ChatGPT ရှိ Prompt Engineering အတွက် မရှိမဖြစ် လမ်းညွှန်

ယင်း၏ပစ်လွှတ်ကတည်းက GPT ချတ် AI နယ်ပယ်တွင် လှိုင်းများဖန်တီးပြီး အသုံးပြုသူ သန်း 100 ကျော်ကို စံချိန်တင် ဆွဲဆောင်နိုင်ခဲ့သည်။ ChatGPT ၏ အထင်ကြီးလောက်စရာ စွမ်းဆောင်ရည်နှင့် ဘက်စုံစွမ်းဆောင်နိုင်မှုအတွက် လျှို့ဝှက်ဆော့စ်သည် ၎င်း၏ ပရိုဂရမ်းမင်းတွင် သိမ်မွေ့စွာ မြှုပ်နှံထားသော အနုပညာတစ်ခုတွင် တည်ရှိသည်။

2022 ခုနှစ်တွင် စတင်ခဲ့ပြီး၊ DALL-E၊ MidJourney နှင့် StableDiffusion တို့သည် Generative AI ၏ အနှောင့်အယှက်ဖြစ်နိုင်ချေကို မီးမောင်းထိုးပြခဲ့သည်။ ဒါပေမယ့် AI ကိုဖွင့်ပါ2022 ခုနှစ်နောက်ပိုင်းတွင် အမှန်တကယ်ဗဟိုအဆင့်ဖြစ်လာသည့် ChatGPT ၏ ChatGPT သည် နှေးကွေးသွားသည့်လက္ခဏာမပြပေ။

Google ၏ Bard ၏ကြေငြာချက် နှင့် Meta's Lamma ၂  OpenAI ၏ ChatGPT အား တုံ့ပြန်မှုသည် AI ပြိုင်ပွဲ၏ အရှိန်အဟုန်ကို သိသိသာသာ တိုးစေပါသည်။ ဤပုံစံများကို ထည့်သွင်းခြင်းဖြင့် ကျွန်ုပ်တို့သည် ၎င်းတို့၏အပြုအမူနှင့် တုံ့ပြန်မှုများကို လမ်းညွှန်ပေးပါသည်။ ၎င်းသည် ကျွန်ုပ်တို့အား အင်ဂျင်နီယာများအားလုံးကို အတိုင်းအတာတစ်ခုအထိ ဖြစ်စေသည်။ နည်းပညာနယ်ပယ်က သတိထားမိတယ်။ အရင်းရှင်အရင်းရှင်များသည် ဆောလျင်စွာ အင်ဂျင်နီယာပညာရပ်ကို အာရုံစိုက်သည့် startup များထဲသို့ ရန်ပုံငွေများ လောင်းထည့်နေကြသည်။ Vellum AI. ထို့အပြင် Forbes က အင်ဂျင်နီယာများကို အမိန့်ပေးကြောင်း ဖော်ပြသည်။ လစာ $300,000 အထက်အောင်မြင်ပြီး တန်ဖိုးရှိသော အလုပ်အကိုင်ဈေးကွက်ကို ညွှန်ပြသည်။

ဤဆောင်းပါးတွင်၊ ကျွန်ုပ်တို့သည် ChatGPT ၏အကြောင်းအရာတွင် အချက်ပြအင်ဂျင်နီယာလောကကို ရှုတ်ချပါမည်။ ကျွန်ုပ်တို့သည် ပင်မအခြေခံမူများနှင့် နည်းစနစ်များကို ရှာဖွေပြီး ၎င်းတို့၏ စီးပွားဖြစ်အသုံးချပရိုဂရမ်များကို ဆန်းစစ်ပါမည်။

ChatGPT လုပ်ဆောင်ပုံနှင့် ဤလုပ်ငန်းစဉ်တွင် အချက်အချာကျသော အင်ဂျင်နီယာ၏ အဓိကအခန်းကဏ္ဍမှ ပါဝင်နေသည်ကို ဦးစွာ နားလည်ကြပါစို့။

ChatGPT Prompt Engineering နောက်ကွယ်ရှိ မက္ကင်းနစ်

ChatGPT ၏အောင်မြင်မှုနောက်ကွယ်မှလျှို့ဝှက်ဆော့စ်သည်၎င်း၏စွမ်းရည်သည်လူ့စကားပြောဆိုမှု၏ထူးခြားချက်များကိုနားလည်ပြီးအတုယူနိုင်သည်။ မော်ဒယ်သည် ကွဲပြားသော အင်တာနက်စာသားများပေါ်တွင် လေ့ကျင့်ထားသော်လည်း အရေးကြီးသည်မှာ၊ ၎င်းသည် ၎င်း၏လေ့ကျင့်ရေးအစုံတွင် သီးခြားစာရွက်စာတမ်းများ သို့မဟုတ် ရင်းမြစ်များကို မသိသောကြောင့် တိကျမှုထက် ယေဘူယျဖော်ပြခြင်းကို သေချာစေသည်။ ဤလေ့ကျင့်ရေးနည်းလမ်းသည် ChatGPT သည် တီထွင်ဖန်တီးမှုရှိသော တုံ့ပြန်မှုများကို ဖန်တီးရန်၊ ရှုပ်ထွေးသော ဆွေးနွေးမှုများကို လမ်းညွှန်ရန်နှင့် ဟာသဉာဏ်ကိုပင် ပြသနိုင်စေပါသည်။ သို့သော်၊ ChatGPT အမှန်တကယ်နားမလည်ခြင်း သို့မဟုတ် ယုံကြည်ချက်များရှိသည်ကို သတိရရန် အရေးကြီးပါသည်။ ၎င်းသည် လေ့ကျင့်နေစဉ်သင်ယူခဲ့သည့် ပုံစံများအပေါ် အခြေခံ၍ တုံ့ပြန်မှုများကို ထုတ်ပေးသည်။

ChatGPT သည် လူသားဘာသာစကားကို သပ်သပ်ရပ်ရပ်နှင့် ဆက်စပ်မှု-သတိပြုမိသည့်ပုံစံဖြင့် နားလည်ပြီး တုံ့ပြန်နိုင်မှုစွမ်းရည်သည် ၎င်းတို့အား မယုံနိုင်လောက်အောင် စွယ်စုံသုံးကိရိယာများကို ဖြစ်စေသည်။

ဤမော်ဒယ်များ၏ စက်ပြင်မှုမှာ 'တိုကင်များ' ၏ သဘောတရားပေါ်တွင် တည်နေပါသည်—စာလုံးတစ်လုံးမှ စကားလုံးတစ်လုံးလုံးအထိ ကွဲပြားနိုင်သော ဘာသာစကား၏ သီးခြားအတုံးများ။ ဤမော်ဒယ်များသည် တစ်ကြိမ်လျှင် သတ်မှတ်ထားသော တိုကင်နံပါတ်တစ်ခုနှင့် အလုပ်လုပ်သည် (GPT-4096-Turbo အတွက် 3.5 သို့မဟုတ် 8192 သို့မဟုတ် GPT-32768 အတွက် 4)၊ ဖြစ်နိုင်ခြေရှိသော တိုကင်များ၏ နောက်ဆက်တွဲကို ခန့်မှန်းခြင်း။ မော်ဒယ်များသည် ဖြစ်နိုင်ခြေအရှိဆုံး နောက်ဆက်တွဲ တိုကင်ကို ခန့်မှန်းကာ ရှုပ်ထွေးသော linear algebra ကို အသုံးပြု၍ တိုကင်များကို လုပ်ဆောင်သည်။

ဥပမာအားဖြင့်၊ ရိုးရှင်းသော စကားလုံးကိုးလုံးပါဝါကျသည် တိုကင်ဆယ်ခုအဖြစ် ပြောင်းလဲနိုင်သည်။ ရှုပ်ထွေးသောစကားလုံးတစ်လုံးပင်လျှင် မော်ဒယ်လ်ဘာသာစကားကို ပိုမိုနားလည်ပြီး ထုတ်လုပ်နိုင်စေရန် ကူညီပေးသည့် တိုကင်များစွာအဖြစ် ပြောင်းလဲနိုင်သည်။ ဂျာမန်ကဲ့သို့ ရှုပ်ထွေးသော စကားလုံးဖွဲ့စည်းပုံများပါရှိသော ဘာသာစကားများကိုပင် တိုကင်ယူခြင်းမှတစ်ဆင့် စီမံခန့်ခွဲပါသည်။

