Ghidul esențial pentru inginerie promptă în ChatGPT

De la lansarea sa, Chat GPT a făcut furori în sfera AI, atrăgând peste 100 de milioane de utilizatori într-un timp record. Sosul secret pentru performanța impresionantă și versatilitatea ChatGPT constă într-o artă încadrată subtil în programarea sa - inginerie promptă.

Lansate în 2022, DALL-E, MidJourney și StableDiffusion au subliniat potențialul perturbator al AI generativă. Dar a fost Deschide AIChatGPT a lui, care a devenit cu adevărat în centrul atenției mai târziu în 2022. Și acest impuls nu a arătat semne de încetinire.

Anunțul Google despre Bard și Lamma 2 a lui Meta  răspunsul la ChatGPT de la OpenAI a amplificat semnificativ impulsul cursei AI. Oferind aceste modele inputuri, le ghidăm comportamentul și răspunsurile. Acest lucru ne face pe toți ingineri prompti într-o anumită măsură. Industria tehnologiei a luat în seamă. Capitaliștii de risc investesc fonduri în startup-uri care se concentrează pe inginerie promptă, cum ar fi Vellum AI. Mai mult, Forbes raportează că inginerii prompti comandă salarii care depășesc 300,000 USD, indicând o piață a muncii înfloritoare și valoroasă.

În acest articol, vom demistifica lumea ingineriei prompte în contextul ChatGPT. Vom explora principiile și tehnicile de bază și vom examina aplicațiile lor comerciale.

Să înțelegem mai întâi cum funcționează ChatGPT și rolul esențial pe care îl joacă ingineria promptă în acest proces.

Mecanica din spatele ChatGPT Prompt Engineering

Sosul secret din spatele succesului ChatGPT este capacitatea sa de a înțelege și imita nuanțele conversației umane. Modelul este antrenat pe o gamă diversă de text de pe internet, dar, în mod esențial, nu cunoaște documente sau surse specifice din setul său de instruire, asigurând generalizarea peste specificitate. Această abordare de formare permite ChatGPT să genereze răspunsuri creative, să navigheze în dialoguri complexe și chiar să manifeste simțul umorului. Cu toate acestea, este important să ne amintim că ChatGPT nu înțelege cu adevărat sau nu are convingeri; generează răspunsuri pe baza modelelor pe care le-a învățat în timpul antrenamentului.

Capacitatea ChatGPT de a înțelege și de a răspunde la limbajul uman într-o manieră nuanțată și conștientă de context le face instrumente incredibil de versatile.

Mecanica acestor modele se bazează pe conceptul de „jetoane” – bucăți discrete de limbaj care pot varia de la un singur caracter la un cuvânt întreg. Aceste modele funcționează cu un anumit număr de jetoane simultan (4096 pentru GPT-3.5-Turbo sau 8192 sau 32768 pentru GPT-4), prezicând următoarea secvență de jetoane probabile. Modelele procesează jetoanele folosind algebră liniară complexă, prezicând cel mai probabil jetoane ulterioare.

De exemplu, o propoziție simplă de nouă cuvinte s-ar putea transforma în zece jetoane. Chiar și un singur cuvânt complex s-ar putea transforma în mai multe simboluri, ceea ce ajută modelul să înțeleagă și să genereze mai bine limbajul. Chiar și limbile cu structuri complexe de cuvinte, cum ar fi germana, sunt gestionate prin tokenizare.

Modelele GPT (Generative Pre-trained Transformer) funcționează prin generarea unui token la un moment dat, începând de la primul token și continuând până la ultimul. După generarea fiecărui token, modelul revede întreaga secvență și o procesează din nou pentru a genera următorul token. Acest proces iterativ continuă până la generarea simbolului final, făcând generarea de text similară cu o buclă for mare.

