Gevinster:
- Forklar, hvordan den store sprogmodel fungerer ved at forudsige det næste ord, og hvad det betyder for hurtig skrivning
- Han kan vise, hvorfor Prompt bestemmer outputkvaliteten så meget med et eksempel fra sit eget arbejde.
- Ved at skelne mellem styrker og svagheder ved modellen, kan man beslutte, hvilke opgaver der skal bruges sikkert.
Introduktion til kunstig intelligens og prompt: Hvordan modellen "tænker"
Den bedste måde at virkelig lære, hvordan man skriver prompter, er først at forstå, hvordan værktøjet fungerer. I denne enhed vil vi se den grundlæggende logik i den store sprogmodel (forkortet LLM; det vil sige det kunstige intelligenssystem, der producerer tekst), hvorfor det er så nyttigt i dit daglige arbejde, og hvor det har sine grænser. Spørgsmål skrevet uden dette grundlag på plads fører ofte til spørgsmålet "hvorfor giver de nogle gange gode resultater og nogle gange forfærdelige resultater?" efterlader dig alene med spørgsmålet. Denne usikkerhed vil stort set forsvinde, når denne enhed er færdig.
Hvad gør en stor sprogmodel egentlig?
I sin enkleste definition er den store sprogmodel et system, der forudsiger det mest sandsynlige ord, der vil følge den tekst, du giver. Ved at undersøge milliarder af sætninger har modellen lært "hvilket ord kommer efter hvilket ord"-mønsteret. Når du starter en sætning, ser modellen på, hvad der er blevet skrevet indtil nu og genererer den mest sandsynlige fortsættelse, føjer derefter det genererede ord til input og forudsiger det næste. Denne cyklus fortsætter, indtil svaret er afsluttet.
Lad os præcisere udtrykket token, der bruges her: token er den mindste enhed, som modellen opdeler teksten i; Det er nogenlunde på størrelse med et ord eller en del af et ord. Modellen skrider frem ikke ord for ord, men token for token. Den praktiske konsekvens for dig er, at modellen ikke er et menneske, der "forstår" din hensigt, men en meget kraftfuld forudsigelsesmaskine, der statistisk udvælger den bedst egnede fortsættelse til den tekst, du giver den.
Den vigtigste implikation af denne definition er, at den mest kraftfulde determinant for outputretningen er den tekst, du giver som input. Så din prompt. Modellen trækker ikke et færdigt svar fra en database, udfører ikke en livesøgning på internettet og kopierer ikke sider (medmindre andet er specifikt angivet). Det producerer kun tekst, der passer bedst til den kontekst, du giver den. Et godt input er den mest afgørende betingelse for et godt output.
Hvorfor "Samme model, andet resultat"?
Modellen bruger også en lille tilfældighedsmargin ved at vælge det mest sandsynlige ord hver gang; Derfor, når du spørger den samme prompt to gange, vil du muligvis ikke modtage nøjagtig de samme sætninger. Dette er ikke en fejl, det er en del af designet. Din opgave er at tegne en ramme, der er klar nok til ikke at overlade resultatet til tilfældighederne. Jo klarere rammerne er, jo tættere og mere brugbare vil resultaterne af to forskellige eksperimenter være.
Trin for trin: hvordan forløber en anmodning gennem modellen?
- Læser inputtet. Hvert ord, du skriver, er et fingerpeg, der styrer forudsigelsen. Når du siger "som en senioradvokat", gør modellen tekster tættere på den tone mere sandsynlige.
- Vejer konteksten. Den baggrund, begrænsninger og eksempler, du giver, indsnævrer estimatet. Hvis konteksten er tom, udfylder modellen de tomme felter med sine egne antagelser.
- Det producerer ord for ord. Hver token, den producerer, bliver input til den næste; så den retning, du giver i begyndelsen, overføres til hele svaret.
- Han stopper. Det afbryder produktionen, når opgaven er afsluttet eller når den længde, du har angivet.
Tre minietuier: Spørg forskel i tal
Case 1 - Marketingmedarbejder, e-mail-emne. Da en marketingekspert sagde "foreslå et emne til kampagnen", fik han 5 generelle titler og kunne ikke lide nogen af dem; Han brugte 20 minutter på at rette det i hånden. Dagen efter, da han sagde: "Målgruppen er SMV-ejere i alderen 30-45, produktet er cloud-regnskabssoftware, 6 enheder, hver med maksimalt 45 tegn, spændende men underspillet," brugte han direkte 4 af de 6 overskrifter. Varigheden faldt fra 20 minutter til 4 minutter.
Case 2 — Menneskelige ressourcer, annoncetekst. En HR-specialist modtog en tekst med prompten "skriv et softwareudviklerjob". Da vi tilføjede virksomhedens faktiske sprog (3-sætningskulturbeskrivelse), 4 obligatoriske kvalifikationer og begrænsningen af "skriv lønintervallet klart" til prompten, faldt antallet af ukvalificerede ansøgere til annoncen mærkbart i den næste annonce, fordi teksten klart fastlagde forventningen.
Sag 3 — Regnskab, rapportresumé. Da en regnskabschef sagde, at han "opsummerede" en 12-siders udgiftsrapport, udelod modellen vigtige punkter. Da han sagde: "Fra denne rapport er de 5 højeste udgiftsposter opstillet med den procentvise ændring i forhold til sidste måned," fik han præcis den struktur, han ville tage til ledelsesmødet. Indholdet var det samme, instruktionerne var forskellige.
