คู่มือที่จำเป็นสำหรับ Prompt Engineering ใน ChatGPT

นับตั้งแต่เปิดตัว, ChatGPT ได้สร้างคลื่นในแวดวง AI โดยดึงดูดผู้ใช้มากกว่า 100 ล้านคนในเวลาที่บันทึก ซอสลับของประสิทธิภาพที่น่าประทับใจและความอเนกประสงค์ของ ChatGPT นั้นอยู่ในศิลปะที่ซ่อนเร้นอยู่ในการเขียนโปรแกรม – วิศวกรรมที่รวดเร็ว

DALL-E, MidJourney และ StableDiffusion ที่เปิดตัวในปี 2022 ตอกย้ำศักยภาพการก่อกวนของ Generative AI แต่มันก็เป็น เปิด AIChatGPT ของ ChatGPT ซึ่งกลายเป็นจุดศูนย์กลางอย่างแท้จริงในปี 2022 และโมเมนตัมนี้ไม่มีทีท่าว่าจะชะลอตัวลง

ประกาศของ Google เกี่ยวกับ Bard และ แลมมาของเมตา 2  การตอบสนองต่อ ChatGPT ของ OpenAI ได้ขยายโมเมนตัมของการแข่งขัน AI อย่างมีนัยสำคัญ เรากำลังแนะนำพฤติกรรมและการตอบสนองของแบบจำลองเหล่านี้ สิ่งนี้ทำให้เราพร้อมท์วิศวกรในระดับหนึ่ง อุตสาหกรรมเทคโนโลยีได้รับทราบ ผู้ร่วมลงทุนกำลังเทเงินทุนให้กับบริษัทสตาร์ทอัพที่มุ่งเน้นไปที่วิศวกรรมที่รวดเร็ว เช่น หนังลูกวัว AI. นอกจากนี้ Forbes รายงานว่าคำสั่งของวิศวกร เงินเดือนเกิน 300,000 ดอลลาร์บ่งบอกถึงตลาดงานที่เจริญรุ่งเรืองและมีคุณค่า

ในบทความนี้ เราจะมาไขความลับโลกแห่งวิศวกรรมที่รวดเร็วในบริบทของ ChatGPT เราจะสำรวจหลักการและเทคนิคหลัก และตรวจสอบการใช้งานเชิงพาณิชย์

ก่อนอื่นมาทำความเข้าใจว่า ChatGPT ทำงานอย่างไรและวิศวกรรมพร้อมท์บทบาทสำคัญในกระบวนการนี้

กลไกเบื้องหลัง ChatGPT Prompt Engineering

เคล็ดลับเบื้องหลังความสำเร็จของ ChatGPT คือความสามารถในการเข้าใจและเลียนแบบความแตกต่างของการสนทนาของมนุษย์ แบบจำลองได้รับการฝึกอบรมเกี่ยวกับข้อความทางอินเทอร์เน็ตที่หลากหลาย แต่ที่สำคัญคือไม่ทราบเอกสารหรือแหล่งข้อมูลเฉพาะเจาะจงในชุดการฝึกอบรม เพื่อให้แน่ใจว่ามีการสรุปทั่วไปมากกว่าเฉพาะเจาะจง แนวทางการฝึกอบรมนี้ช่วยให้ ChatGPT สร้างการตอบสนองที่สร้างสรรค์ นำทางบทสนทนาที่ซับซ้อน และแม้แต่แสดงอารมณ์ขัน อย่างไรก็ตาม สิ่งสำคัญคือต้องจำไว้ว่า ChatGPT ไม่เข้าใจหรือมีความเชื่ออย่างแท้จริง มันสร้างการตอบสนองตามรูปแบบที่ได้เรียนรู้ระหว่างการฝึกอบรม

ความสามารถของ ChatGPT ในการทำความเข้าใจและตอบสนองต่อภาษามนุษย์ในลักษณะที่เหมาะสมและคำนึงถึงบริบททำให้เป็นเครื่องมือที่หลากหลายอย่างเหลือเชื่อ

กลไกของโมเดลเหล่านี้วางอยู่บนแนวคิดของ 'โทเค็น' ซึ่งเป็นภาษาที่แยกจากกันซึ่งมีตั้งแต่อักขระตัวเดียวไปจนถึงทั้งคำ โมเดลเหล่านี้ทำงานร่วมกับโทเค็นจำนวนหนึ่งในแต่ละครั้ง (4096 สำหรับ GPT-3.5-Turbo หรือ 8192 หรือ 32768 สำหรับ GPT-4) โดยคาดการณ์ลำดับถัดไปของโทเค็นที่มีแนวโน้ม แบบจำลองประมวลผลโทเค็นโดยใช้พีชคณิตเชิงเส้นที่ซับซ้อน ทำนายโทเค็นที่ตามมาที่เป็นไปได้มากที่สุด

ตัวอย่างเช่น ประโยคเก้าคำง่ายๆ สามารถกลายเป็นสิบโทเค็น แม้แต่คำที่ซับซ้อนเพียงคำเดียวก็สามารถเปลี่ยนเป็นหลายโทเค็นได้ ซึ่งช่วยให้โมเดลเข้าใจและสร้างภาษาได้ดีขึ้น แม้แต่ภาษาที่มีโครงสร้างคำที่ซับซ้อน เช่น ภาษาเยอรมัน ก็สามารถจัดการผ่านโทเค็นได้