Dar iată problema – calitatea acestor răspunsuri depinde în mare măsură de solicitările pe care le primește. La fel ca și conducerea unei conversații cu un om, ghidarea unui dialog cu ChatGPT necesită un anumit nivel de abilități și înțelegere. Acolo intră în joc ingineria promptă.

Ce este Prompt Engineering?

Prompt Engineering este arta de a crea indicații/inpute precise și eficiente pentru a ghida AI (PNL/Vision) modele precum ChatGPT pentru generarea celor mai rentabile, precise, utile și sigure rezultate.

Ingineria promptă nu se limitează doar la generarea de text, ci are aplicații cu o gamă largă în domeniul AI. Este din ce în ce mai folosit în domenii precum robotii robotici de automatizare a proceselor, activele 3D, scripturile, instrucțiunile robotului și alte tipuri de conținut și media digitală. Oferă un amestec unic de logică, codare, artă și, în anumite cazuri, modificatori speciali.

În timp ce un prompt poate include text în limbaj natural, imagini sau alte tipuri de date de intrare, rezultatul poate varia semnificativ între serviciile și instrumentele AI. Fiecare instrument are modificatorii săi speciali care descriu greutatea cuvintelor, stilurilor, perspectivelor, aspectului sau altor proprietăți ale răspunsului dorit.

Acest domeniu este esențial pentru crearea de servicii mai bune bazate pe AI și pentru obținerea de rezultate superioare din instrumentele AI generative existente. Dezvoltatorii întreprinderilor, de exemplu, utilizează adesea inginerie promptă pentru a adapta modele de limbă mari (LLM) precum GPT-3 pentru a alimenta un client orientat spre client. chatbot sau gestionați sarcini precum crearea de contracte specifice industriei.

Acest proces iterativ de rafinare promptă și de măsurare a performanței AI este un element cheie pentru a permite modelelor AI să genereze răspunsuri foarte bine direcționate și utile în diverse contexte.

A deveni un inginer prompt

Performanța modelului GPT-4 de a înțelege instrucțiuni complexe și de a rezolva cu precizie probleme complicate îl face o resursă de neprețuit. Cu toate acestea, există diferite metode de a accesa capacitățile acestui model, iar înțelegerea acestora poate fi crucială pentru rolul unui inginer prompt în optimizarea atât a eficienței, cât și a rentabilității.

Există în esență două moduri de a interacționa cu modelele GPT, cum ar fi GPT-4. O modalitate este prin API-ul OpenAI, unde costurile sunt calculate pe tokenuri de intrare și de ieșire. În acest scenariu, costurile pentru 1K token-uri pot fluctua în funcție de dimensiunea contextului. De exemplu, într-un context mai mare de 32K, costul ar putea ajunge până la 0.06 USD pentru jetoanele de intrare și 0.12 USD pentru jetoanele de ieșire. Astfel, atunci când se gestionează un volum mare de solicitări, costul de utilizare se poate acumula rapid.

Alternativ, ChatGPT, care folosește modelul GPT-4, funcționează pe un model bazat pe abonament.

O altă sarcină cheie în inginerie promptă implică reglarea parametrilor modelului. Acest proces presupune ajustarea variabilelor pe care modelul le folosește pentru a face predicții. Prin reglarea fină a acestor parametri, inginerii prompti pot îmbunătăți calitatea și acuratețea răspunsurilor modelului, făcându-le mai relevante și mai utile din punct de vedere contextual.

Deși mulți ingineri prompti provin dintr-un mediu tehnologic, natura multidisciplinară a domeniului îl face accesibil persoanelor din medii profesionale diverse. Din ce în ce mai mult, scriitorii, cercetătorii și chiar artiștii își valorifică abilitățile unice pentru a spori eficacitatea modelelor AI. Această schimbare se reflectă și pe piața muncii, un număr tot mai mare de companii care caută ingineri prompti, cu o gamă variată de competențe și medii.

