ChatGPT’de Prompt Mühendisliği Rehberi

Çıkışından bu yana, ChatGPT AI alanında dalgalar yaratıyor ve rekor sürede 100 milyondan fazla kullanıcıya ulaşıyor. ChatGPT’nin etkileyici performansı ve çok yönlülüğünün sırrı, programlamasının içinde nazikçe yerleştirilmiş bir sanatta yatıyor – prompt mühendisliği.

2022’de piyasaya sürülen DALL-E, MidJourney ve StableDiffusion, Generatif AI’nin yıkıcı potansiyelini vurguladı. Ancak Open AI‘in ChatGPT’si真正 olarak 2022’nin sonlarında sahneyi ele geçirdi. Ve bu momentum hiçbir şekilde yavaşlama belirtisi göstermedi.

Google’ın Bard duyurusu ve Meta’nın Llama 2 response OpenAI’nin ChatGPT’sine önemli ölçüde AI yarışının momentumunu artırdı. Bu modellere girdi verdiğimizde, onların davranışlarını ve yanıtlarını yönlendiriyoruz. Bu, bizi belirli bir düzeyde prompt mühendisleri yapıyor. Teknoloji endüstrisi bunu fark etti. Venture capitalists, prompt mühendisliği üzerine odaklanan startups gibi Vellum AI‘e fonlarını yönlendiriyor. Ayrıca, Forbes raporuna göre, prompt mühendisleri 300.000 doları aşan maaşlar alıyor, bu da canlı ve değerli bir iş pazarının göstergesi.

Bu makalede, ChatGPT bağlamında prompt mühendisliği dünyasını açıklığa kavuşturacağız. Temel prensipleri ve teknikleri keşfedeceğiz ve ticari uygulamalarını inceleyeceğiz.

Öncelikle ChatGPT’nin nasıl işlediğini ve prompt mühendisliğinin bu süreçteki kilit rolünü anlamaya çalışalım.

ChatGPT Prompt Mühendisliğinin Arkasındaki Mekanik

ChatGPT’nin başarısının sırrı, insan konuşmasının nüanslarını anlamak ve taklit etmek能力sidir. Model, çeşitli internet metinlerine dayanarak eğitilir, ancak kritik olarak, eğitim setindeki belirli belgeleri veya kaynakları bilmez, bu da genelleme üzerinde özgüllüğü sağlar. Bu eğitim yaklaşımı, ChatGPT’nin yaratıcı yanıtlar üretmesine, karmaşık diyalogları gezinmesine ve hatta mizah duygusu sergilemesine olanak tanır. Ancak, ChatGPT’nin gerçekten anlamadığı veya inancı olmadığı, eğitim sırasında öğrendiği kalıplara dayanarak yanıtlar ürettiği unutulmamalıdır.

ChatGPT’nin insan dilini nüanslı ve bağlamında fark edebilme yetisi, onu inanılmaz derecede çok yönlü bir araç haline getirir.

Bu modellerin mekanizması, ‘token’ler kavramına dayanır – dilin ayrılmaz parçaları, tek bir karakterden bir tümceye kadar çeşitli boyutlarda olabilir. Bu modeller, belirli bir sayıda token (GPT-3.5-Turbo için 4096 veya GPT-4 için 8192 veya 32768) ile çalışır ve sonraki token dizisinin en olası sırasını öngörür. Modeller, karmaşık lineer cebir kullanarak tokenleri işler ve en muhtemel sonraki tokeni öngörür.

Örneğin, basit bir dokuz kelimelik cümle on token haline gelebilir. Tek bir karmaşık kelime bile birden fazla token haline dönüşebilir, bu da modelin dili daha iyi anlamasını ve üretmesini sağlar. Almanca gibi karmaşık kelime yapılarına sahip diller bile tokenleştirme yoluyla yönetilir.

