຍາສາດ, ໃນຂະນະທີ່ສະທ້ອນເຖິງການຄົ້ນພົບທີ່ສໍາຄັນຂອງເອກະສານຢ່າງຖືກຕ້ອງ.
ເຈ້ຍ: """
{ຂໍ້ຄວາມເຈ້ຍວິທະຍາສາດຢູ່ບ່ອນນີ້}
"" "" "
2) ຮູບແບບບຸກຄົນ
ຮູບແບບ Persona ແມ່ນຍຸດທະສາດທີ່ກໍານົດໃຫ້ AI ເຮັດວຽກຈາກທັດສະນະທີ່ແນ່ນອນ, ເຊັ່ນ: ບົດບາດທີ່ເປັນມືອາຊີບຫຼືລັກສະນະສົມມຸດ. ຍຸດທະວິທີນີ້ເຮັດໃຫ້ຕົວແບບສາມາດສະໜອງຜົນໄດ້ຮັບທີ່ກ່ຽວຂ້ອງກັບບົດບາດສະເພາະທີ່ບຸກຄົນຈະຈັດການ. ຕົວຢ່າງ, ຄົນເຮົາສາມາດສັ່ງໃຫ້ AI ປະຕິບັດເປັນຜູ້ຊ່ຽວຊານດ້ານຄວາມປອດໄພທາງອິນເຕີເນັດໃນລະຫວ່າງການທົບທວນລະຫັດ. ຮູບແບບນີ້ແມ່ນເປັນປະໂຫຍດໂດຍສະເພາະໃນເວລາທີ່ຜູ້ໃຊ້ຕ້ອງການການຊ່ວຍເຫຼືອແຕ່ບໍ່ແນ່ໃຈກ່ຽວກັບລາຍລະອຽດທີ່ແນ່ນອນທີ່ຕ້ອງການໃນຜົນຜະລິດ.
ເອົາສິ່ງຕໍ່ໄປນີ້ເປັນຕົວຢ່າງ:
ຜູ້ໃຊ້: “ສົມມຸດວ່າບຸກຄົນຂອງນັກປະຫວັດສາດອາວຸໂສທີ່ຊ່ຽວຊານໃນການປະຕິວັດຝຣັ່ງ. ໂດຍອີງໃສ່ບຸກຄົນນັ້ນ, ໃຫ້ອະທິບາຍເຫດການທີ່ສຳຄັນ ແລະ ເຫດຜົນທີ່ນຳໄປສູ່ການຕົກລົງຂອງລະບອບລາຊາທິປະໄຕຂອງຝຣັ່ງ.”
ໃນສະຖານະການນີ້, AI ຄາດວ່າຈະຕອບສະຫນອງກັບການວິເຄາະເລິກເຊິ່ງຂອງການປະຕິວັດຝຣັ່ງ, ສຸມໃສ່ການລົ້ມລະລາຍຂອງກະສັດ, ຄືກັບນັກປະຫວັດສາດ.
ແນະນຳຂໍ້ມູນໃໝ່
ChatGPT ບໍ່ມີຄວາມຮູ້ນອກເໜືອໄປຈາກການຕັດການຝຶກອົບຮົມຂອງມັນ, ດັ່ງນັ້ນມັນຈຶ່ງບໍ່ສາມາດສະໜອງຂໍ້ມູນກ່ຽວກັບເຫດການທີ່ຜ່ານມາ ຫຼືການອັບເດດຫຼັງຈາກການຝຶກອົບຮົມມັນ. ຢ່າງໃດກໍ່ຕາມ, ທ່ານສາມາດແນະນໍາຂໍ້ມູນໃຫມ່ໃຫ້ກັບຕົວແບບໂດຍການເຕືອນຂອງທ່ານ.
ຜູ້ໃຊ້"Crypto ແມ່ນຫຍັງ?"
ສົນທະນາ GPT: “Cryptocurrency ແມ່ນປະເພດຂອງສະກຸນເງິນດິຈິຕອນ ຫຼື virtual ທີ່ໃຊ້ການເຂົ້າລະຫັດລັບເພື່ອຄວາມປອດໄພ. cryptocurrency ທີ່ມີຊື່ສຽງທີ່ສຸດແມ່ນ Bitcoin.
ດຽວນີ້, ຖ້າພວກເຮົາເພີ່ມບໍລິບົດເພີ່ມເຕີມຕໍ່ກັບການກະຕຸ້ນເຕືອນ, ພວກເຮົາສາມາດເຮັດໃຫ້ ຄຳ ອະທິບາຍເຂົ້າໃຈໄດ້ຫຼາຍຂື້ນ:
ຜູ້ໃຊ້: "ອະທິບາຍແນວຄວາມຄິດຂອງ cryptocurrency ກັບນັກຮຽນມັດທະຍົມທີ່ສຶກສາດ້ານການເງິນດິຈິຕອນ"
ChatGPT: “ຈິນຕະນາການວ່າເຈົ້າກຳລັງຫຼິ້ນວິດີໂອເກມອອນໄລນ໌ ແລະ ມີເງິນເກມທີ່ເຈົ້າສາມາດຫາໄດ້ເພື່ອຊື້ການອັບເກຣດ ຫຼືຕົວລະຄອນໃໝ່ໆ. Cryptocurrency ແມ່ນປະເພດນັ້ນ, ແຕ່ແທນທີ່ຈະຖືກຈໍາກັດຢູ່ໃນເກມ, ທ່ານສາມາດນໍາໃຊ້ມັນເພື່ອຊື້ສິນຄ້າແລະການບໍລິການທີ່ແທ້ຈິງ. ມັນຄ້າຍຄືກັບເງິນດິຈິຕອນທີ່ບໍ່ມີທະນາຄານຫຼືລັດຖະບານຄວບຄຸມ."
