
Prompt engineering
-

พื้นฐาน AIทำไม RAG ชีวเวชของท่านซ่อนข้อขัดแย้งจากท่าน
การแก้ไขปัญหาของ RAG ชีวเวชมาตรฐานจะแก้ไขข้อขัดแย้งระหว่างหลักฐานอย่างเงียบๆ ในประมาณสามใน bốnคำถามที่ถาม การแก้ไขปัญหานี้ไม่ใช่เรื่องของข้อมูล แต่เป็นเรื่องของโครงสร้าง — และความซับซ้อนของระบบส่วนใหญ่ที่ทีมเพิ่มเข้ามาไม่ได้ช่วยอะไร
By Himanshu Goel
-

Prompt engineeringJSON Prompting และทำไมทุกคนถึงพูดถึงมัน
ทุกคนพูดถึง JSON Prompting เหมือนเป็นเรื่องใหญ่ใน AIมาดูกันว่าเรื่องนี้เป็นอย่างไรเหมือนเทคนิค AI อื่นๆ ที่ถูกยกย่องว่าเป็นเรื่อง ปฏิวัติ, JSON Prompting ไม่ใช่คำตอบเดียว มันเป็นเพียงวิธีหนึ่งในการจัดโครงสร้างข้อมูลเข้าและบริบท – คุณสามารถใช้ XML, Markdown หรือรูปแบบอื่นๆ ได้สิ่งที่แท้จริงที่เป็นนวัตกรรมไม่ใช่ JSON แต่เป็นเพราะว่าข้อมูลที่มีโครงสร้างดีกว่าข้อมูลที่ไม่มีโครงสร้าง ทุกครั้งแต่ JSON เป็นรูปแบบที่ได้รับความนิยมมากที่สุด และมีเหตุผลที่ดีในการใช้มันปัญหากับการใช้ AI...
By Alex McFarland
-
โมเดลและแพลตฟอร์ม AIการเรียนรู้แบบเสริมกำลังพบกับการให้เหตุผลแบบชุดความคิด: การเปลี่ยนแปลงโมเดลภาษาขนาดใหญ่ให้เป็นตัวแทนการให้เหตุผลอิสระ
โมเดลภาษาขนาดใหญ่ (LLMs) ได้พัฒนาการประมวลผลภาษา自然 (NLP) อย่างมีนัยสำคัญ โดยมีความสามารถในการสร้างข้อความ การแปล และการสรุปข้อมูล อย่างไรก็ตาม ความสามารถในการให้เหตุผลเชิงตรรกะยังคงเป็นความท้าทายสำหรับโมเดลเหล่านี้ โมเดลภาษาขนาดใหญ่แบบดั้งเดิมซึ่งถูกออกแบบมาเพื่อคาดเดาคำถัดไป จะพึ่งพาการตระหนักแบบสถิติมากกว่าการให้เหตุผลแบบมีโครงสร้าง ซึ่งจำกัดความสามารถในการแก้ปัญหาที่ซับซ้อนและปรับตัวให้เข้ากับสถานการณ์ใหม่ๆ ได้อย่างอิสระเพื่อเอาชนะข้อจำกัดเหล่านี้ นักวิจัยได้รวมการเรียนรู้แบบเสริมกำลัง (RL) เข้ากับการให้เหตุผลแบบชุดความคิด (CoT) ทำให้โมเดลภาษาขนาดใหญ่สามารถพัฒนาความสามารถในการให้เหตุผลที่ซับซ้อนได้ การผสมผสานนี้นำไปสู่การเกิดขึ้นของโมเดลอย่าง DeepSeek R1 ซึ่งแสดงให้เห็นถึงความสามารถในการให้เหตุผลเชิงตรรกะที่น่าประทับใจ โดยการรวมการเรียนรู้แบบเสริมกำลังเข้ากับการให้เหตุผลแบบชุดความคิด โมเดลภาษาขนาดใหญ่กำลังพัฒน成为ตัวแทนการให้เหตุผลอิสระที่สามารถจัดการกับปัญหาที่ซับซ้อนได้อย่างมีประสิทธิภาพ ความแม่นยำ...
By Dr. Tehseen Zia
-
Prompt engineeringฟีเจอร์ของ Claude ที่ช่วยให้เขียนได้หลายรูปแบบ
เรามาเริ่มต้นด้วยสิ่งที่เราทุกคนรู้กัน – การตอบสนองของ AI มักจะดูเหมือนมาจาก AI ทุกอย่างอาจจะดูเหมือนมีการตกแต่งเกินไป มีการจัดระเบียบเกินไป หรือมีลักษณะที่เหมือนกันเกินไป ซึ่งเป็นหนึ่งในอุปสรรคที่ยิ่งใหญ่ที่สุดในการทำให้ AI มีประโยชน์สำหรับการสื่อสารในชีวิตประจำวันลองนึกถึงทุก ๆ การโต้ตอบกับ AI ที่คุณเคยทำมา – มันอาจจะตามรูปแบบเดียวกันเสมอ : chính xác เทคนิคถูกต้อง แต่ไม่มีสัมผัสของมนุษย์ มันเหมือนกับการพูดกับใครสักคนที่เรียนรู้การสื่อสารจากหนังสือเรียนมากกว่าการเรียนรู้จากการสนทนาในชีวิตจริงเพื่อแก้ไขปัญหานี้ในที่สุด Anthropic ได้ปล่อยฟีเจอร์ที่เปลี่ยนแปลงเกมสำหรับ...
By Alex McFarland
-