GPT (Generative Pre-trained Transformer) မော်ဒယ်များသည် ပထမ token မှ စတင်ပြီး နောက်ဆုံးအထိ တစ်ကြိမ်လျှင် တိုကင်တစ်ခုထုတ်ပေးခြင်းဖြင့် အလုပ်လုပ်ပါသည်။ တိုကင်တစ်ခုစီကို ဖန်တီးပြီးနောက်၊ မော်ဒယ်သည် အစီအစဥ်တစ်ခုလုံးကို ပြန်လည်ကြည့်ရှုပြီး နောက်တိုကင်တစ်ခုကို ထုတ်လုပ်ရန်အတွက် ၎င်းကို ထပ်မံလုပ်ဆောင်သည်။ နောက်ဆုံး တိုကင်ထုတ်ပေးသည့်အချိန်အထိ ဤထပ်တလဲလဲလုပ်ငန်းစဉ်ကို ဆက်လက်လုပ်ဆောင်ပြီး စာသားမျိုးဆက်ကို ကွင်းပတ်ကြီးတစ်ခုနှင့် ဆင်တူစေသည်။

သို့သော် ဤနေရာတွင် ဖမ်းစားနိုင်သည် - ဤတုံ့ပြန်မှုများ၏ အရည်အသွေးသည် ၎င်းလက်ခံရရှိသည့် အချက်များအပေါ်တွင် များစွာမူတည်ပါသည်။ လူသားတစ်ဦးနှင့် စကားစမြည်ပြောခြင်းကဲ့သို့ပင်၊ ChatGPT နှင့် ဆွေးနွေးမှုကို လမ်းညွှန်ရာတွင် ကျွမ်းကျင်မှုနှင့် နားလည်မှုအဆင့်တစ်ခု လိုအပ်ပါသည်။ အဲဒီ့မှာ အင်ဂျင်နီယာတွေ ပေါ်လာတယ်။

Prompt Engineering ဆိုတာ ဘာလဲ။

Prompt Engineering သည် AI ကို လမ်းညွှန်ရန် တိကျသော၊ ထိရောက်သော အချက်ပြမှုများ/ထည့်သွင်းခြင်းကို ဖန်တီးခြင်းအနုပညာ (NLP/Vision) ကုန်ကျစရိတ်အထိရောက်ဆုံး၊ တိကျမှု၊ အသုံးဝင်ပြီး ဘေးကင်းသော ရလဒ်များကို ထုတ်လုပ်ရန်အတွက် ChatGPT ကဲ့သို့သော မော်ဒယ်များ။

Prompt Engineering သည် Text Generation တွင်သာ ကန့်သတ်ထားခြင်းမဟုတ်ဘဲ AI ဒိုမိန်းတစ်လျှောက်တွင် ကျယ်ပြန့်သော Application များရှိသည်။ စက်ရုပ်လုပ်ငန်းစဉ် အလိုအလျောက်စနစ်သုံး ဘော့တ်များ၊ 3D ပိုင်ဆိုင်မှုများ၊ ဇာတ်ညွှန်းများ၊ စက်ရုပ်ညွှန်ကြားချက်များနှင့် အခြားအကြောင်းအရာအမျိုးအစားများနှင့် ဒစ်ဂျစ်တယ်မီဒီယာကဲ့သို့သော နယ်ပယ်များတွင် ၎င်းကို ပိုမိုအသုံးချလျက်ရှိသည်။ ၎င်းသည် ယုတ္တိဗေဒ၊ ကုဒ်ဆွဲမှု၊ အနုပညာနှင့် အချို့သောကိစ္စများတွင် အထူးပြုပြင်မွမ်းမံမှုများ၏ ထူးခြားသောပေါင်းစပ်မှုကို ပံ့ပိုးပေးသည်။

အမှာစာတွင် သဘာဝဘာသာစကား စာသား၊ ရုပ်ပုံများ သို့မဟုတ် အခြားထည့်သွင်းမှုဒေတာအမျိုးအစားများ ပါဝင်နိုင်သော်လည်း AI ဝန်ဆောင်မှုများနှင့် ကိရိယာများတွင် ရလဒ်သည် သိသိသာသာကွဲပြားနိုင်သည်။ ကိရိယာတိုင်းတွင် စကားလုံးများ၊ ပုံစံများ၊ ရှုထောင့်များ၊ အပြင်အဆင် သို့မဟုတ် အလိုရှိသော တုံ့ပြန်မှု၏ အလေးချိန်ကို ဖော်ပြသည့် အထူးမွမ်းမံမှုများ ရှိသည်။

ဤနယ်ပယ်သည် ပိုမိုကောင်းမွန်သော AI-စွမ်းအားသုံး ဝန်ဆောင်မှုများကို ဖန်တီးရန်နှင့် ရှိပြီးသား မျိုးဆက်သစ် AI ကိရိယာများမှ သာလွန်ကောင်းမွန်သော ရလဒ်များကို ရယူရန်အတွက် မရှိမဖြစ်လိုအပ်ပါသည်။ ဥပမာအားဖြင့်၊ လုပ်ငန်းမှ developer များသည် ဖောက်သည်များကိုရင်ဆိုင်ရန် အားဖြည့်ပေးရန်အတွက် GPT-3 ကဲ့သို့ Large Language Models (LLMs) ကို အံဝင်ခွင်ကျဖြစ်စေရန်အတွက် ချက်ခြင်းအင်ဂျင်နီယာကို အသုံးပြုလေ့ရှိသည် chatbot သို့မဟုတ် လုပ်ငန်းဆိုင်ရာ သီးခြားစာချုပ်များ ဖန်တီးခြင်းကဲ့သို့သော အလုပ်များကို ကိုင်တွယ်ပါ။

အလျင်အမြန် သန့်စင်ခြင်းနှင့် AI စွမ်းဆောင်ရည်ကို တိုင်းတာခြင်း၏ ထပ်တလဲလဲ လုပ်ငန်းစဉ်သည် AI မော်ဒယ်များကို အမျိုးမျိုးသော အခြေအနေများတွင် ပစ်မှတ်ထားပြီး အသုံးဝင်သော တုံ့ပြန်မှုများကို ထုတ်ပေးရန်အတွက် အဓိကအစိတ်အပိုင်းတစ်ခုဖြစ်သည်။

Prompt Engineer ဖြစ်လာခြင်း။

GPT-4 မော်ဒယ်၏ စွမ်းရည်သည် ရှုပ်ထွေးသော ညွှန်ကြားချက်များကို နားလည်ပြီး ရှုပ်ထွေးသော ပြဿနာများကို တိကျစွာ ဖြေရှင်းခြင်းဖြင့် ၎င်းအား တန်ဖိုးမဖြတ်နိုင်သော အရင်းအမြစ်တစ်ခု ဖြစ်လာစေသည်။ သို့သော်၊ ဤမော်ဒယ်၏စွမ်းဆောင်ရည်များကိုရယူရန် မတူညီသောနည်းလမ်းများရှိပြီး ၎င်းတို့ကိုနားလည်သဘောပေါက်ခြင်းသည် ထိရောက်မှုနှင့် ကုန်ကျစရိတ်သက်သာမှုနှစ်ခုစလုံးကို အကောင်းဆုံးဖြစ်အောင်လုပ်ဆောင်ရာတွင် အချက်ပြအင်ဂျင်နီယာ၏အခန်းကဏ္ဍအတွက် အရေးကြီးပါသည်။

GPT-4 ကဲ့သို့သော GPT မော်ဒယ်များနှင့် ထိတွေ့ဆက်ဆံရန် အခြေခံအားဖြင့် နည်းလမ်းနှစ်ခုရှိသည်။ တစ်နည်းမှာ အဝင်နှင့်အထွက်တိုကင်များအတွက် ကုန်ကျစရိတ်များကို တွက်ချက်သည့် OpenAI ၏ API မှတဆင့်ဖြစ်သည်။ ဤအခြေအနေတွင်၊ 1K တိုကင်များအတွက် ကုန်ကျစရိတ်များသည် အကြောင်းအရာအရွယ်အစားပေါ်မူတည်၍ အပြောင်းအလဲရှိနိုင်ပါသည်။ ဥပမာအားဖြင့်၊ ပိုကြီးသော 32K ဆက်စပ်မှုတွင်၊ ကုန်ကျစရိတ်သည် အဝင်တိုကင်များအတွက် $0.06 နှင့် output tokens အတွက် $0.12 အထိတက်နိုင်သည်။ ထို့ကြောင့် ပမာဏများပြားသော တောင်းဆိုမှုများကို ကိုင်တွယ်သည့်အခါ အသုံးပြုမှုကုန်ကျစရိတ်သည် လျင်မြန်စွာ စုပုံလာနိုင်သည်။