3) ຂໍ້ຈໍາກັດຂະຫນາດທັນທີ
ຄວາມເຂົ້າໃຈກ່ຽວກັບການຈໍາກັດຂະຫນາດຂອງ ChatGPT ເປັນສິ່ງຈໍາເປັນຍ້ອນວ່າມັນມີຜົນກະທົບໂດຍກົງຕໍ່ປະລິມານແລະປະເພດຂອງຂໍ້ມູນທີ່ພວກເຮົາສາມາດໃສ່ໄດ້. ຮູບແບບພາສາບໍ່ໄດ້ຖືກສ້າງຂື້ນເພື່ອປະມວນຜົນຂໍ້ມູນທີ່ບໍ່ຈໍາກັດໃນເວລາດຽວກັນ. ພວກມັນມີຂໍ້ຈຳກັດທີ່ປະກົດຢູ່ກັບຂະໜາດຂອງການເຕືອນທີ່ພວກເຮົາສາມາດສ້າງ ແລະ ປ້ອນຂໍ້ມູນໄດ້. ຂໍ້ຈໍາກັດນີ້ມີຜົນກະທົບອັນເລິກເຊິ່ງສໍາລັບການອອກແບບແລະການປະຕິບັດການກະຕຸ້ນເຕືອນ.
ChatGPT ມີຂີດຈຳກັດໂທເຄັນ (ໂດຍທົ່ວໄປແລ້ວ 2048 tokens), ເຊິ່ງລວມມີທັງການກະຕຸ້ນເຕືອນ ແລະຄຳຕອບທີ່ສ້າງຂຶ້ນ. ນີ້ຫມາຍຄວາມວ່າການກະຕຸ້ນເຕືອນຍາວສາມາດຈໍາກັດຄວາມຍາວຂອງການຕອບສະຫນອງ. ສະນັ້ນ, ມັນເປັນສິ່ງ ສຳ ຄັນທີ່ຈະຮັກສາການກະຕຸ້ນເຕືອນໃຫ້ທັນສະ ໄໝ.
ໃນການນໍາໃຊ້ປະຕິບັດ, ພວກເຮົາຕ້ອງເຮັດຫນ້າທີ່ເປັນບັນນາທິການ, ເລືອກເອົາຂໍ້ມູນທີ່ກ່ຽວຂ້ອງທີ່ສຸດສໍາລັບວຽກງານຢູ່ໃນມື. ຈິນຕະນາການຂຽນເຈ້ຍຫຼືບົດຄວາມທີ່ມີຄໍາຫຼືຫນ້າຈໍາກັດ - ທ່ານບໍ່ສາມາດພຽງແຕ່ຖິ້ມຂໍ້ເທັດຈິງແບບສຸ່ມ, ແຕ່ເລືອກຢ່າງລະມັດລະວັງແລະໂຄງສ້າງຂໍ້ມູນທີ່ກ່ຽວຂ້ອງກັບຫົວຂໍ້.
ຜູ້ໃຊ້: "ເນື່ອງຈາກຂໍ້ຈໍາກັດຂອງຕົວແບບ, ສະຫຼຸບເຫດການສໍາຄັນຂອງສົງຄາມໂລກຄັ້ງທີສອງຫນ້ອຍກວ່າ 1000 ຄໍາ."
ໂດຍການຮັບຮູ້ຂໍ້ຈໍາກັດຂອງໂທເຄັນຂອງຕົວແບບ, ການກະຕຸ້ນເຕືອນນີ້ຊີ້ບອກ AI ໃຫ້ສະຫຼຸບສັງລວມຂອງສົງຄາມໂລກຄັ້ງທີສອງຢ່າງຫຍໍ້ທໍ້.
ການເຕືອນສໍາລັບການນໍາໃຊ້ຊ້ໍາຊ້ອນ: ໃນສະຖານະການສົນທະນາ, ທ່ານສາມາດນໍາໃຊ້ການເຕືອນຄືນໃຫມ່ຫຼືປັບປຸງໃຫ້ເຂົາເຈົ້າໂດຍອີງໃສ່ຄໍາຕອບທີ່ຜ່ານມາ. ນີ້ເຮັດໃຫ້ການໄຫຼເຂົ້າການສົນທະນາແລະຮັກສາສະພາບການໃນການໂຕ້ຕອບ.
4) ຮູບແບບການແກ້ໄຂຄໍາຖາມ
ChatGPT ຍັງສາມາດຊ່ວຍປັບປຸງຄໍາຖາມຂອງທ່ານໄດ້. ຕົວຢ່າງ, ຖ້າທ່ານຖາມຄໍາຖາມ, ມັນສາມາດແນະນໍາຄໍາຖາມທີ່ມີຮູບແບບທີ່ດີກວ່າເພື່ອໃຫ້ຜົນໄດ້ຮັບທີ່ຖືກຕ້ອງກວ່າ.
ຮູບແບບການແກ້ໄຂຄໍາຖາມກ່ຽວຂ້ອງກັບ LLM ປັບປຸງຄໍາຖາມທີ່ຖາມໂດຍຜູ້ໃຊ້. ມັນເປັນປະໂຫຍດໂດຍສະເພາະໃນເວລາທີ່ຜູ້ໃຊ້ບໍ່ແມ່ນຜູ້ຊ່ຽວຊານໃນໂດເມນຫຼືບໍ່ແນ່ໃຈວ່າຈະປະໂຫຍກຄໍາຖາມຂອງເຂົາເຈົ້າແນວໃດ.
ການເຕືອນຕົວຢ່າງອາດເບິ່ງຄືວ່ານີ້:
ຜູ້ໃຊ້: "ທຸກຄັ້ງທີ່ຂ້ອຍຖາມຄໍາຖາມກ່ຽວກັບວິທະຍາສາດຂໍ້ມູນ, ແນະນໍາຄໍາຖາມທີ່ຫລອມໂລຫະກວ່າພິຈາລະນາສະເພາະການວິເຄາະສະຖິຕິແລະຖາມວ່າຂ້ອຍຕ້ອງການດໍາເນີນການຕໍ່ຄໍາຖາມທີ່ຫລອມໂລຫະ."
ໃນທີ່ນີ້, AI ຄາດວ່າຈະປັບປຸງຄໍາຖາມວິທະຍາສາດຂໍ້ມູນທົ່ວໄປຂອງຜູ້ໃຊ້ໄປຫາຄໍາຖາມທີ່ລະອຽດກວ່າພິຈາລະນາລັກສະນະການວິເຄາະສະຖິຕິ.