Svag prompt / stærk prompt
Samme job med to forskellige instruktioner:
Svag prompt:
Opsummer denne tekst.[tekst]
Kraftig prompt:
Opsummer nedenstående mødenotat, der skal forelægges for bestyrelsen. - Maksimalt 5 genstande. - Hvert punkt skal indeholde en beslutning eller handling; Spring over chatdetaljerne. - Skriv navnet i parentes for handlinger, som den ansvarlige er kendt for. - Brug almindeligt, formelt sprog. Tekst: [tekst]
Den anden prompt fortæller modellen, hvad den skal producere, for hvem, i hvilket format og hvad den skal springe over. Modellen gør ikke "tænkningen", men snarere produktionen af den korrekte fortsættelse; Du tegner rammerne for den fortsættelse.
Fire kopierbare skabeloner
Fire enkle starterskabeloner til hurtigt at omsætte logikken i denne enhed i praksis. Udfyld parenteserne med dine egne oplysninger.
1) Rammer for styrkelse af en anmodning:
Jeg vil have dig til at udføre denne opgave: [opgave]For hvem: [køber/publikum]I hvilket format: [længde, struktur]Hvad skal du springe over: [hvad du ikke vil have]
2) Kontrol af modellens grænser (verifikationsrefleks):
Hvis der er faktuelle påstande (nummer, dato, navn, kilde) i dit svar nedenfor, udtræk hver enkelt som en separat liste og marker den som "skal verificeres". Svar: [output af modellen]
3) Prøv den samme opgave på to niveauer:
Forklar følgende emne to gange:A) Til en fuldstændig fremmed, i dagligdags sprog.B) Til en ekspert på området, i tekniske termer.Emne: [emne]
4) Få modellen til at indse usikkerheden:
Før du fremsætter den anmodning, jeg giver dig, skal du stille mig 3 spørgsmål om de punkter, du finder mangler eller uklare; derefter producere i henhold til mine svar.Anmodning: [anmodning]
Modellens styrker og svagheder
Emne
Modellen er stærk
Modellen er svag/forsigtig
sprogforhold
At skrive, opsummere, oversætte, skifte tonefald
Meget tekniske/niche-jargonfejl
struktur
Konverter tekst til tabel, liste, skitse
Opretholdelse af konsistens i lang tekst
idé
Brainstorming, generering af alternativer
Garanterer, hvad der er "rigtigt"
sag
Generel information, definition, forklaring
Aktuelle/nøjagtige data, antal, dato, kilde
ræsonnement
Godt, hvis det guides trin for trin
Foretag ikke komplekse beregninger forkerte lydløst
Tip: Se modellen ikke som en "know-it-all-ekspert", men som en "assistent, der skriver meget hurtigt, læser meget, men alt, hvad han siger, skal verificeres." Denne visning justerer både dine forventninger og din kontrolvane korrekt.
Bemærk: Modellen kan skrive information i et meget sikkert sprog, men det betyder ikke, at informationen er korrekt. Kontroller altid uafhængigt faktuelle detaljer, især nummer, navn, dato, statut og kilde. Vi vil vende tilbage til dette emne i detaljer i enhed 11.
Almindelige fejl
- Forveksler modellen med et menneske. At give ufuldstændige instruktioner ved at sige "De vil alligevel forstå". Modellen læser ikke din hensigt; Den behandler kun det, du skriver.
- Giver op i ét forsøg. Hvis det oprindelige output er dårligt, skal du give værktøjet skylden. Men det meste af tiden ligger problemet i instruktionerne, og en lille rettelse kan ændre resultatet.
- Brug af fakta uden at verificere dem. At acceptere en statistik eller kilde produceret af modellen uden spørgsmål er den mest risikable vane.
- Indtastning af fortrolige data uden at tænke. Indsættelse af følsomme oplysninger uden at vide, hvordan værktøjet fungerer. Der er regler for dette, som vi vil se i privatlivsenheden.
- At forveksle tilfældighed med en fejl. Fortolkning af to forskellige resultater som "køretøjet er i stykker"; Men når du øger klarheden, konvergerer resultaterne.
Sammenfattende
- Den store sprogmodel fungerer ved at forudsige det ord (token), der med størst sandsynlighed vil optræde næste gang i den tekst, du giver; Han vælger ikke færdige svar.
- Den mest kraftfulde faktor, der bestemmer retningen af output, er den prompt, du giver som input.
- Stærk i modelsprog, struktur og forestillinger; er omhyggelig med præcise fakta, aktuelle data og komplekse beregninger.
- På grund af lille tilfældighed kan den samme prompt give forskellige resultater; Efterhånden som klarheden øges, bliver resultaterne mere konsistente.
- Modellen er ikke "en ekspert, der er tro mod alt, hvad han siger", men "en assistent, der er hurtig, men skal verificeres".
Ansøgningsopgave
Vælg en skriveopgave fra dit daglige arbejde, som du udfører regelmæssigt (f.eks. en e-mail, et resumé eller en liste). Skriv først den enkleste version med én sætning, giv den til et AI-værktøj og gem outputtet. Så til samme opgave; Tilføj svarene til spørgsmålene "for hvem, i hvilket format, i hvilken længde og hvad skal springes over", og stil dem igen. Placer de to udgange side om side og noter i én sætning, hvilken tilføjelse der forbedrer resultatet mest.
tjekliste
- [ ] Jeg indså, at modellen "forudsigede det næste ord" og ikke læste min hensigt.
- [ ] Jeg indså, at kvaliteten af output i høj grad afhænger af kvaliteten af prompten.
- [ ] Jeg kan skelne mellem opgavetyper, hvor modellen er stærk og svag.
- [ ] Jeg forstår, at jeg skal verificere faktuelle detaljer (nummer, dato, navn, kilde).
- [ ] Jeg kan forklare, hvorfor den samme prompt kan give forskellige resultater.