တနည်းအားဖြင့် GPT-4 မော်ဒယ်ကို အသုံးချသည့် ChatGPT သည် စာရင်းသွင်းမှုအခြေခံ မော်ဒယ်ပေါ်တွင် လုပ်ဆောင်သည်။

အချက်ပြအင်ဂျင်နီယာတွင် နောက်ထပ်အဓိကအလုပ်မှာ မော်ဒယ်ဘောင်ချိန်ညှိခြင်း ပါဝင်သည်။ ဤလုပ်ငန်းစဉ်တွင် ခန့်မှန်းချက်များပြုလုပ်ရန် မော်ဒယ်အသုံးပြုသည့် ကိန်းရှင်များကို ချိန်ညှိခြင်းပါဝင်သည်။ ဤကန့်သတ်ချက်များကို ကောင်းစွာချိန်ညှိခြင်းဖြင့်၊ အချက်ပြအင်ဂျင်နီယာများသည် မော်ဒယ်၏တုံ့ပြန်မှုများ၏ အရည်အသွေးနှင့် တိကျမှုကို တိုးတက်စေပြီး ၎င်းတို့ကို ဆက်စပ်မှုနှင့် ပိုမိုသက်ဆိုင်ပြီး အထောက်အကူဖြစ်စေသည်။

အချက်ပြအင်ဂျင်နီယာများစွာသည် နည်းပညာနောက်ခံမှ လာကြသော်လည်း နယ်ပယ်ပေါင်းစုံ၏ စည်းကမ်းပိုင်းဆိုင်ရာ သဘောသဘာဝသည် မတူကွဲပြားသော ပရော်ဖက်ရှင်နယ်နောက်ခံမှ လူတစ်ဦးချင်းစီကို အသုံးပြုနိုင်စေသည်။ စာရေးဆရာများ၊ သုတေသီများနှင့် အနုပညာရှင်များပင်လျှင် AI မော်ဒယ်များ၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်ရန် ၎င်းတို့၏ထူးခြားသောစွမ်းရည်များကို အသုံးချနေကြသည်။ ဤအပြောင်းအရွှေ့သည် ကျွမ်းကျင်မှုနှင့် နောက်ခံအမျိုးမျိုးရှိသည့် အင်ဂျင်နီယာများကို အမြန်ရှာဖွေနေသည့် ကုမ္ပဏီအရေအတွက် တိုးများလာသဖြင့် အလုပ်အကိုင်ဈေးကွက်တွင်လည်း ထင်ဟပ်နေသည်။

ChatGPT ရှိ Prompt Design နှင့် Engineering

Prompt Design နှင့် Engineering သည် ဘာသာစကားမော်ဒယ်များ၏ စွမ်းဆောင်ရည်ကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ရာတွင် အရေးကြီးသော အခန်းကဏ္ဍမှ ပါဝင်နေပြီး မေးခွန်းများကို ဖန်တီးခြင်းထက် ပိုမိုပါဝင်ပါသည်။ ၎င်းတို့သည် AI မော်ဒယ်ကို နက်ရှိုင်းစွာ နားလည်သဘောပေါက်ပြီး အလွန်ထပ်ခါထပ်ကျပြီး သန့်စင်သောချဉ်းကပ်မှုတစ်ခု လိုအပ်ပါသည်။

Prompt Design

Prompt Design သည် ၎င်း၏အဓိကအချက်မှာ၊ ရှင်းရှင်းလင်းလင်းဖော်ပြထားသောပန်းတိုင်တစ်ခုအောင်မြင်ရန် ChatGPT ကဲ့သို့သော ကြီးမားသောဘာသာစကားပုံစံ (LLM) အတွက် ပြီးပြည့်စုံသောအချက်ပြမှုကို ဖန်တီးခြင်း၏ အနုပညာနှင့် သိပ္ပံပညာဖြစ်သည်။ ၎င်းသည် ပေါင်းစပ်မှုတစ်ခုဖြစ်သည်-

• LLM ကိုနားလည်ခြင်း- မတူညီသောဘာသာစကားပုံစံများသည် တူညီသောအချက်ပြမှုကို အပြောင်းအလဲဖြစ်စေနိုင်သည်။ ထို့အပြင်၊ အချို့သောဘာသာစကားမော်ဒယ်များသည် သီးခြားသော့ချက်စာလုံးများ သို့မဟုတ် အစပျိုးမှုများရှိနိုင်သည်၊ ၎င်းတို့သည် တိကျသောနည်းလမ်းဖြင့် ဘာသာပြန်ဆိုကြသည်။
• Domain Knowledge- သက်ဆိုင်ရာနယ်ပယ်တွင် ကျွမ်းကျင်မှုသည် အချက်ပြမှုများကို ဒီဇိုင်းရေးဆွဲရာတွင် အရေးကြီးပါသည်။ ဥပမာအားဖြင့်၊ ဆေးဘက်ဆိုင်ရာရောဂါရှာဖွေဖော်ထုတ်ရန် အချက်ပြချက်တစ်ခုဖန်တီးရန် ဆေးပညာဗဟုသုတ လိုအပ်ပါသည်။
• ထပ်ခါထပ်ခါ ချဉ်းကပ်နည်းနှင့် အရည်အသွေး တိုင်းတာခြင်း- စံပြအချက်ပြမှုကို ဖန်တီးခြင်း လုပ်ငန်းစဉ်တွင် မကြာခဏ အစမ်းခန့်နှင့် အမှားများ ပါဝင်ပါသည်။ ထို့ကြောင့်၊ ပုဂ္ဂလဒိဋ္ဌိတရားထက် သာလွန်ကောင်းမွန်သော အထွက်အရည်အသွေးကို အကဲဖြတ်ရန် နည်းလမ်းရှိခြင်းသည် အထူးသဖြင့် ကြီးမားသောအတိုင်းအတာတွင် prompt ကိုအသုံးပြုသည့်အခါ အရေးကြီးပါသည်။

Prompt Engineering

Prompt Engineering သည် အရေးကြီးသော လုပ်ငန်းစဉ်များစွာ ပါဝင်သည့် ကျယ်ပြန့်သော ဒီဇိုင်းနယ်ပယ်တစ်ခုဖြစ်သည်။

• Scale ရှိ Prompts ဒီဇိုင်း- ဤလုပ်ငန်းစဉ်တွင် meta prompts များ (အခြား prompts များကို ထုတ်လုပ်သည့် prompts) နှင့် prompt templates များ ပါဝင်ပြီး runtime တွင် ချက်ချင်းလုပ်ဆောင်နိုင်သော parameterized prompts များဖြစ်သည်။
• ကိရိယာဒီဇိုင်းနှင့် ပေါင်းစပ်ခြင်း- လမ်းညွှန်ချက်များသည် တစ်ခါတစ်ရံတွင် ပြင်ပကိရိယာများမှ ရလဒ်များပါ၀င်နိုင်ပြီး ဤကိရိယာများကို စနစ်အတွင်းသို့ ချောမွေ့စွာ ပေါင်းစပ်ခြင်းသည် အရေးကြီးပါသည်။
• အလုပ်အသွားအလာ၊ စီစဉ်ခြင်းနှင့် နှိုးဆော်ခြင်း စီမံခန့်ခွဲမှု- chatbot ကဲ့သို့ LLM အပလီကေးရှင်းကို အသုံးချခြင်းသည် မကြာခဏ အချက်ပြမှုများ၏ ဒစ်ဂျစ်တယ်များကို စီမံခန့်ခွဲခြင်း၊ မှန်ကန်သော လမ်းညွှန်ချက်များကို ရွေးချယ်ခြင်းနှင့် ကိရိယာမျိုးစုံကို ထိရောက်စွာ ပေါင်းစပ်ခြင်းတို့ လိုအပ်သည်။
• အကဲဖြတ်ခြင်းနှင့် လမ်းညွှန်ချက်များ၏ အရည်အသွေးအာမခံချက်- ဤရှုထောင့်တွင် အချက်ပြမှုများကို အလိုအလျောက်နှင့် လူသားပါဝင်ပတ်သက်မှုဖြင့် အကဲဖြတ်ရန် မက်ထရစ်များနှင့် လုပ်ငန်းစဉ်များ ပါဝင်သည်။
• Prompt Optimization- AI မော်ဒယ်၏ ကုန်ကျစရိတ်နှင့် ကြာမြင့်ချိန်သည် မော်ဒယ်၏ရွေးချယ်မှုနှင့် နှိုးဆော်ချက်၏အရှည် (တိုကင်အရေအတွက်) ပေါ်တွင် မူတည်နိုင်သည်။