GPT (Generative Pre-trained Transformer) modelleri, bir tokeni bir seferde üretirler, ilk token’dan başlayarak son token’a kadar devam eder. Her token üretildikten sonra, model tüm diziyi yeniden ziyaret eder ve bir sonraki token’ı üretmek için yeniden işler. Bu yinelemeli süreç, son token üretildiğinde sona erer, metin üretimi büyük bir for-döngü gibi olur.

Ancak burada bir sorun var – bu yanıtların kalitesi büyük ölçüde aldığı promtlerin kalitesine bağlıdır. Bir insanla sohbeti yönlendirmek gibi, ChatGPT ile bir diyaloğu yönlendirmek belirli bir beceri ve anlayış düzeyini gerektirir. İşte burada prompt mühendisliği devreye girer.

Prompt Mühendisliği Nedir?

Prompt Mühendisliği, AI modelleri gibi ChatGPT’yi en maliyet-effective, doğru, faydalı ve güvenli çıktılar üretmeye yönlendiren kesin ve etkili promt/girdileri oluşturma sanatıdır.

Prompt mühendisliği, metin üretimi ile sınırlı değildir; AI alanının çeşitli yönlerinde uygulanır. Robotik süreç otomasyonu botları, 3D varlıklar, komut dosyaları, robot komutları ve diğer türdeki içerik ve dijital medya gibi alanlarda giderek daha fazla kullanılıyor. Mantık, kodlama, sanat ve belirli durumlarda özel modifikatörlerin benzersiz bir bileşimini sunar.

Bir promt, doğal dil metni, görseller veya diğer türden girdi verilerini içerebilir, ancak çıktı AI hizmetleri ve araçlarına göre önemli ölçüde farklılık gösterebilir. Her araç, kelimelerin ağırlığını, stilleri, perspektifleri, düzeni veya istenilen yanıtın diğer özelliklerini tanımlayan özel modifikatörlere sahiptir.

Bu alan, daha iyi AI güdümlü hizmetler yaratmak ve mevcut generatif AI araçlarından daha iyi sonuçlar elde etmek için çok önemlidir. Örneğin, geliştiriciler, büyük dil modellerini (LLM) gibi GPT-3’ü, müşteri karşıtı bir sohbet botu güçlendirmek veya endüstriye özgü sözleşmeler oluşturmak gibi görevleri gerçekleştirmek için prompt mühendisliği kullanır.

Bu promt iyileştirme ve AI performansı ölçme süreci, AI modellerinin çeşitli bağlamlarda hedefe yönelik ve faydalı yanıtlar üretmesini sağlayan bir anahtar öğedir.

Prompt Mühendisi Olmak

GPT-4 modelinin karmaşık talimatları anlamak ve karmaşık sorunları doğru bir şekilde çözmek yeteneği, onu bir kaynak haline getirir. Ancak, bu modelin yeteneklerine erişmek için farklı yöntemler vardır ve bunları anlamak, bir prompt mühendisinin rolü için kritiktir.

GPT modelleri ile etkileşim kurmanın temelde iki yolu vardır. Bir yol, OpenAI’nin API’sini kullanmaktır, burada maliyetler girdi ve çıktı tokenlerine göre hesaplanır. Bu senaryoda, maliyetler, bağlam boyutuna bağlı olarak 1K token başına değişebilir. Örneğin, 32K bağlam boyutunda, girdi tokenleri için maliyet 0.06’ya ve çıktı tokenleri için 0.12’ye çıkabilir. Böylece, yüksek hacimli taleplerle başa çıkmak, kullanım maliyetini hızla artırabilir.

Diğer yandan, ChatGPT, GPT-4 modelini kullanan bir abonelik tabanlı modeldir.

Prompt mühendisliğinin bir başka önemli görevi, model parametrelerinin ayarlanmasıdır. Bu süreç, modelin tahminlerde bulunmak için kullandığı değişkenleri ayarlamayı içerir. Bu parametreleri ayarlayarak, prompt mühendisleri modelin yanıtlarının kalitesini ve doğruluğunu geliştirebilir, böylece yanıtları daha bağlamsal olarak ilgili ve faydalı hale getirebilir.