โมเดล GPT (Generative Pre-trained Transformer) ทำงานโดยสร้างโทเค็นครั้งละหนึ่งโทเค็น โดยเริ่มจากโทเค็นแรกและดำเนินการต่อไปจนถึงโทเค็นสุดท้าย หลังจากสร้างโทเค็นแต่ละรายการแล้ว โมเดลจะทบทวนลำดับทั้งหมดอีกครั้งและประมวลผลอีกครั้งเพื่อสร้างโทเค็นถัดไป กระบวนการวนซ้ำนี้จะดำเนินต่อไปจนกว่าจะสร้างโทเค็นขั้นสุดท้าย ทำให้การสร้างข้อความคล้ายกับ for-loop ขนาดใหญ่

แต่ประเด็นสำคัญคือ คุณภาพของคำตอบเหล่านี้ส่วนใหญ่ขึ้นอยู่กับข้อความแจ้งที่ได้รับ เช่นเดียวกับการควบคุมการสนทนากับมนุษย์ การนำทางการสนทนาด้วย ChatGPT ต้องใช้ทักษะและความเข้าใจในระดับหนึ่ง นั่นคือสิ่งที่วิศวกรรมที่รวดเร็วเข้ามามีบทบาท

พรอมต์ เอ็นจิเนียริ่ง คืออะไร?

Prompt Engineering คือศิลปะของการสร้างคำสั่ง/อินพุตที่แม่นยำและมีประสิทธิภาพเพื่อเป็นแนวทางให้ AI (NLP/Vision) โมเดลต่างๆ เช่น ChatGPT เพื่อสร้างผลลัพธ์ที่คุ้มค่าที่สุด แม่นยำ มีประโยชน์ และปลอดภัย

วิศวกรรมพร้อมท์ไม่ได้จำกัดอยู่เพียงการสร้างข้อความเท่านั้น แต่ยังมีแอปพลิเคชันที่หลากหลายทั่วทั้งโดเมน AI มีการใช้งานมากขึ้นในด้านต่างๆ เช่น บอทอัตโนมัติสำหรับกระบวนการหุ่นยนต์ สินทรัพย์ 3 มิติ สคริปต์ คำสั่งหุ่นยนต์ และเนื้อหาและสื่อดิจิทัลประเภทอื่นๆ มันมีการผสมผสานที่เป็นเอกลักษณ์ของตรรกะ การเขียนโค้ด ศิลปะ และในบางกรณี ตัวปรับแต่งพิเศษ

แม้ว่าพรอมต์อาจรวมถึงข้อความ รูปภาพ หรือข้อมูลอินพุตประเภทอื่นๆ ที่เป็นภาษาธรรมชาติ แต่เอาต์พุตอาจแตกต่างกันอย่างมากในบริการและเครื่องมือต่างๆ ของ AI ทุกเครื่องมือมีตัวปรับแต่งพิเศษที่อธิบายน้ำหนักของคำ สไตล์ มุมมอง เลย์เอาต์ หรือคุณสมบัติอื่นๆ ของคำตอบที่ต้องการ

ฟิลด์นี้จำเป็นสำหรับการสร้างบริการที่ขับเคลื่อนด้วย AI ที่ดีขึ้น และได้รับผลลัพธ์ที่เหนือกว่าจากเครื่องมือ generative AI ที่มีอยู่ ตัวอย่างเช่น นักพัฒนาองค์กรมักใช้วิศวกรรมที่รวดเร็วเพื่อปรับแต่งโมเดลภาษาขนาดใหญ่ (LLM) เช่น GPT-3 เพื่อเพิ่มประสิทธิภาพให้กับลูกค้า chatbot หรือจัดการงานต่างๆ เช่น การสร้างสัญญาเฉพาะอุตสาหกรรม

กระบวนการทำซ้ำของการปรับแต่งอย่างรวดเร็วและการวัดประสิทธิภาพของ AI เป็นองค์ประกอบสำคัญในการทำให้โมเดล AI สร้างการตอบสนองที่ตรงเป้าหมายและเป็นประโยชน์ในบริบทต่างๆ

การเป็น Prompt Engineer

ความสามารถของโมเดล GPT-4 ในการเข้าใจคำสั่งที่ซับซ้อนและแก้ปัญหาที่ซับซ้อนได้อย่างแม่นยำ ทำให้โมเดลนี้เป็นทรัพยากรที่ทรงคุณค่า อย่างไรก็ตาม มีวิธีการต่างๆ ในการเข้าถึงความสามารถของโมเดลนี้ และการทำความเข้าใจสิ่งเหล่านี้อาจมีความสำคัญต่อบทบาทของวิศวกรในการปรับให้เหมาะสมทั้งประสิทธิภาพและความคุ้มค่า

โดยหลักแล้วมีสองวิธีในการมีส่วนร่วมกับโมเดล GPT เช่น GPT-4 วิธีหนึ่งคือผ่าน API ของ OpenAI ซึ่งมีการคำนวณต้นทุนต่อโทเค็นอินพุตและเอาต์พุต ในสถานการณ์สมมตินี้ ค่าใช้จ่ายต่อโทเค็น 1K อาจผันผวนตามขนาดบริบท ตัวอย่างเช่น ในบริบท 32K ที่ใหญ่ขึ้น ค่าใช้จ่ายอาจสูงถึง 0.06 ดอลลาร์สำหรับโทเค็นอินพุต และ 0.12 ดอลลาร์สำหรับโทเค็นเอาต์พุต ดังนั้น เมื่อจัดการกับคำขอจำนวนมาก ต้นทุนการใช้งานสามารถสะสมได้อย่างรวดเร็ว

อีกทางหนึ่งคือ ChatGPT ซึ่งใช้ประโยชน์จากโมเดล GPT-4 ซึ่งทำงานในรูปแบบการสมัครรับข้อมูล

