คู่มือที่จำเป็นสำหรับวิศวกรรมคำสั่งในการใช้ ChatGPT

นับตั้งแต่เปิดตัว ChatGPT ได้สร้างความตื่นตะลึงในวงการ AI โดยดึงดูดผู้ใช้มากกว่า 100 ล้านคนในเวลาอันสั้น ซึ่งความสำเร็จและความสามารถหลากหลายของ ChatGPT นั้นมาจากศิลปะที่ซ่อนอยู่ในการเขียนโปรแกรมของมัน ซึ่งก็คือ วิศวกรรมคำสั่ง

ที่เปิดตัวในปี 2022 DALL-E, MidJourney และ StableDiffusion ได้เน้นย้ำถึงศักยภาพที่จะเปลี่ยนแปลงของ AI ที่สร้างขึ้น แต่ ChatGPT ของ Open AI ที่เปิดตัวในช่วงปลายปี 2022 คือตัวที่ทำให้ AI มีชื่อเสียงและความนิยมอย่างมาก และความสำเร็จนี้ไม่มีแนวโน้มที่จะชะลอตัว

การประกาศของ Google ถึง Bard และการตอบสนองของ Meta ต่อ ChatGPT ของ Open AI โดยการเปิดตัว Llama 2 ได้เพิ่มความเร่งให้กับการแข่งขัน AI ในอุตสาหกรรมเทคโนโลยี โดยการให้ข้อมูลเข้าไปในโมเดลเหล่านี้ เรากำลังชี้นำพฤติกรรมและคำตอบของมัน ซึ่งทำให้ทุกคนกลายเป็นวิศวกรคำสั่งบ้างแล้ว อุตสาหกรรมเทคโนโลยีได้ให้ความสนใจกับเรื่องนี้ และนักลงทุนกำลังลงทุนในสตาร์ทอัพเกี่ยวกับวิศวกรรมคำสั่ง เช่น Vellum AI นอกจากนี้ Forbes ยังรายงานว่าวิศวกรคำสั่งมีรายได้สูงถึง 300,000 ดอลลาร์ ซึ่งบ่งชี้ถึงตลาดงานที่มีค่าและเติบโต

ในบทความนี้ เราจะเปิดเผยโลกของวิศวกรรมคำสั่งในบริบทของ ChatGPT เราจะสำรวจหลักการและเทคนิคหลัก และตรวจสอบการประยุกต์ใช้ในเชิงพาณิชย์

มาเข้าใจกันก่อนว่า ChatGPT ทำงานอย่างไร และวิศวกรรมคำสั่งมีบทบาทสำคัญอย่างไรในกระบวนการนี้

กลไกเบื้องหลังวิศวกรรมคำสั่ง ChatGPT

ความสำเร็จของ ChatGPT มาจากความสามารถในการเข้าใจและเลียนแบบน้ำเสียงของการพูดคุยของมนุษย์ โมเดลนี้ได้รับการฝึกฝนจากข้อความบนอินเทอร์เน็ตที่หลากหลาย แต่ไม่ทราบถึงเอกสารหรือแหล่งที่มาเฉพาะเจาะจงในการฝึกฝน ซึ่งช่วยให้ ChatGPT สามารถสร้างคำตอบที่สร้างสรรค์ นำทางสนทนาที่ซับซ้อน และแสดงความตลกขบขันได้ อย่างไรก็ตาม ต้องจำไว้ว่า ChatGPT ไม่เข้าใจหรือมีความเชื่อจริงๆ แต่สร้างคำตอบตามรูปแบบที่ได้เรียนรู้ระหว่างการฝึกฝน

ความสามารถของ ChatGPT ในการเข้าใจและตอบสนองภาษาของมนุษย์ในลักษณะที่เหมาะสมและตระหนักถึงบริบท ทำให้ ChatGPT เป็นเครื่องมือที่มีความสามารถหลากหลายมาก

กลไกของโมเดลเหล่านี้อาศัยแนวคิดของ “โทเค็น” ซึ่งเป็นชิ้นส่วนของภาษาที่สามารถเป็นตัวอักษรเดียวหรือคำทั้งหมด โมเดลเหล่านี้ทำงานกับจำนวนโทเค็นที่กำหนดในแต่ละครั้ง (4096 สำหรับ GPT-3.5-Turbo หรือ 8192 หรือ 32768 สำหรับ GPT-4) โดยการคาดการณ์ลำดับโทเค็นที่น่าจะเป็นไปได้ถัดไป โมเดลเหล่านี้ประมวลผลโทเค็นโดยใช้พีชคณิตเชิงเส้นและคาดการณ์โทเค็นที่เป็นไปได้มากที่สุด

ตัวอย่างเช่น วลีง่ายๆ ที่มี 9 คำอาจกลายเป็น 10 โทเค็น แม้แต่คำที่ซับซ้อนเพียงคำเดียวก็อาจกลายเป็นหลายโทเค็น ซึ่งช่วยให้โมเดลเข้าใจและสร้างภาษาได้ดีขึ้น รวมถึงภาษาที่มีโครงสร้างคำที่ซับซ้อนเช่นภาษาเยอรมัน ซึ่งจัดการผ่านการแยกโทเค็น