5) ຮູບແບບຕົວກວດສອບສະຕິປັນຍາ
ຮູບແບບຕົວກວດສອບສະຕິປັນຍາແຍກຄຳຖາມທີ່ຊັບຊ້ອນອອກເປັນຄຳຖາມຍ່ອຍທີ່ນ້ອຍກວ່າ ແລະສາມາດຈັດການໄດ້. ຄໍາຕອບຂອງຄໍາຖາມຍ່ອຍເຫຼົ່ານີ້ຖືກລວມເຂົ້າກັນເພື່ອໃຫ້ຄໍາຕອບທີ່ສົມບູນແບບກັບຄໍາຖາມຕົ້ນຕໍ. ວິທີການນີ້ແມ່ນເປັນປະໂຫຍດໃນເວລາທີ່ຄໍາຖາມເບື້ອງຕົ້ນແມ່ນສູງເກີນໄປຫຼືໃນເວລາທີ່ຄວາມຊັດເຈນເພີ່ມເຕີມແມ່ນຈໍາເປັນເພື່ອໃຫ້ຄໍາຕອບທີ່ສົມບູນ.
ຕົວຢ່າງ:
ຜູ້ໃຊ້: “ຖ້າຂ້ອຍຖາມຄຳຖາມກ່ຽວກັບການປ່ຽນແປງຂອງດິນຟ້າອາກາດ, ໃຫ້ແບ່ງມັນອອກເປັນສາມຄຳຖາມນ້ອຍໆ ທີ່ຈະຊ່ວຍໃຫ້ທ່ານສາມາດໃຫ້ຄຳຕອບທີ່ຖືກຕ້ອງກວ່າ. ສົມທົບຄໍາຕອບຂອງຄໍາຖາມຍ່ອຍເຫຼົ່ານີ້ເພື່ອໃຫ້ຄໍາຕອບສຸດທ້າຍ.”
ໃນສະຖານະການນີ້, AI ຈະແຍກຄໍາຖາມທີ່ສັບສົນກ່ຽວກັບການປ່ຽນແປງດິນຟ້າອາກາດອອກເປັນສາມຄໍາຖາມຍ່ອຍທີ່ສາມາດຈັດການໄດ້. ຫຼັງຈາກໄດ້ຮັບຄໍາຕອບຕໍ່ຄໍາຖາມຍ່ອຍເຫຼົ່ານີ້, ຫຼັງຈາກນັ້ນ AI ຈະສົມທົບການເຫຼົ່ານີ້ເພື່ອໃຫ້ຄໍາຕອບທີ່ສົມບູນແບບແລະຖືກຕ້ອງ.
ຮູບແບບນີ້ກ່ຽວຂ້ອງກັບການສ້າງຄໍາຖາມຫຼາຍຢ່າງເພື່ອໃຫ້ໄດ້ຄໍາຕອບສຸດທ້າຍທີ່ຖືກຕ້ອງກວ່າ. ມັນເປັນຂະບວນການຂອງການກວດສອບແລະການລວມຂໍ້ມູນສໍາລັບຜົນຜະລິດສຸດທ້າຍທີ່ເຂັ້ມແຂງ
6) ວິທີການກະຕຸ້ນເຕືອນບໍ່ຫຼາຍປານໃດ
ການກະຕຸ້ນເຕືອນບໍ່ຫຼາຍປານໃດແມ່ນວິທີການທີ່ມີປະສິດທິພາບສໍາລັບການສອນຕົວແບບ AI ເພື່ອປະຕິບັດຕາມຮູບແບບສະເພາະຫຼືປະຕິບັດວຽກງານ. ແນວຄວາມຄິດແມ່ນໃຫ້ອາຫານຕົວແບບທີ່ມີຕົວຢ່າງຈໍານວນຫນຶ່ງກ່ອນທີ່ຈະຖາມຄໍາຖາມທີ່ຕ້ອງການ. ນີ້ຊ່ວຍກໍານົດພຶດຕິກໍາທີ່ຕ້ອງການແລະນໍາພາການຕອບສະຫນອງຂອງຕົວແບບ.
ພິຈາລະນາສະຖານະການທີ່ຜູ້ໃຊ້ພະຍາຍາມທີ່ຈະຮ່າງສໍາເນົາການຕະຫຼາດທີ່ຫຍໍ້ທໍ້, ດຶງດູດໃຈສໍາລັບ gadget ເຕັກໂນໂລຊີໃຫມ່:
ຜູ້ໃຊ້: “ນີ້ແມ່ນບາງຕົວຢ່າງຂອງສຳເນົາການຕະຫຼາດດ້ານເທັກໂນໂລຢີ: 'ປະສົບການດົນຕີທີ່ບໍ່ເຄີຍມີມາກ່ອນດ້ວຍຫູຟັງໄຮ້ສາຍທີ່ທັນສະໄໝຂອງພວກເຮົາ.' 'ຈັບພາບໂລກຂອງທ່ານໃນພາບ 4K ທີ່ສວຍງາມດ້ວຍກ້ອງອັດສະລິຍະທີ່ເງົາງາມທີ່ສຸດຂອງພວກເຮົາ.' ດ້ວຍຕົວຢ່າງເຫຼົ່ານີ້, ຮ່າງສໍາເນົາການຕະຫຼາດສໍາລັບ smartwatch ໃຫມ່ຂອງພວກເຮົາທີ່ຂັບເຄື່ອນດ້ວຍ AI."
ສົນທະນາ GPT: "ສ້າງຄວາມເຂັ້ມແຂງວິຖີຊີວິດຂອງເຈົ້າດ້ວຍ smartwatch ທີ່ໃຊ້ AI ຂອງພວກເຮົາ, ຄູ່ຂອງເຈົ້າເພື່ອສຸຂະພາບ, ການເຊື່ອມຕໍ່, ແລະການຜະລິດ." ຄຸນລັກສະນະທີ່ໂດດເດັ່ນຂອງການຮຽນຮູ້ການສັກຢາບໍ່ຫຼາຍປານໃດແມ່ນວ່າມັນບໍ່ຈໍາເປັນຕ້ອງມີລາຍລະອຽດກ່ຽວກັບວິທີການປະຕິບັດຫນ້າວຽກ. ແທນທີ່ຈະ, ມັນຮຽກຮ້ອງໃຫ້ມີການສາທິດສິ່ງທີ່ກໍາລັງເຮັດ, ເຊິ່ງສາມາດເຮັດໃຫ້ມັນເຫມາະສໍາລັບຄໍາຮ້ອງສະຫມັກຈໍານວນຫຼາຍ.