งานสำคัญอีกประการหนึ่งในวิศวกรรมพรอมต์เกี่ยวข้องกับการปรับพารามิเตอร์โมเดล กระบวนการนี้เกี่ยวข้องกับการปรับตัวแปรที่แบบจำลองใช้ในการทำนาย การปรับพารามิเตอร์เหล่านี้อย่างละเอียด วิศวกรพร้อมท์สามารถปรับปรุงคุณภาพและความแม่นยำของการตอบสนองของแบบจำลอง ทำให้มีความเกี่ยวข้องตามบริบทและเป็นประโยชน์มากขึ้น

แม้ว่าวิศวกรที่พร้อมรับคำปรึกษาหลายคนจะมาจากพื้นฐานด้านเทคโนโลยี แต่ลักษณะสหสาขาวิชาชีพของสาขานี้ทำให้บุคคลที่มีภูมิหลังทางวิชาชีพหลากหลายสามารถเข้าถึงได้ นักเขียน นักวิจัย และแม้แต่ศิลปินจำนวนมากขึ้นเรื่อยๆ ต่างก็ใช้ประโยชน์จากทักษะเฉพาะของตนเองเพื่อเพิ่มประสิทธิภาพให้กับโมเดล AI การเปลี่ยนแปลงนี้สะท้อนให้เห็นในตลาดงานเช่นกัน โดยมีบริษัทจำนวนมากขึ้นเรื่อยๆ ที่กำลังมองหาวิศวกรที่มีทักษะและภูมิหลังที่หลากหลาย

การออกแบบและวิศวกรรมที่รวดเร็วใน ChatGPT

การออกแบบและวิศวกรรมของ Prompt มีบทบาทสำคัญในการปรับประสิทธิภาพของโมเดลภาษาให้เหมาะสมและมีส่วนร่วมมากกว่าแค่การตั้งคำถาม พวกเขาจำเป็นต้องมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับแบบจำลอง AI และวิธีการทำซ้ำและปรับปรุงอย่างมาก

การออกแบบพรอมต์

หัวใจหลักของการออกแบบพรอมต์คือศาสตร์และศิลป์ในการสร้างพรอมต์ที่สมบูรณ์แบบสำหรับโมเดลภาษาขนาดใหญ่ (LLM) ที่กำหนด เช่น ChatGPT เพื่อให้บรรลุเป้าหมายที่ระบุไว้อย่างชัดเจน เป็นส่วนผสมของ:

• ความเข้าใจเกี่ยวกับ LLM: โมเดลภาษาที่แตกต่างกันอาจตอบสนองต่อพรอมต์เดียวกันได้หลากหลาย ยิ่งไปกว่านั้น โมเดลภาษาบางรุ่นอาจมีคีย์เวิร์ดหรือทริกเกอร์ที่ไม่ซ้ำ ซึ่งแปลความหมายในแบบเฉพาะเจาะจง
• ความรู้ด้านโดเมน: ความเชี่ยวชาญในสาขาที่เกี่ยวข้องมีความสำคัญอย่างยิ่งในการออกแบบข้อความแจ้ง ตัวอย่างเช่น การสร้างข้อความแจ้งเพื่อสรุปผลการวินิจฉัยทางการแพทย์จะต้องใช้ความรู้ทางการแพทย์
• วิธีการทำซ้ำและการวัดคุณภาพ: กระบวนการสร้างพรอมต์ในอุดมคติมักเกี่ยวข้องกับการลองผิดลองถูก ดังนั้น การมีวิธีประเมินคุณภาพผลลัพธ์นอกเหนือจากการตัดสินตามอัตนัยจึงมีความสำคัญ โดยเฉพาะอย่างยิ่งเมื่อใช้พรอมต์ในสเกลที่ใหญ่ขึ้น

พร้อมรับงานวิศวกรรม

วิศวกรรมพรอมต์เป็นขอบเขตเพิ่มเติมของการออกแบบพรอมต์ที่มีกระบวนการที่สำคัญหลายอย่าง:

• การออกแบบพรอมต์ตามขนาด: กระบวนการนี้รวมถึงการออกแบบเมตาพรอมต์ (พรอมต์ที่สร้างพรอมต์อื่นๆ) และเทมเพลตพรอมต์ ซึ่งเป็นพรอมต์แบบกำหนดพารามิเตอร์ที่สามารถอินสแตนซ์ได้ในขณะรันไทม์
• การออกแบบและการรวมเครื่องมือ: บางครั้งพรอมต์อาจรวมถึงผลลัพธ์จากเครื่องมือภายนอก และการรวมเครื่องมือเหล่านี้เข้ากับระบบอย่างราบรื่นเป็นสิ่งสำคัญ
• เวิร์กโฟลว์ การวางแผน และการจัดการพรอมต์: การปรับใช้แอปพลิเคชัน LLM เช่น แชทบอท มักจะต้องมีการจัดการไลบรารีของพรอมต์ การวางแผนและการเลือกพรอมต์ที่เหมาะสม และการรวมเครื่องมือต่างๆ อย่างมีประสิทธิภาพ
• การประเมินและการประกันคุณภาพของพรอมต์: แง่มุมนี้รวมถึงการกำหนดเมตริกและกระบวนการเพื่อประเมินพรอมต์ทั้งแบบอัตโนมัติและโดยการมีส่วนร่วมของมนุษย์
• การเพิ่มประสิทธิภาพพรอมต์: ค่าใช้จ่ายและเวลาแฝงของโมเดล AI อาจขึ้นอยู่กับตัวเลือกของโมเดลและความยาวของพรอมต์ (จำนวนของโทเค็น)