โมเดล GPT (Generative Pre-trained Transformer) ทำงานโดยการสร้างโทเค็นหนึ่งๆ ในแต่ละครั้ง เริ่มตั้งแต่โทเค็นแรกและดำเนินการต่อจนถึงโทเค็นสุดท้าย หลังจากสร้างโทเค็นแต่ละตัว โมเดลจะกลับมาทำงานกับลำดับทั้งหมดอีกครั้งเพื่อสร้างโทเค็นต่อไป กระบวนการนี้ดำเนินต่อไปจนกว่าจะสร้างโทเค็นสุดท้าย ทำให้การสร้างข้อความคล้ายกับการวนซ้ำขนาดใหญ่

แต่นี่คือจุดสำคัญ – คุณภาพของคำตอบเหล่านี้ขึ้นอยู่กับคำสั่งที่ได้รับ ในการชี้นำสนทนาเช่นเดียวกับการสนทนากับมนุษย์ การชี้นำสนทนากับ ChatGPT ต้องใช้ทักษะและความเข้าใจในระดับหนึ่ง นั่นคือที่ที่วิศวกรรมคำสั่งเข้ามา

วิศวกรรมคำสั่ง คืออะไร?

วิศวกรรมคำสั่งเป็นศิลปะในการสร้างคำสั่งที่แม่นยำและมีประสิทธิภาพเพื่อชี้นำโมเดล AI (NLP/Vision) เช่น ChatGPT ให้สร้างผลลัพธ์ที่มีประสิทธิภาพสูงสุด ที่แม่นยำ ที่มีประโยชน์ และปลอดภัย

วิศวกรรมคำสั่งไม่ได้จำกัดอยู่แค่การสร้างข้อความเท่านั้น แต่มีการประยุกต์ใช้ในหลายๆ ด้าน เช่น การสร้างบอทอัตโนมัติ การสร้างสคริปต์ การสร้างคำสั่งสำหรับหุ่นยนต์ และการสร้างเนื้อหาดิจิทัลอื่นๆ มันรวมทั้งลอจิก การเขียนโค้ด ศิลปะ และในบางกรณี มีการใช้โมดิฟายเออร์พิเศษ

แม้ว่าคำสั่งอาจรวมถึงข้อความภาษาธรรมชาติ รูปภาพ หรือประเภทข้อมูลอินพุตอื่นๆ แต่ผลลัพธ์อาจแตกต่างกันอย่างมากขึ้นอยู่กับบริการ AI และเครื่องมือต่างๆ ทุกเครื่องมือมีโมดิฟายเออร์พิเศษที่อธิบายถึงน้ำหนักของคำ รูปแบบ มุมมอง การจัดวาง หรือคุณสมบัติอื่นๆ ของคำตอบที่ต้องการ

สาขานี้มีความสำคัญต่อการสร้างบริการ AI ที่ดีขึ้นและเพื่อให้ได้ผลลัพธ์ที่ดีกว่าจากเครื่องมือ AI ที่สร้างขึ้นแล้ว นักพัฒนาระดับองค์กรใช้วิศวกรรมคำสั่งเพื่อปรับโมเดลภาษาขนาดใหญ่ (LLM) เช่น GPT-3 เพื่อใช้ในแชทบอทที่เผชิญลูกค้าหรือเพื่อทำงานเช่นการสร้างสัญญาเฉพาะอุตสาหกรรม

กระบวนการนี้ของการปรับคำสั่งและวัดประสิทธิภาพ AI เป็นองค์ประกอบสำคัญในการทำให้โมเดล AI สร้างคำตอบที่มีเป้าหมายสูงในหลายๆ บริบท

การเป็นวิศวกรคำสั่ง

ความสามารถของโมเดล GPT-4 ในการเข้าใจคำสั่งที่ซับซ้อนและแก้ปัญหาได้อย่างแม่นยำ ทำให้เป็นทรัพยากรที่มีค่า อย่างไรก็ตาม มีหลายวิธีในการเข้าถึงความสามารถของโมเดลนี้ และการเข้าใจวิธีการเหล่านี้มีความสำคัญต่อการเป็นวิศวกรคำสั่งในการเพิ่มประสิทธิภาพทั้งด้านประสิทธิภาพและต้นทุน

มีสองวิธีหลักในการใช้งานโมเดล GPT เช่น GPT-4 วิธีหนึ่งคือผ่าน API ของ OpenAI ซึ่งคิดค่าบริการตามโทเค็นอินพุตและเอาต์พุต ในกรณีนี้ ค่าใช้จ่ายต่อ 1,000 โทเค็นอาจเปลี่ยนแปลงตามขนาดของบริบท ตัวอย่างเช่น ในบริบทขนาด 32K ค่าใช้จ่ายอาจสูงถึง 0.06 ดอลลาร์สำหรับโทเค็นอินพุตและ 0.12 ดอลลาร์สำหรับโทเค็นเอาต์พุต ดังนั้น เมื่อมีการร้องขอในปริมาณมาก ค่าใช้จ่ายในการใช้งานอาจเพิ่มขึ้นอย่างรวดเร็ว

ทางเลือกอื่นคือ ChatGPT ซึ่งใช้โมเดล GPT-4 และทำงานบนแบบจำลองการสมัครสมาชิก

งานหลักอีกอย่างหนึ่งในวิศวกรรมคำสั่งคือการปรับพารามิเตอร์ของโมเดล ซึ่งเกี่ยวข้องกับการปรับเปลี่ยนตัวแปรที่โมเดลใช้ในการทำนาย โดยการปรับพารามิเตอร์เหล่านี้ วิศวกรคำสั่งสามารถปรับปรุงคุณภาพและความแม่นยำของคำตอบของโมเดล ทำให้คำตอบเหล่านั้นเกี่ยวข้องกับบริบทและเป็นประโยชน์มากขึ้น