Çoğu prompt mühendisi teknoloji alanından gelir, ancak bu alanın çok disiplinli doğası, farklı profesyonel geçmişlere sahip bireylerin de bu alana girmesini sağlar. Artan şekilde, yazarlar, araştırmacılar ve hatta sanatçılar, AI modellerinin etkinliğini artırmak için benzersiz becerilerini kullanıyorlar. Bu değişim, iş pazarasında da yansımasını buluyor ve şirketlerin, çeşitli beceri ve geçmişlere sahip prompt mühendislerini arıyor olmasıyla görülüyor.

ChatGPT’de Prompt Tasarımı ve Mühendisliği

Prompt Tasarımı ve Mühendisliği, dil modellerinin performansını optimize etmede kritik bir rol oynar ve sadece soruları sormakla kalmaz; AI modeli ve çok yinelemeli ve rafine bir yaklaşımı gerektirir.

Prompt Tasarımı

Prompt tasarımı, temelde, bir büyük dil modeli (LLM) gibi ChatGPT için mükemmel promt oluşturmanın sanatı ve bilimidir. Bu, aşağıdaki bileşenlerin bir bileşimidir:

• LLM Anlaşılması: Farklı dil modelleri aynı promt için farklı şekilde yanıt verebilir. Ayrıca, belirli dil modelleri, belirli anahtar kelimelere veya tetikleyicilere sahip olabilir ve bunları özel bir şekilde yorumlar.
• Alan Bilgisi: İlgili alanda uzmanlık, promt tasarımı için kritiktir. Örneğin, tıbbi bir teşhis çıkarmak için bir promt oluştururken, tıbbi bilgi gereklidir.
• Yinelemeli Yaklaşım ve Kalite Ölçümü: İdeal promt oluşturma süreci genellikle deneme yanılma içerir. Bu nedenle, özellikle büyük ölçekli kullanımda, çıktı kalitesini sadece öznel yargıya göre değerlendirmenin ötesinde bir yol olması önemlidir.

Prompt Mühendisliği

Prompt mühendisliği, prompt tasarımının genişletilmiş bir alanıdır ve aşağıdaki kritik süreçleri içerir:

• Ölçeklendirilmiş Prompt Tasarımı: Bu, meta promt (diğer promtleri üreten promtler) ve promt şablonlarının tasarlanmasını içerir. Bu şablonlar, çalışma zamanında örneklenerek parametrelendirilebilir.
• Araç Tasarımı ve Entegrasyonu: Promt’ler bazen dış araçlardan sonuçlar içerebilir ve bu araçları sisteme sorunsuz bir şekilde entegre etmek önemlidir.
• İş Akışı, Planlama ve Prompt Yönetimi: Bir LLM uygulamasını dağıtmak, promt kitaplıklarını yönetmek, doğru promt’leri seçmek ve çeşitli araçları verimli bir şekilde entegre etmek anlamına gelir.
• Prompt’lerin Değerlendirilmesi ve Kalite Güvencesi: Bu, promt’leri hem otomatik olarak hem de insan katılımıyla değerlendirmek için metrikler ve süreçler tanımlamayı içerir.
• Prompt Optimizasyonu: AI modelinin maliyeti ve gecikmesi, model seçimi ve promt uzunluğuna (token sayısı) bağlı olarak değişebilir.

Çok sayıda otomatik promt tasarımı yaklaşımı, aracı ve çerçeve geliştirilmiştir. Ancak, bu araçların hiçbiri, deneyimli bir prompt mühendisinin nüanslı anlayışını, yargısını ve deneyimini tam olarak karşılayamayacağını anlamak önemlidir.