ຍິ່ງໄປກວ່ານັ້ນ, ເຕັກນິກນີ້ຂະຫຍາຍເກີນການຈັບຄູ່ເຂົ້າ-ອອກທີ່ງ່າຍດາຍ. ຮູບແບບດັ່ງກ່າວຍັງສາມາດສອນເພື່ອຈັດການຂັ້ນຕອນລະດັບປານກາງເພື່ອບັນລຸເປົ້າຫມາຍ.
7) Chain-of-thought prompting
ໃນເອກະສານການຄົ້ນຄວ້າທີ່ຜ່ານມາຂອງພວກເຂົາ, "ລະບົບຕ່ອງໂສ້ຂອງຄວາມຄິດທີ່ກະຕຸ້ນໃຫ້ໃຊ້ເຫດຜົນໃນຮູບແບບພາສາຂະຫນາດໃຫຍ່” ຜູ້ຂຽນ Jason Wei ແລະທີມງານມີຈຸດປະສົງເພື່ອກະຕຸ້ນໃຫ້ເຫດຜົນພາຍໃນຮູບແບບພາສາຂະຫນາດໃຫຍ່. ແທນທີ່ຈະໃຊ້ການກະຕຸ້ນເຕືອນແບບດັ້ງເດີມ, ໂດຍກົງ, ທີມງານໃຊ້ການກະຕຸ້ນເຕືອນທີ່ເຊື່ອມຕໍ່ກັນຫຼາຍ, ປະກອບເປັນ 'ຕ່ອງໂສ້ຂອງຄວາມຄິດ.
ຕົວຢ່າງ, ຜູ້ໃຊ້ອາດຈະສົນໃຈຜົນກະທົບຂອງປັນຍາປະດິດໃນຕະຫຼາດວຽກ:
ຜູ້ໃຊ້: "ເຈົ້າສາມາດອະທິບາຍສັ້ນໆກ່ຽວກັບແນວຄວາມຄິດຂອງປັນຍາປະດິດໄດ້ບໍ?"
ສົນທະນາ GPT: “ປັນຍາປະດິດ, ຫຼື AI, ຫມາຍເຖິງຄວາມສາມາດຂອງເຄື່ອງຈັກທີ່ຈະຮຽນແບບພຶດຕິກຳຂອງມະນຸດອັດສະລິຍະ. ມັນແມ່ນກ່ຽວກັບການອອກແບບເຄື່ອງຈັກທີ່ສາມາດຄິດແລະຮຽນຮູ້ຄືກັບມະນຸດ, ເຮັດໃຫ້ມັນສາມາດປະຕິບັດວຽກງານເຊັ່ນການແປພາສາ, ການຕັດສິນໃຈແລະການແກ້ໄຂບັນຫາ, ແລະອື່ນໆ."
ຜູ້ໃຊ້: "AI ມີອິດທິພົນຕໍ່ຕະຫຼາດວຽກໃນປະຈຸບັນແນວໃດ?"
ສົນທະນາ GPT"AI ແມ່ນທັງການສ້າງວຽກໃຫມ່ແລະການປ່ຽນແປງລັກສະນະຂອງວຽກທີ່ມີຢູ່ແລ້ວ. ໃນດ້ານໜຶ່ງ, ມັນເຮັດໃຫ້ວຽກງານປົກກະຕິເປັນແບບອັດຕະໂນມັດ, ເຮັດໃຫ້ການຍົກຍ້າຍວຽກເຮັດງານທຳໃນບາງຂະແໜງການ. ໃນທາງກົງກັນຂ້າມ, ມັນເປັນການສ້າງຄວາມຕ້ອງການສໍາລັບພາລະບົດບາດທີ່ບໍ່ເຄີຍມີມາກ່ອນ, ເຊັ່ນເຈົ້າຫນ້າທີ່ດ້ານຈັນຍາບັນ AI, ນັກວິເຄາະຂໍ້ມູນແລະວິສະວະກອນການຮຽນຮູ້ເຄື່ອງຈັກ. ນອກຈາກນັ້ນ, AI ສາມາດເສີມສ້າງບົດບາດຂອງມະນຸດ, ຊ່ວຍໃຫ້ຄົນສາມາດປະຕິບັດວຽກງານໄດ້ຢ່າງມີປະສິດທິພາບແລະຖືກຕ້ອງຫຼາຍຂຶ້ນ.”
ການກະຕຸ້ນເຕືອນແບບຕ່ອງໂສ້ຂອງຄວາມຄິດປະຕິບັດຕາມຄວາມຄືບຫນ້າຂອງການກະຕຸ້ນເຕືອນທີ່ກ່ຽວຂ້ອງ, ຮັກສາ 'ການສົນທະນາ' ກັບຕົວແບບທີ່ນໍາພາມັນໄປສູ່ການຕອບສະຫນອງທີ່ຊັດເຈນກວ່າແລະເຫມາະສົມກັບສະພາບການ.
ຄວາມເຂົ້າໃຈກ່ຽວກັບ ChatGPT API ແລະວິສະວະກໍາ Prompt ຈາກທັດສະນະຂອງຜູ້ພັດທະນາ
ຈາກທັດສະນະຂອງນັກພັດທະນາຫຼືນັກຄົ້ນຄວ້າ, ວິສະວະກໍາທັນທີແມ່ນຂະບວນການທີ່ສັບສົນຫຼາຍ. ມັນກ່ຽວຂ້ອງກັບການອອກແບບຂອງ algorithms ແລະເຕັກນິກເພື່ອຊ່ວຍໃຫ້ຮູບແບບ AI ເຂົ້າໃຈແລະຕອບສະຫນອງຕໍ່ການກະຕຸ້ນເຕືອນຢ່າງມີປະສິດທິພາບ. ນີ້ສາມາດປະກອບມີກົນລະຍຸດໃນການຈັດການການກະຕຸ້ນເຕືອນທີ່ບໍ່ຊັດເຈນ, ການກໍານົດສະພາບການຂອງການກະຕຸ້ນເຕືອນ, ຫຼືລະບົບຕ່ອງໂສ້ການກະຕຸ້ນເຕືອນຮ່ວມກັນເພື່ອກະຕຸ້ນຂະບວນການຄິດທີ່ສັບສົນຫຼາຍໃນ AI.