แม้ว่าวิศวกรคำสั่งหลายคนจะมีพื้นหลังด้านเทค แต่ลักษณะที่หลากหลายของสาขานี้ทำให้บุคคลจากภูมิหลังอาชีพที่แตกต่างกันสามารถเข้ามาเป็นส่วนหนึ่งของสาขานี้ได้ นักเขียน นักวิจัย และแม้กระทั่งศิลปินก็ใช้ทักษะพิเศษของตนเพื่อเพิ่มประสิทธิภาพของโมเดล AI การเปลี่ยนแปลงนี้สะท้อนให้เห็นในตลาดงานเช่นกัน โดยมีบริษัทต่างๆ ค้นหาวิศวกรคำสั่งที่มีทักษะและภูมิหลังที่หลากหลาย

การออกแบบและวิศวกรรมคำสั่งใน ChatGPT

การออกแบบและวิศวกรรมคำสั่งมีบทบาทสำคัญในการเพิ่มประสิทธิภาพการทำงานของโมเดลภาษา และเกี่ยวข้องกับการทำมากกว่าการถามคำถาม แต่ต้องมีความเข้าใจที่ลึกซึ้งเกี่ยวกับโมเดล AI และแนวทางที่ซับซ้อนและปรับให้เหมาะสม

การออกแบบคำสั่งเป็นศิลปะและวิทยาศาสตร์ของการสร้างคำสั่งที่สมบูรณ์แบบสำหรับโมเดลภาษาขนาดใหญ่ (LLM) เช่น ChatGPT เพื่อให้บรรลุเป้าหมายที่ชัดเจน มันเป็นการผสมผสานของ:

• ความเข้าใจโมเดล LLM: โมเดลภาษาที่แตกต่างกันอาจตอบสนองต่อคำสั่งเดียวกันในลักษณะที่แตกต่างกัน นอกจากนี้ โมเดลภาษาบางตัวอาจมีคำคีย์หรือทริกเกอร์ที่ไม่เหมือนใครซึ่งพวกมันแปลเป็นลักษณะเฉพาะ
• ความรู้ในโดเมน: ความเชี่ยวชาญในฟิลด์ที่เกี่ยวข้องมีความสำคัญในการออกแบบคำสั่ง ตัวอย่างเช่น การสร้างคำสั่งเพื่ออนุมานการวินิจฉัยทางการแพทย์จะต้องมีความรู้ทางการแพทย์
• การเข้าใกล้อย่างต่อเนื่องและการวัดคุณภาพ: กระบวนการในการสร้างคำสั่งที่เหมาะสมมักเกี่ยวข้องกับการลองผิดลองถูก ดังนั้นจึงจำเป็นต้องมีวิธีการในการประเมินคุณภาพของเอาต์พุตนอกเหนือจากการตัดสินใจโดยอาศัยความเห็นชอบส่วนบุคคล โดยเฉพาะอย่างยิ่งเมื่อใช้คำสั่งในระดับที่ใหญ่ขึ้น

วิศวกรรมคำสั่ง

วิศวกรรมคำสั่งเป็นขอบเขตที่กว้างขึ้นของการออกแบบคำสั่ง ซึ่งรวมถึงกระบวนการที่สำคัญหลายอย่าง:

• การออกแบบคำสั่งในระดับใหญ่: กระบวนการนี้รวมถึงการออกแบบเมต้าคำสั่ง (คำสั่งที่สร้างคำสั่งอื่น) และเทมเพลตคำสั่งที่สามารถกำหนดค่าได้ในเวลารันไทม์
• การออกแบบเครื่องมือและการรวมเข้าด้วยกัน: คำสั่งบางครั้งอาจรวมผลลัพธ์จากเครื่องมือภายนอก และการรวมเครื่องมือเหล่านั้นเข้ากับระบบอย่างราบรื่นเป็นสิ่งสำคัญ
• การวางแผนการทำงานและการจัดการคำสั่ง: การใช้งานแอปพลิเคชัน LLM เช่น แชทบอท มักต้องจัดการไลบรารีของคำสั่ง การวางแผนและการเลือกคำสั่งที่เหมาะสม และการรวมเครื่องมือต่างๆ เข้าด้วยกันอย่างมีประสิทธิภาพ
• การประเมินและการรับรองคุณภาพของคำสั่ง: ส่วนนี้รวมถึงการกำหนดมาตรการและกระบวนการในการประเมินคำสั่งทั้งโดยอัตโนมัติและโดยการมีส่วนร่วมของมนุษย์
• การปรับให้เหมาะสมของคำสั่ง: ต้นทุนและความล่าช้าของโมเดล AI อาจขึ้นอยู่กับการเลือกโมเดลและความยาวของคำสั่ง (จำนวนโทเค็น)

มีการพัฒนาวิธีการและเฟรมเวิร์กอัตโนมัติหลายอย่างเพื่อจัดการคำสั่งในระดับใหญ่ แต่สิ่งสำคัญคือต้องเข้าใจว่าเครื่องมือเหล่านี้ไม่สามารถแทนที่ความเข้าใจที่เหมาะสม การตัดสินใจ และประสบการณ์ของวิศวกรคำสั่งที่มีประสบการณ์