Prompt Mühendisliği: Teknikler ve En İyi Uygulamalar

1) Prompt Yerleştirme ve Açıklama

Prompt’ın başlangıcında talimatları yerleştirmek, AI’nin anlayışını ve yanıtını önemli ölçüde etkileyebilir. Bir metni bullet point formatında özetleme görevini düşünün. Daha az etkili bir yaklaşım şöyle olabilir:

Kullanıcı: Aşağıdaki metni en önemli noktaları liste olarak özetleyin.
{giriş metni burada}

Öte yandan, daha etkili bir teknik şöyle olabilir:

Kullanıcı: Aşağıdaki metni en önemli noktaları liste olarak özetleyin.
Metin: “””
{giriş metni burada}
“””

İki nokta arasında talimatları ve bağlamı net bir şekilde ayırmak, AI modelinin görevini daha iyi anlamasını ve daha doğru yanıtlar vermesini sağlar.

İkincisi, bağlam, beklenen sonuç, uzunluk, format, stil vb. hakkında spesifik, açıklamalı ve ayrıntılı olmak, AI’nin yanıtlarının doğruluğunu önemli ölçüde artırabilir. Bir bilim makalesinin basit ve ilgi çekici bir şekilde özetlenmesi gerektiğini varsayalım. Belirsiz bir talimat gibi “Bilimsel makaleyi özetle” daha az etkili sonuçlar verecektir. Daha spesifik bir talimat şöyle olabilir:

Kullanıcı: Aşağıdaki bilim makalesinin yaklaşık 200 kelimelik, ilgi çekici bir özeti oluşturun. Özeti, bilimsel arka planı olmayanlar için anlaşılır kılın ve makalenin ana bulgularını doğru bir şekilde yansıtsın.
Makale: “””
{bilimsel makale metni burada}
“””

2) Persona Kalıbı

Persona Kalıbı, AI’yi belirli bir perspektiften, örneğin bir profesyonel rol veya kurgusal karakter olarak işlemesini sağlar. Bu, modelin belirli rollerle ilgili çıktılar üretmesini sağlar. Örneğin, bir kod incelemesinde siber güvenlik uzmanı olarak davranmasını isteyebilirsiniz.

Aşağıdaki örneğe bakın:

Kullanıcı: “Fransız Devrimi konusunda uzmanlaşmış bir tarihçi olarak davranın. Bu persona ile, Fransız monarşisinin çöküşüne yol açan ana olayları ve nedenleri açıklar mısınız?”

Bu durumda, AI, Fransız Devrimi’nin çöküşü hakkında, bir tarihçi olarak derinlemesine bir analiz sunmalıdır.

Yeni Bilgileri Tanıtma

ChatGPT, eğitim verisi dışında bilgiye sahip değildir, bu nedenle son gelişmeler veya güncellemeler hakkında bilgi veremez. Ancak, modeli promt’ler aracılığıyla yeni bilgilerle besleyebilirsiniz.

Kullanıcı: “Kripto para nedir?”
ChatGPT: “Kripto para, dijital veya sanal bir para birimidir ve güvenliği için kriptografi kullanır. En bilinen kripto para birimi Bitcoin’dir.”

Şimdi, promt’a biraz daha bağlam ekleyerek açıklamayı daha anlaşılır hale getirebilirsiniz:

Kullanıcı: “Bir lise öğrencisi olarak dijital finans hakkında öğreniyorum, kripto para kavramını bana açıklar mısınız?”
ChatGPT: “Sanal bir video oyununda oyun para kazandığınızı ve bunu karakterler veya yeni özellikler için kullanabileceğinizi düşünün. Kripto para da buna benzer, ancak oyunla sınırlı değil, gerçek dünya mal ve hizmetleri satın almak için kullanılabilir. Banka veya hükümet tarafından kontrol edilmeyen dijital paradır.”

3) Prompt Boyutu Sınırlamaları

ChatGPT’nin boyut sınırlamalarını anlamak önemlidir, çünkü bu, girebileceğimiz veri hacmini ve türünü doğrudan etkiler. Dil modelleri, sınırsız veri işleyemez. Girdi promt’larının ve üretilen yanıtın boyutu üzerinde bir sınır vardır. Bu sınır, promt’ların tasarımı ve uygulanması için önemli sonuçlar doğurur.

