Dobici:
- Objasnite kako funkcioniše model velikog jezika predviđanjem sljedeće riječi i šta to znači za brzo pisanje
- On može pokazati zašto Prompt toliko određuje kvalitet izlaza na primjeru iz svog rada.
- Razlikovanjem prednosti i mana modela, može se odlučiti koji zadaci će ga bezbedno koristiti.
Uvod u umjetnu inteligenciju i brza pitanja: kako model "razmišlja"
Najbolji način da zaista naučite kako pisati upite je da prvo shvatite kako alat radi. U ovoj cjelini vidjet ćemo osnovnu logiku modela velikog jezika (skraćeno LLM; to jest, sistem umjetne inteligencije koji proizvodi tekst), zašto je toliko koristan u vašem svakodnevnom radu i gdje ima svoje granice. Upute napisane bez ovog temelja često dovode do pitanja "zašto ponekad daju sjajne, a ponekad užasne rezultate?" ostavlja na miru sa pitanjem. Ova neizvjesnost će u velikoj mjeri nestati kada se ova jedinica završi.
Šta zapravo radi model velikog jezika?
U svojoj najjednostavnijoj definiciji, model velikog jezika je sistem koji predviđa najvjerovatniju riječ koja će pratiti tekst koji date. Ispitujući milijarde rečenica, model je naučio obrazac "koja riječ dolazi iza koje riječi". Kada započnete rečenicu, model gleda ono što je do sada napisano i generiše najvjerovatniji nastavak, zatim dodaje generiranu riječ na ulaz i predviđa sljedeću. Ovaj ciklus se nastavlja sve dok se odgovor ne završi.
Pojasnimo termin token koji se ovdje koristi: token je najmanja jedinica na koju model razbija tekst; Otprilike je veličine riječi ili dijela riječi. Model ne napreduje riječ po riječ, već znak po žeton. Praktična posljedica za vas je da model nije ljudsko biće koje "razumije" vašu namjeru, već vrlo moćna prediktivna mašina koja statistički bira najprikladniji nastavak za tekst koji mu dajete.
Najvažnija implikacija ove definicije je da je najmoćnija determinanta smjera izlaza tekst koji dajete kao ulaz. Dakle, vaš upit. Model ne izvlači gotov odgovor iz baze podataka, ne vrši pretragu uživo na internetu i ne kopira stranice (osim ako nije drugačije navedeno). On proizvodi samo tekst koji najbolje odgovara kontekstu koji mu date. Dobar input je najvažniji uslov za dobar rezultat.
Zašto "Isti model, drugačiji rezultat"?
Model također koristi malu marginu slučajnosti u odabiru najvjerovatnije riječi svaki put; Stoga, kada dvaput pitate isti upit, možda nećete dobiti potpuno iste rečenice. Ovo nije greška, to je dio dizajna. Vaš posao je da nacrtate okvir dovoljno jasan da ne prepustite ishod slučaju. Što je okvir jasniji, to će rezultati dva različita eksperimenta biti bliži i korisniji.
Korak po korak: kako zahtjev napreduje kroz model?
- Čita unos. Svaka riječ koju napišete je trag koji vodi predviđanje. Kada kažete „kao viši pravnik“, model čini tekstove bližim tom tonu vjerovatnijim.
- Vaga kontekst. Pozadina, ograničenja i primjeri koje dajete sužavaju procjenu. Ako je kontekst prazan, model popunjava praznine svojim vlastitim pretpostavkama.
- Proizvodi riječ po riječ. Svaki token koji proizvodi postaje ulaz za sljedeći; tako da se smjer koji ste dali na početku prenosi na cijeli odgovor.
- On staje. Prekida proizvodnju kada je zadatak završen ili dostigne dužinu koju ste naveli.
Tri mini slučaja: brza razlika u brojevima
Slučaj 1 — Stručnjak za marketing, predmet e-pošte. Kada je marketinški stručnjak rekao "predloži temu za kampanju", dobio je 5 općih naslova i nije mu se svidio nijedan; Proveo je 20 minuta ispravljajući ga rukom. Sljedećeg dana, kada je rekao: "Ciljana publika su vlasnici malih i srednjih preduzeća od 30-45 godina, proizvod je softver za računovodstvo u oblaku, 6 jedinica, svaka sa najviše 45 znakova, intrigantno, ali potcijenjeno", direktno je koristio 4 od 6 naslova. Trajanje se smanjilo sa 20 minuta na 4 minute.
Slučaj 2 — Ljudski resursi, tekst oglasa. Stručnjak za ljudske resurse primio je šablonski tekst sa upitom "napišite posao programera softvera". Kada smo upitu dodali stvarni jezik kompanije (opis kulture u 3 rečenice), 4 obavezne kvalifikacije i ograničenje "jasno napišite raspon plata", stopa nekvalifikovanih kandidata na oglasu se značajno smanjila u sljedećem oglasu jer je tekst jasno utvrdio očekivanje.
Slučaj 3 — Računovodstvo, sažetak izvještaja. Kada je izvršni direktor računovodstva rekao da je "sažeo" izvještaj o troškovima od 12 stranica, model je izostavio važne stavke. Kada je rekao: "Iz ovog izvještaja, 5 najvećih rashodnih stavki su tabelarno sa procentualnim promjenama u odnosu na prošli mjesec", dobio je upravo strukturu koju bi iznio na sastanku uprave. Sadržaj je bio isti, uputstva drugačija.