เทคนิคและแนวปฏิบัติที่ดีที่สุดของวิศวกรรมคำสั่ง

1) การวางตำแหน่งและคำอธิบายคำสั่ง

การวางคำสั่งที่ชัดเจนในตอนเริ่มต้นสามารถส่งผลกระทบอย่างมากต่อความเข้าใจและคำตอบของ AI ตัวอย่างเช่น หากต้องการสรุปข้อความในรูปแบบรายการแบบจุด การวางคำสั่งที่ไม่ได้ผลอาจเป็นเช่นนี้:

ผู้ใช้: “สรุปข้อความด้านล่างเป็นรายการแบบจุดของจุดสำคัญ”
{ข้อความที่จะสรุป}

ในทางกลับกัน วิธีที่มีประสิทธิภาพมากกว่าอาจเป็นเช่นนี้:

ผู้ใช้: “สรุปข้อความด้านล่างเป็นรายการแบบจุดของจุดสำคัญ”
ข้อความ: “””
{ข้อความที่จะสรุป}
“””

โดยการแยกคำสั่งและบริบทด้วยสัญลักษณ์ เช่น ### หรือ “”” AI สามารถกำหนดงานและข้อความที่ต้องประมวลผลได้ดีขึ้น และให้คำตอบที่แม่นยำและเกี่ยวข้องมากขึ้น

ที่สอง การให้คำอธิบายที่ชัดเจนและเป็นรายละเอียดเกี่ยวกับบริบท ผลลัพธ์ที่คาดหวัง ความยาว รูปแบบ สไตล์ และอื่นๆ สามารถเพิ่มความแม่นยำของคำตอบ AI ได้มาก ตัวอย่างเช่น หากคุณต้องการสร้างสรุปย่อๆ ของบทความวิทยาศาสตร์ในรูปแบบที่น่าสนใจและเข้าใจง่ายสำหรับผู้ที่ไม่มีพื้นหลังทางวิทยาศาสตร์ คำสั่งที่ไม่ชัดเจนเช่น “สรุปบทความวิทยาศาสตร์” จะให้ผลลัพธ์ที่ไม่ดีเท่ากับคำสั่งที่ชัดเจนและเป็นรายละเอียด:

ผู้ใช้: “สร้างสรุปย่อๆ (ประมาณ 200 คำ) ของบทความวิทยาศาสตร์ต่อไปนี้ โดยสรุปควรเข้าใจได้สำหรับผู้ที่ไม่มีพื้นหลังทางวิทยาศาสตร์ และสะท้อนถึงผลการวิจัยหลักของบทความ”
บทความ: “””
{ข้อความบทความวิทยาศาสตร์}
“””

2) รูปแบบบุคลิก

รูปแบบบุคลิกเป็นวิธีการที่ตั้งค่า AI ให้ทำงานจากมุมมองเฉพาะ เช่น บทบาททางวิชาชีพหรือตัวละครในเรื่อง นี่ช่วยให้โมเดลให้ผลลัพธ์ที่เกี่ยวข้องกับบทบาทที่บุคลิกนั้นจัดการ ตัวอย่างเช่น คุณสามารถสั่งให้ AI ทำหน้าที่เป็นผู้เชี่ยวชาญด้านความมั่นคงไซเบอร์ระหว่างการตรวจสอบโค้ด

ตัวอย่างเช่น:

ผู้ใช้: “สมมติว่าเป็นนักประวัติศาสตร์ระดับสูงซึ่งเชี่ยวชาญด้านการปฏิวัติฝรั่งเศส โดยใช้บุคลิกนั้น อธิบายเหตุการณ์หลักและเหตุผลที่นำไปสู่การล่มสลายของราชวงศ์ฝรั่งเศส”

ในกรณีนี้ AI คาดหวังที่จะตอบด้วยการวิเคราะห์เชิงลึกเกี่ยวกับการปฏิวัติฝรั่งเศส โดยเน้นไปที่การล่มสลายของราชวงศ์เช่นนักประวัติศาสตร์

การแนะนำข้อมูลใหม่

ChatGPT ไม่มีความรู้เกินกว่าข้อมูลการฝึกฝน แต่คุณสามารถแนะนำข้อมูลใหม่ให้กับโมเดลผ่านคำสั่งของคุณ

ตัวอย่างเช่น:

ผู้ใช้: “อะไรคือคริปโทเคอร์เรนซี?”
ChatGPT: “คริปโทเคอร์เรนซีเป็นรูปแบบของเงินดิจิทัลหรือเสมือนจริงที่ใช้การเข้ารหัสลับเพื่อความปลอดภัย”

และถ้าคุณเพิ่มข้อมูลเพิ่มเติมในคำสั่ง คุณสามารถทำให้คำอธิบายเป็นมิตรกับผู้อ่านมากขึ้น:

ผู้ใช้: “อธิบายคริปโทเคอร์เรนซีให้กับนักเรียนมัธยมที่ศึกษาการเงินดิจิทัล”
ChatGPT: “ลองนึกถึงเกมวิดีโอออนไลน์ที่คุณสามารถหาเงินในเกมเพื่อซื้อไอเทมหรือตัวละครใหม่ๆ คริปโทเคอร์เรนซีคล้ายกับเงินในเกมนั้น แต่คุณสามารถใช้เงินนั้นซื้อสินค้าและบริการจริงๆ ได้ มันเหมือนเงินดิจิทัลที่ไม่มีธนาคารหรือรัฐบาลควบคุม”