Proiectare și inginerie promptă în ChatGPT

Prompt Design și Engineering joacă un rol critic în optimizarea performanței modelelor de limbaj și implică mai mult decât crearea de întrebări; ele necesită o înțelegere profundă a modelului AI și o abordare extrem de iterativă și rafinată.

Proiectare promptă

Proiectarea promptă, în esență, este arta și știința de a crea promptul perfect pentru un anumit model de limbaj mare (LLM), cum ar fi ChatGPT, pentru a atinge un obiectiv clar declarat. Este un amestec de:

• Înțelegerea LLM: diferite modele de limbaj pot răspunde variabil la aceeași solicitare. Mai mult, anumite modele de limbaj pot avea cuvinte cheie sau declanșatoare unice, pe care le interpretează într-un mod specific.
• Cunoașterea domeniului: cunoștințele în domeniul relevant sunt esențiale atunci când se proiectează solicitări. De exemplu, generarea unui prompt pentru a deduce un diagnostic medical ar necesita cunoștințe medicale.
• Abordarea iterativă și măsurarea calității: Procesul de creare a promptului ideal implică adesea încercări și erori. Prin urmare, este vital să existe o modalitate de a evalua calitatea rezultatelor dincolo de doar judecata subiectivă, în special atunci când se utilizează promptul la o scară mai mare.

Inginerie promptă

Ingineria promptă este un domeniu extins al proiectării prompte care include mai multe procese critice:

• Proiectarea solicitărilor la scară: acest proces include proiectarea de prompturi meta (prompt-uri care generează alte solicitări) și șabloane de prompt, care sunt prompturi parametrizate care pot fi instanțiate în timpul execuției.
• Proiectarea și integrarea instrumentelor: prompturile pot include uneori rezultate de la instrumente externe, iar integrarea perfectă a acestor instrumente în sistem este crucială.
• Gestionarea fluxului de lucru, planificare și prompt: implementarea unei aplicații LLM, cum ar fi un chatbot, necesită adesea gestionarea bibliotecilor de prompturi, planificarea și alegerea prompturilor potrivite și integrarea eficientă a diferitelor instrumente.
• Evaluarea și asigurarea calității prompturilor: Acest aspect include definirea unor metrici și procese pentru a evalua prompturile atât automat, cât și cu implicarea umană.
• Optimizarea promptului: costul și latența modelului AI pot depinde de alegerea modelului și de lungimea promptului (numărul de jetoane).

Multe abordări, instrumente și cadre automate de proiectare promptă au fost dezvoltate pentru a gestiona solicitările la scară. Cu toate acestea, este important să înțelegeți că niciunul dintre aceste instrumente nu poate înlocui înțelegerea nuanțată, judecata și experiența unui inginer experimentat prompt.

Prompt Engineering: tehnici și bune practici

1) Plasare promptă și descriere

Plasarea instrucțiunilor de la începutul promptului poate avea un impact semnificativ asupra înțelegerii și răspunsului AI. Luați în considerare sarcina de a rezuma un text într-un format marcator. O abordare mai puțin eficientă ar fi:

Utilizator: Rezumați textul de mai jos ca o listă cu punctele cele mai importante.
{introducerea textului aici}

Pe de altă parte, o tehnică mai eficientă ar putea fi:

Utilizator: Rezumați textul de mai jos ca o listă cu punctele cele mai importante.
Text: """
{introducerea textului aici}
"" ""

Separând în mod clar instrucțiunile și contextul cu simboluri precum ### sau „””, modelul AI își poate delimita mai bine sarcina și textul pe care trebuie să-l proceseze, oferind astfel răspunsuri mai precise și mai relevante.