Prompt engineeringAI ของคุณมีพลังมากกว่าที่คุณคิด
ทีมนักวิทยาศาสตร์พบสิ่งที่เปลี่ยนแปลงมากเกี่ยวกับความสามารถของ AI คุณไม่ได้แค่ประมวลผลข้อมูล แต่ยังพัฒนาความสามารถที่ซับซ้อนซึ่งไปไกลกว่าการฝึกอบรม และเพื่อปลดปล่อยความสามารถเหล่านี้ เราต้องเปลี่ยนแปลงวิธีที่เราพูดกับพวกมันการปฏิวัติของพื้นที่แนวคิดจำได้ไหมเมื่อเราคิดว่า AI เพียงแค่จับคู่รูปแบบ? การวิจัยใหม่ ได้ทำลายกล่องดำของการเรียนรู้ AI โดยการสร้างแผนที่ของสิ่งที่เรียกว่า “พื้นที่แนวคิด” ให้เห็นภาพการเรียนรู้ AI เป็นแผนที่หลายมิติ โดยที่แต่ละพิกัดแทนแนวคิดที่แตกต่างกัน เช่น สี, รูปร่าง หรือขนาด โดยการดูว่า AI เคลื่อนที่ผ่านพื้นที่นี้ระหว่างการฝึกอบรม นักวิจัยพบสิ่งที่ไม่คาดคิด: ระบบ...
By Alex McFarland
-

Prompt engineeringเทคนิค Scratchpad: การคิดเชิงโครงสร้างด้วย AI
เทคนิค Scratchpad เปลี่ยนแปลงวิธีการโต้ตอบกับโมเดลภาษาขนาดใหญ่ (LLM) อย่างพื้นฐาน ไม่เหมือนกับการส่งคำถามแบบดั้งเดิมที่เราสามารถระบุคำขอและหวังว่าจะได้คำตอบที่ดีที่สุด เทคนิค Scratchpad สร้างกระบวนการคิดเชิงโครงสร้างที่ทั้งคุณและ LLM สามารถทำตามได้พิจารณาสถานการณ์ทั่วไปนี้: เมื่อขอให้ LLM วิเคราะห์รูปแบบการซื้อของลูกค้า คำขอแบบดั้งเดิมอาจขอให้วิเคราะห์โดยตรง ผลลัพธ์ที่ได้คือคำตอบที่เร่งรีบหรือไม่สอดคล้องกันซึ่งพลาดข้อพิจารณาที่สำคัญ นี่คือจุดที่เทคนิค Scratchpad เป็นเครื่องมือที่เปลี่ยนแปลงแทนที่จะเข้าสู่คำตอบโดยตรง เทคนิค Scratchpad นำเสนอระยะการวางแผนขั้นตอนสำคัญ โดยใช้แท็ก <scratchpad> คุณสร้างพื้นที่ที่ LLM...
By Alex McFarland
-