3) ข้อจำกัดของขนาดคำสั่ง

การเข้าใจข้อจำกัดของขนาดคำสั่งของ ChatGPT มีความสำคัญเพราะส่งผลกระทบต่อปริมาณและประเภทของข้อมูลที่คุณสามารถป้อนเข้าไปได้ โมเดลภาษาไม่ได้ถูกออกแบบมาเพื่อประมวลผลข้อมูลไม่จำกัดในครั้งเดียว มีข้อจำกัดเกี่ยวกับขนาดของคำสั่งที่คุณสามารถสร้างและป้อนเข้าได้

ChatGPT มีข้อจำกัดโทเค็น (โดยทั่วไปคือ 2048 โทเค็น) ซึ่งรวมถึงทั้งคำสั่งและคำตอบที่สร้างขึ้น ซึ่งหมายความว่าคำสั่งที่ยาวสามารถจำกัดความยาวของคำตอบได้ ดังนั้นจึงสำคัญที่จะทำให้คำสั่งของคุณสั้นแต่ให้ข้อมูล

ในทางปฏิบัติ คุณต้องทำงานเหมือนกับบรรณาธิการ โดยเลือกข้อมูลที่เกี่ยวข้องที่สุดสำหรับงานที่ทำ ตัวอย่างเช่น การเขียนบทความหรือเอกสารที่มีข้อจำกัดคำหรือหน้า คุณไม่สามารถใส่ข้อมูลสุ่มๆ ได้ แต่ต้องเลือกและจัดโครงเรื่องข้อมูลที่เกี่ยวข้อง

ผู้ใช้: “สรุปเหตุการณ์หลักของสงครามโลกครั้งที่สองในไม่เกิน 1000 คำ โดยคำนึงถึงข้อจำกัดโทเค็นของโมเดล”

โดยการรับทราบข้อจำกัดโทเค็นของโมเดล คำสั่งนี้ชี้นำ AI ให้สร้างสรุปที่สั้นแต่ครอบคลุมเกี่ยวกับสงครามโลกครั้งที่สอง

4) รูปแบบการปรับคำถาม

ChatGPT ยังสามารถช่วยปรับคำถามของคุณให้ดีขึ้น ตัวอย่างเช่น หากคุณถามคำถาม AI สามารถแนะนำคำถามที่ดีกว่าเพื่อให้ได้ผลลัพธ์ที่แม่นยำยิ่งขึ้น

รูปแบบการปรับคำถามเกี่ยวข้องกับการให้ AI ปรับคำถามที่ผู้ใช้ถาม โดยเฉพาะอย่างยิ่งเมื่อผู้ใช้ไม่ใช่ผู้เชี่ยวชาญในโดเมนนั้นหรือไม่แน่ใจว่าจะถามคำถามอย่างไร

ตัวอย่างคำสั่งอาจเป็นเช่นนี้:

ผู้ใช้: “เมื่อฉันถามคำถามเกี่ยวกับวิทยาศาสตร์ข้อมูล ให้แนะนำคำถามที่ดีกว่าโดยพิจารณาจากแง่มุมการวิเคราะห์ทางสถิติและถามว่าฉันต้องการดำเนินการต่อด้วยคำถามที่ปรับปรุงแล้วหรือไม่”

ในกรณีนี้ AI คาดหวังที่จะปรับคำถามทั่วไปเกี่ยวกับวิทยาศาสตร์ข้อมูลให้具体และเกี่ยวข้องกับการวิเคราะห์ทางสถิติ

5) รูปแบบการยืนยันทางความคิด

รูปแบบการยืนยันทางความคิดจะแบ่งคำถามที่ซับซ้อนออกเป็นคำถามย่อยๆ ที่จัดการได้ง่ายๆ และรวมคำตอบของคำถามเหล่านั้นเพื่อให้ได้คำตอบที่ครอบคลุมสำหรับคำถามหลัก รูปแบบนี้มีประโยชน์เมื่อคำถามเดิมมีความกว้างหรือต้องการความชัดเจนเพิ่มเติม

ตัวอย่างเช่น:

ผู้ใช้: “หากฉันถามคำถามเกี่ยวกับการเปลี่ยนแปลงสภาพภูมิอากาศ ให้แบ่งออกเป็นสามคำถามเล็กๆ ที่จะช่วยให้คุณตอบคำถามได้ดีขึ้น และรวมคำตอบของคำถามเหล่านั้นเพื่อให้ได้คำตอบสุดท้าย”

ในกรณีนี้ AI จะแบ่งคำถามเกี่ยวกับการเปลี่ยนแปลงสภาพภูมิอากาศออกเป็นคำถามย่อยๆ หลังจากได้รับคำตอบของคำถามเหล่านั้น AI จะรวมคำตอบเพื่อให้ได้คำตอบที่ครอบคลุมและแม่นยำยิ่งขึ้น

6) การส่งคำสั่งแบบไม่ซ้ำกัน

การส่งคำสั่งแบบไม่ซ้ำกันเป็นวิธีการที่มีประสิทธิภาพในการสอนโมเดล AI ให้ทำตามรูปแบบหรืองานเฉพาะ โดยการให้โมเดลเห็นตัวอย่างก่อนที่จะถามคำถามที่ต้องการ นี่ช่วยให้โมเดลเข้าใจพฤติกรรมที่ต้องการและตอบสนองได้ดีขึ้น