Slaba prompt / jaka prompt
Isti posao, sa dva različita uputstva:
Slab upit:
Sažmi ovaj tekst.[tekst]
Snažan upit:
Sažmite bilješku sa sastanka u nastavku kako biste bili predstavljeni upravnom odboru. - Najviše 5 predmeta. - Svaka stavka treba da sadrži odluku ili radnju; Preskočite detalje chata. - U zagradi upišite naziv za radnje za koje je poznato odgovorno lice. - Koristite običan, formalni jezik. Tekst: [tekst]
Drugi prompt govori modelu šta da proizvede, za koga, u kom formatu i šta da preskoči. Model ne vrši "razmišljanje" već radije proizvodi ispravan nastavak; Vi nacrtate okvir tog nastavka.
Četiri predloška koji se mogu kopirati
Četiri jednostavna startna predloška za brzo prevođenje logike u ovoj jedinici u praksi. Popunite zagrade svojim podacima.
1) Okvir za jačanje zahtjeva:
Želim da uradite ovaj zadatak: [zadatak]Za koga: [kupac/publika]U kom formatu: [dužina, struktura]Šta preskočiti: [šta ne želite]
2) Provjera granica modela (verifikacijski refleks):
Ako postoje činjenične tvrdnje (broj, datum, ime, izvor) u vašem odgovoru ispod, izdvojite svaku kao posebnu listu i označite je kao "mora biti potvrđeno". Odgovor: [izlaz modela]
3) Isprobajte isti zadatak na dva nivoa:
Objasnite sljedeću temu dva puta: A) Potpunom strancu, svakodnevnim jezikom. B) Stručnjaku u toj oblasti, tehničkim terminima. Tema: [tema]
4) Učiniti model da shvati nesigurnost:
Prije nego što podnesete zahtjev koji vam dam, postavite mi 3 pitanja o tačkama koje vam nedostaju ili su nejasne; onda proizvesti prema mojim odgovorima.Zahtjev: [zahtjev]
Snage i slabosti modela
Predmet
Model je jak
Model je slab / oprez
jezički poslovi
Pisanje, sažimanje, prevođenje, promjena tona
Veoma tehničke greške/greške u nišnom žargonu
strukturu
Pretvorite tekst u tabelu, listu, skicu
Održavanje konzistentnosti u dugom tekstu
ideja
Brainstorming, generisanje alternativa
Garantovanje šta je "ispravno"
slučaj
Opće informacije, definicija, objašnjenje
Trenutni/tačni podaci, broj, datum, izvor
rasuđivanje
Dobro ako se vodi korak po korak
Ne pravite pogrešne složene proračune tiho
Savjet: Ne gledajte na modela kao na „sveznalog stručnjaka“ već kao na „pomoćnika koji piše vrlo brzo, puno čita, ali sve što kaže treba provjeriti“. Ovaj prikaz ispravno prilagođava i vaša očekivanja i vašu naviku kontrole.
Pažnja: Model može pisati informacije na vrlo pouzdanom jeziku, ali to ne znači da su informacije tačne. Uvijek neovisno provjerite činjenične detalje, posebno broj, ime, datum, statut i izvor. Na ovu temu ćemo se detaljno vratiti u jedinici 11.
Uobičajene greške
- Zamijeniti model za čovjeka. Davanje nepotpunih instrukcija govoreći "Svejedno će razumjeti". Model ne čita vašu namjeru; Obrađuje samo ono što unesete.
- Odustajanje u jednom pokušaju. Ako je početni učinak loš, krivite alat. Međutim, većinu vremena problem je u uputama i mala korekcija može promijeniti rezultat.
- Korištenje činjenica bez njihove provjere. Prihvatanje statistike ili izvora proizvedenog od strane modela bez sumnje je najrizičnija navika.
- Unošenje povjerljivih podataka bez razmišljanja. Lijepljenje osjetljivih informacija bez znanja kako alat radi. Za to postoje pravila, kao što ćemo vidjeti u jedinici za privatnost.
- Rješenje slučajnosti za grešku. Tumačenje dva različita rezultata kao "vozilo je pokvareno"; Međutim, kada povećate jasnoću, rezultati se približavaju.
Ukratko
- Model velikog jezika funkcioniše tako što predviđa reč (token) koja će se najverovatnije pojaviti sledeća u tekstu koji date; On ne bira gotove odgovore.
- Najmoćniji faktor koji određuje smjer izlaza je prompt koji dajete kao ulaz.
- Snažan u modelskom jeziku, strukturi i idejama; je oprezan s preciznim činjenicama, trenutnim podacima i složenim proračunima.
- Zbog male nasumice isti prompt može dati različite rezultate; Kako se jasnoća povećava, rezultati postaju dosljedniji.
- Model nije "stručnjak koji je vjeran svemu što kaže", već "asistent koji je brz, ali ga treba provjeriti".
Zadatak aplikacije
Odaberite zadatak pisanja iz svog svakodnevnog posla koji redovno obavljate (na primjer, e-poruka, sažetak ili lista). Prvo, napišite najjednostavniju verziju od jedne rečenice, dajte je AI alatu i sačuvajte rezultat. Zatim na isti zadatak; Dodajte odgovore na pitanja "za koga, u kom formatu, u kojoj dužini i šta preskočiti" i ponovo ih postavite. Postavite dva izlaza jedan pored drugog i zabilježite u jednoj rečenici koji dodatak najviše poboljšava rezultat.
kontrolna lista
- [ ] Shvatio sam da model "predviđa sljedeću riječ", a ne čita moju namjeru.
- [ ] Shvatio sam da kvalitet izlaza u velikoj meri zavisi od kvaliteta prompta.
- [ ] Mogu razlikovati tipove zadataka gdje je model jak i slab.
- [ ] Razumijem da moram provjeriti činjenične detalje (broj, datum, ime, izvor).
- [ ] Mogu objasniti zašto isti prompt može dati različite rezultate.