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. ມັນ​ເປັນ​ການ​ປະ​ສົມ​ຂອງ​:

• 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. ພິ​ຈາ​ລະ​ນາ​ວຽກ​ງານ​ຂອງ​ການ​ສະ​ຫຼຸບ​ຂໍ້​ຄວາມ​ໃນ​ຮູບ​ແບບ​ຈຸດ bullet ໄດ້​. ວິທີການທີ່ມີປະສິດທິພາບຫນ້ອຍຈະເປັນ:

ຜູ້​ໃຊ້: ສະຫຼຸບຂໍ້ຄວາມຂ້າງລຸ່ມນີ້ເປັນລາຍການຈຸດເດັ່ນຂອງຈຸດທີ່ສໍາຄັນທີ່ສຸດ.
{ການປ້ອນຂໍ້ຄວາມທີ່ນີ້}

ໃນທາງກົງກັນຂ້າມ, ເຕັກນິກທີ່ມີປະສິດທິພາບຫຼາຍອາດຈະເປັນ:

ຜູ້​ໃຊ້: ສະຫຼຸບຂໍ້ຄວາມຂ້າງລຸ່ມນີ້ເປັນລາຍການຈຸດເດັ່ນຂອງຈຸດທີ່ສໍາຄັນທີ່ສຸດ.
ຂໍ້​ຄວາມ: """
{ການປ້ອນຂໍ້ຄວາມທີ່ນີ້}
"" "" "

ໂດຍການແຍກອອກຄໍາແນະນໍາແລະສະພາບການທີ່ມີສັນຍາລັກເຊັ່ນ: ### ຫຼື "" ຢ່າງຊັດເຈນ, ຮູບແບບ AI ສາມາດກໍານົດຫນ້າວຽກແລະຂໍ້ຄວາມທີ່ມັນຈໍາເປັນຕ້ອງດໍາເນີນການໄດ້ດີຂຶ້ນ, ດັ່ງນັ້ນການຕອບສະຫນອງທີ່ຖືກຕ້ອງແລະມີຄວາມກ່ຽວຂ້ອງຫຼາຍຂຶ້ນ.

ອັນທີສອງ, ມີຄວາມສະເພາະ, ອະທິບາຍ, ແລະລາຍລະອຽດກ່ຽວກັບສະພາບການ, ຜົນໄດ້ຮັບທີ່ຄາດໄວ້, ຄວາມຍາວ, ຮູບແບບ, ຮູບແບບ, ແລະອື່ນໆສາມາດເສີມຂະຫຍາຍຄວາມແມ່ນຍໍາຂອງການຕອບສະຫນອງ AI ຢ່າງຫຼວງຫຼາຍ. ສົມມຸດວ່າທ່ານຕ້ອງການສ້າງພາບລວມສັ້ນໆຂອງກະດາດວິທະຍາສາດໃນຮູບແບບທີ່ມີສ່ວນຮ່ວມ, ເປັນມິດກັບຄົນ. ຄໍາແນະນໍາທີ່ບໍ່ຊັດເຈນເຊັ່ນ "ສະຫຼຸບເອກະສານວິທະຍາສາດ" ຈະເຮັດໃຫ້ຜົນໄດ້ຮັບທີ່ມີປະສິດທິພາບຫນ້ອຍເມື່ອປຽບທຽບກັບການກະຕຸ້ນເຕືອນທີ່ມີລາຍລະອຽດສະເພາະ:

ຜູ້​ໃຊ້: 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:

ຜູ້​ໃຊ້: “ສົມມຸດວ່າບຸກຄົນຂອງນັກປະຫວັດສາດອາວຸໂສທີ່ຊ່ຽວຊານໃນການປະຕິວັດຝຣັ່ງ. ​ໂດຍ​ອີງ​ໃສ່​ບຸກຄົນ​ນັ້ນ, ​ໃຫ້​ອະທິບາຍ​ເຫດການ​ທີ່​ສຳຄັນ ​ແລະ ​ເຫດຜົນ​ທີ່​ນຳ​ໄປ​ສູ່​ການ​ຕົກ​ລົງ​ຂອງ​ລະບອບ​ລາຊາ​ທິປະ​ໄຕ​ຂອງ​ຝຣັ່ງ.”

ໃນສະຖານະການນີ້, AI ຄາດວ່າຈະຕອບສະຫນອງກັບການວິເຄາະເລິກເຊິ່ງຂອງການປະຕິວັດຝຣັ່ງ, ສຸມໃສ່ການລົ້ມລະລາຍຂອງກະສັດ, ຄືກັບນັກປະຫວັດສາດ.