În al doilea rând, a fi specific, descriptiv și detaliat cu privire la context, rezultatul așteptat, lungimea, formatul, stilul și așa mai departe poate îmbunătăți în mod semnificativ precizia răspunsurilor AI. Să presupunem că trebuie să generați o scurtă prezentare generală a unei lucrări științifice într-un stil captivant, prietenos pentru profani. O instrucțiune vagă precum „Rezumați lucrarea științifică” ar produce rezultate mai puțin eficiente în comparație cu un prompt specific și detaliat:

Utilizator: Generați un rezumat (aproximativ 200 de cuvinte), rezumat captivant al următoarei lucrări științifice. Rezumatul ar trebui să fie ușor de înțeles pentru cineva care nu are cunoștințe științifice, reflectând în același timp cu acuratețe principalele constatări ale lucrării.
Hârtie: „””
{textul lucrării științifice aici}
"" ""

2) Model personal

Modelul Persona este o strategie care setează AI să funcționeze dintr-o anumită perspectivă, cum ar fi un rol profesional sau un personaj fictiv. Această tactică permite modelului să ofere rezultate legate de rolurile specifice pe care persoana le-ar gestiona. De exemplu, s-ar putea instrui AI să acționeze ca expert în securitate cibernetică în timpul unei revizuiri a codului. Acest model este deosebit de util atunci când utilizatorii au nevoie de asistență, dar nu sunt siguri de detaliile exacte necesare în rezultat.

Luați următoarele ca exemplu:

Utilizator: „Asumați-vă personajul unui istoric senior specializat în Revoluția Franceză. Având în vedere această persoană, explicați evenimentele cheie și motivele care au dus la căderea monarhiei franceze.”

În acest scenariu, AI este de așteptat să răspundă cu o analiză aprofundată a Revoluției Franceze, concentrându-se pe căderea monarhiei, așa cum ar face un istoric.

Prezentarea informațiilor noi

ChatGPT nu deține cunoștințe dincolo de limita sa de formare, prin urmare nu poate oferi informații despre evenimente recente sau actualizări după antrenament. Cu toate acestea, puteți introduce informații noi în model prin intermediul solicitărilor dvs.

Utilizator: „Ce este criptomoneda?”
Chat GPT: „Criptomoneda este un tip de monedă digitală sau virtuală care utilizează criptografie pentru securitate. Cea mai cunoscută criptomonedă este Bitcoin.”

Acum, dacă adăugăm puțin mai mult context promptului, putem face explicația și mai intuitivă:

Utilizator: „Explicați conceptul de criptomonedă unui elev de liceu care studiază finanțele digitale”
ChatGPT: „Imaginați-vă că jucați un joc video online și că există bani pe care îi puteți câștiga pentru a cumpăra upgrade-uri sau personaje noi. Criptomoneda este cam așa, dar în loc să fii limitată la joc, o poți folosi pentru a cumpăra bunuri și servicii din lumea reală. Este ca banii digitali pe care nicio bancă sau guvern nu îi controlează.”

3) Limitări de dimensiune promptă

Înțelegerea limitei de dimensiune a ChatGPT este esențială, deoarece are un impact direct asupra volumului și tipului de informații pe care le putem introduce. Modelele de limbaj nu sunt construite pentru a procesa date nelimitate simultan. Au o constrângere inerentă asupra dimensiunii promptului pe care îl putem crea și introduce. Această limitare are implicații profunde pentru proiectarea și execuția prompturilor.

ChatGPT are o limită de jetoane (în general 2048 de jetoane), care include atât promptul, cât și răspunsul generat. Aceasta înseamnă că solicitările lungi pot limita durata răspunsului. Prin urmare, este important să păstrați solicitările concise, dar informative.

În uz practic, trebuie să acționăm ca editori, alegând selectiv informațiile cele mai relevante pentru sarcina în cauză. Imaginați-vă că scrieți o lucrare sau un articol cu ​​o limită de cuvinte sau de pagini – nu puteți să aruncați doar fapte aleatorii, ci să selectați și să structurați cu atenție informații relevante pentru subiect.