အတိုင်းအတာအလိုက် အချက်ပြမှုများကို စီမံခန့်ခွဲရန် အလိုအလျောက် ဒီဇိုင်းချဉ်းကပ်နည်းများ၊ ကိရိယာများနှင့် မူဘောင်များစွာကို တီထွင်ထားသည်။ သို့သော်၊ ဤကိရိယာများထဲမှ မည်သည့်အရာကမှ ကျွမ်းကျင်သော နားလည်မှု၊ စီရင်ဆုံးဖြတ်မှုနှင့် အတွေ့အကြုံရင့်ကျက်သော အင်ဂျင်နီယာတစ်ဦး၏ အတွေ့အကြုံကို အစားထိုးမရနိုင်ကြောင်း နားလည်ရန် အရေးကြီးပါသည်။

Prompt Engineering- နည်းပညာများနှင့် အကောင်းဆုံး အလေ့အကျင့်များ

1) Prompt Placement နှင့် ဖော်ပြချက်

အချက်ပြမှုအစတွင် ညွှန်ကြားချက်များထားရှိခြင်းသည် AI ၏နားလည်မှုနှင့် တုံ့ပြန်မှုကို သိသိသာသာအကျိုးသက်ရောက်စေနိုင်သည်။ ကျည်ဆံအချက်ဖော်မတ်ဖြင့် စာသားတစ်ခုကို အကျဉ်းချုပ်လုပ်ရန် တာဝန်ကို စဉ်းစားပါ။ ထိရောက်မှုနည်းသော နည်းလမ်းမှာ-

အသုံးပြုသူ: အရေးကြီးဆုံးအချက်များကို ကျည်ဆံအမှတ်စာရင်းအဖြစ် အောက်ဖော်ပြပါ စာသားကို အကျဉ်းချုံ့ပါ။
{ဤနေရာတွင် စာသားထည့်သွင်းခြင်း}

အခြားတစ်ဖက်တွင်၊ ပိုမိုထိရောက်သောနည်းစနစ်ဖြစ်နိုင်သည်-

အသုံးပြုသူ: အရေးကြီးဆုံးအချက်များကို ကျည်ဆံအမှတ်စာရင်းအဖြစ် အောက်ဖော်ပြပါ စာသားကို အကျဉ်းချုံ့ပါ။
စာသား- """
{ဤနေရာတွင် စာသားထည့်သွင်းခြင်း}
"" "

### သို့မဟုတ် “”” ကဲ့သို့သော သင်္ကေတများဖြင့် ညွှန်ကြားချက်များနှင့် အကြောင်းအရာကို ရှင်းရှင်းလင်းလင်း ပိုင်းခြားခြင်းဖြင့်၊ AI မော်ဒယ်သည် ၎င်း၏လုပ်ငန်းတာဝန်နှင့် လုပ်ဆောင်ရန် လိုအပ်သည့် စာသားများကို ပိုမိုကောင်းမွန်စွာ ဖော်ပြနိုင်ပြီး၊ ထို့ကြောင့် ပိုမိုတိကျပြီး သက်ဆိုင်ရာ တုံ့ပြန်မှုများကို ပေးနိုင်ပါသည်။

ဒုတိယအနေဖြင့်၊ တိကျသော၊ သရုပ်ဖော်မှုနှင့် အသေးစိတ်ဖော်ပြချက်၊ မျှော်လင့်ထားသည့်ရလဒ်၊ အလျား၊ ဖော်မတ်၊ စတိုင်နှင့် အခြားအရာများသည် AI တုံ့ပြန်မှုများ၏တိကျမှုကို သိသာထင်ရှားစွာ မြှင့်တင်ပေးနိုင်ပါသည်။ ဆွဲဆောင်မှုရှိသော၊ လူနှင့်လိုက်ဖက်သောပုံစံဖြင့် သိပ္ပံနည်းကျစာတမ်း၏ အကျဉ်းချုပ်ကို သင်ဖန်တီးရန် လိုအပ်သည်ဆိုပါစို့။ “သိပ္ပံနည်းကျ စာတမ်းကို အကျဉ်းချုပ်” ကဲ့သို့သော မရေရာသော ညွှန်ကြားချက်သည် တိကျသော အသေးစိတ်အချက်ပြမှုတစ်ခုနှင့် နှိုင်းယှဉ်ပါက ထိရောက်မှုနည်းသော ရလဒ်များ ထွက်ပေါ်လာသည်-

အသုံးပြုသူ: အောက်ပါ သိပ္ပံနည်းကျ စာတမ်း၏ ဆွဲဆောင်မှုရှိသော အကျဉ်းချုပ် (စကားလုံး 200 ခန့်) ကို ဖန်တီးပါ။ အနှစ်ချုပ်သည် စာတမ်း၏ အဓိကတွေ့ရှိချက်များကို တိကျစွာထင်ဟပ်နေချိန်တွင် သိပ္ပံဆိုင်ရာနောက်ခံမရှိသူအား နားလည်နိုင်စေသင့်သည်။
စက္ကူ: """
{ဤနေရာတွင် သိပ္ပံနည်းကျစာတမ်းစာသား}
"" "

2) ပုဂ္ဂိုလ်ရေးပုံစံ

Persona Pattern သည် ပရော်ဖက်ရှင်နယ် အခန်းကဏ္ဍ သို့မဟုတ် စိတ်ကူးယဉ် ဇာတ်ကောင်များကဲ့သို့ အချို့သော ရှုထောင့်မှ လုပ်ဆောင်ရန် AI ကို သတ်မှတ်သည့် နည်းဗျူဟာတစ်ခု ဖြစ်သည်။ ဤနည်းဗျူဟာသည် မော်ဒယ်အား ကိုင်တွယ်ဆောင်ရွက်မည့် သီးခြားအခန်းကဏ္ဍများနှင့် သက်ဆိုင်သည့် ရလဒ်များကို ထုတ်ပေးနိုင်စေပါသည်။ ဥပမာအားဖြင့်၊ ကုဒ်သုံးသပ်မှုတစ်ခုအတွင်း AI ကို ဆိုက်ဘာလုံခြုံရေးကျွမ်းကျင်သူတစ်ဦးအနေဖြင့် လုပ်ဆောင်ရန် ညွှန်ကြားနိုင်သည်။ အသုံးပြုသူများသည် အကူအညီလိုအပ်သောအခါတွင် ဤပုံစံသည် အထူးအသုံးဝင်သော်လည်း အထွက်တွင် လိုအပ်သောအသေးစိတ်အချက်အလက်များကို မသေချာပါ။

အောက်ပါတို့ကို နမူနာအဖြစ် ယူပါ။

အသုံးပြုသူ: “ပြင်သစ်တော်လှန်ရေးကို အထူးပြုတဲ့ အကြီးတန်းသမိုင်းပညာရှင်တစ်ယောက်ရဲ့ စရိုက်ကို ယူဆပါ။ ထိုပုဂ္ဂိုလ်ကို ထောက်၍ ပြင်သစ်ဘုရင်စနစ် ကျဆုံးစေသည့် အဓိကဖြစ်ရပ်များနှင့် အကြောင်းရင်းများကို ရှင်းပြပါ။”

ဤအခြေအနေမျိုးတွင် AI သည် သမိုင်းပညာရှင်တစ်ဦးအနေဖြင့် ဘုရင်စနစ်ကျဆုံးခြင်းအပေါ် အာရုံစိုက်ကာ ပြင်သစ်တော်လှန်ရေးကို နက်ရှိုင်းစွာ ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် တုံ့ပြန်မည်ဟု မျှော်လင့်ရသည်။

သတင်းအသစ်မိတ်ဆက်ခြင်း။

ChatGPT သည် ၎င်း၏လေ့ကျင့်ရေးအဖြတ်အတောက်ထက် ကျော်လွန်၍ အသိပညာ မပိုင်ဆိုင်နိုင်သောကြောင့် မကြာသေးမီက အဖြစ်အပျက်များ သို့မဟုတ် လေ့ကျင့်ရေးပို့စ်တွင် အပ်ဒိတ်များ အချက်အလက်များ မပေးနိုင်ပါ။ သို့သော်၊ သင်သည် သင့်တောင်းဆိုချက်များမှတစ်ဆင့် မော်ဒယ်သို့ အချက်အလက်အသစ်များကို မိတ်ဆက်နိုင်သည်။