แนวทางการออกแบบเครื่องมือและกรอบงานพร้อมรับคำอัตโนมัติจำนวนมากได้รับการพัฒนาเพื่อจัดการพร้อมท์ตามขนาด อย่างไรก็ตาม สิ่งสำคัญคือต้องเข้าใจว่าไม่มีเครื่องมือใดที่สามารถแทนที่ความเข้าใจ วิจารณญาณ และประสบการณ์ของวิศวกรพรอมต์ที่ช่ำชองได้

Prompt Engineering: เทคนิคและแนวทางปฏิบัติที่ดีที่สุด

1) ตำแหน่งพร้อมท์และคำอธิบาย

การวางคำแนะนำที่จุดเริ่มต้นของข้อความแจ้งอาจส่งผลกระทบอย่างมากต่อความเข้าใจและการตอบสนองของ AI พิจารณางานของการสรุปข้อความในรูปแบบสัญลักษณ์แสดงหัวข้อย่อย วิธีที่มีประสิทธิภาพน้อยกว่าคือ:

ผู้ใช้งาน: สรุปข้อความด้านล่างเป็นรายการหัวข้อย่อยของประเด็นที่สำคัญที่สุด
{ป้อนข้อความที่นี่}

ในทางกลับกัน เทคนิคที่มีประสิทธิภาพมากกว่าอาจเป็น:

ผู้ใช้งาน: สรุปข้อความด้านล่างเป็นรายการหัวข้อย่อยของประเด็นที่สำคัญที่สุด
ข้อความ: """
{ป้อนข้อความที่นี่}
"" "

ด้วยการแยกคำแนะนำและบริบทด้วยสัญลักษณ์ เช่น ### หรือ “”” อย่างชัดเจน โมเดล AI จะสามารถอธิบายงานและข้อความที่ต้องประมวลผลได้ดีขึ้น ซึ่งทำให้ได้คำตอบที่ถูกต้องและตรงประเด็นมากขึ้น

ประการที่สอง การมีความเฉพาะเจาะจง บรรยาย และลงรายละเอียดเกี่ยวกับบริบท ผลลัพธ์ที่คาดหวัง ความยาว รูปแบบ สไตล์ และอื่นๆ สามารถปรับปรุงความแม่นยำของการตอบสนองของ AI ได้อย่างมาก สมมติว่าคุณต้องสร้างภาพรวมโดยย่อของบทความทางวิทยาศาสตร์ในรูปแบบที่ดึงดูดใจและเป็นมิตรกับคนทั่วไป คำสั่งที่คลุมเครือ เช่น “สรุปผลงานวิจัยทางวิทยาศาสตร์” จะให้ผลลัพธ์ที่มีประสิทธิภาพน้อยกว่าเมื่อเปรียบเทียบกับคำแนะนำที่มีรายละเอียดเฉพาะเจาะจง:

ผู้ใช้งาน: สร้างบทสรุป (ประมาณ 200 คำ) โดยสรุปที่น่าสนใจของบทความทางวิทยาศาสตร์ต่อไปนี้ บทสรุปควรเข้าใจได้สำหรับผู้ที่ไม่มีพื้นฐานทางวิทยาศาสตร์ ในขณะเดียวกันก็สะท้อนถึงการค้นพบที่สำคัญของเอกสารได้อย่างถูกต้อง
กระดาษ: """
{ข้อความกระดาษวิทยาศาสตร์ที่นี่}
"" "

2) รูปแบบบุคคล

รูปแบบบุคคลเป็นกลยุทธ์ที่กำหนด AI ให้ทำงานจากมุมมองบางอย่าง เช่น บทบาทมืออาชีพหรือตัวละครในนิยาย ชั้นเชิงนี้ช่วยให้แบบจำลองสามารถให้ผลลัพธ์ที่เกี่ยวข้องกับบทบาทเฉพาะที่บุคคลจะจัดการได้ ตัวอย่างเช่น เราสามารถสั่งให้ AI ทำหน้าที่เป็นผู้เชี่ยวชาญด้านความปลอดภัยทางไซเบอร์ในระหว่างการตรวจสอบโค้ด รูปแบบนี้มีประโยชน์อย่างยิ่งเมื่อผู้ใช้ต้องการความช่วยเหลือแต่ไม่แน่ใจเกี่ยวกับรายละเอียดที่แน่นอนที่จำเป็นในเอาต์พุต

ยกตัวอย่างต่อไปนี้:

ผู้ใช้งาน: “สมมติบุคลิกของนักประวัติศาสตร์อาวุโสที่เชี่ยวชาญด้านการปฏิวัติฝรั่งเศส ให้อธิบายเหตุการณ์สำคัญและเหตุผลที่นำไปสู่การล่มสลายของระบอบกษัตริย์ฝรั่งเศส”

ในสถานการณ์นี้ AI คาดว่าจะตอบสนองด้วยการวิเคราะห์เชิงลึกเกี่ยวกับการปฏิวัติฝรั่งเศส โดยมุ่งเน้นไปที่การล่มสลายของระบอบกษัตริย์ อย่างที่นักประวัติศาสตร์ทำ

แนะนำข้อมูลใหม่

ChatGPT ไม่มีความรู้นอกเหนือไปจากการฝึกอบรม ดังนั้นจึงไม่สามารถให้ข้อมูลเกี่ยวกับเหตุการณ์ล่าสุดหรือการอัปเดตหลังการฝึกอบรมได้ อย่างไรก็ตาม คุณสามารถแนะนำข้อมูลใหม่ให้กับโมเดลได้ผ่านทางข้อความแจ้งของคุณ