ChatGPT, genellikle 2048 token ile sınırlıdır ve bu, hem promt hem de üretilen yanıt için geçerlidir. Bu, uzun promt’ların yanıtın uzunluğunu sınırlayabileceği anlamına gelir. Bu nedenle, promt’larıconcise ve bilgilendirici tutmak önemlidir.

Pratik kullanımda, görevdeki en ilgili bilgileri seçerek düzenleyiciler gibi davranmalıyız. Bir makale veya belge yazarken, söz limitine veya sayfa limitine uymanız gerekir – rastgele facts.dump değil, konuya uygun bilgileri seçerek ve yapılandırarak ilerlersiniz.

Kullanıcı: “Modelin token sınırlamalarını göz önünde bulundurarak, II. Dünya Savaşı’nın ana olaylarını 1000 kelimeden az olarak özetleyin.”

Bu promt, AI’yi II. Dünya Savaşı’nın bir özeti oluştururken token sınırlamalarına uymaya yönlendirir.

Tekrarlanan Kullanım için Promt’ler: Bir sohbet senaryosunda, promt’leri yeniden kullanabilir veya önceki yanıtlara dayanarak onları iyileştirebilirsiniz. Bu, sohbet akışını korur ve bağlamı sürdürür.

4) Soru İyileştirme Kalıbı

ChatGPT, sorularınızı da iyileştirebilir. Örneğin, bir soru sorarsanız, daha doğru sonuçlar için daha iyi bir şekilde formüle edilmiş bir soru önerebilir.

Soru İyileştirme Kalıbı, LLM’nin kullanıcı tarafından sorulan soruları iyileştirmesini içerir. Bu, kullanıcıların belirli bir alanda uzman olmadıklarında veya soruyu nasıl formüle edeceklerini bilmediklerinde özellikle faydalıdır.

Aşağıdaki örneğe bakın:

Kullanıcı: “Veri biliminde bir soru sorduğumda, istatistiksel analiz özgüllüklerini dikkate alarak daha iyi bir soru önerin ve devam etmek isteyip istemediğimi sorun.”

Bu durumda, AI, genel veri bilimi sorularınızı, istatistiksel analiz yönlerini dikkate alan daha spesifik sorulara dönüştürebilir.

5) Bilişsel Doğrulama Kalıbı

Bilişsel Doğrulama Kalıbı, karmaşık soruları daha küçük, yönetilebilir alt-sorulara ayırır. Bu alt-sorulara verilen yanıtlar daha sonra birleştirilir ve ana soruya daha kapsamlı bir yanıt oluşturulur. Bu yaklaşım, ilk sorular çok genel olduğunda veya daha fazla açıklığa ihtiyaç olduğunda faydalıdır.

Örneğin:

Kullanıcı: “İklim değişikliği hakkında bir soru sorduğumda, bunu üç küçük soruya ayırın ve bu alt-sorulara verilen yanıtları birleştirerek nihai yanıtı verin.”

AI, iklim değişikliği hakkında karmaşık bir soru sorduğunuzda, bu soruyu daha küçük sorulara ayırır, her birine yanıt verir ve sonra bu yanıtları birleştirerek daha kapsamlı bir yanıt oluşturur.

Bu kalıp, daha doğru bir nihai yanıt için birden fazla soru oluşturup yanıtlamak sürecini içerir.

6) Az-Shot Promtleme Yaklaşımı

Az-Shot promtleme, AI modellerini belirli kalıpları takip etmeye veya görevleri gerçekleştirmeye öğretmek için güçlü bir yaklaşımdır. Fikir, modeli önce birkaç örnek ile beslemek ve ardından istenilen görevi gerçekleştirmesini istemektir.

Örneğin, bir teknoloji girişimi için pazarlama metni oluştururken:

Kullanıcı: “Aşağıdaki örnekleri dikkate alın ve yeni bir AI güdümlü akıllı saat için pazarlama metni oluşturun: ‘Müzik gibi nunca önce deneyimleyin ile bizim yeni kablosuz kulaklıklar.’ ve ‘Dünyanızı 4K’da yakalayın ile bizim yeni aksiyon kamerası.'”