အသုံးပြုသူ- "Cryptocurrency ဆိုတာ ဘာလဲ?"
GPT ချတ်: “Cryptocurrency သည် လုံခြုံရေးအတွက် cryptography ကိုအသုံးပြုသည့် ဒစ်ဂျစ်တယ် သို့မဟုတ် virtual ငွေကြေးအမျိုးအစားတစ်ခုဖြစ်သည်။ လူသိအများဆုံး cryptocurrency မှာ Bitcoin ဖြစ်သည်။"

ယခု၊ ကျွန်ုပ်တို့သည် အချက်ပြမှုတွင် အကြောင်းအရာအနည်းငယ်ကို ထည့်သွင်းပါက၊ ရှင်းပြချက်ကို ပိုမိုနားလည်သဘောပေါက်အောင် ပြုလုပ်နိုင်သည်-

အသုံးပြုသူ- "ဒစ်ဂျစ်တယ်ငွေကြေးကို လေ့လာနေတဲ့ အထက်တန်းကျောင်းသူတစ်ဦးကို cryptocurrency ရဲ့ သဘောတရားကို ရှင်းပြပါ"
ChatGPT- "သင်အွန်လိုင်းဗီဒီယိုဂိမ်းတစ်ခုကစားနေသည်ဟု မြင်ယောင်ကြည့်ပါ၊ အဆင့်မြှင့်တင်မှုများ သို့မဟုတ် ဇာတ်ကောင်အသစ်များဝယ်ယူရန် သင်ရရှိနိုင်သောဂိမ်းငွေများရှိပါသည်။ Cryptocurrency သည် ထိုကဲ့သို့သောမျိုးဖြစ်သည်၊ သို့သော် ဂိမ်းအတွက် ကန့်သတ်ထားမည့်အစား၊ လက်တွေ့ကမ္ဘာရှိ ကုန်ပစ္စည်းများနှင့် ဝန်ဆောင်မှုများကို ဝယ်ယူရန်အတွက် ၎င်းကို သင် အမှန်တကယ်အသုံးပြုနိုင်ပါသည်။ ဘဏ် သို့မဟုတ် အစိုးရ ထိန်းချုပ်မှု မရှိသော ဒစ်ဂျစ်တယ် ငွေကဲ့သို့ပင်။”

3) Prompt Size ကန့်သတ်ချက်များ

ChatGPT ၏ အရွယ်အစား ကန့်သတ်ချက်ကို နားလည်ရန် လိုအပ်သောကြောင့် ၎င်းသည် ကျွန်ုပ်တို့ ထည့်သွင်းနိုင်သော ပမာဏနှင့် အချက်အလက်အမျိုးအစားကို တိုက်ရိုက်သက်ရောက်မှုရှိပါသည်။ အကန့်အသတ်မဲ့ဒေတာကို တစ်ကြိမ်တည်းလုပ်ဆောင်ရန် ဘာသာစကားမော်ဒယ်များကို မတည်ဆောက်ပါ။ ၎င်းတို့တွင် ကျွန်ုပ်တို့ဖန်တီးနိုင်သော အချက်ပြမှုနှင့် ထည့်သွင်းနိုင်သည့် အရွယ်အစားအပေါ် မွေးရာပါ ကန့်သတ်ချက်တစ်ခုရှိသည်။ ဤကန့်သတ်ချက်သည် အချက်ပြမှုများကို ဒီဇိုင်းရေးဆွဲခြင်းနှင့် လုပ်ဆောင်ခြင်းအတွက် လေးနက်သောသက်ရောက်မှုများရှိသည်။

ChatGPT တွင် တိုကင်ကန့်သတ်ချက်တစ်ခု ရှိသည် (ယေဘုယျအားဖြင့် 2048 တိုကင်များ) တွင် အချက်ပြခြင်း နှင့် ထုတ်လုပ်ထားသော တုံ့ပြန်မှု နှစ်ခုလုံး ပါဝင်သည်။ ဆိုလိုသည်မှာ ရှည်လျားသော အချက်ပြမှုများသည် တုံ့ပြန်မှု၏ အရှည်ကို ကန့်သတ်နိုင်သည်။ ထို့ကြောင့် နှိုးဆော်ချက်များကို တိုတိုတုတ်တုတ်ပင် သိရှိထားရန် အရေးကြီးပါသည်။

လက်တွေ့အသုံးပြုမှုတွင်၊ ကျွန်ုပ်တို့သည် လက်ထဲတွင်ရှိသော အလုပ်အတွက် အသက်ဆိုင်ဆုံး အချက်အလက်ကို ရွေးချယ်၍ တည်းဖြတ်သူများအဖြစ် ဆောင်ရွက်ရပါမည်။ စကားလုံး သို့မဟုတ် စာမျက်နှာ ကန့်သတ်ချက်ဖြင့် စာရွက် သို့မဟုတ် ဆောင်းပါးတစ်ပုဒ်ကို ရေးရန် စိတ်ကူးကြည့်ပါ- သင်သည် ကျပန်းဖြစ်ရပ်မှန်များကို စွန့်ပစ်ရုံသာမက ဘာသာရပ်နှင့် သက်ဆိုင်သည့် အချက်အလက်များကို သေချာစွာ ရွေးချယ်၍ ဖွဲ့စည်းတည်ဆောက်ပါ။

အသုံးပြုသူ: "မော်ဒယ်၏ တိုကင်ကန့်သတ်ချက်များကြောင့်၊ ဒုတိယကမ္ဘာစစ်၏ အဓိကဖြစ်ရပ်များကို စကားလုံး 1000 အောက်ဖြင့် အကျဉ်းချုံ့ပါ။"

မော်ဒယ်၏ တိုကင်ကန့်သတ်ချက်များကို အသိအမှတ်ပြုခြင်းဖြင့်၊ ဤအချက်သည် ဒုတိယကမ္ဘာစစ်၏ တိုတောင်းပြီး ပြီးပြည့်စုံသော အကျဉ်းချုပ်ကို AI ကို ညွှန်ပြသည်။

ထပ်ခါတလဲလဲအသုံးပြုမှုအတွက် နှိုးဆော်ချက်များ- စကားပြောဆိုမှုအခြေအနေတွင်၊ သင်သည် ယခင်တုံ့ပြန်မှုများအပေါ်အခြေခံ၍ ၎င်းတို့ကို ပြန်လည်အသုံးပြုခြင်း သို့မဟုတ် ပြန်လည်ပြင်ဆင်နိုင်ပါသည်။ ၎င်းသည် စကားပြောဆိုမှုစီးဆင်းမှုကို ပေးစွမ်းပြီး အပြန်အလှန်ဆက်သွယ်မှုတွင် အကြောင်းအရာကို ထိန်းသိမ်းထားသည်။

4) မေးခွန်းမွမ်းမံမှုပုံစံ

ChatGPT သည် သင့်မေးခွန်းများကို ပြန်လည်ပြင်ဆင်ရာတွင်လည်း ကူညီနိုင်ပါသည်။ ဥပမာအားဖြင့်၊ သင်မေးခွန်းတစ်ခုမေးပါက ပိုမိုတိကျသောရလဒ်များရရှိရန် ပိုမိုကောင်းမွန်သောပုံစံဖြင့် မေးခွန်းတစ်ခုကို အကြံပြုနိုင်သည်။

Question Refinement Pattern တွင် အသုံးပြုသူမှ မေးသောမေးခွန်းများကို LLM မှ ပြန်လည်ပြင်ဆင်ခြင်း ပါဝင်သည်။ အသုံးပြုသူများသည် ဒိုမိန်းတစ်ခုတွင် ကျွမ်းကျင်သူမဟုတ်သော သို့မဟုတ် ၎င်းတို့၏မေးခွန်းကို မည်သို့ပြောရမည်ကို မသေချာသောအခါတွင် ၎င်းသည် အထူးအသုံးဝင်ပါသည်။

ဥပမာပေးချက်သည် ဤကဲ့သို့ဖြစ်နိုင်သည်-

အသုံးပြုသူ: "ဒေတာသိပ္ပံနဲ့ပတ်သက်တဲ့ မေးခွန်းတစ်ခုမေးတဲ့အခါတိုင်း၊ ကိန်းဂဏန်းပိုင်းဆိုင်ရာခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ သီးခြားအချက်တွေကို ထည့်သွင်းစဉ်းစားပြီး ပိုမိုသန့်စင်တဲ့မေးခွန်းတစ်ခုကို အကြံပြုပြီး သန့်စင်ထားတဲ့မေးခွန်းကို ဆက်လက်လုပ်ဆောင်လိုသလားလို့ မေးပါ။"