ตัวอย่างเช่น หากผู้ใช้พยายามเขียนเนื้อหาส่งเสริมการขายสำหรับอุปกรณ์ใหม่ๆ:

ผู้ใช้: “ดูตัวอย่างเนื้อหาส่งเสริมการขายสำหรับอุปกรณ์ใหม่ๆ: ‘สัมผัสประสบการณ์เสียงที่ไม่เคยเป็นมาก่อนด้วยหูฟังไร้สายรุ่นล่าสุด’ และ ‘จับภาพโลกของคุณด้วยกล้องแอ็คชั่นกล้อง 4K ที่บางและสวยงาม’ โดยใช้ตัวอย่างเหล่านี้ สร้างเนื้อหาส่งเสริมการขายสำหรับนาฬิกาอัจฉริยะ AI ของเรา”

ChatGPT: “เพิ่มพลังชีวิตของคุณด้วยนาฬิกาอัจฉริยะ AI ของเรา ซึ่งเป็นเพื่อนร่วมทางของคุณสำหรับสุขภาพ การเชื่อมต่อ และการผลิตภาพ” คุณสมบัติเด่นของการเรียนรู้แบบไม่ซ้ำกันคือไม่ต้องการคำอธิบายโดยละเอียดเกี่ยวกับวิธีการทำงาน แต่ต้องการตัวอย่างที่แสดงให้เห็นว่าควรทำอะไร ซึ่งสามารถทำให้เหมาะสมกับการใช้งานหลายๆ ด้าน

7) การส่งคำสั่งแบบต่อเนื่อง

ในการวิจัยล่าสุด “การส่งคำสั่งแบบต่อเนื่องกระตุ้นให้เกิดการให้เหตุผลในโมเดลภาษาขนาดใหญ่” ทีมงานของ Jason Wei และทีมงานมุ่งหวังที่จะกระตุ้นการให้เหตุผลภายในโมเดลภาษาขนาดใหญ่ ไม่ใช่การใช้คำสั่งแบบดั้งเดิม แต่ใช้คำสั่งที่เชื่อมโยงกันซึ่งสร้างเป็น “ห่วงโซ่ของความคิด”

ตัวอย่างเช่น หากผู้ใช้สนใจในผลกระทบของ AI ต่อตลาดงาน:

ผู้ใช้: “อธิบายแนวคิดเรื่อง AI ได้อย่างไร?”

ChatGPT: “AI หรือปัญญาประดิษฐ์ หมายถึงความสามารถของเครื่องจักรในการเลียนแบบพฤติกรรมที่ฉลาดของมนุษย์ มันเกี่ยวกับการออกแบบเครื่องจักรที่สามารถคิดและเรียนรู้เหมือนมนุษย์ ทำให้สามารถทำงานต่างๆ เช่น การแปลภาษา การตัดสินใจ และการแก้ปัญหา”

ผู้ใช้: “AI มีผลกระทบต่อตลาดงานอย่างไร?”

ChatGPT: “AI ทั้งสร้างงานใหม่ๆ และเปลี่ยนแปลงลักษณะของงานที่มีอยู่ AI ช่วยให้ทำงานบางอย่างได้โดยอัตโนมัติ ซึ่งนำไปสู่การถูกแทนที่ในบางภาคส่วน แต่ก 也สร้างความต้องการงานใหม่ๆ ที่ไม่มีอยู่มาก่อน เช่น ผู้เชี่ยวชาญด้านจริยธรรม AI นักวิเคราะห์ข้อมูล และวิศวกรการเรียนรู้ของเครื่อง นอกจากนี้ AI ยังช่วยเสริมงานของมนุษย์ ทำให้สามารถทำงานได้อย่างมีประสิทธิภาพและแม่นยำมากขึ้น”

การส่งคำสั่งแบบต่อเนื่องนี้เป็นกระบวนการของการสนทนาที่ราบรื่นระหว่างผู้ใช้และโมเดล โดยชี้นำโมเดลให้ให้คำตอบที่แม่นยำและเหมาะสมยิ่งขึ้น

การเข้าใจ ChatGPT API และวิศวกรรมคำสั่งจากมุมมองของนักพัฒนา

จากมุมมองของนักพัฒนาหรือนักวิจัย วิศวกรรมคำสั่งเป็นกระบวนการที่ซับซ้อนกว่า ซึ่งเกี่ยวข้องกับการออกแบบอัลกอริทึมและเทคนิคเพื่อช่วยให้โมเดล AI เข้าใจและตอบสนองต่อคำสั่งได้ดีขึ้น ซึ่งอาจรวมถึงกลยุทธ์ในการจัดการคำสั่งที่ไม่ชัดเจน การระบุบริบทของคำสั่ง หรือการเชื่อมโยงคำสั่งเพื่อกระตุ้นการคิดที่ซับซ้อนใน AI

ตัวอย่างเช่น:

เมื่อผู้ใช้โต้ตอบกับอินเทอร์เฟซแชทที่ได้รับการสนับสนุนจาก GPT-4 อินพุตของพวกเขาจะถูกปรับปรุงสำหรับความชัดเจนและความสอดคล้องของบริบทโดยโมดูลพิเศษ ก่อนที่จะถูกส่งไปยังโมเดล AI คำตอบของ AI ซึ่งถูกสร้างขึ้นตามคำสั่งที่ปรับปรุงแล้ว จะถูกส่งกลับไปยังผู้ใช้ผ่านอินเทอร์เฟซแชท ประวัติการโต้ตอบจะถูกอัปเดตอย่างต่อเนื่อง เพื่อรักษาบริบทของการสนทนา