ແນະນຳຂໍ້ມູນໃໝ່

ChatGPT ບໍ່ມີຄວາມຮູ້ນອກເໜືອໄປຈາກການຕັດການຝຶກອົບຮົມຂອງມັນ, ດັ່ງນັ້ນມັນຈຶ່ງບໍ່ສາມາດສະໜອງຂໍ້ມູນກ່ຽວກັບເຫດການທີ່ຜ່ານມາ ຫຼືການອັບເດດຫຼັງຈາກການຝຶກອົບຮົມມັນ. ຢ່າງໃດກໍ່ຕາມ, ທ່ານສາມາດແນະນໍາຂໍ້ມູນໃຫມ່ໃຫ້ກັບຕົວແບບໂດຍການເຕືອນຂອງທ່ານ.

ຜູ້​ໃຊ້"Crypto ແມ່ນຫຍັງ?"
ສົນທະນາ GPT: “Cryptocurrency ແມ່ນປະເພດຂອງສະກຸນເງິນດິຈິຕອນ ຫຼື virtual ທີ່ໃຊ້ການເຂົ້າລະຫັດລັບເພື່ອຄວາມປອດໄພ. cryptocurrency ທີ່ມີຊື່ສຽງທີ່ສຸດແມ່ນ Bitcoin.

ດຽວນີ້, ຖ້າພວກເຮົາເພີ່ມບໍລິບົດເພີ່ມເຕີມຕໍ່ກັບການກະຕຸ້ນເຕືອນ, ພວກເຮົາສາມາດເຮັດໃຫ້ ຄຳ ອະທິບາຍເຂົ້າໃຈໄດ້ຫຼາຍຂື້ນ:

ຜູ້​ໃຊ້: "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.

ໃນ​ການ​ນໍາ​ໃຊ້​ປະ​ຕິ​ບັດ​, ພວກ​ເຮົາ​ຕ້ອງ​ເຮັດ​ຫນ້າ​ທີ່​ເປັນ​ບັນ​ນາ​ທິ​ການ​, ເລືອກ​ເອົາ​ຂໍ້​ມູນ​ທີ່​ກ່ຽວ​ຂ້ອງ​ທີ່​ສຸດ​ສໍາ​ລັບ​ວຽກ​ງານ​ຢູ່​ໃນ​ມື​. ຈິນຕະນາການຂຽນເຈ້ຍຫຼືບົດຄວາມທີ່ມີຄໍາຫຼືຫນ້າຈໍາກັດ - ທ່ານບໍ່ສາມາດພຽງແຕ່ຖິ້ມຂໍ້ເທັດຈິງແບບສຸ່ມ, ແຕ່ເລືອກຢ່າງລະມັດລະວັງແລະໂຄງສ້າງຂໍ້ມູນທີ່ກ່ຽວຂ້ອງກັບຫົວຂໍ້.

ຜູ້​ໃຊ້: "ເນື່ອງຈາກຂໍ້ຈໍາກັດຂອງຕົວແບບ, ສະຫຼຸບເຫດການສໍາຄັນຂອງສົງຄາມໂລກຄັ້ງທີສອງຫນ້ອຍກວ່າ 1000 ຄໍາ."

ໂດຍການຮັບຮູ້ຂໍ້ຈໍາກັດຂອງໂທເຄັນຂອງຕົວແບບ, ການກະຕຸ້ນເຕືອນນີ້ຊີ້ບອກ AI ໃຫ້ສະຫຼຸບສັງລວມຂອງສົງຄາມໂລກຄັ້ງທີສອງຢ່າງຫຍໍ້ທໍ້.

ການເຕືອນສໍາລັບການນໍາໃຊ້ຊ້ໍາຊ້ອນ: ໃນສະຖານະການສົນທະນາ, ທ່ານສາມາດນໍາໃຊ້ການເຕືອນຄືນໃຫມ່ຫຼືປັບປຸງໃຫ້ເຂົາເຈົ້າໂດຍອີງໃສ່ຄໍາຕອບທີ່ຜ່ານມາ. ນີ້ເຮັດໃຫ້ການໄຫຼເຂົ້າການສົນທະນາແລະຮັກສາສະພາບການໃນການໂຕ້ຕອບ.

4) ຮູບແບບການແກ້ໄຂຄໍາຖາມ

ChatGPT ຍັງສາມາດຊ່ວຍປັບປຸງຄໍາຖາມຂອງທ່ານໄດ້. ຕົວຢ່າງ, ຖ້າທ່ານຖາມຄໍາຖາມ, ມັນສາມາດແນະນໍາຄໍາຖາມທີ່ມີຮູບແບບທີ່ດີກວ່າເພື່ອໃຫ້ຜົນໄດ້ຮັບທີ່ຖືກຕ້ອງກວ່າ.