ໃນຕົວຢ່າງຂ້າງເທິງ, ຜູ້ໃຊ້ໂຕ້ຕອບກັບການໂຕ້ຕອບການສົນທະນາ, ຂັບເຄື່ອນໂດຍ GPT-4. ການປ້ອນຂໍ້ມູນຂອງເຂົາເຈົ້າຖືກປັບປຸງໃຫ້ມີຄວາມຊັດເຈນ ແລະສອດຄ່ອງຕາມບໍລິບົດໂດຍໂມດູນພິເສດກ່ອນທີ່ຈະຖືກປ້ອນໃຫ້ກັບຕົວແບບ AI. ບົດບາດຂອງໂມດູນນີ້ແມ່ນເພື່ອປັບປຸງແລະເສີມຂະຫຍາຍການປ້ອນຂໍ້ມູນຂອງຜູ້ໃຊ້ສໍາລັບຄວາມເຂົ້າໃຈທີ່ດີກວ່າໃນຂະນະທີ່ຍັງຮັກສາສະພາບການຂອງການສົນທະນາ. ການຕອບສະ ໜອງ ຂອງ AI, ສ້າງຂຶ້ນໂດຍອີງໃສ່ການກະຕຸ້ນເຕືອນທີ່ຫລອມໂລຫະ, ຖືກສົ່ງຄືນໃຫ້ຜູ້ໃຊ້ໂດຍຜ່ານການໂຕ້ຕອບການສົນທະນາ. ປະຫວັດສາດການພົວພັນໄດ້ຮັບການປັບປຸງສະຫມໍ່າສະເຫມີ, ການຮັກສາສະພາບການສົນທະນາ. ໂດຍລວມແລ້ວ, ແຜນວາດນີ້ສະແດງໃຫ້ເຫັນເຖິງຂະບວນການສົນທະນາຂອງຜູ້ໃຊ້-AI ແບບເຄື່ອນໄຫວທີ່ເປີດໃຊ້ໂດຍເຕັກນິກວິສະວະກໍາທັນທີ.
ໄດ້ ChatGPT API ຂອງ ອິນເຕີເຟດຖືກອອກແບບດ້ວຍ hyperparameters ຕ່າງໆທີ່ເຮັດໃຫ້ຜູ້ໃຊ້ສາມາດປັບປຸງການຕອບສະຫນອງຂອງ AI ຕໍ່ການກະຕຸ້ນເຕືອນ, ເຮັດໃຫ້ມັນມີປະສິດທິພາບແລະຫລາກຫລາຍ. ເຫຼົ່ານີ້ລວມມີອຸນຫະພູມ, ຄວາມຍາວສູງສຸດ, ແລະຕົວກໍານົດການຢຸດລໍາດັບ. ຂໍໃຫ້ພິຈາລະນາວິທີການເຮັດວຽກຂອງພວກມັນແລະສາມາດຖືກນໍາໃຊ້ໃນສະພາບການທີ່ແຕກຕ່າງກັນ.
1) ອຸນຫະພູມ
ຕົວກໍານົດການອຸນຫະພູມມີອິດທິພົນຕໍ່ຄວາມສຸ່ມຂອງການຕອບສະຫນອງຂອງ AI. ອຸນຫະພູມທີ່ສູງຂຶ້ນ, ເຊັ່ນ: 1.0, ຊຸກຍູ້ໃຫ້ຜົນຜະລິດແບບສຸ່ມຫຼາຍ, ເຊິ່ງກໍ່ໃຫ້ເກີດການຕອບໂຕ້ທີ່ຫຼາກຫຼາຍແຕ່ມີທ່າແຮງນອກຫົວຂໍ້. ໃນທາງກົງກັນຂ້າມ, ອຸນຫະພູມຕ່ໍາ, ເຊັ່ນ: 0.2, ກະຕຸ້ນໃຫ້ AI ເລືອກເອົາການຕອບສະຫນອງທີ່ກໍານົດຫຼາຍຂຶ້ນ, ເຊິ່ງສາມາດເປັນປະໂຫຍດສໍາລັບຜົນໄດ້ຮັບທີ່ສຸມໃສ່ແລະສະເພາະແຕ່ອາດຈະຂາດຄວາມຫລາກຫລາຍ.
ຕົວຢ່າງ: ຖ້າທ່ານກໍາລັງຂຽນເລື່ອງທີ່ສ້າງສັນແລະຕ້ອງການອົງປະກອບທີ່ບໍ່ສາມາດຄາດເດົາໄດ້, ຈິນຕະນາການ, ໃຫ້ຕັ້ງອຸນຫະພູມໃຫ້ສູງກວ່າ. ການກະຕຸ້ນເຕືອນອາດຈະເປັນ: "ຂຽນບົດເລື່ອງສັ້ນກ່ຽວກັບແມວເດີນທາງທີ່ໃຊ້ເວລາ." ດ້ວຍອຸນຫະພູມທີ່ສູງ, ເຈົ້າອາດຈະໄດ້ຮັບນິທານທີ່ມະຫັດສະຈັນ, ແປກປະຫຼາດດ້ວຍການບິດເບືອນທີ່ບໍ່ສາມາດຄາດເດົາໄດ້.
2) ຄວາມຍາວສູງສຸດ
ພາລາມິເຕີນີ້ຄວບຄຸມຄວາມຍາວສູງສຸດຂອງ token ຂອງຜົນຜະລິດຂອງຕົວແບບ, ເຊິ່ງປະກອບມີທັງ tokens ໃນການປ້ອນຂໍ້ຄວາມແລະຜົນຜະລິດຂໍ້ຄວາມ. ການກໍານົດຂອບເຂດຈໍາກັດທີ່ສູງຂຶ້ນເຮັດໃຫ້ການຕອບສະຫນອງທີ່ຂະຫຍາຍຫຼາຍຂຶ້ນ, ໃນຂະນະທີ່ຂອບເຂດຈໍາກັດຕ່ໍາເຮັດໃຫ້ຜົນຜະລິດສັ້ນແລະຊັດເຈນ.