ผู้ใช้งาน: “สกุลเงินดิจิทัลคืออะไร”
ChatGPT: “Cryptocurrency เป็นสกุลเงินดิจิทัลหรือสกุลเงินเสมือนประเภทหนึ่งที่ใช้การเข้ารหัสเพื่อความปลอดภัย สกุลเงินดิจิทัลที่เป็นที่รู้จักมากที่สุดคือ Bitcoin”

ตอนนี้ หากเราเพิ่มบริบทอีกเล็กน้อยให้กับข้อความแจ้ง เราจะทำให้คำอธิบายเข้าใจง่ายยิ่งขึ้น:

ผู้ใช้งาน: “อธิบายแนวคิดของ cryptocurrency ให้กับนักเรียนมัธยมปลายที่กำลังศึกษาการเงินดิจิทัล”
ChatGPT: “ลองนึกภาพว่าคุณกำลังเล่นวิดีโอเกมออนไลน์และมีเงินในเกมที่คุณสามารถหามาซื้อการอัปเกรดหรือตัวละครใหม่ได้ Cryptocurrency เป็นแบบนั้น แต่แทนที่จะจำกัดเฉพาะในเกม คุณสามารถใช้มันเพื่อซื้อสินค้าและบริการในโลกแห่งความเป็นจริงได้ มันเหมือนกับเงินดิจิทัลที่ไม่มีธนาคารหรือรัฐบาลควบคุม”

3) ข้อ จำกัด ขนาดที่แจ้ง

การทำความเข้าใจเกี่ยวกับข้อจำกัดด้านขนาดของ ChatGPT เป็นสิ่งสำคัญ เนื่องจากมีผลโดยตรงต่อปริมาณและประเภทของข้อมูลที่เราสามารถป้อนเข้าไปได้ โมเดลภาษาไม่ได้ถูกสร้างขึ้นเพื่อประมวลผลข้อมูลแบบไม่จำกัดในครั้งเดียว พวกเขามีข้อ จำกัด โดยธรรมชาติกับขนาดของพรอมต์ที่เราสามารถสร้างและป้อนข้อมูลได้ ข้อจำกัดนี้มีผลอย่างมากต่อการออกแบบและการดำเนินการพร้อมท์

ChatGPT มีขีดจำกัดของโทเค็น (โดยทั่วไปคือ 2048 โทเค็น) ซึ่งรวมทั้งข้อความแจ้งและการตอบกลับที่สร้างขึ้น ซึ่งหมายความว่าข้อความแจ้งที่ยาวสามารถจำกัดความยาวของการตอบกลับได้ ดังนั้น สิ่งสำคัญคือต้องแจ้งข้อความให้กระชับแต่ได้ข้อมูล

ในการใช้งานจริง เราต้องทำหน้าที่เป็นบรรณาธิการ โดยเลือกข้อมูลที่เกี่ยวข้องมากที่สุดสำหรับงานที่อยู่ในมือ ลองนึกภาพการเขียนบทความหรือบทความโดยจำกัดคำหรือจำนวนหน้า คุณไม่สามารถทิ้งข้อเท็จจริงแบบสุ่ม แต่เลือกและจัดโครงสร้างข้อมูลที่เกี่ยวข้องกับหัวเรื่องอย่างระมัดระวัง

ผู้ใช้งาน: “ด้วยข้อจำกัดของโทเค็นของโมเดล ให้สรุปเหตุการณ์สำคัญของสงครามโลกครั้งที่ 1000 ด้วยคำน้อยกว่า XNUMX คำ”

เมื่อรับทราบถึงข้อจำกัดของโทเค็นของโมเดล ข้อความแจ้งนี้ชี้นำให้ AI แสดงบทสรุปของสงครามโลกครั้งที่ XNUMX ที่กระชับแต่ครอบคลุม

ข้อความแจ้งสำหรับการใช้ซ้ำ: ในสถานการณ์การสนทนา คุณสามารถใช้ข้อความแจ้งซ้ำหรือปรับแต่งตามคำตอบก่อนหน้า สิ่งนี้ทำให้เกิดการสนทนาและรักษาบริบทในการโต้ตอบ

4) รูปแบบการปรับแต่งคำถาม

ChatGPT ยังสามารถช่วยปรับแต่งคำถามของคุณได้อีกด้วย ตัวอย่างเช่น หากคุณถามคำถาม ระบบอาจแนะนำคำถามที่มีสูตรที่ดีกว่าเพื่อผลลัพธ์ที่แม่นยำยิ่งขึ้น

รูปแบบการปรับแต่งคำถามเกี่ยวข้องกับ LLM ที่ปรับแต่งคำถามที่ถามโดยผู้ใช้ มีประโยชน์อย่างยิ่งเมื่อผู้ใช้ไม่ใช่ผู้เชี่ยวชาญในโดเมนหรือไม่แน่ใจว่าจะใช้คำถามอย่างไร

พรอมต์ตัวอย่างอาจมีลักษณะดังนี้:

ผู้ใช้งาน: “เมื่อใดก็ตามที่ฉันถามคำถามเกี่ยวกับวิทยาศาสตร์ข้อมูล ให้แนะนำคำถามที่ละเอียดยิ่งขึ้นโดยพิจารณาจากการวิเคราะห์ทางสถิติโดยเฉพาะ และถามว่าฉันต้องการดำเนินการต่อด้วยคำถามที่ละเอียดขึ้นหรือไม่”