Prompt engineeringนอกเหนือจาก Chain-of-Thought: วิธีการ Thought Preference Optimization ที่กำลังพัฒนา LLMs
เทคนิคใหม่ที่เป็นนวัตกรรมซึ่งพัฒนาโดยทีมนักวิจัยจาก Meta, UC Berkeley และ NYU สัญญาว่าจะเพิ่มความสามารถของระบบ AI ในการทำงานทั่วไป เทคนิคนี้เรียกว่า “Thought Preference Optimization” (TPO) ซึ่งมีเป้าหมายในการทำให้โมเดลภาษาขนาดใหญ่ (LLMs) มีความคิดและตัดสินใจที่รอบคอบมากขึ้นการทำงานร่วมกันเบื้องหลัง TPO นำความรู้จากสถาบันวิจัย AI ที่มีชื่อเสียงหลายแห่งมารวมกันกลไกของ Thought Preference Optimizationที่แก่นกลาง TPO ทำงานโดยการกระตุ้นให้โมเดล...
By Alex McFarland
-
Prompt engineeringการทำความเข้าใจศิลปะของ AI Prompts: 5 เทคนิคสำหรับผู้ใช้ขั้นสูง
การใช้โมเดลภาษาขนาดใหญ่ (LLMs) เช่น ChatGPT กำลังเพิ่มขึ้นอย่างรวดเร็วในอุตสาหกรรมต่างๆ แม้กระทั่งนักวิทยาศาสตร์ก็ยังพึ่งพา AI ในการเขียนหรือปรับปรุงงานของตนเอง การวิเคราะห์最近ของ_five million scientific studies ที่เผยแพร่ในปี 2023 พบว่ามีการเพิ่มขึ้นอย่างรวดเร็วของคำศัพท์บางคำ เช่น meticulous, intricate, และ commendable สาเหตุของการเพิ่มขึ้นนี้คือการใช้ LLMsผลกระทบของ AI กำลังเปลี่ยนแปลงที่ทำงานอย่างรวดเร็ว แต่เรายังคงอยู่ในขั้นตอนแรกๆ ในการหาสมดุลระหว่างการใช้...
By Aytekin Tank, ผู้ก่อตั้ง Jotform
-

Prompt engineeringคู่มือการใช้ข้อมูลสังเคราะห์จากโมเดลภาษาขนาดใหญ่
div]:bg-bg-300 [&_pre]:-mr-4 md:[&_pre]:-mr-9″> _*]:min-w-0″> โมเดลภาษาขนาดใหญ่ (LLMs) เป็นเครื่องมือที่ทรงพลังไม่เพียงแต่สำหรับการสร้างข้อความที่เหมือนมนุษย์ แต่ยังสำหรับการสร้างข้อมูลสังเคราะห์คุณภาพสูงด้วย ความสามารถนี้กำลังเปลี่ยนแปลงวิธีการพัฒนา AI โดยเฉพาะในสถานการณ์ที่ข้อมูลจริงมีจำกัด มีราคาแพง หรือมีความเสี่ยงต่อความเป็นส่วนตัว ในคู่มือฉบับสมบูรณ์นี้ เราจะสำรวจการสร้างข้อมูลสังเคราะห์ด้วย LLMs โดยเจาะลึกถึงวิธีการ การใช้งาน และแนวปฏิบัติที่ดีที่สุด การแนะนำการสร้างข้อมูลสังเคราะห์ด้วย LLMs การสร้างข้อมูลสังเคราะห์ โดยใช้ LLMs เกี่ยวข้องกับการใช้โมเดล AI...
By Aayush Mittal, มิตตาล
-
Prompt engineeringจาก Prompt Engineering ถึง Few-Shot Learning: การเพิ่มประสิทธิภาพการตอบสนองของโมเดล AI
ปัญญาประดิษฐ์ (AI) ได้พัฒนาอย่างรวดเร็วในช่วงไม่กี่ปีที่ผ่านมา โดยเฉพาะอย่างยิ่งใน การประมวลผลภาษาธรรมชาติ (NLP) ตั้งแต่ชัตบอทที่เลียนแบบการสนทนาของมนุษย์ถึงโมเดลที่ซับซ้อนซึ่งสามารถเขียน文章และประพันธ์เพลง AI มีความสามารถที่เพิ่มขึ้นอย่างมาก การพัฒนานี้ได้รับแรงผลักดันจากความก้าวหน้าที่สำคัญใน การเรียนรู้ลึก (Deep Learning) และการมีเซตข้อมูลขนาดใหญ่ ทำให้โมเดลสามารถเข้าใจและสร้างข้อความที่เหมือนมนุษย์ได้อย่างแม่นยำสองเทคนิคที่ขับเคลื่อนการพัฒนานี้คือ การออกแบบคำสั่ง (Prompt Engineering) และ การเรียนรู้แบบ Few-Shot การออกแบบคำสั่งเกี่ยวข้องกับการสร้างคำสั่งที่ดีเพื่อให้โมเดล AI สร้างผลลัพธ์ที่ต้องการ โดยการออกแบบคำสั่งที่ดีจะทำให้ได้ผลลัพธ์ที่เกี่ยวข้องและแม่นยำ ในทางกลับกัน...
By Dr. Assad Abbas
-
Prompt engineeringปรับให้เหมาะสม LLM ด้วย DSPy: คู่มือแบบขั้นตอนในการสร้าง ปรับให้เหมาะสม และประเมินระบบ AI
เมื่อความสามารถของโมเดลภาษาขนาดใหญ่ (LLM) ขยายต่อไป การพัฒนาระบบ AI ที่แข็งแกร่งที่ใช้ศักยภาพของ LLM ได้กลายเป็นเรื่องที่ซับซ้อนมากขึ้น วิธีการแบบดั้งเดิมมักเกี่ยวข้องกับเทคนิคการกระตุ้นที่ซับซ้อน การสร้างข้อมูลสำหรับการปรับให้เหมาะสม และการแนะนำด้วยมือเพื่อให้แน่ใจว่าปฏิบัติตามข้อจำกัดเฉพาะโดเมน อย่างไรก็ตาม กระบวนการนี้อาจเป็นเรื่องที่น่าเบื่อ ต้องใช้ความพยายามมาก และพึ่งพาการแทรกแซงจากมนุษย์อย่างมากนี่คือจุดเริ่มต้นของ DSPy ซึ่งเป็นเฟรมเวิร์กที่ออกแบบมาเพื่อทำให้กระบวนการพัฒนาระบบ AI ง่ายขึ้น DSPy นำเสนอแนวทางที่เป็นระบบในการปรับให้เหมาะสมคำกระตุ้น LM และน้ำหนัก ทำให้นักพัฒนาสามารถสร้างแอปพลิเคชันที่ซับซ้อนได้ด้วยความพยายามน้อยที่สุดในคู่มือที่ครอบคลุมนี้ เราจะสำรวจหลักการสำคัญของ DSPy...
By Aayush Mittal, มิตตาล
-