ຕົວຢ່າງ: ສໍາລັບຄໍາຕອບສັ້ນໆສໍາລັບຄໍາຖາມບໍ່ສໍາຄັນເຊັ່ນ, "ໃຜຊະນະລາງວັນ Nobel ໃນວັນນະຄະດີໃນປີ 2020?" ທ່ານອາດຈະຕ້ອງການກໍານົດຄວາມຍາວສູງສຸດເປັນຄ່າຕ່ໍາ, ໃຫ້ແນ່ໃຈວ່າການຕອບສະຫນອງແມ່ນ concise ແລະໂດຍກົງ.
3) ລໍາດັບຢຸດ
ລໍາດັບການຢຸດເຊົາແມ່ນສາຍສະເພາະຂອງຂໍ້ຄວາມທີ່, ເມື່ອຕົວແບບພົບກັບພວກມັນ, ມັນຢຸດການສ້າງຜົນຜະລິດຕື່ມອີກ. ຄຸນສົມບັດນີ້ສາມາດເປັນປະໂຫຍດສໍາລັບການຄວບຄຸມຄວາມຍາວຂອງຜົນຜະລິດຫຼືສັ່ງໃຫ້ຕົວແບບຢຸດຢູ່ທີ່ຈຸດສິ້ນສຸດທີ່ມີເຫດຜົນ.
ຕົວຢ່າງ: ສໍາລັບຈົດຫມາຍຢ່າງເປັນທາງການ, ທ່ານສາມາດນໍາໃຊ້ "ດ້ວຍຄວາມຈິງໃຈຂອງເຈົ້າ," ເປັນລໍາດັບຢຸດເພື່ອຮັບປະກັນວ່າ AI ບໍ່ສ້າງຂໍ້ຄວາມເພີ່ມເຕີມໃດໆນອກເຫນືອຈາກການສິ້ນສຸດທີ່ເຫມາະສົມຂອງຈົດຫມາຍ.
4) ເທິງ P
ພາລາມິເຕີ 'Top P', ເຊິ່ງເອີ້ນກັນວ່າການເກັບຕົວຢ່າງນິວເຄຍ, ແມ່ນວິທີການທີ່ສະຫນອງການຄັດເລືອກແບບເຄື່ອນໄຫວຂອງຈໍານວນຄໍາທີ່ພິຈາລະນາໃນແຕ່ລະຂັ້ນຕອນຂອງການຄາດຄະເນຂອງຕົວແບບ. ຄ່າທີ່ຕໍ່າກວ່າ, ເຊັ່ນ: 0.5, ນໍາໄປສູ່ຄວາມປອດໄພ, ຜົນໄດ້ຮັບທີ່ສຸມໃສ່ຫຼາຍຂຶ້ນ. ມູນຄ່າທີ່ສູງກວ່າ, ເຊັ່ນ: 0.9, ປະກອບມີການເລືອກຄໍາທີ່ກວ້າງຂຶ້ນ, ນໍາໄປສູ່ຜົນໄດ້ຮັບທີ່ຫຼາກຫຼາຍ.
ຕົວຢ່າງ: ຖ້າທ່ານກໍາລັງສ້າງ AI ເພື່ອຂຽນບົດກະວີແລະຕ້ອງການໃຫ້ມັນໃຊ້ຄໍາສັບແລະປະໂຫຍກທີ່ກວ້າງຂວາງ, ທ່ານອາດຈະຕັ້ງ 'Top P' ເປັນມູນຄ່າທີ່ສູງກວ່າ. ການກະຕຸ້ນເຕືອນອາດຈະເປັນ: "ແຕ່ງບົດກະວີກ່ຽວກັບຄວາມງາມຂອງລະດູໃບໄມ້ປົ່ງ."
5) ການລົງໂທດຄວາມຖີ່
ການລົງໂທດຄວາມຖີ່ຈະຄວບຄຸມວ່າຕົວແບບຄວນມັກຄຳສັບທີ່ໜ້ອຍລົງເທົ່າໃດ. ການລົງໂທດທີ່ສູງກວ່າ (ເຖິງ 1) ຊຸກຍູ້ໃຫ້ຕົວແບບໃຊ້ຄໍາສັບທົ່ວໄປຫນ້ອຍ, ໃນຂະນະທີ່ຄ່າຕ່ໍາ (ລົງເປັນ -1) ຊຸກຍູ້ໃຫ້ຕົວແບບໃຊ້ຄໍາສັບທົ່ວໄປຫຼາຍຂຶ້ນ.
ຕົວຢ່າງ: ຖ້າເຈົ້າພະຍາຍາມສ້າງບົດສະເໜີທຸລະກິດ ແລະຕ້ອງການຫຼີກລ່ຽງຄຳເວົ້າ, ເຈົ້າອາດຈະກຳນົດການລົງໂທດຄວາມຖີ່ເປັນຄ່າຕໍ່າກວ່າ ເພື່ອໃຫ້ພາສາທີ່ຊັດເຈນ ແລະເຂົ້າເຖິງໄດ້.
6) ປະກົດການລົງໂທດ
ພາລາມິເຕີການລົງໂທດການມີຢູ່ມີຜົນກະທົບຫຼາຍປານໃດທີ່ຕົວແບບຖືກລົງໂທດສໍາລັບການສ້າງແນວຄວາມຄິດໃຫມ່ຫຼືຫົວຂໍ້ທີ່ບໍ່ມີຢູ່ໃນປະຫວັດການສົນທະນາ. ຄຸນຄ່າທີ່ສູງຂຶ້ນຊຸກຍູ້ໃຫ້ຕົວແບບຕິດກັບຫົວຂໍ້ທີ່ໄດ້ກ່າວມາແລ້ວ, ໃນຂະນະທີ່ຄຸນຄ່າຕ່ໍາເຮັດໃຫ້ຕົວແບບນໍາສະເຫນີແນວຄວາມຄິດໃຫມ່ຢ່າງເສລີຫຼາຍ.
ຕົວຢ່າງ: ສໍາລັບກອງປະຊຸມລະດົມສະຫມອງ, ທ່ານອາດຈະກໍານົດການລົງໂທດການມີຢູ່ເປັນມູນຄ່າຕ່ໍາເພື່ອຊຸກຍູ້ໃຫ້ມີແນວຄວາມຄິດທີ່ຫຼາກຫຼາຍ. ທ່ານສາມາດນໍາໃຊ້ການກະຕຸ້ນເຕືອນເຊັ່ນ, "ສ້າງຍຸດທະສາດການຕະຫຼາດໃຫມ່ສໍາລັບເວທີການສຶກສາອອນໄລນ໌."