ที่นี่ AI คาดว่าจะปรับแต่งคำถามวิทยาศาสตร์ข้อมูลทั่วไปของผู้ใช้ให้เป็นคำถามที่ละเอียดมากขึ้นโดยพิจารณาจากการวิเคราะห์ทางสถิติ

5) รูปแบบการตรวจสอบความรู้ความเข้าใจ

รูปแบบการตรวจสอบความรู้ความเข้าใจแบ่งคำถามที่ซับซ้อนออกเป็นคำถามย่อยที่เล็กลงและสามารถจัดการได้ คำตอบของคำถามย่อยเหล่านี้จะถูกรวมเข้าด้วยกันเพื่อให้คำตอบที่ครอบคลุมสำหรับคำถามหลัก วิธีการนี้มีประโยชน์เมื่อคำถามเริ่มต้นมีระดับสูงเกินไปหรือเมื่อต้องการความชัดเจนเพิ่มเติมเพื่อให้คำตอบที่สมบูรณ์

ตัวอย่างเช่น:

ผู้ใช้งาน: “ถ้าฉันถามคำถามเกี่ยวกับการเปลี่ยนแปลงสภาพภูมิอากาศ ให้แบ่งคำถามออกเป็นสามข้อเล็กๆ ที่จะช่วยให้คุณได้คำตอบที่ถูกต้องมากขึ้น รวมคำตอบของคำถามย่อยเหล่านี้เพื่อให้คำตอบสุดท้าย”

ในสถานการณ์นี้ AI จะแบ่งคำถามที่ซับซ้อนเกี่ยวกับการเปลี่ยนแปลงสภาพภูมิอากาศออกเป็นคำถามย่อยสามข้อที่สามารถจัดการได้ หลังจากได้รับคำตอบสำหรับคำถามย่อยเหล่านี้แล้ว AI จะรวมสิ่งเหล่านี้เข้าด้วยกันเพื่อให้คำตอบที่ครอบคลุมและแม่นยำยิ่งขึ้น

รูปแบบนี้เกี่ยวข้องกับการสร้างคำถามหลายข้อเพื่อให้ได้คำตอบสุดท้ายที่ถูกต้องมากขึ้น เป็นกระบวนการตรวจสอบและรวมข้อมูลเพื่อให้ได้ผลลัพธ์สุดท้ายที่มีประสิทธิภาพ

6) แนวทางการกระตุ้นเตือนไม่กี่ช็อต

การกระตุ้นเพียงไม่กี่ครั้งเป็นวิธีการที่มีประสิทธิภาพสำหรับการสอนโมเดล AI ให้ทำตามรูปแบบเฉพาะหรือดำเนินการตามภารกิจต่างๆ แนวคิดคือการป้อนโมเดลด้วยตัวอย่างจำนวนหนึ่งก่อนที่จะถามคำถามที่ต้องการ สิ่งนี้ช่วยในการกำหนดลักษณะการทำงานที่ต้องการและแนะนำการตอบสนองของแบบจำลอง

พิจารณาสถานการณ์ที่ผู้ใช้พยายามร่างสำเนาการตลาดที่กระชับและน่าสนใจสำหรับแกดเจ็ตเทคโนโลยีใหม่:

ผู้ใช้งาน: “ต่อไปนี้คือตัวอย่างบางส่วนของสำเนาการตลาดเทคโนโลยี: 'สัมผัสประสบการณ์การฟังเพลงอย่างที่ไม่เคยมีมาก่อนด้วยหูฟังไร้สายที่ล้ำสมัยของเรา' 'จับภาพโลกของคุณใน 4K อันน่าทึ่งด้วยกล้องแอคชั่นสุดเพรียวบางของเรา' จากตัวอย่างเหล่านี้ ให้ร่างสำเนาการตลาดสำหรับสมาร์ทวอทช์ที่ขับเคลื่อนด้วย AI ใหม่ของเรา”

ChatGPT: “ส่งเสริมไลฟ์สไตล์ของคุณด้วยสมาร์ทวอทช์ที่ขับเคลื่อนด้วย AI เพื่อนคู่หูด้านสุขภาพ การเชื่อมต่อ และประสิทธิภาพการทำงาน” คุณสมบัติที่โดดเด่นของการเรียนรู้แบบไม่กี่ภาพคือไม่จำเป็นต้องมีคำอธิบายโดยละเอียดเกี่ยวกับวิธีการทำงาน แต่ต้องมีการสาธิตว่ากำลังทำอะไรอยู่ ซึ่งทำให้เหมาะสำหรับการใช้งานหลายๆ อย่าง

นอกจากนี้ เทคนิคนี้ยังครอบคลุมมากกว่าการจับคู่อินพุต-เอาต์พุตแบบธรรมดา แบบจำลองยังสามารถสอนให้จัดการกับขั้นตอนขั้นกลางเพื่อให้บรรลุเป้าหมาย

7) การกระตุ้นให้เกิดห่วงโซ่แห่งความคิด

ในงานวิจัยล่าสุดของพวกเขา “ห่วงโซ่แห่งความคิดกระตุ้นการใช้เหตุผลในรูปแบบภาษาขนาดใหญ่” Jason Wei ผู้เขียนและทีมงานมีเป้าหมายที่จะกระตุ้นการใช้เหตุผลภายในโมเดลภาษาขนาดใหญ่ แทนที่จะใช้การแจ้งโดยตรงแบบเดิมๆ ทีมงานใช้ชุดการแจ้งที่เชื่อมต่อกัน เกิดเป็น 'ห่วงโซ่แห่งความคิด'

ตัวอย่างเช่น ผู้ใช้อาจสนใจผลกระทบที่อาจเกิดขึ้นจากปัญญาประดิษฐ์ในตลาดงาน:

ผู้ใช้งาน: “คุณช่วยอธิบายแนวคิดของปัญญาประดิษฐ์โดยสังเขปได้ไหม”

ChatGPT: “Artificial Intelligence หรือ AI หมายถึงความสามารถของเครื่องจักรในการเลียนแบบพฤติกรรมของมนุษย์ที่ชาญฉลาด มันเกี่ยวกับการออกแบบเครื่องจักรที่สามารถคิดและเรียนรู้ได้เหมือนมนุษย์ ทำให้สามารถทำงานต่างๆ ได้ เช่น การแปลภาษา การตัดสินใจ การแก้ปัญหา และอื่นๆ”

ผู้ใช้งาน: “AI มีอิทธิพลต่อตลาดงานปัจจุบันอย่างไร”

ChatGPT: “AI เป็นทั้งการสร้างงานใหม่และการเปลี่ยนแปลงลักษณะของงานที่มีอยู่ ในด้านหนึ่ง ระบบดังกล่าวทำให้งานประจำเป็นไปโดยอัตโนมัติ ซึ่งนำไปสู่การเปลี่ยนงานในบางภาคส่วน ในทางกลับกัน กำลังสร้างความต้องการบทบาทที่ไม่เคยมีมาก่อน เช่น เจ้าหน้าที่จริยธรรมของ AI นักวิเคราะห์ข้อมูล และวิศวกรการเรียนรู้ของเครื่อง นอกจากนี้ AI ยังช่วยเพิ่มบทบาทของมนุษย์ ทำให้ผู้คนสามารถทำงานให้สำเร็จได้อย่างมีประสิทธิภาพและแม่นยำยิ่งขึ้น”

การกระตุ้นให้เกิดห่วงโซ่แห่งความคิดเป็นไปตามความก้าวหน้าของข้อความแจ้งที่เกี่ยวข้อง โดยคงไว้ซึ่ง 'การสนทนา' ด้วยแบบจำลองที่นำทางไปสู่การตอบสนองที่แม่นยำยิ่งขึ้นและเหมาะสมตามบริบท

ทำความเข้าใจ ChatGPT API และ Prompt Engineering จากมุมมองของนักพัฒนา

จากมุมมองของนักพัฒนาหรือนักวิจัย วิศวกรรมพร้อมท์เป็นกระบวนการที่ซับซ้อนกว่า มันเกี่ยวข้องกับการออกแบบอัลกอริทึมและเทคนิคเพื่อช่วยให้โมเดล AI เข้าใจและตอบสนองต่อข้อความแจ้งได้อย่างมีประสิทธิภาพมากขึ้น ซึ่งอาจรวมถึงกลยุทธ์ในการจัดการกับข้อความแจ้งที่ไม่ชัดเจน การระบุบริบทของข้อความแจ้ง หรือการรวมข้อความแจ้งเข้าด้วยกันเพื่อกระตุ้นกระบวนการคิดที่ซับซ้อนมากขึ้นใน AI

ในภาพประกอบด้านบน ผู้ใช้โต้ตอบกับอินเทอร์เฟซการแชทซึ่งขับเคลื่อนโดย GPT-4 อินพุตของพวกเขาได้รับการปรับปรุงเพื่อความชัดเจนและความสอดคล้องตามบริบทโดยโมดูลพิเศษก่อนที่จะป้อนไปยังโมเดล AI บทบาทของโมดูลนี้คือการปรับแต่งและปรับปรุงการป้อนข้อมูลของผู้ใช้เพื่อความเข้าใจที่ดีขึ้นในขณะที่ยังคงรักษาบริบทของการสนทนา การตอบสนองของ AI ซึ่งสร้างขึ้นจากข้อความแจ้งที่ได้รับการปรับปรุงแล้วจะถูกส่งกลับไปยังผู้ใช้ผ่านอินเทอร์เฟซการแชท ประวัติการโต้ตอบจะได้รับการอัปเดตอย่างสม่ำเสมอโดยคงบริบทการสนทนาไว้ โดยรวมแล้ว ไดอะแกรมนี้แสดงโฟลว์การสนทนาระหว่างผู้ใช้กับ AI แบบไดนามิกที่เปิดใช้งานโดยเทคนิคทางวิศวกรรมที่รวดเร็ว

พื้นที่ ChatGPT API ของ อินเทอร์เฟซได้รับการออกแบบด้วยไฮเปอร์พารามิเตอร์ต่างๆ ที่ช่วยให้ผู้ใช้สามารถปรับแต่งการตอบสนองของ AI ต่อข้อความแจ้ง ทำให้มีประสิทธิภาพและหลากหลายมากขึ้น ซึ่งรวมถึงพารามิเตอร์อุณหภูมิ ความยาวสูงสุด และลำดับการหยุด มาดูกันว่าพวกมันทำงานอย่างไรและสามารถนำไปใช้ในบริบทต่างๆ ได้อย่างไร

1) อุณหภูมิ

พารามิเตอร์อุณหภูมิมีอิทธิพลต่อการสุ่มของการตอบสนองของ AI อุณหภูมิที่สูงขึ้น เช่น 1.0 กระตุ้นให้เกิดเอาต์พุตแบบสุ่มมากขึ้น ส่งผลให้เกิดการตอบสนองที่หลากหลายแต่อาจไม่ตรงประเด็น ในทางตรงกันข้าม อุณหภูมิที่ต่ำกว่า เช่น 0.2 จะกระตุ้นให้ AI เลือกการตอบสนองที่กำหนดขึ้น ซึ่งจะเป็นประโยชน์สำหรับผลลัพธ์ที่โฟกัสและเฉพาะเจาะจง แต่อาจขาดความหลากหลาย