ຮູບແບບການແກ້ໄຂຄໍາຖາມກ່ຽວຂ້ອງກັບ LLM ປັບປຸງຄໍາຖາມທີ່ຖາມໂດຍຜູ້ໃຊ້. ມັນເປັນປະໂຫຍດໂດຍສະເພາະໃນເວລາທີ່ຜູ້ໃຊ້ບໍ່ແມ່ນຜູ້ຊ່ຽວຊານໃນໂດເມນຫຼືບໍ່ແນ່ໃຈວ່າຈະປະໂຫຍກຄໍາຖາມຂອງເຂົາເຈົ້າແນວໃດ.

ການເຕືອນຕົວຢ່າງອາດເບິ່ງຄືວ່ານີ້:

ຜູ້​ໃຊ້: "ທຸກຄັ້ງທີ່ຂ້ອຍຖາມຄໍາຖາມກ່ຽວກັບວິທະຍາສາດຂໍ້ມູນ, ແນະນໍາຄໍາຖາມທີ່ຫລອມໂລຫະກວ່າພິຈາລະນາສະເພາະການວິເຄາະສະຖິຕິແລະຖາມວ່າຂ້ອຍຕ້ອງການດໍາເນີນການຕໍ່ຄໍາຖາມທີ່ຫລອມໂລຫະ."

ໃນທີ່ນີ້, AI ຄາດວ່າຈະປັບປຸງຄໍາຖາມວິທະຍາສາດຂໍ້ມູນທົ່ວໄປຂອງຜູ້ໃຊ້ໄປຫາຄໍາຖາມທີ່ລະອຽດກວ່າພິຈາລະນາລັກສະນະການວິເຄາະສະຖິຕິ.

5) ຮູບແບບຕົວກວດສອບສະຕິປັນຍາ

ຮູບແບບຕົວກວດສອບສະຕິປັນຍາແຍກຄຳຖາມທີ່ຊັບຊ້ອນອອກເປັນຄຳຖາມຍ່ອຍທີ່ນ້ອຍກວ່າ ແລະສາມາດຈັດການໄດ້. ຄໍາຕອບຂອງຄໍາຖາມຍ່ອຍເຫຼົ່ານີ້ຖືກລວມເຂົ້າກັນເພື່ອໃຫ້ຄໍາຕອບທີ່ສົມບູນແບບກັບຄໍາຖາມຕົ້ນຕໍ. ວິທີການນີ້ແມ່ນເປັນປະໂຫຍດໃນເວລາທີ່ຄໍາຖາມເບື້ອງຕົ້ນແມ່ນສູງເກີນໄປຫຼືໃນເວລາທີ່ຄວາມຊັດເຈນເພີ່ມເຕີມແມ່ນຈໍາເປັນເພື່ອໃຫ້ຄໍາຕອບທີ່ສົມບູນ.

ຕົວ​ຢ່າງ:

ຜູ້​ໃຊ້: “ຖ້າຂ້ອຍຖາມຄຳຖາມກ່ຽວກັບການປ່ຽນແປງຂອງດິນຟ້າອາກາດ, ໃຫ້ແບ່ງມັນອອກເປັນສາມຄຳຖາມນ້ອຍໆ ທີ່ຈະຊ່ວຍໃຫ້ທ່ານສາມາດໃຫ້ຄຳຕອບທີ່ຖືກຕ້ອງກວ່າ. ສົມທົບຄໍາຕອບຂອງຄໍາຖາມຍ່ອຍເຫຼົ່ານີ້ເພື່ອໃຫ້ຄໍາຕອບສຸດທ້າຍ.”

ໃນສະຖານະການນີ້, AI ຈະແຍກຄໍາຖາມທີ່ສັບສົນກ່ຽວກັບການປ່ຽນແປງດິນຟ້າອາກາດອອກເປັນສາມຄໍາຖາມຍ່ອຍທີ່ສາມາດຈັດການໄດ້. ຫຼັງຈາກໄດ້ຮັບຄໍາຕອບຕໍ່ຄໍາຖາມຍ່ອຍເຫຼົ່ານີ້, ຫຼັງຈາກນັ້ນ AI ຈະສົມທົບການເຫຼົ່ານີ້ເພື່ອໃຫ້ຄໍາຕອບທີ່ສົມບູນແບບແລະຖືກຕ້ອງ.