ChatGPT: “Hayatınızı güçlendirin ile bizim yeni AI güdümlü akıllı saat, sağlık, bağlantı ve üretkenlik için bir arkadaşı olarak.”

Bu teknik, sadece girdi-çıktı çiftleri ile sınırlı değildir; ayrıca ara adımları gerçekleştirmeyi de öğretebilir.

7) Zincir Düşünce Promtleme

Son araştırmalarında, “Zincir Düşünce Promtleme, Büyük Dil Modellerinde Mantık Sağlar” adlı makalede, Jason Wei ve ekibi, büyük dil modellerinde mantığı tetikleme amacını taşıyor. Geleneksel, doğrudan promt’ler yerine, bir “zincir düşünce” oluşturmak için birbirine bağlı promt’ler kullanıyorlar.

Örneğin, bir kullanıcı yapay zeka’nın iş piyasaları üzerindeki potansiyel etkisini merak edebilir:

Kullanıcı: “Yapay zeka nedir?”

ChatGPT: “Yapay zeka, makinelerin insan zekasını taklit etme yeteneğidir. Bu, makinelerin dil çevirisi, karar verme ve problem çözme gibi görevleri gerçekleştirmesini sağlar.”

Kullanıcı: “Yapay zeka iş piyasalarını nasıl etkiliyor?”

ChatGPT: “Yapay zeka hem yeni işler yaratıyor hem de mevcut işlerin doğasını değiştiriyor. Bir yandan rutin görevleri otomatikleştirerek belirli sektörlerde iş kaybına neden olurken, diğer yandan önceden var olmayan roller için talep yaratıyor, Örneğin AI etiği memurları, veri analistleri ve makine öğrenimi mühendisleri. Ayrıca, AI, insan rollerini güçlendirebilir, insanların görevlerini daha verimli ve doğru bir şekilde gerçekleştirmelerini sağlar.”

Zincir düşünce promtleme, modeli daha spesifik ve bağlamsal olarak ilgili yanıtlar üretmeye yönlendirmek için ilgili promt’lerin bir dizi kullanılmasıdır.

ChatGPT API’si ve Prompt Mühendisliğini Anlamak

Bir geliştirici veya araştırmacı perspektifinden, prompt mühendisliği daha karmaşıktır. Bu, AI modelinin daha etkili bir şekilde anlaması ve yanıtlaması için algoritmalar ve teknikler tasarlamayı içerir. Bu, belirsiz promt’lerle başa çıkma stratejileri, promt’lerin bağlamını belirleme veya promt’leri zincirleme kullanarak daha karmaşık düşünce süreçlerini tetikleme olabilir.

Üstteki resimde, bir kullanıcı bir sohbet arayüzü ile etkileşime giriyor, bu arayüz GPT-4 tarafından güçlendiriliyor. Kullanıcının girdisi, bir özel modül tarafından netlik ve bağlamsal tutarlılık için iyileştiriliyor ve ardından AI modeline veriliyor. Bu modülün rolü, kullanıcı girdisini daha iyi anlaşılabilir ve tutarlı bir şekilde sunmak ve sohbetin bağlamını korumaktır. AI’nın yanıtı, geliştirilmiş promt temelinde oluşturulur ve kullanıcıya sohbet arayüzü aracılığıyla geri verilir. Etkileşim geçmişi tutarlı bir şekilde güncellenir, sohbet bağlamını korur. Genel olarak, bu diyagram, prompt mühendisliği teknikleri ile sağlanan dinamik bir kullanıcı-AI sohbet akışını gösterir.

ChatGPT API’si, çeşitli hiperparametrelerle tasarlanmıştır. Bu hiperparametreler, kullanıcıların AI’nın promt’lere yanıtlarını daha etkili ve çok yönlü hale getirmesine olanak tanır. Bunlar arasında Sıcaklık, Maksimum Uzunluk, Durdurma Dizileri, Üst P ve Frekans Cezası bulunur. Bu parametrelerin nasıl çalıştığını ve farklı bağlamlarda nasıl kullanılabileceğini keşfedelim.