ဤတွင်၊ AI သည် အသုံးပြုသူ၏ အထွေထွေဒေတာသိပ္ပံမေးခွန်းများကို ကိန်းဂဏန်းဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုကဏ္ဍများကို ထည့်သွင်းစဉ်းစားသည့် ပိုမိုအသေးစိတ်မေးခွန်းများအဖြစ် ပြန်လည်ပြင်ဆင်ရန် မျှော်လင့်ပါသည်။

5) သိမြင်မှုအတည်ပြုမှုပုံစံ

သိမှုအတည်ပြုမှုပုံစံသည် ရှုပ်ထွေးသောမေးခွန်းများကို သေးငယ်၍ စီမံခန့်ခွဲနိုင်သော မေးခွန်းခွဲများအဖြစ် ပိုင်းခြားထားသည်။ ထို့နောက် အဆိုပါမေးခွန်းခွဲများအတွက် အဖြေများကို ပင်မမေးခွန်းအတွက် ကျယ်ကျယ်ပြန့်ပြန့် အဖြေပေးနိုင်ရန် ပေါင်းစပ်ထားသည်။ ကနဦးမေးခွန်းများသည် အဆင့်မြင့်မားလွန်းသောအခါ သို့မဟုတ် ပြီးပြည့်စုံသောအဖြေတစ်ခုပေးရန် ထပ်လောင်းရှင်းလင်းမှုလိုအပ်သည့်အခါ ဤချဉ်းကပ်မှုသည် အသုံးဝင်ပါသည်။

ဥပမာအားဖြင့်:

အသုံးပြုသူ: “ရာသီဥတုပြောင်းလဲမှုနဲ့ပတ်သက်တဲ့ မေးခွန်းတစ်ခုမေးရင် ပိုတိကျတဲ့အဖြေကို ပေးနိုင်အောင် ကူညီပေးမယ့် အသေးအမွှားမေးခွန်းသုံးခုကို ခွဲထုတ်လိုက်ပါ။ နောက်ဆုံးအဖြေပေးရန် ဤမေးခွန်းခွဲများအတွက် အဖြေများကို ပေါင်းစပ်ပါ။"

ဤအခြေအနေတွင်၊ AI သည် ရာသီဥတုပြောင်းလဲမှုဆိုင်ရာ ရှုပ်ထွေးသောမေးခွန်းကို စီမံခန့်ခွဲနိုင်သော မေးခွန်းခွဲသုံးခုအဖြစ် ခွဲထုတ်မည်ဖြစ်သည်။ ဤမေးခွန်းခွဲများအတွက် အဖြေများရရှိပြီးနောက်၊ AI သည် ပိုမိုပြည့်စုံပြီး တိကျသောတုံ့ပြန်မှုကိုပေးစွမ်းရန် ၎င်းတို့ကိုပေါင်းစပ်မည်ဖြစ်သည်။

ဤပုံစံတွင် ပိုမိုတိကျသော နောက်ဆုံးအဖြေကိုရရှိရန် မေးခွန်းများစွာကို ဖန်တီးပေးပါသည်။ ၎င်းသည် ခိုင်မာသော နောက်ဆုံးထွက်ရှိမှုအတွက် အချက်အလက်များကို စိစစ်ခြင်းနှင့် စုစည်းခြင်းလုပ်ငန်းစဉ်တစ်ခုဖြစ်သည်။

6) အနည်းငယ်ပစ်ခတ်မှုနှိုးဆော်ခြင်းချဉ်းကပ်မှု

အနည်းငယ်ရိုက်ချက်ပေးခြင်းသည် တိကျသောပုံစံများကိုလိုက်နာရန် သို့မဟုတ် လုပ်ဆောင်စရာများကိုလုပ်ဆောင်ရန် AI မော်ဒယ်များကို သင်ကြားခြင်းအတွက် အားကောင်းသောချဉ်းကပ်မှုတစ်ခုဖြစ်သည်။ စိတ်ကူးမှာ လိုချင်သောမေးခွန်းကို မမေးမီ နမူနာများစွာဖြင့် မော်ဒယ်ကို ကျွေးမွေးရန်ဖြစ်သည်။ ၎င်းသည် အလိုရှိသော အပြုအမူကို သတ်မှတ်ရန်နှင့် မော်ဒယ်၏ တုံ့ပြန်မှုများကို လမ်းညွှန်ရန် ကူညီပေးသည်။

နည်းပညာဂက်ဂျက်အသစ်အတွက် အသုံးပြုသူသည် တိကျသေချာပြီး ဆွဲဆောင်မှုရှိသော စျေးကွက်ရှာဖွေရေးမိတ္တူကို ရေးဆွဲရန် ကြိုးပမ်းနေသည့် မြင်ကွင်းတစ်ခုကို သုံးသပ်ကြည့်ပါ-

အသုံးပြုသူ: “ဤသည်မှာ နည်းပညာစျေးကွက်ရှာဖွေရေးကော်ပီများ၏နမူနာအချို့ဖြစ်သည်- 'ကျွန်ုပ်တို့၏နောက်ဆုံးပေါ်ကြိုးမဲ့နားကြပ်များဖြင့် တစ်ခါမှမဖြစ်ဖူးသောဂီတကိုခံစားပါ။' 'ကျွန်ုပ်တို့၏ အလွန်ပြောင်မြောက်သော လုပ်ဆောင်ချက်ကင်မရာဖြင့် သင့်ကမ္ဘာကို ရင်သပ်ရှုမောဖွယ် 4K ဖြင့် ဖမ်းယူပါ။' ဤဥပမာများဖြင့် ကျွန်ုပ်တို့၏ AI စနစ်သုံး စမတ်နာရီအသစ်အတွက် စျေးကွက်ရှာဖွေရေးကော်ပီကို ရေးဆွဲပါ။”

GPT ချတ်- "ကျွန်ုပ်တို့၏ AI စွမ်းအင်သုံး စမတ်နာရီ၊ ကျန်းမာရေး၊ ချိတ်ဆက်မှုနှင့် ကုန်ထုတ်စွမ်းအားအတွက် သင့်အဖော်နှင့်အတူ သင့်ဘဝနေထိုင်မှုပုံစံကို စွမ်းအားမြှင့်တင်လိုက်ပါ။" အနည်းအကျဉ်း သင်ယူခြင်း၏ ထူးထူးခြားခြား ထူးခြားချက်မှာ ၎င်းသည် လုပ်ငန်းဆောင်တာအား မည်သို့လုပ်ဆောင်ရမည်ကို အသေးစိတ်ဖော်ပြရန် မလိုအပ်ပေ။ ယင်းအစား၊ ၎င်းသည် လုပ်ဆောင်နေသည့်အရာများကို သရုပ်ပြမှုများ လိုအပ်ပြီး ၎င်းသည် အက်ပ်များစွာအတွက် သင့်လျော်မှုဖြစ်စေနိုင်သည်။

ထို့အပြင်၊ ဤနည်းပညာသည် ရိုးရှင်းသော input-output တွဲချိတ်ခြင်းထက် ကျော်လွန်ပါသည်။ ပန်းတိုင်တစ်ခုအောင်မြင်ရန် အလယ်အလတ်အဆင့်များကို ကိုင်တွယ်ရန် မော်ဒယ်ကိုလည်း သင်ကြားပေးနိုင်သည်။

7) Chain-of-Thought လှုံ့ဆော်ခြင်း။

သူတို့ရဲ့ လတ်တလော သုတေသနစာတမ်းမှာ “တွေးခေါ်မှု ကွင်းဆက်များကို လှုံ့ဆော်ပေးခြင်းသည် ကြီးမားသော ဘာသာစကားပုံစံများဖြင့် ကျိုးကြောင်းဆီလျော်မှုကို ဖော်ဆောင်သည်။” စာရေးဆရာများ Jason Wei နှင့်အဖွဲ့သည် ကြီးမားသောဘာသာစကားပုံစံများအတွင်း ကျိုးကြောင်းဆင်ခြင်ခြင်းကို လှုံ့ဆော်ရန် ရည်ရွယ်သည်။ သမားရိုးကျ၊ တိုက်ရိုက်သတိပေးချက်များကို အသုံးပြုခြင်းထက်၊ အဖွဲ့သည် အပြန်အလှန်ဆက်နွယ်နေသော အချက်ပြမှုများကို ဆက်တိုက်အသုံးပြုကာ 'အတွေးကွင်းဆက်' တစ်ရပ်ကို ဖန်တီးသည်။