Utilizator: „Având în vedere limitările simbolice ale modelului, rezumați evenimentele cheie ale celui de-al Doilea Război Mondial în mai puțin de 1000 de cuvinte.”

Recunoscând limitările de simbol ale modelului, acest prompt direcționează AI să furnizeze un rezumat concis, dar cuprinzător al celui de-al Doilea Război Mondial.

Solicitări pentru utilizare repetată: într-un scenariu de conversație, puteți reutiliza solicitările sau le puteți rafina pe baza răspunsurilor anterioare. Acest lucru dă un flux conversațional și menține contextul în interacțiune.

4) Model de rafinare a întrebării

ChatGPT vă poate ajuta, de asemenea, să vă rafinați întrebările. De exemplu, dacă puneți o întrebare, aceasta poate sugera o întrebare mai bine formulată pentru rezultate mai precise.

Modelul de rafinare a întrebărilor implică LLM-ul rafinarea întrebărilor adresate de utilizator. Este deosebit de util atunci când utilizatorii nu sunt experți într-un domeniu sau nu sunt siguri de cum să-și formuleze întrebarea.

Un exemplu de prompt poate arăta astfel:

Utilizator: „De câte ori pun o întrebare despre știința datelor, sugerează o întrebare mai rafinată ținând cont de specificul analizei statistice și întreabă dacă vreau să continui cu întrebarea rafinată.”

Aici, se așteaptă ca AI să rafineze întrebările generale ale utilizatorului privind știința datelor la întrebări mai detaliate, luând în considerare aspectele analizei statistice.

5) Model de verificator cognitiv

Modelul Cognitive Verifier descompune întrebările complexe în sub-întrebări mai mici și ușor de gestionat. Răspunsurile la aceste subîntrebări sunt apoi combinate pentru a oferi un răspuns cuprinzător la întrebarea principală. Această abordare este utilă atunci când întrebările inițiale sunt la nivel prea înalt sau când este necesară o claritate suplimentară pentru a oferi un răspuns complet.

De exemplu:

Utilizator: „Dacă pun o întrebare despre schimbările climatice, împărțiți-o în trei întrebări mai mici care v-ar ajuta să oferiți un răspuns mai precis. Combinați răspunsurile la aceste subîntrebări pentru a oferi răspunsul final.”

În acest scenariu, IA va descompune întrebarea complexă despre schimbările climatice în trei subîntrebări gestionabile. După ce primește răspunsuri la aceste subîntrebări, AI le va combina apoi pentru a oferi un răspuns mai cuprinzător și mai precis.

Acest tipar presupune generarea mai multor întrebări pentru a obține un răspuns final mai precis. Este un proces de verificare și consolidare a informațiilor pentru un rezultat final robust

6) Abordare de sugestie cu câteva lovituri

Îndemnarea cu câteva lovituri este o abordare puternică pentru a preda modelele AI să urmeze tipare specifice sau să îndeplinească sarcini. Ideea este de a alimenta modelul cu o serie de exemple înainte de a pune întrebarea dorită. Acest lucru ajută la setarea comportamentului dorit și la ghidarea răspunsurilor modelului.

Luați în considerare un scenariu în care un utilizator încearcă să creeze o copie de marketing concisă și convingătoare pentru un nou gadget tehnologic:

Utilizator: „Iată câteva exemple de copii de marketing tehnologic: „Experimentați muzica ca niciodată cu căștile noastre wireless de ultimă oră”. „Surprinde-ți lumea în 4K uimitoare cu camera noastră de acțiune ultra-sleektă”. Având în vedere aceste exemple, redactați o copie de marketing pentru noul nostru ceas inteligent alimentat cu inteligență artificială.”

Chat GPT: „Dă-ți putere stilului de viață cu ceasul nostru inteligent alimentat cu inteligență artificială, însoțitorul tău pentru sănătate, conectivitate și productivitate.” Caracteristica remarcabilă a învățării cu câteva lovituri este că nu necesită o descriere detaliată a modului de îndeplinire a sarcinii. În schimb, necesită demonstrații a ceea ce se face, ceea ce îl poate face potrivit pentru multe aplicații.

