zisky:
- Vysvětlete, jak funguje model velkého jazyka předpovídáním dalšího slova a co to znamená pro rychlé psaní
- Na příkladu z vlastní práce může ukázat, proč Prompt tolik určuje kvalitu výstupu.
- Rozlišením silných a slabých stránek modelu se lze rozhodnout, které úkoly jej bezpečně použít.
Úvod do umělé inteligence a výzvy: Jak model „myslí“
Nejlepší způsob, jak se skutečně naučit psát výzvy, je nejprve pochopit, jak nástroj funguje. V tomto celku uvidíme základní logiku velkého jazykového modelu (zkráceně LLM; tedy systému umělé inteligence, který produkuje text), proč je tak užitečný ve vaší každodenní práci a kde má své limity. Výzvy napsané bez tohoto základu často vedou k otázce "proč někdy přinášejí skvělé výsledky a někdy hrozné výsledky?" nechává tě samotnou s otázkou. Tato nejistota do značné míry zmizí po dokončení této jednotky.
Co vlastně dělá velký jazykový model?
Ve své nejjednodušší definici je velký jazykový model systém, který předpovídá nejpravděpodobnější slovo, které bude následovat za vámi zadaným textem. Zkoumáním miliard vět se model naučil vzor „které slovo následuje za kterým slovem“. Když začnete větu, model se podívá na to, co bylo dosud napsáno, a vygeneruje nejpravděpodobnější pokračování, poté přidá vygenerované slovo do vstupu a předpovídá další. Tento cyklus pokračuje, dokud není odpověď dokončena.
Ujasněme si zde použitý termín token: token je nejmenší jednotka, na kterou model člení text; Je to zhruba velikost slova nebo části slova. Model postupuje nikoli slovo za slovem, ale žeton po žetonu. Praktickým důsledkem pro vás je, že modelem není člověk, který „rozumí“ vašemu záměru, ale velmi výkonný prediktivní stroj, který statisticky vybere nejvhodnější pokračování textu, který mu zadáte.
Nejdůležitějším důsledkem této definice je, že nejmocnějším determinantem směru výstupu je text, který zadáte jako vstup. Takže vaše výzva. Model nečerpá hotovou odpověď z databáze, neprovádí živé vyhledávání na internetu a nekopíruje stránky (pokud není výslovně uvedeno jinak). Vytváří pouze text, který nejlépe odpovídá kontextu, který mu zadáte. Dobrý vstup je nejdůležitější podmínkou dobrého výstupu.
Proč „Stejný model, jiný výsledek“?
Model také pokaždé používá malou míru náhodnosti při výběru nejpravděpodobnějšího slova; Proto když se zeptáte na stejnou výzvu dvakrát, nemusí se vám zobrazit přesně stejné věty. To není chyba, je to součást designu. Vaším úkolem je nakreslit rámec dostatečně jasný, abyste nenechali výsledek náhodě. Čím jasnější rámec, tím bližší a užitečnější budou výsledky dvou různých experimentů.
Krok za krokem: jak žádost prochází modelem?
- Přečte vstup. Každé slovo, které napíšete, je vodítkem pro předpověď. Když řeknete „jako starší právník“, model pravděpodobněji přiblíží texty tomuto tónu.
- Váží kontext. Pozadí, omezení a příklady, které uvedete, odhad zužují. Pokud je kontext prázdný, model vyplní prázdná místa svými vlastními předpoklady.
- Vytváří slovo od slova. Každý token, který vytvoří, se stane vstupem pro další; takže směr, který zadáte na začátku, se přenese do celé odpovědi.
- Zastaví se. Přeruší výrobu, když je úkol dokončen nebo dosáhne vámi zadané délky.
Tři mini pouzdra: Rychlý rozdíl v číslech
Případ 1 — Marketingový profesionál, předmět e-mailu. Když marketingový expert řekl „navrhněte téma pro kampaň“, dostal 5 obecných titulů a žádný z nich se mu nelíbil; Ruční opravou strávil 20 minut. Následující den, když řekl: „Cílovou skupinou jsou majitelé malých a středních podniků ve věku 30–45 let, produktem je cloudový účetní software, 6 jednotek, každá s maximálně 45 znaky, zajímavé, ale podhodnocené,“ přímo použil 4 ze 6 titulků. Doba trvání se snížila z 20 minut na 4 minuty.
Případ 2 — Lidské zdroje, text inzerátu. Personalista obdržel standardní text s výzvou „napište práci vývojáře softwaru“. Když jsme k výzvě přidali skutečný jazyk společnosti (popis kultury ve 3 větách), 4 povinné kvalifikace a omezení „napište přehledně platové rozpětí“, míra nekvalifikovaných uchazečů do inzerátu se v dalším inzerátu znatelně snížila, protože text jasně stanovil očekávání.
Případ 3 — Účetnictví, shrnutí zprávy. Když vedoucí účetnictví řekl, že „shrnul“ 12stránkovou zprávu o výdajích, model vynechal důležité položky. Když řekl: "Z této zprávy je 5 nejvyšších nákladových položek sestaveno s procentuální změnou oproti minulému měsíci," dostal přesně takovou strukturu, jakou by si vzal na poradu vedení. Obsah byl stejný, návod byl jiný.