ဥပမာအားဖြင့်၊ အသုံးပြုသူတစ်ဦးသည် အလုပ်စျေးကွက်တွင် ဉာဏ်ရည်တု၏ အကျိုးသက်ရောက်မှုကို စိတ်ဝင်စားနိုင်သည်-

အသုံးပြုသူ- "ဥာဏ်ရည်တုရဲ့ သဘောတရားကို အတိုချုံး ရှင်းပြနိုင်မလား။"

GPT ချတ်: “ဥာဏ်ရည်တု သို့မဟုတ် AI ဆိုသည်မှာ ဉာဏ်ရည်ထက်မြက်သော လူသားတို့၏ အပြုအမူကို တုပနိုင်သော စက်တစ်ခု၏ စွမ်းရည်ကို ရည်ညွှန်းသည်။ ဘာသာစကား ဘာသာပြန်ခြင်း၊ ဆုံးဖြတ်ချက်ချခြင်းနှင့် ပြဿနာဖြေရှင်းခြင်းစသည့် လုပ်ငန်းဆောင်တာများကို လုပ်ဆောင်နိုင်စေမည့် လူသားများကဲ့သို့ တွေးခေါ်သင်ယူနိုင်သော စက်များကို ဒီဇိုင်းထုတ်ခြင်းအကြောင်းဖြစ်သည်။”

အသုံးပြုသူ- "AI က လက်ရှိအလုပ်ဈေးကွက်ကို ဘယ်လိုလွှမ်းမိုးနေလဲ။"

GPT ချတ်“AI သည် အလုပ်အကိုင်သစ်များ ဖန်တီးပေးပြီး ရှိပြီးသားအလုပ်များ၏ သဘောသဘာဝကို ပြောင်းလဲပေးပါသည်။ တစ်ဖက်တွင်၊ ၎င်းသည် လုပ်ရိုးလုပ်စဉ်အလုပ်များကို အလိုအလျောက်လုပ်ဆောင်စေပြီး အချို့သောကဏ္ဍများတွင် အလုပ်အကိုင်နေရာရွှေ့ပြောင်းမှုဖြစ်စေသည်။ အခြားတစ်ဖက်တွင်၊ ၎င်းသည် AI ကျင့်ဝတ်အရာရှိများ၊ ဒေတာခွဲခြမ်းစိတ်ဖြာသူများနှင့် စက်သင်ယူမှုအင်ဂျင်နီယာများကဲ့သို့ ယခင်ကမရှိခဲ့သော အခန်းကဏ္ဍများအတွက် တောင်းဆိုမှုကို ဖန်တီးနေသည်။ ထို့အပြင် AI သည် လူသားများ၏ အခန်းကဏ္ဍကို မြှင့်တင်ပေးနိုင်ပြီး လူများကို အလုပ်များကို ပိုမိုထိရောက်တိကျစွာ ပြီးမြောက်စေနိုင်သည်။”

တွေးခေါ်မှု ကွင်းဆက်သည် ဆက်စပ်သော အချက်ပြမှုများ၏ တိုးတက်မှုကို လိုက်နာပြီး ပိုမိုတိကျပြီး ဆက်စပ်၍ သင့်လျော်သော တုံ့ပြန်မှုများဆီသို့ လမ်းညွှန်ပေးသည့် မော်ဒယ်နှင့် 'စကားဝိုင်း' ကို ထိန်းသိမ်းထားသည်။

Developer ၏ရှုထောင့်မှ ChatGPT API နှင့် Prompt Engineering ကို နားလည်ခြင်း။

developer သို့မဟုတ် researcher ၏ရှုထောင့်မှ prompt engineering သည် ပိုမိုရှုပ်ထွေးသောလုပ်ငန်းစဉ်တစ်ခုဖြစ်သည်။ ၎င်းတွင် AI မော်ဒယ်မှ အကြံပြုချက်များကို ပိုမိုထိရောက်စွာ တုံ့ပြန်နိုင်ရန် AI မော်ဒယ်ကို နားလည်ပြီး တုံ့ပြန်နိုင်ရန် အယ်လဂိုရီသမ်များနှင့် နည်းစနစ်များ ဒီဇိုင်းပုံစံတို့ ပါဝင်ပါသည်။ ၎င်းတွင် မရေရာသော အချက်ပြမှုများကို ကိုင်တွယ်ရန်၊ နှိုးဆော်ချက်များ၏ ဆက်စပ်မှုကို ဖော်ထုတ်ရန်၊ သို့မဟုတ် AI တွင် ပိုမိုရှုပ်ထွေးသော တွေးခေါ်မှုလုပ်ငန်းစဉ်များကို လှုံ့ဆော်ရန်အတွက် အတူတကွ ချိတ်ဆက်ထားသော အချက်များ ပါဝင်နိုင်သည်။

အထက်ဖော်ပြပါပုံတွင်၊ အသုံးပြုသူတစ်ဦးသည် GPT-4 ဖြင့် ပံ့ပိုးထားသော ချတ်အင်တာဖေ့စ်နှင့် အပြန်အလှန်တုံ့ပြန်သည်။ ၎င်းတို့၏ ထည့်သွင်းမှုကို AI မော်ဒယ်သို့ မကျွေးမီ အထူးပြု module တစ်ခုမှ ရှင်းလင်းပြတ်သားမှုနှင့် ဆက်စပ်မှုဆိုင်ရာ ကိုက်ညီမှုအတွက် တိုးမြှင့်ထားသည်။ ဤ module ၏အခန်းကဏ္ဍသည် စကားဝိုင်း၏အကြောင်းအရာကို ထိန်းသိမ်းထားစဉ်တွင် အသုံးပြုသူ၏ထည့်သွင်းမှုကို ပိုမိုကောင်းမွန်စွာနားလည်နိုင်စေရန်နှင့် မြှင့်တင်ရန်ဖြစ်သည်။ သန့်စင်ထားသော အချက်ကို အခြေခံ၍ ဖန်တီးထားသည့် AI ၏ တုံ့ပြန်မှုကို chat interface မှတစ်ဆင့် သုံးစွဲသူထံ ပြန်ပို့ပေးသည်။ အပြန်အလှန်ဆက်သွယ်မှုသမိုင်းကို တသမတ်တည်း အပ်ဒိတ်လုပ်ထားပြီး စကားဝိုင်းအကြောင်းအရာကို ထိန်းသိမ်းထားသည်။ ယေဘုယျအားဖြင့်၊ ဤပုံကြမ်းသည် အချက်ပြအင်ဂျင်နီယာနည်းပညာများဖြင့် ဖွင့်ထားသည့် တက်ကြွသောအသုံးပြုသူ-AI စကားပြောဆိုမှုစီးဆင်းမှုကို သရုပ်ဖော်သည်။

အဆိုပါ ChatGPT API များ အင်တာဖေ့စ်ကို အသုံးပြုသူများအား AI ၏ တုံ့ပြန်မှုများကို ပိုမိုထိရောက်ပြီး စွယ်စုံရဖြစ်စေရန် AI ၏တုံ့ပြန်မှုများကို ပြန်လည်ပြင်ဆင်နိုင်စေမည့် အမျိုးမျိုးသော hyperparameter များဖြင့် အင်ဂျင်နီယာချုပ်ထားပါသည်။ ၎င်းတို့တွင် အပူချိန်၊ အများဆုံး အရှည်နှင့် Stop Sequences ဘောင်များ ပါဝင်သည်။ ၎င်းတို့လုပ်ဆောင်ပုံနှင့် မတူညီသောအခြေအနေများတွင် အသုံးချနိုင်ပုံကို လေ့လာကြည့်ကြပါစို့။

1) အပူချိန်

အပူချိန် ကန့်သတ်ချက်သည် AI ၏ တုံ့ပြန်မှုများ၏ ကျပန်းဖြစ်မှုကို လွှမ်းမိုးသည်။ 1.0 ကဲ့သို့ ပိုမိုမြင့်မားသော အပူချိန်သည် ကျပန်းထွက်ရှိမှုကို ပိုမိုအားပေးသည်၊ ကွဲပြားသော်လည်း အကြောင်းအရာမဟုတ်သည့် တုံ့ပြန်မှုများကို ဖြစ်ပေါ်စေသည်။ ဆန့်ကျင်ဘက်အားဖြင့်၊ 0.2 ကဲ့သို့ နိမ့်သောအပူချိန်သည် AI အား အာရုံစူးစိုက်မှုနှင့် တိကျသော ရလဒ်များအတွက် အကျိုးရှိနိုင်သော်လည်း ကွဲပြားမှုကင်းမဲ့နိုင်သည်။