În plus, această tehnică se extinde dincolo de simpla împerechere intrare-ieșire. Modelul poate fi, de asemenea, învățat să gestioneze pașii intermediari pentru atingerea unui obiectiv.

7) Îndemnarea lanțului de gândire

În lucrarea lor recentă de cercetare, „Îndemnarea în lanț de gândire provoacă raționament în modelele de limbaj mari” autorii Jason Wei și echipa urmăresc să stimuleze raționamentul în cadrul modelelor de limbaj mari. În loc să folosească indicații tradiționale, directe, echipa folosește o serie de indicații interconectate, formând un „lanț de gândire”.

De exemplu, un utilizator ar putea fi interesat de impactul potențial al inteligenței artificiale pe piețele muncii:

Utilizator: „Ați putea explica pe scurt conceptul de inteligență artificială?”

Chat GPT: „Inteligenta artificiala, sau AI, se refera la capacitatea unei masini de a imita comportamentul uman inteligent. Este vorba despre proiectarea mașinilor care pot gândi și învăța ca oamenii, permițându-le să îndeplinească sarcini precum traducerea limbilor, luarea deciziilor și rezolvarea de probleme, printre altele.”

Utilizator: „Cum influențează AI actuala piață a muncii?”

Chat GPT: „AI creează noi locuri de muncă și schimbă natura celor existente. Pe de o parte, automatizează sarcinile de rutină, ceea ce duce la deplasarea locurilor de muncă în anumite sectoare. Pe de altă parte, creează cerere pentru roluri care nu existau anterior, cum ar fi ofițerii de etică AI, analiștii de date și inginerii de învățare automată. În plus, AI poate spori rolurile umane, permițându-le oamenilor să îndeplinească sarcini mai eficient și mai precis.”

Îndemnul în lanț de gândire urmează o progresie a solicitărilor înrudite, menținând o „conversație” cu modelul care îl ghidează către răspunsuri mai precise și mai adecvate contextual.

Înțelegerea ChatGPT API și Prompt Engineering din perspectiva dezvoltatorului

Din perspectiva unui dezvoltator sau al cercetătorului, ingineria promptă este un proces mai complex. Aceasta implică proiectarea de algoritmi și tehnici pentru a ajuta modelul AI să înțeleagă și să răspundă la solicitări mai eficient. Aceasta ar putea include strategii pentru gestionarea solicitărilor ambigue, identificarea contextului solicitărilor sau înlănțuirea solicitărilor pentru a stimula procese de gândire mai complexe în IA.

În ilustrația de mai sus, un utilizator interacționează cu o interfață de chat, alimentată de GPT-4. Intrarea lor este îmbunătățită pentru claritate și coerență contextuală printr-un modul specializat înainte de a fi transmisă modelului AI. Rolul acestui modul este de a rafina și de a îmbunătăți contribuția utilizatorului pentru o mai bună înțelegere, menținând în același timp contextul conversației. Răspunsul AI, creat pe baza promptului rafinat, este returnat utilizatorului prin interfața de chat. Istoricul interacțiunilor este actualizat constant, menținând contextul conversațional. În general, această diagramă ilustrează un flux dinamic de conversație utilizator-AI, activat de tehnici de inginerie prompte.

API-urile ChatGPT Interfața este proiectată cu diverși hiperparametri care permit utilizatorilor să rafinați răspunsurile AI la solicitări, făcându-le mai eficiente și mai versatile. Acestea includ parametrii Temperatură, Lungime maximă și Secvențe de oprire. Să explorăm cum funcționează și pot fi utilizate în diferite contexte.