Prompt engineeringการพัฒนาล่าสุดในด้านวิศวกรรมคำสั่งซื้อ: คู่มือที่ครอบคลุม
วิศวกรรมคำสั่งซื้อ ซึ่งเป็นศิลปะและวิทยาศาสตร์ของการสร้างคำสั่งซื้อที่ทำให้เกิดการตอบสนองที่ต้องการจาก LLMs ได้กลายเป็นหนึ่งในพื้นที่สำคัญของการวิจัยและพัฒนาตั้งแต่การเพิ่มความสามารถในการให้เหตุผลจนถึงการทำให้สามารถรวมเข้ากับเครื่องมือและโปรแกรมภายนอกได้อย่างราบรื่น การพัฒนาล่าสุดในด้านวิศวกรรมคำสั่งซื้อได้ปลดล็อกขอบเขตใหม่ๆ ในด้านปัญญาประดิษฐ์ ด้านล่างนี้เราจะพูดถึงเทคนิคและกลยุทธ์ที่ทันสมัยที่สุดซึ่งกำลังกำหนดอนาคตของวิศวกรรมคำสั่งซื้อกลยุทธ์การสั่งซื้อขั้นสูงสำหรับการแก้ปัญหาที่ซับซ้อนในขณะที่ CoT สั่งซื้อ ได้พิสูจน์แล้วว่ามีประสิทธิภาพสำหรับงานให้เหตุผลหลายอย่าง นักวิจัยได้สำรวจกลยุทธ์การสั่งซื้อขั้นสูงเพื่อแก้ปัญหาที่ซับซ้อนมากขึ้น วิธีการหนึ่งคือการสั่งซื้อจากน้อยไปหามาก ซึ่งแบ่งปัญหาที่ซับซ้อนออกเป็นปัญหาย่อยที่จัดการได้ง่ายขึ้นและแก้ไขแยกกันเพื่อให้ได้คำตอบสุดท้ายเทคนิคอีกอย่างหนึ่งที่เป็นนวัตกรรมคือ Tree of Thoughts (ToT) สั่งซื้อ ซึ่งช่วยให้ LLMs สามารถสร้างหลายเส้นทางของการให้เหตุผลหรือ “ความคิด” ในเวลาเดียวกัน ประเมินความก้าวหน้าของตนเองในการแก้ปัญหา และย้อนกลับหรือสำรวจเส้นทางอื่นๆ ตามความจำเป็น...
By Aayush Mittal, มิตตาล
-