Slabá výzva / Silná výzva
Stejná práce se dvěma různými pokyny:
Slabá výzva:
Shrňte tento text.[text]
Výkonná výzva:
Shrňte níže uvedenou poznámku ze zasedání, která bude předložena představenstvu. - Maximálně 5 položek. - Každá položka by měla obsahovat rozhodnutí nebo akci; Přeskočte podrobnosti chatu. - Do závorek napište název akcí, u kterých je známá odpovědná osoba. - Používejte jednoduchý, formální jazyk. Text: [text]
Druhá výzva říká modelu, co má vyrábět, pro koho, v jakém formátu a co má přeskočit. Model nedělá „myšlení“, ale spíše produkci správného pokračování; Vy kreslíte rámec toho pokračování.
Čtyři kopírovatelné šablony
Čtyři jednoduché startovací šablony pro rychlé uvedení logiky této jednotky do praxe. Do závorek vyplňte vlastní údaje.
1) Rámec pro posílení požadavku:
Chci, abyste udělali tento úkol: [úkol]Pro koho: [kupující/publikum]V jakém formátu: [délka, struktura]Co přeskočit: [co nechcete]
2) Kontrola hranic modelu (ověřovací reflex):
Pokud jsou ve vaší odpovědi níže faktická tvrzení (číslo, datum, jméno, zdroj), vyjměte každé jako samostatný seznam a označte jej jako „musí být ověřeno“. Odpověď: [výstup modelu]
3) Zkuste stejný úkol na dvou úrovních:
Dvakrát vysvětlete následující téma: A) Úplně cizímu člověku v běžném jazyce. B) Odborníkovi v oboru po technické stránce. Téma: [téma]
4) Aby si model uvědomil nejistotu:
Než odešlete žádost, kterou vám předám, položte mi 3 otázky týkající se bodů, které vám chybí nebo jsou nejasné; pak vyrobte podle mých odpovědí.Požadavek: [žádost]
Silné a slabé stránky modelu
Předmět
Model je silný
Model je slabý/opatrný
jazykové záležitosti
Psaní, shrnutí, překládání, změna tónu
Velmi technické chyby v žargonu
struktura
Převést text na tabulku, seznam, skicu
Zachování konzistence v dlouhém textu
nápad
Brainstorming, generování alternativ
Garantování toho, co je "správné"
případ
Obecné informace, definice, vysvětlení
Aktuální/přesné údaje, číslo, datum, zdroj
uvažování
Dobré, pokud je vedeno krok za krokem
Nedělejte složité výpočty potichu špatně
Tip: Podívejte se na model ne jako na „všeho znalého odborníka“, ale jako na „asistenta, který píše velmi rychle, hodně čte, ale vše, co říká, je třeba ověřit.“ Tento pohled správně upraví jak vaše očekávání, tak váš návyk kontroly.
Pozor: Model může psát informace velmi sebevědomým jazykem, ale to neznamená, že informace jsou správné. Vždy si nezávisle ověřte faktické údaje, zejména číslo, jméno, datum, statut a zdroj. K tomuto tématu se podrobně vrátíme v bloku 11.
Časté chyby
- Záměna modelu za člověka. Dávat neúplné pokyny slovy „Stejně to pochopí“. Model nečte váš záměr; Zpracovává pouze to, co zadáte.
- Vzdát se na jeden pokus. Pokud je počáteční výstup špatný, obviňte nástroj. Většinou je však problém v návodu a drobná oprava může výsledek změnit.
- Používání faktů bez jejich ověřování. Bezpochyby přijmout statistiku nebo zdroj vytvořený modelem je nejrizikovější zvyk.
- Zadávání důvěrných údajů bez přemýšlení. Vkládání citlivých informací, aniž byste věděli, jak nástroj funguje. Existují pro to pravidla, jak uvidíme v jednotce ochrany osobních údajů.
- Záměna náhody za chybu. Interpretace dvou různých výsledků jako „vozidlo je rozbité“; Když však zvýšíte jasnost, výsledky se sblíží.
V souhrnu
- Velký jazykový model funguje tak, že předpovídá slovo (token), které se s největší pravděpodobností objeví jako další v textu, který zadáte; Nevybírá si hotové odpovědi.
- Nejúčinnějším faktorem, který určuje směr výstupu, je výzva, kterou zadáte jako vstup.
- Silný v modelovém jazyce, struktuře a nápadu; je opatrný s přesnými fakty, aktuálními daty a složitými výpočty.
- Kvůli malé náhodnosti může stejná výzva poskytnout různé výsledky; Jak se zvyšuje jasnost, výsledky jsou konzistentnější.
- Modelem není „odborník, který je věrný všemu, co říká“, ale „asistent, který je rychlý, ale potřebuje být ověřen“.
Aplikační úkol
Vyberte si písemný úkol ze své denní práce, kterou pravidelně děláte (například e-mail, shrnutí nebo seznam). Nejprve napište nejjednodušší verzi s jednou větou, předejte ji nástroji AI a uložte výstup. Pak ke stejnému úkolu; Doplňte odpovědi na otázky „pro koho, v jakém formátu, v jaké délce a co přeskočit“ a zeptejte se je znovu. Umístěte dva výstupy vedle sebe a poznamenejte si v jedné větě, které přidání nejvíce zlepšuje výsledek.
kontrolní seznam
- [ ] Uvědomil jsem si, že model „předpovídá další slovo“ a nečte můj záměr.
- [ ] Uvědomil jsem si, že kvalita výstupu závisí do značné míry na kvalitě výzvy.
- [ ] Dokážu rozlišit typy úkolů, kde je model silný a slabý.
- [ ] Beru na vědomí, že potřebuji ověřit faktické údaje (číslo, datum, jméno, zdroj).
- [ ] Dokážu vysvětlit, proč může stejná výzva poskytnout různé výsledky.