1) Temperatura

Parametrul de temperatură influențează caracterul aleatoriu al răspunsurilor AI. O temperatură mai mare, cum ar fi 1.0, încurajează o ieșire mai aleatorie, rezultând răspunsuri diverse, dar potențial în afara subiectului. În schimb, o temperatură mai scăzută, cum ar fi 0.2, determină AI să selecteze răspunsuri mai deterministe, care pot fi benefice pentru rezultate concentrate și specifice, dar pot lipsi de varietate.

Exemplu: dacă scrieți o poveste creativă și doriți elemente imprevizibile și imaginative, setați temperatura la o valoare mai mare. Un prompt ar putea fi: „Scrieți o poveste scurtă despre o pisică care călătorește în timp”. Cu o temperatură ridicată, s-ar putea să obțineți o poveste sălbatică, fantastică, cu întorsături imprevizibile.

2) Lungimea maximă

Acest parametru controlează lungimea maximă a simbolului de ieșire a modelului, care include atât simbolurile din intrarea mesajului, cât și din ieșirea mesajului. Setarea unei limite mai mari permite răspunsuri mai extinse, în timp ce o limită inferioară menține rezultatul scurt și concis.

Exemplu: pentru răspunsuri scurte la întrebări banale precum „Cine a câștigat Premiul Nobel pentru Literatură în 2020?” poate doriți să setați lungimea maximă la o valoare scăzută, asigurându-vă că răspunsul este concis și direct.

3) Secvențe de oprire

Secvențele de oprire sunt șiruri de text specifice în care, atunci când modelul le întâlnește, încetează să genereze rezultate suplimentare. Această caracteristică poate fi utilă pentru a controla lungimea ieșirii sau pentru a instrui modelul să se oprească la punctele finale logice.

Exemplu: pentru o scrisoare formală, puteți folosi „Cu sinceritate,” ca o secvență de oprire pentru a vă asigura că AI nu generează niciun text suplimentar în afara sfârșitului propriu al scrisorii.

4) Sus P

Parametrul „Top P”, cunoscut și sub denumirea de eșantionare a nucleului, este o metodă care oferă o selecție dinamică a numărului de cuvinte luate în considerare la fiecare pas al predicțiilor modelului. O valoare mai mică, cum ar fi 0.5, duce la ieșiri mai sigure și mai concentrate. O valoare mai mare, cum ar fi 0.9, include o selecție mai largă de cuvinte, ceea ce duce la rezultate mai diverse.

Exemplu: dacă creați o IA pentru a scrie poezii și doriți să folosească o gamă largă de vocabular și fraze stilistice, puteți seta „Top P” la o valoare mai mare. Un prompt ar putea fi: „Compune o poezie despre frumusețea toamnei”.

5) Frecvență penalizare

Penalizarea de frecvență controlează cât de mult ar trebui modelul să favorizeze cuvintele mai puțin frecvente. O penalizare mai mare (până la 1) încurajează modelul să folosească cuvinte mai puțin uzuale, în timp ce o valoare mai mică (până la -1) încurajează modelul să folosească cuvinte mai uzuale.

Exemplu: dacă încercați să generați o propunere de afaceri și doriți să evitați jargonul, puteți seta penalizarea de frecvență la o valoare mai mică pentru a menține limbajul clar și accesibil.

6) Pedeapsa de prezenta

Parametrul Penalizare de prezență afectează cât de mult este penalizat modelul pentru generarea de noi idei sau subiecte care nu au fost prezente în istoricul conversației. Valorile mai mari încurajează modelul să rămână la subiectele deja menționate, în timp ce valorile mai mici permit modelului să introducă mai liber concepte noi.

Exemplu: pentru sesiunile de brainstorming, ați putea seta penalizarea prezenței la o valoare mai mică pentru a încuraja o gamă variată de idei. Ați putea folosi un prompt precum „Generează strategii de marketing inovatoare pentru o platformă educațională online”.

Aplicarea în industrie a ingineriei prompte