ອຸດສາຫະກໍາການນໍາໃຊ້ວິສະວະກໍາທັນທີ
ການຊ່ວຍເຫຼືອລູກຄ້າແລະການຜະລິດ FAQ
ໃນໂລກຂອງການຊ່ວຍເຫຼືອລູກຄ້າ, ຜົນປະໂຫຍດຂອງວິສະວະກໍາທັນທີບໍ່ສາມາດ overstated. ຫນຶ່ງໃນຄໍາຮ້ອງສະຫມັກພື້ນຖານທີ່ສຸດຂອງ AI ໃນຂະແຫນງການນີ້ແມ່ນການມາຂອງ AI-powered chatbots. ສໍາລັບຕົວຢ່າງ, ພິຈາລະນາເວທີການຄ້າ e-commerce ເຊັ່ນ eBay. ພວກເຂົາເຈົ້ານໍາໃຊ້ລະບົບ chatbot ກ້າວຫນ້າທາງດ້ານທີ່ໄດ້ຮັບການປັບຕົວດ້ວຍວິສະວະກໍາທັນທີເພື່ອຈັດການກັບການສອບຖາມຂອງລູກຄ້າ. chatbot ສາມາດຈັດການກັບບັນຫາຕ່າງໆລວມທັງ, ແຕ່ບໍ່ຈໍາກັດ, ສະຫນອງການປັບປຸງການຈັດສົ່ງ, ການປະມວນຜົນການຮ້ອງຂໍການຄືນເງິນ, ແລະການຕອບຄໍາຖາມກ່ຽວກັບສະເພາະຂອງຜະລິດຕະພັນ.
ເມື່ອລູກຄ້າຖາມວ່າ, "ຄໍາສັ່ງຂອງຂ້ອຍຢູ່ໃສ?", AI chatbot ບໍ່ພຽງແຕ່ຕອບສະຫນອງກັບຂໍ້ຄວາມທົ່ວໄປ; ແທນທີ່ຈະ, ມັນເຂົ້າໄປໃນລະບົບການຈັດການຄໍາສັ່ງ, ດຶງຂໍ້ມູນໃນເວລາທີ່ແທ້ຈິງ, ແລະສະຫນອງການຕອບສະຫນອງສ່ວນບຸກຄົນເຊັ່ນ, "ຄໍາສັ່ງ #1234 ຂອງທ່ານແມ່ນຢູ່ໃນການຂົນສົ່ງແລະຄາດວ່າຈະຖືກຈັດສົ່ງໃນຕອນແລງມື້ອື່ນ." ຄໍາຕອບສ່ວນບຸກຄົນແລະທີ່ກ່ຽວຂ້ອງດັ່ງກ່າວແມ່ນຜົນໂດຍກົງຂອງການກະຕຸ້ນເຕືອນທີ່ມີວິສະວະກໍາທີ່ດີ, ເຊິ່ງປະກອບເປັນຫຼັກຂອງລະບົບ chatbot ອັດສະລິຍະເຫຼົ່ານີ້.
ການສ້າງເນື້ອຫາແລະການຕະຫຼາດ
ໃນໂດເມນຂອງການສ້າງເນື້ອຫາແລະການຕະຫຼາດ, ວິສະວະກໍາທັນທີເຮັດຫນ້າທີ່ເປັນພື້ນຖານຂອງການປະດິດສ້າງທີ່ຂັບເຄື່ອນດ້ວຍ AI. ບໍລິສັດເຊັ່ນ Grammarly ໃຊ້ເຄື່ອງຈັກທີ່ໃຊ້ AI ເພື່ອຊ່ວຍຜູ້ໃຊ້ໃນການສ້າງເນື້ອຫາທີ່ມີສ່ວນພົວພັນແລະຖືກຕ້ອງຕາມໄວຍະກອນ. ເວທີເຫຼົ່ານີ້ເຮັດວຽກບົນພື້ນຖານການກະຕຸ້ນເຕືອນ, ນໍາພາຮູບແບບ AI ເພື່ອສ້າງຄໍາແນະນໍາຫຼືການແກ້ໄຂທີ່ສາມາດປັບປຸງຄຸນນະພາບໂດຍລວມຂອງເນື້ອຫາ.
ພິຈາລະນາຜູ້ໃຊ້ທີ່ມີຈຸດປະສົງເພື່ອສ້າງເນື້ອຫາທີ່ມີສ່ວນຮ່ວມກ່ຽວກັບຄວາມກ້າວຫນ້າຂອງ AI. ພວກເຂົາສາມາດໃຊ້ການກະຕຸ້ນເຕືອນເຊັ່ນ: "ອະທິບາຍຄວາມກ້າວຫນ້າຫລ້າສຸດໃນ AI ແບບງ່າຍດາຍ, ມີສ່ວນຮ່ວມສໍາລັບຜູ້ເລີ່ມຕົ້ນ." AI, ໝູນໃຊ້ການກະຕືລືລົ້ນນີ້, ສາມາດຮ່າງບົດເລື່ອງຫຍໍ້, ເປັນມິດກັບຜູ້ອ່ານກ່ຽວກັບແນວຄວາມຄິດ AI ທີ່ສັບສົນ, ດັ່ງນັ້ນຈຶ່ງເຮັດໃຫ້ຊ່ອງຫວ່າງຄວາມຮູ້ ແລະ ກະຕຸ້ນຄວາມສົນໃຈຂອງຜູ້ອ່ານ. ນີ້ແມ່ນພຽງແຕ່ຫນຶ່ງໃນຫຼາຍວິທີທີ່ວິສະວະກໍາໄວສາມາດເສີມຂະຫຍາຍການສ້າງເນື້ອຫາ.
ການຊ່ວຍເຫຼືອການຂຽນລະຫັດແລະການຕີຄວາມລະຫັດ
ວິສະວະກໍາທັນທີ, ໃນສະພາບການນີ້, ແມ່ນຄ້າຍຄືການສົນທະນາສອງທາງລະຫວ່າງນັກພັດທະນາແລະ AI. ຜູ້ພັດທະນາໃຫ້ AI ທັນທີ - ຄໍາອະທິບາຍກ່ຽວກັບບັນຫາຫຼືຫນ້າທີ່ທີ່ພວກເຂົາຕ້ອງການເພື່ອປະຕິບັດ, ແລະ AI ຕອບສະຫນອງດ້ວຍລະຫັດຫຼືຄໍາແນະນໍາທີ່ກ່ຽວຂ້ອງ, ຊ່ວຍຂະບວນການພັດທະນາຊອບແວ.