การออกแบบอินเทอร์เฟซของ ChatGPT API มีการปรับแต่งหลายอย่างที่ช่วยให้ผู้ใช้สามารถปรับคำตอบของ AI ให้เหมาะสมและหลากหลายยิ่งขึ้น รวมถึงพารามิเตอร์เช่น อุณหภูมิ ความยาวสูงสุด ลำดับหยุด และอื่นๆ

1) อุณหภูมิ

พารามิเตอร์อุณหภูมิมีผลต่อความสุ่มของคำตอบ AI อุณหภูมิที่สูง เช่น 1.0 จะกระตุ้นให้เกิดคำตอบที่หลากหลายแต่อาจไม่เกี่ยวข้อง ในขณะที่อุณหภูมิที่ต่ำ เช่น 0.2 จะทำให้ AI เลือกคำตอบที่แน่นอนและเกี่ยวข้องมากขึ้น แต่อาจขาดความหลากหลาย

ตัวอย่าง: หากคุณกำลังเขียนเรื่องราวที่ต้องการองค์ประกอบที่ไม่คาดคิดและจินตนาการ คุณอาจตั้งค่าอุณหภูมิให้สูง “เขียนเรื่องราวสั้นเกี่ยวกับแมวที่เดินทางข้ามเวลา” ด้วยอุณหภูมิที่สูง คุณอาจได้เรื่องที่มีพล็อตที่ไม่คาดคิดและเปลี่ยนแปลงอย่างรวดเร็ว

2) ความยาวสูงสุด

พารามิเตอร์นี้ควบคุมความยาวสูงสุดของโทเค็นที่โมเดลสามารถสร้างได้ ซึ่งรวมถึงทั้งโทเค็นในข้อความอินพุตและเอาต์พุต การตั้งค่าความยาวที่สูงขึ้นจะทำให้สามารถสร้างคำตอบที่ยาวขึ้นได้ ในขณะที่การตั้งค่าความยาวที่ต่ำลงจะทำให้คำตอบสั้นและกระชับ

ตัวอย่าง: สำหรับคำถามที่ต้องการคำตอบสั้นๆ เช่น “ใครชนะรางวัลโนเบลสาขาวรรณกรรมในปี 2020?” คุณอาจตั้งค่าความยาวสูงสุดให้ต่ำเพื่อให้ได้คำตอบที่ตรงประเด็นและกระชับ

3) ลำดับหยุด

ลำดับหยุดเป็นชุดของข้อความที่เมื่อโมเดลพบ จะหยุดการสร้างคำตอบ ลำดับหยุดนี้สามารถใช้เพื่อควบคุมความยาวของคำตอบหรือเพื่อชี้ให้โมเดลหยุด ณ จุดสิ้นสุดของคำตอบที่มีเหตุผล

ตัวอย่าง: สำหรับจดหมายอย่างเป็นทางการ คุณอาจใช้ “ด้วยความเคารพ” เป็นลำดับหยุดเพื่อให้ AI หยุดการสร้างคำตอบหลังจบจดหมาย

4) Top P

พารามิเตอร์ Top P หรือการซampling นิวเคลียสเป็นวิธีการที่ให้การคัดเลือกคำตอบที่มีประสิทธิภาพและหลากหลาย ในการคาดการณ์แต่ละครั้ง โมเดลจะเลือกคำตอบที่มีแนวโน้มมากที่สุดจากชุดคำตอบที่เป็นไปได้ ค่า Top P ที่ต่ำ เช่น 0.5 จะทำให้ AI เลือกคำตอบที่มีความน่าเชื่อถือและเกี่ยวข้องมากขึ้น ในขณะที่ค่าที่สูง เช่น 0.9 จะทำให้ AI มีคำตอบที่หลากหลายและไม่คาดคิดมากขึ้น

ตัวอย่าง: หากคุณต้องการให้ AI สร้างบทกวีเกี่ยวกับความงามของฤดูใบไม้ร่วง คุณอาจตั้งค่า Top P ให้สูงเพื่อให้ได้ผลลัพธ์ที่หลากหลายและสร้างสรรค์

5) การลงโทษความถี่

การลงโทษความถี่เป็นพารามิเตอร์ที่ควบคุมว่า AI จะให้ความสำคัญกับคำที่ไม่ค่อยพบเห็นในข้อความหรือไม่ ค่าความถี่ที่สูง เช่น 1.0 จะทำให้ AI เลือกคำที่ไม่ค่อยพบเห็นมากขึ้น ในขณะที่ค่าที่ต่ำ เช่น -1 จะทำให้ AI เลือกคำที่พบเห็นบ่อยๆ มากขึ้น

ตัวอย่าง: หากคุณกำลังสร้างเอกสารทางธุรกิจและต้องการหลีกเลี่ยงการใช้คำศัพท์ที่ซับซ้อน คุณอาจตั้งค่าการลงโทษความถี่ให้ต่ำเพื่อให้ AI ใช้คำที่พบเห็นบ่อยๆ และเข้าใจง่าย