ตัวอย่าง: หากคุณกำลังเขียนเรื่องราวที่สร้างสรรค์และต้องการองค์ประกอบจินตนาการที่คาดเดาไม่ได้ ให้ตั้งค่าอุณหภูมิให้สูงขึ้น คำแนะนำอาจเป็น: "เขียนเรื่องสั้นเกี่ยวกับแมวที่เดินทางข้ามเวลา" ด้วยอุณหภูมิที่สูง คุณอาจได้รับเรื่องราวที่แปลกประหลาดและพลิกผันที่คาดเดาไม่ได้

2) ความยาวสูงสุด

พารามิเตอร์นี้ควบคุมความยาวโทเค็นสูงสุดของเอาต์พุตของโมเดล ซึ่งรวมทั้งโทเค็นในอินพุตข้อความและเอาต์พุตข้อความ การตั้งค่าขีดจำกัดที่สูงขึ้นช่วยให้สามารถตอบกลับได้มากขึ้น ในขณะที่ขีดจำกัดที่ต่ำกว่าจะทำให้เอาต์พุตสั้นและกระชับ

ตัวอย่าง: สำหรับการตอบคำถามสั้นๆ เช่น "ใครได้รับรางวัลโนเบลสาขาวรรณกรรมในปี 2020" คุณอาจต้องการตั้งค่าความยาวสูงสุดเป็นค่าต่ำ เพื่อให้มั่นใจว่าการตอบสนองกระชับและตรงประเด็น

3) หยุดลำดับ

Stop Sequences คือสตริงข้อความเฉพาะที่ เมื่อโมเดลพบพวกมัน มันจะยุติการสร้างเอาต์พุตเพิ่มเติม คุณสมบัตินี้มีประโยชน์ในการควบคุมความยาวของเอาต์พุตหรือสั่งให้โมเดลหยุดที่จุดสิ้นสุดแบบลอจิคัล

ตัวอย่าง: สำหรับจดหมายที่เป็นทางการ คุณสามารถใช้ "ขอแสดงความนับถือ" เป็นลำดับการหยุดเพื่อให้แน่ใจว่า AI จะไม่สร้างข้อความเพิ่มเติมนอกเหนือจากการสิ้นสุดที่เหมาะสมของจดหมาย

4) ท็อปพี

พารามิเตอร์ 'Top P' หรือที่เรียกว่าการสุ่มตัวอย่างนิวเคลียส เป็นวิธีการที่ให้การเลือกแบบไดนามิกของจำนวนคำที่พิจารณาในแต่ละขั้นตอนของการคาดคะเนของแบบจำลอง ค่าที่ต่ำกว่า เช่น 0.5 นำไปสู่เอาต์พุตที่ปลอดภัยและโฟกัสมากขึ้น ค่าที่สูงกว่า เช่น 0.9 จะรวมคำที่เลือกได้กว้างขึ้น ซึ่งนำไปสู่ผลลัพธ์ที่หลากหลายมากขึ้น

ตัวอย่าง: หากคุณกำลังสร้าง AI เพื่อเขียนบทกวีและต้องการให้ AI ใช้คำศัพท์และสำนวนโวหารที่หลากหลาย คุณอาจตั้งค่า 'Top P' ให้มีค่าสูงขึ้น คำแนะนำอาจเป็น: "แต่งกลอนเกี่ยวกับความงามของฤดูใบไม้ร่วง"

5) การลงโทษความถี่

การลงโทษความถี่จะควบคุมว่าตัวแบบควรใช้คำที่ไม่บ่อยมากน้อยเพียงใด ค่าปรับที่สูงขึ้น (สูงสุด 1) จะกระตุ้นให้ตัวแบบใช้คำทั่วไปน้อยลง ในขณะที่ค่าที่ต่ำกว่า (ลงถึง -1) จะกระตุ้นให้ตัวแบบใช้คำทั่วไปมากขึ้น

ตัวอย่าง: หากคุณกำลังพยายามสร้างข้อเสนอทางธุรกิจและต้องการหลีกเลี่ยงศัพท์เฉพาะ คุณอาจตั้งค่าการลงโทษความถี่เป็นค่าที่ต่ำกว่าเพื่อให้ภาษาชัดเจนและเข้าถึงได้

6) การลงโทษการแสดงตน

พารามิเตอร์ Presence Penalty ส่งผลต่อจำนวนโมเดลที่ถูกลงโทษสำหรับการสร้างแนวคิดหรือหัวข้อใหม่ที่ไม่มีอยู่ในประวัติการสนทนา ค่าที่สูงขึ้นจะกระตุ้นให้โมเดลยึดติดกับหัวข้อที่กล่าวถึงแล้ว ในขณะที่ค่าที่ต่ำกว่าช่วยให้โมเดลสามารถแนะนำแนวคิดใหม่ได้อย่างอิสระมากขึ้น

ตัวอย่าง: สำหรับเซสชันการระดมความคิด คุณอาจตั้งค่าบทลงโทษการแสดงตนเป็นค่าที่ต่ำกว่าเพื่อกระตุ้นให้เกิดแนวคิดที่หลากหลาย คุณสามารถใช้ข้อความแจ้ง เช่น “สร้างกลยุทธ์ทางการตลาดที่เป็นนวัตกรรมใหม่สำหรับแพลตฟอร์มการศึกษาออนไลน์”

การประยุกต์ใช้ในอุตสาหกรรมของพรอมท์ เอ็นจิเนียริ่ง