ຮູບແບບນີ້ກ່ຽວຂ້ອງກັບການສ້າງຄໍາຖາມຫຼາຍຢ່າງເພື່ອໃຫ້ໄດ້ຄໍາຕອບສຸດທ້າຍທີ່ຖືກຕ້ອງກວ່າ. ມັນ​ເປັນ​ຂະ​ບວນ​ການ​ຂອງ​ການ​ກວດ​ສອບ​ແລະ​ການ​ລວມ​ຂໍ້​ມູນ​ສໍາ​ລັບ​ຜົນ​ຜະ​ລິດ​ສຸດ​ທ້າຍ​ທີ່​ເຂັ້ມ​ແຂງ​

6) ວິທີການກະຕຸ້ນເຕືອນບໍ່ຫຼາຍປານໃດ

ການກະຕຸ້ນເຕືອນບໍ່ຫຼາຍປານໃດແມ່ນວິທີການທີ່ມີປະສິດທິພາບສໍາລັບການສອນຕົວແບບ AI ເພື່ອປະຕິບັດຕາມຮູບແບບສະເພາະຫຼືປະຕິບັດວຽກງານ. ແນວຄວາມຄິດແມ່ນໃຫ້ອາຫານຕົວແບບທີ່ມີຕົວຢ່າງຈໍານວນຫນຶ່ງກ່ອນທີ່ຈະຖາມຄໍາຖາມທີ່ຕ້ອງການ. ນີ້ຊ່ວຍກໍານົດພຶດຕິກໍາທີ່ຕ້ອງການແລະນໍາພາການຕອບສະຫນອງຂອງຕົວແບບ.

ພິ​ຈາ​ລະ​ນາ​ສະ​ຖາ​ນະ​ການ​ທີ່​ຜູ້​ໃຊ້​ພະ​ຍາ​ຍາມ​ທີ່​ຈະ​ຮ່າງ​ສໍາ​ເນົາ​ການ​ຕະ​ຫຼາດ​ທີ່​ຫຍໍ້​ທໍ້​, ດຶງ​ດູດ​ໃຈ​ສໍາ​ລັບ gadget ເຕັກ​ໂນ​ໂລ​ຊີ​ໃຫມ່​:

ຜູ້​ໃຊ້: “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:

ຜູ້​ໃຊ້: "ເຈົ້າສາມາດອະທິບາຍສັ້ນໆກ່ຽວກັບແນວຄວາມຄິດຂອງປັນຍາປະດິດໄດ້ບໍ?"

ສົນທະນາ GPT: “ປັນຍາປະດິດ, ຫຼື AI, ຫມາຍເຖິງຄວາມສາມາດຂອງເຄື່ອງຈັກທີ່ຈະຮຽນແບບພຶດຕິກຳຂອງມະນຸດອັດສະລິຍະ. ມັນແມ່ນກ່ຽວກັບການອອກແບບເຄື່ອງຈັກທີ່ສາມາດຄິດແລະຮຽນຮູ້ຄືກັບມະນຸດ, ເຮັດໃຫ້ມັນສາມາດປະຕິບັດວຽກງານເຊັ່ນການແປພາສາ, ການຕັດສິນໃຈແລະການແກ້ໄຂບັນຫາ, ແລະອື່ນໆ."

ຜູ້​ໃຊ້: "AI ມີອິດທິພົນຕໍ່ຕະຫຼາດວຽກໃນປະຈຸບັນແນວໃດ?"

ສົນທະນາ GPT"AI ແມ່ນທັງການສ້າງວຽກໃຫມ່ແລະການປ່ຽນແປງລັກສະນະຂອງວຽກທີ່ມີຢູ່ແລ້ວ. ​ໃນ​ດ້ານ​ໜຶ່ງ, ມັນ​ເຮັດ​ໃຫ້​ວຽກ​ງານ​ປົກກະຕິ​ເປັນ​ແບບ​ອັດຕະໂນມັດ, ​ເຮັດ​ໃຫ້ການ​ຍົກຍ້າຍ​ວຽກ​ເຮັດ​ງານ​ທຳ​ໃນ​ບາງ​ຂະ​ແໜງ​ການ. 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. ປະ​ຫວັດ​ສາດ​ການ​ພົວ​ພັນ​ໄດ້​ຮັບ​ການ​ປັບ​ປຸງ​ສະ​ຫມໍ່າ​ສະ​ເຫມີ​, ການ​ຮັກ​ສາ​ສະ​ພາບ​ການ​ສົນ​ທະ​ນາ​. 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