6) การลงโทษการมีอยู่

การลงโทษการมีอยู่เป็นพารามิเตอร์ที่ควบคุมว่า AI จะถูกลงโทษหรือไม่เมื่อสร้างคำตอบที่ไม่เกี่ยวข้องกับหัวข้อที่ถูกกล่าวถึงในประวัติการสนทนา ค่าความถี่ที่สูงจะทำให้ AI ถูกลงโทษเมื่อสร้างคำตอบที่ไม่เกี่ยวข้อง ในขณะที่ค่าที่ต่ำจะทำให้ AI สามารถสร้างคำตอบที่หลากหลายและไม่เกี่ยวข้องได้มากขึ้น

ตัวอย่าง: หากคุณกำลังใช้ AI ในการสร้างแนวคิดใหม่ๆ สำหรับแพลตฟอร์มการเรียนรู้ออนไลน์ คุณอาจตั้งค่าการลงโทษการมีอยู่ให้ต่ำเพื่อให้ AI สามารถสร้างคำตอบที่หลากหลายและไม่คาดคิดได้

การประยุกต์ใช้วิศวกรรมคำสั่งในอุตสาหกรรม

วิศวกรรมคำสั่งมีการประยุกต์ใช้ในหลายๆ อุตสาหกรรม รวมถึงการสนับสนุนลูกค้า การสร้างเนื้อหา การช่วยเหลือในการเขียนโค้ด และการศึกษา

การสนับสนุนลูกค้าและการสร้าง FAQ

ในด้านการสนับสนุนลูกค้า วิศวกรรมคำสั่งมีบทบาทสำคัญในการสร้างแชทบอทที่สามารถตอบคำถามและช่วยเหลือลูกค้าได้อย่างมีประสิทธิภาพ ตัวอย่างเช่น แพลตฟอร์มการซื้อขายสินค้าออนไลน์อาจใช้แชทบอทที่ได้รับการฝึกฝนจากวิศวกรรมคำสั่งเพื่อช่วยเหลือลูกค้าในการตอบคำถามเกี่ยวกับสถานะการส่งสินค้าหรือการคืนสินค้า

การสร้างเนื้อหาและการตลาด

ในด้านการสร้างเนื้อหาและการตลาด วิศวกรรมคำสั่งเป็นเครื่องมือที่มีค่าในการสร้างเนื้อหาที่มีคุณภาพและน่าสนใจ ตัวอย่างเช่น บริษัทอาจใช้ AI ที่ได้รับการฝึกฝนจากวิศวกรรมคำสั่งเพื่อสร้างเนื้อหาส่งเสริมการขายหรือบทความที่น่าสนใจสำหรับลูกค้า

การช่วยเหลือในการเขียนโค้ดและการตีความโค้ด

ในด้านการเขียนโค้ด วิศวกรรมคำสั่งเป็นเครื่องมือที่มีค่าในการช่วยเหลือผู้พัฒนาในการเขียนโค้ดและแก้ปัญหา ตัวอย่างเช่น โค้ดที่ได้รับการฝึกฝนจากวิศวกรรมคำสั่งสามารถช่วยเหลือผู้พัฒนาในการเขียนโค้ดหรือแก้ปัญหาได้อย่างมีประสิทธิภาพ

การศึกษาและการเรียนรู้ส่วนบุคคล

ในด้านการศึกษา วิศวกรรมคำสั่งเป็นเครื่องมือที่มีค่าในการสร้างประสบการณ์การเรียนรู้ที่เป็นส่วนบุคคลและน่าสนใจ ตัวอย่างเช่น แพลตฟอร์มการเรียนรู้ออนไลน์สามารถใช้ AI ที่ได้รับการฝึกฝนจากวิศวกรรมคำสั่งเพื่อช่วยเหลือนักเรียนในการเรียนรู้และทำความเข้าใจเนื้อหาที่ซับซ้อน

การเพิ่มขึ้นอย่างไม่หยุดยั้งของวิศวกรรมคำสั่ง

เมื่อเราใกล้จะสิ้นสุดการสำรวจวิศวกรรมคำสั่ง มันสำคัญที่จะเน้นย้ำถึงความใหม่เอี่ยมของสาขานี้ เรากำลังยืนอยู่ที่จุดเริ่มต้นของยุคที่ AI จะไปไกลกว่าการตอบสนองต่อคำสั่งที่ถูกตั้งไว้ล่วงหน้า และจะพัฒนาจนสามารถประมวลผลและดำเนินการตามคำสั่งที่ถูกออกแบบมาอย่างดีเพื่อให้ได้ผลลัพธ์ที่เฉพาะเจาะจง

การประยุกต์ใช้หลายอย่างที่เราได้สำรวจ ตั้งแต่การสนับสนุนลูกค้า การสร้างเนื้อหา การช่วยเหลือในการเขียนโค้ด และการศึกษา เป็นเพียงจุดเริ่มต้นของการเปลี่ยนแปลงที่จะเกิดขึ้น เมื่อการวิจัยในด้านนี้เพิ่มขึ้น เราจะเห็นการประยุกต์ใช้ที่ซับซ้อนและเหมาะสมมากขึ้น การผสมผสานระหว่างความคิดสร้างสรรค์ของมนุษย์และความฉลาดของ AI กำลังผลักดันเราเข้าสู่อนาคตที่ AI จะไม่เพียงแต่ช่วยเหลือ แต่จะเปลี่ยนแปลงหลายๆ ด้านของชีวิตเรา