Prompt engineeringสิ่งที่เป็น Chain-of-Thought (CoT) Prompting? ตัวอย่างและประโยชน์
ในช่วงไม่กี่ปีที่ผ่านมา โมเดลภาษาขนาดใหญ่ (LLMs) ได้ทำความก้าวหน้าอย่างมากในการเข้าใจและสร้างข้อความที่เหมือนมนุษย์ โมเดลเหล่านี้ เช่น GPT ของ OpenAI และ Claude ของ Anthropic ได้แสดงผลลัพธ์ที่น่าประทับใจในงานประมวลผลภาษา自然หลากหลายประเภท อย่างไรก็ตาม เมื่อถึงงานที่ต้องใช้เหตุผลที่ซับซ้อนซึ่งต้องใช้หลายขั้นตอนของการคิดเชิงตรรกะ วิธีการกระตุ้นแบบดั้งเดิมมักจะไม่เพียงพอ นี่คือที่ที่ Chain-of-Thought (CoT) Prompting มาใช้ โดยเสนอเทคนิคการออกแบบกระตุ้นที่มีพลังในการปรับปรุงความสามารถในการให้เหตุผลของโมเดลภาษาขนาดใหญ่ข้อสรุปหลัก CoT Prompting ปรับปรุงความสามารถในการให้เหตุผลโดยการสร้างขั้นตอนกลาง...
By Alex McFarland
-
Prompt engineeringการเร่งความเร็วในการอนุมานโมเดลภาษาขนาดใหญ่: เทคนิคสำหรับการใช้งานที่มีประสิทธิภาพ
โมเดลภาษาขนาดใหญ่ (LLMs) เช่น GPT-4, LLaMA และ PaLM กำลังผลักดันขอบเขตของสิ่งที่เป็นไปได้กับการประมวลผลภาษาธรรมชาติ (NLP) อย่างไรก็ตาม การใช้งานโมเดลเหล่านี้ในproduction environments นำเสนอความท้าทายที่สำคัญในแง่ของความต้องการการประมวลผล ความใช้หน่วยความจำ ความหน่วง และต้นทุน เมื่อ LLMs ยังคงเติบโตขนาดใหญ่ขึ้นและสามารถทำได้มากขึ้น การเพิ่มประสิทธิภาพการอนุมานของพวกมันจึงมีความสำคัญต่อการประยุกต์ใช้จริง ในบทความนี้ เราจะสำรวจเทคนิคที่ทันสมัยสำหรับการเร่งความเร็วในการอนุมาน LLMs ซึ่งช่วยให้สามารถตอบสนองได้เร็วขึ้น มีการใช้ทรัพยากรฮาร์ดแวร์ที่มีประสิทธิภาพมากขึ้น และมีการใช้ทรัพยากรที่มีประสิทธิภาพมากขึ้น...
By Aayush Mittal, มิตตาล
-

Prompt engineeringคู่มือ: วิธีการสร้างและแบ่งปัน GPT ที่กำหนดเอง
ด้านของปัญญาประดิษฐ์กำลังขยายตัวอย่างต่อเนื่อง โดยนำเสนอเครื่องมือที่ปฏิวัติวิธีการที่เราสื่อสารกับเทคโนโลยี ในบรรดาการพัฒนานี้ GPT ที่กำหนดเองหรือที่เรียกว่า Generative Pre-trained Transformers ได้ปรากฏขึ้นเป็นนวัตกรรมที่น่าสนใจ เหล่าโมเดล AI เหล่านี้ซึ่งไปไกลกว่าความสามารถมาตรฐานของ ChatGPT ช่วยให้สามารถปรับแต่งการโต้ตอบได้ตามความต้องการและบริบทเฉพาะในคู่มือนี้ เราจะสำรวจโลกของ GPT ที่กำหนดเอง ซึ่งไม่ใช่แค่แนวคิดทฤษฎีหรือเครื่องมือสำหรับยักษ์เทคโนโลยีเท่านั้น แต่ GPT ที่กำหนดเองสามารถเข้าถึงและปรับแต่งได้โดยใครก็ตามที่มีความสนใจใน AI ไม่ว่าจะมีพื้นฐานด้านเทคนิคหรือไม่ คู่มือนี้ออกแบบมาสำหรับผู้อ่านด้านเทคนิคและไม่ใช้ด้านเทคนิค โดยมีแนวทางที่ชัดเจนและเป็นขั้นตอนในการสร้าง GPT...
By Alex McFarland