ဥပမာ- သင်သည် ဖန်တီးမှု ဇာတ်လမ်းတစ်ပုဒ်ကို ရေးသားနေပြီး ခန့်မှန်း၍မရသော၊ စိတ်ကူးယဉ်ဆန်သော ဒြပ်စင်များကို လိုချင်ပါက၊ အပူချိန်ကို ပိုမိုမြင့်မားသော တန်ဖိုးအဖြစ် သတ်မှတ်ပါ။ အချက်တစ်ချက် ဖြစ်နိုင်သည်– “အချိန်ခရီးသွား ကြောင်တစ်ကောင်အကြောင်း အတိုချုံးရေးပါ။” မြင့်မားသော အပူချိန်ဖြင့်၊ ခန့်မှန်းမရသော အလှည့်အပြောင်းများနှင့်အတူ ရိုင်းစိုင်းသော စိတ်ကူးယဉ်ပုံပြင်ကို သင်ရနိုင်သည်။

2) အများဆုံး အရှည်

ဤကန့်သတ်ချက်သည် မက်ဆေ့ချ်ထည့်သွင်းမှုနှင့် မက်ဆေ့ဂျ်အထွက်ရှိ တိုကင်နှစ်ခုလုံးပါဝင်သည့် မော်ဒယ်၏အထွက်၏အမြင့်ဆုံးတိုကင်အရှည်ကို ထိန်းချုပ်သည်။ ပိုမြင့်သောကန့်သတ်ချက်ကို သတ်မှတ်ခြင်းသည် ပိုမိုရှည်လျားသောတုံ့ပြန်မှုများကို ပြုလုပ်နိုင်စေပြီး နည်းပါးသောကန့်သတ်ချက်သည် အထွက်ကိုတိုတိုနှင့် တိုတိုတုတ်တုတ်ဖြစ်စေသည်။

ဥပမာ- အသေးအမွှားမေးခွန်းများအတွက် အတိုချုံးအဖြေများအတွက် "2020 တွင် စာပေနိုဘယ်ဆုကို ဘယ်သူရခဲ့လဲ" တုံ့ပြန်မှုသည် တိုတိုနှင့် တိုက်ရိုက်ဖြစ်ကြောင်း သေချာစေရန် အမြင့်ဆုံးအရှည်ကို အနိမ့်တန်ဖိုးအဖြစ် သတ်မှတ်လိုပေမည်။

3) Sequences ရပ်ပါ။

Stop sequences များသည် တိကျသော strings များဖြစ်ပြီး၊ model သည် ၎င်းတို့နှင့်တွေ့သောအခါတွင်၊ ၎င်းသည် နောက်ထပ် output ကိုထုတ်ပေးခြင်းရပ်ဆိုင်းသွားပါသည်။ ဤအင်္ဂါရပ်သည် အထွက်၏အရှည်ကို ထိန်းချုပ်ရန် သို့မဟုတ် ယုတ္တိတန်သောအဆုံးမှတ်များတွင် မော်ဒယ်ကို ရပ်တန့်ရန် ညွှန်ကြားခြင်းအတွက် အသုံးဝင်နိုင်သည်။

ဥပမာ- တရားဝင်စာအတွက်၊ AI သည် စာ၏သင့်လျော်သောအဆုံးသတ်ထက်ကျော်လွန်၍ နောက်ထပ်စာသားမထုတ်ပေးကြောင်းသေချာစေရန်အတွက် "Yours sincerely" ကိုသုံးနိုင်သည်။

4) ထိပ်တန်း P

နူကလိယနမူနာဟုလည်းသိကြသော 'Top P' ကန့်သတ်ဘောင်သည် မော်ဒယ်၏ခန့်မှန်းချက်အဆင့်တိုင်းတွင် ထည့်သွင်းစဉ်းစားထားသော စကားလုံးအရေအတွက်၏ တက်ကြွသောရွေးချယ်မှုကို ပေးသည့်နည်းလမ်းတစ်ခုဖြစ်သည်။ 0.5 ကဲ့သို့ နိမ့်သောတန်ဖိုးသည် ပိုမိုလုံခြုံပြီး ပိုမိုအာရုံစိုက်ထားသော ရလဒ်များကို ဖြစ်ပေါ်စေသည်။ 0.9 ကဲ့သို့ ပိုမိုမြင့်မားသောတန်ဖိုးတစ်ခုတွင် ပိုမိုကျယ်ပြန့်သော စကားလုံးရွေးချယ်မှုများ ပါဝင်ပြီး ပိုမိုကွဲပြားသော ရလဒ်များကို ရရှိစေသည်။

ဥပမာ- ကဗျာတွေရေးဖို့ AI ကို ဖန်တီးနေပြီး ဝေါဟာရနဲ့ စတိုင်ကျတဲ့ စကားစုတွေကို ကျယ်ကျယ်ပြန့်ပြန့် သုံးစေချင်ရင် 'Top P' ကို ပိုမြင့်တဲ့တန်ဖိုးအဖြစ် သတ်မှတ်နိုင်ပါတယ်။ အချက်ပြနိုင်သည်- "ဆောင်းဦး၏အလှတရားအကြောင်း ကဗျာတစ်ပုဒ်ရေးပါ။"

5) ကြိမ်နှုန်းပြစ်ဒဏ်

ကြိမ်နှုန်း ပြစ်ဒဏ်သည် မော်ဒယ်သည် မကြာခဏ စကားနည်းသော စကားလုံးများကို မည်မျှ နှစ်သက်သင့်သည်ကို ထိန်းချုပ်သည်။ မြင့်မားသော ပြစ်ဒဏ် (1 အထိ) သည် မော်ဒယ်အား သာမာန်စကားလုံးများကို လျှော့သုံးရန် အားပေးသည်၊ နိမ့်သောတန်ဖိုး (-1 အထိ) သည် မော်ဒယ်အား အသုံးများသော စကားလုံးများကို အသုံးပြုရန် အားပေးသည်။

ဥပမာ- လုပ်ငန်းအဆိုပြုချက်တစ်ခုဖန်တီးရန် ကြိုးစားနေပြီး ဗန်းစကားများကို ရှောင်ရှားလိုပါက၊ ဘာသာစကားရှင်းလင်းပြီး သုံးနိုင်စေရန်အတွက် ကြိမ်နှုန်းကို လျှော့စျေးအဖြစ် သတ်မှတ်နိုင်သည်။

6) ပြစ်ဒဏ်ရောက်ရှိခြင်း။

Presence Penalty parameter သည် စကားဝိုင်းမှတ်တမ်းတွင် မရှိခဲ့သော အိုင်ဒီယာအသစ်များ သို့မဟုတ် အကြောင်းအရာအသစ်များ ဖန်တီးခြင်းအတွက် စံနမူနာကို မည်မျှ အပြစ်ပေးခံရမည်ကို သက်ရောက်မှုရှိပါသည်။ မြင့်မားသောတန်ဖိုးများသည် မော်ဒယ်အား ဖော်ပြထားပြီးဖြစ်သော အကြောင်းအရာများကို စွဲမြဲစေရန် အားပေးသော်လည်း နိမ့်ကျသောတန်ဖိုးများသည် မော်ဒယ်အား အယူအဆအသစ်များကို ပိုမိုလွတ်လပ်စွာ မိတ်ဆက်နိုင်စေပါသည်။

ဥပမာ- စိတ်ကူးစိတ်သန်းများကို ဖောက်ထွက်ခြင်းအတွက်၊ မတူကွဲပြားသော အကြံအစည်များကို အားပေးရန်အတွက် တည်ရှိမှုပြစ်ဒဏ်ကို လျှော့စျေးအဖြစ် သတ်မှတ်နိုင်သည်။ "အွန်လိုင်းပညာရေးပလက်ဖောင်းတစ်ခုအတွက် ဆန်းသစ်သောစျေးကွက်ရှာဖွေရေးဗျူဟာများ ဖန်တီးပါ" ကဲ့သို့သော အချက်ပြချက်ကို သင်အသုံးပြုနိုင်သည်။

Prompt Engineering ၏စက်မှုလုပ်ငန်းလျှောက်လွှာ