1) Sıcaklık

Sıcaklık parametresi, AI’nın yanıtlarının rastgelelik düzeyini etkiler. Daha yüksek bir sıcaklık (1.0 gibi), daha rastgele çıktılara yol açarken, daha düşük bir sıcaklık (0.2 gibi), daha deterministik yanıtlara yol açar.

Örneğin, yaratıcı bir hikaye yazıyorsanız ve öngörülemez, fantastik unsurlar istiyorsanız, sıcaklığı daha yüksek bir değere ayarlayabilirsiniz. Bir promt şöyle olabilir: “Zaman yolculuğu yapan bir kedinin hikayesini yazın.” Yüksek sıcaklık, size daha fantastik ve öngörülemez bir hikaye sunabilir.

2) Maksimum Uzunluk

Bu parametre, modelin çıktı token uzunluğunu kontrol eder. Daha yüksek bir limit, daha uzun yanıtlara izin verirken, daha düşük bir limit, çıktının kısa ve öz olmasını sağlar.

Örneğin, bir trivia sorusu gibi “2020 Nobel Edebiyat Ödülü’nü kim kazandı?” için, maksimum uzunluğu düşük bir değere ayarlayarak yanıtın kısa ve doğrudan olmasını sağlayabilirsiniz.

3) Durdurma Dizileri

Durdurma dizileri, modelin belirli metin dizilerini karşılaştığında çıktı üretimini durdurmasını sağlar. Bu, çıktı uzunluğunu kontrol etmek veya modelin mantıksal son noktalarında durdurmak için faydalı olabilir.

Örneğin, bir formal mektup için, “Saygılarımla” gibi bir durdurma dizisi kullanabilirsiniz, böylece AI, mektubun uygun şekilde sonlandırılmasını sağlar.

4) Üst P

“Üst P” parametresi, aynı zamanda çekirdek örneklem olarak da bilinir, modelin her adımda kaç kelimeyi dikkate alacağını belirler. Daha düşük bir değer (0.5 gibi), daha güvenli ve daha odaklı çıktılara yol açarken, daha yüksek bir değer (0.9 gibi), daha çeşitli çıktılara yol açar.

Örneğin, AI’nın şiir yazmasını istiyorsanız ve geniş bir kelime dağarcığı ve stilistik ifadeler kullanmasını istiyorsanız, “Üst P” parametresini daha yüksek bir değere ayarlayabilirsiniz. Bir promt şöyle olabilir: “Güzün güzelliği hakkında bir şiir yazın.”

5) Frekans Cezası

Frekans Cezası, modelin daha az frequent kelimeleri tercih etmesini kontrol eder. Daha yüksek bir ceza (1’e kadar), daha az frequent kelimelerin kullanılmasını teşvik ederken, daha düşük bir değer (0’a kadar), daha frequent kelimelerin kullanılmasını teşvik eder.

Örneğin, bir iş teklifini yazıyorsanız ve jargon kullanmak istemiyorsanız, frekans cezasını daha düşük bir değere ayarlayabilirsiniz.

6) Varlık Cezası

Varlık Cezası, modelin daha önce bahsedilmeyen yeni konuları veya fikirleri tanıtmaya karşı nasıl cezalandırılacağını etkiler. Daha yüksek değerler, modelin daha önce bahsedilen konulara bağlı kalmasını teşvik ederken, daha düşük değerler, yeni konuların daha serbestçe tanıtılabileceği anlamına gelir.

Örneğin, bir beyin fırtıması oturumu için, varlık cezasını daha düşük bir değere ayarlayarak daha çeşitli fikirlerin ortaya çıkmasını teşvik edebilirsiniz. Bir promt şöyle olabilir: “Bir online eğitim platformı için yenilikçi pazarlama stratejileri üretin.”

Prompt Mühendisliğinin Endüstri Uygulamaları