ນອກຈາກນັ້ນ, ເຄື່ອງມືການຂຽນລະຫັດທີ່ປັບປຸງ AI, ເຊັ່ນ GitHub Copilot, ໄດ້ຖືກພັດທະນາດ້ວຍຄວາມຊ່ຽວຊານຂອງ OpenAI. ເຄື່ອງມືທີ່ກ້າວຫນ້າເຫຼົ່ານີ້ໄດ້ຮັບການຝຶກອົບຮົມຢ່າງກວ້າງຂວາງເພື່ອປະຕິບັດວຽກງານທີ່ສັບສົນເຊັ່ນການຕື່ມໄຟລ໌ລະຫັດທີ່ບໍ່ຄົບຖ້ວນ. ພວກເຂົາເຈົ້າເຮັດແນວນັ້ນເຖິງວ່າຈະມີຄວາມແຕກຕ່າງທີ່ແຕກຕ່າງກັນລະຫວ່າງຂະບວນການຂຽນລະຫັດແລະວຽກງານຂອງການສໍາເລັດມັນ.
ການສຶກສາແລະການຮຽນຮູ້ສ່ວນບຸກຄົນ
ການເຊື່ອມໂຍງຂອງ AI ເຂົ້າໄປໃນຂະແຫນງການສຶກສາໄດ້ເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍໃນຊຸມປີມໍ່ໆມານີ້, ໂດຍວິສະວະກໍາທັນທີມີບົດບາດສໍາຄັນ. ຄູສອນ AI ໄດ້ຮັບການພັດທະນາເພື່ອໃຫ້ປະສົບການການຮຽນຮູ້ສ່ວນບຸກຄົນ, ປັບຕົວເຂົ້າກັບຈັງຫວະການຮຽນຮູ້ ແລະຮູບແບບຂອງນັກຮຽນແຕ່ລະຄົນ.
ຕົວຢ່າງເຊັ່ນ, ເວທີການຮຽນຮູ້ທີ່ອີງໃສ່ AI ເຊັ່ນ Duolingo. ມັນໃຊ້ການກະຕຸ້ນທາງວິສະວະກໍາທີ່ດີເພື່ອປະເມີນຄວາມສາມາດຂອງນັກຮຽນໃນພາສາໃຫມ່ແລະສະຫນອງການອອກກໍາລັງກາຍທີ່ເຫມາະສົມ. ຖ້ານັກຮຽນກໍາລັງຮຽນພາສາຝຣັ່ງແລະຕໍ່ສູ້ກັບການສົມທົບ, ຄູສອນ AI ສາມາດແນະນໍາການອອກກໍາລັງກາຍທີ່ເຫມາະສົມເຊັ່ນ, "Conjugate the verb 'manger' (to eat) in the present tense." ການປະຕິບັດແລະຄວາມຄືບຫນ້າຂອງນັກຮຽນໄດ້ຖືກປະເມີນຢ່າງຕໍ່ເນື່ອງ, ແລະການກະຕຸ້ນເຕືອນໄດ້ຖືກປັບປຸງແລະດັດແປງຕາມຄວາມເຫມາະສົມ, ຮັບປະກັນປະສົບການການຮຽນຮູ້ສ່ວນບຸກຄົນແລະປະສິດທິພາບ.
ການລຸກຂຶ້ນທີ່ບໍ່ສາມາດຢຸດໄດ້ຂອງວິສະວະກໍາທັນທີ
ໃນຂະນະທີ່ພວກເຮົາເຂົ້າຫາການສະຫລຸບຂອງການລົງເລິກຂອງພວກເຮົາເຂົ້າໄປໃນວິສະວະກໍາທັນທີ, ມັນສໍາຄັນທີ່ຈະເນັ້ນຫນັກວ່າພາກສະຫນາມນີ້ມີຄວາມຕັ້ງໃຈແທ້ໆ. ພວກເຮົາຢູ່ໃນຈຸດສູງສຸດຂອງຍຸກທີ່ປັນຍາປະດິດໄປໄກກວ່າການຕອບສະ ໜອງ ຕໍ່ ຄຳ ສັ່ງທີ່ຕັ້ງໄວ້ກ່ອນໂຄງການ, ພັດທະນາການປະມວນຜົນແລະປະຕິບັດການກະຕຸ້ນເຕືອນທີ່ອອກແບບຢ່າງລະມັດລະວັງເຊິ່ງໃຫ້ຜົນໄດ້ຮັບສະເພາະສູງ.
ຄໍາຮ້ອງສະຫມັກຈໍານວນຫລາຍທີ່ພວກເຮົາໄດ້ຄົ້ນຫາ, ຈາກການສະຫນັບສະຫນູນລູກຄ້າຈົນເຖິງການສ້າງເນື້ອຫາ, ການວິເຄາະຂໍ້ມູນ, ແລະການຮຽນຮູ້ສ່ວນບຸກຄົນ, ແມ່ນພຽງແຕ່ປາຍຂອງກ້ອນຫີນ. ໃນຂະນະທີ່ການຄົ້ນຄວ້າໃນເວທີນີ້ນັບມື້ນັບຫຼາຍຂຶ້ນ, ພວກເຮົາສາມາດຫວັງວ່າຈະໄດ້ການນໍາໃຊ້ວິສະວະກໍາທີ່ທັນສະໃໝແລະທັນສະໄຫມຫຼາຍກວ່າເກົ່າ. ການລວມຕົວຂອງຄວາມຄິດສ້າງສັນຂອງມະນຸດແລະຄວາມສະຫຼາດຂອງ AI ກໍາລັງຂັບເຄື່ອນພວກເຮົາໄປສູ່ອະນາຄົດທີ່ປັນຍາປະດິດບໍ່ພຽງແຕ່ຊ່ວຍແຕ່ການຫັນປ່ຽນລັກສະນະຕ່າງໆຂອງຊີວິດຂອງພວກເຮົາ.