سود:
- توضیح دهید که چگونه مدل زبان بزرگ با پیشبینی کلمه بعدی کار میکند و این به چه معناست برای نوشتن سریع
- او می تواند نشان دهد که چرا Prompt کیفیت خروجی را تا این اندازه با مثالی از کار خود تعیین می کند.
- با تشخیص نقاط قوت و ضعف مدل، می توان تصمیم گرفت که از کدام وظایف به طور ایمن استفاده کند.
مقدمه ای بر هوش مصنوعی و اعلان: مدل چگونه "فکر می کند"
بهترین راه برای یادگیری واقعی نحوه نوشتن دستورات این است که ابتدا بفهمید ابزار چگونه کار می کند. در این بخش، منطق اولیه مدل زبان بزرگ (به اختصار LLM؛ یعنی سیستم هوش مصنوعی که متن تولید می کند)، خواهیم دید که چرا اینقدر در کار روزانه شما مفید است و در کجا محدودیت دارد. درخواستهایی که بدون این پایه نوشته میشوند اغلب به این سؤال منجر میشوند که "چرا گاهی اوقات نتایج عالی و گاهی اوقات نتایج وحشتناکی ایجاد میکنند؟" شما را با این سوال تنها می گذارد این عدم قطعیت تا حد زیادی با تکمیل این واحد از بین می رود.
یک مدل زبان بزرگ در واقع چه کاری انجام می دهد؟
در سادهترین تعریف، مدل زبان بزرگ سیستمی است که محتملترین کلمهای را پیشبینی میکند که متنی را که شما میدهید دنبال کند. این مدل با بررسی میلیاردها جمله، الگوی «کدام کلمه بعد از کدام کلمه می آید» را یاد گرفته است. وقتی جمله ای را شروع می کنید، مدل به آنچه تاکنون نوشته شده نگاه می کند و محتمل ترین ادامه را ایجاد می کند، سپس کلمه تولید شده را به ورودی اضافه می کند و کلمه بعدی را پیش بینی می کند. این چرخه تا زمانی که پاسخ کامل شود ادامه می یابد.
بیایید اصطلاح توکن مورد استفاده در اینجا را روشن کنیم: نشانه کوچکترین واحدی است که مدل متن را در آن تجزیه می کند. تقریباً به اندازه یک کلمه یا بخشی از یک کلمه است. این مدل نه کلمه به کلمه، بلکه نشانه به نشانه پیشرفت می کند. نتیجه عملی برای شما این است که مدل، انسانی نیست که قصد شما را "درک" کند، بلکه یک ماشین پیش بینی کننده بسیار قدرتمند است که از نظر آماری مناسب ترین ادامه را برای متنی که به آن می دهید انتخاب می کند.
مهمترین مفهوم این تعریف این است که قوی ترین عامل تعیین کننده جهت خروجی متنی است که شما به عنوان ورودی می دهید. بنابراین درخواست شما این مدل پاسخی آماده از پایگاه داده نمیگیرد، جستجوی زنده در اینترنت انجام نمیدهد و صفحات را کپی نمیکند (مگر اینکه به طور خاص خلاف آن ذکر شده باشد). فقط متنی را تولید می کند که به بهترین وجه با زمینه ای که شما به آن می دهید مطابقت دارد. یک ورودی خوب تعیین کننده ترین شرط برای یک خروجی خوب است.
چرا «مدل یکسان، نتیجه متفاوت»؟
این مدل همچنین از یک حاشیه کوچک تصادفی در انتخاب محتمل ترین کلمه در هر بار استفاده می کند. بنابراین، هنگامی که شما دو بار از یک درخواست مشابه درخواست می کنید، ممکن است دقیقاً همان جملات را دریافت نکنید. این یک اشکال نیست، بخشی از طراحی است. وظیفه شما این است که چارچوبی به اندازه کافی واضح ترسیم کنید تا نتیجه را به شانس واگذار نکنید. هرچه چارچوب واضح تر باشد، نتایج دو آزمایش مختلف نزدیک تر و مفیدتر خواهد بود.
گام به گام: چگونه یک درخواست از طریق مدل پیشرفت می کند؟
- ورودی را می خواند. هر کلمه ای که می نویسید سرنخی است که پیش بینی را راهنمایی می کند. وقتی می گویید «مثل یک وکیل ارشد»، این مدل متون را به آن لحن نزدیک تر می کند.
- زمینه را می سنجد. پسزمینه، محدودیتها و مثالهایی که ارائه میدهید، برآورد را محدود میکنند. اگر زمینه خالی باشد، مدل با مفروضات خود جاهای خالی را پر می کند.
- کلمه به کلمه تولید می کند. هر توکنی که تولید میکند به ورودی بعدی تبدیل میشود. بنابراین جهتی که در ابتدا می دهید به کل پاسخ می رسد.
- او می ایستد. هنگامی که کار تکمیل می شود یا به مدت زمانی که شما مشخص کرده اید می رسد، تولید را قطع می کند.
سه مورد کوچک: تفاوت سریع در اعداد
مورد 1 - حرفه ای بازاریابی، موضوع ایمیل. وقتی یک کارشناس بازاریابی گفت "موضوعی برای کمپین پیشنهاد دهید"، 5 عنوان کلی گرفت و هیچ کدام را دوست نداشت. او 20 دقیقه وقت صرف کرد تا آن را با دست اصلاح کند. روز بعد که گفت: «مخاطبان هدف مالکان SME 30-45 ساله هستند، محصول نرم افزار حسابداری ابری است، 6 واحد، هر کدام حداکثر 45 کاراکتر، جذاب اما کم بیان،» مستقیماً از 4 عنوان از 6 عنوان استفاده کرد. مدت زمان از 20 دقیقه به 4 دقیقه کاهش یافت.
مورد 2 - منابع انسانی، متن آگهی. یک متخصص منابع انسانی متنی را دریافت کرد که در آن عبارت «یک شغل توسعهدهنده نرمافزار بنویسید». زمانی که زبان واقعی شرکت (شرح فرهنگ 3 جمله ای)، 4 مدرک اجباری و محدودیت "محدوده حقوق را واضح بنویسید" را به دستور اضافه کردیم، میزان متقاضیان فاقد صلاحیت برای آگهی در آگهی بعدی به میزان قابل توجهی کاهش یافت زیرا متن به وضوح انتظارات را مشخص می کرد.
مورد 3 - حسابداری، خلاصه گزارش. زمانی که یک مدیر حسابداری گفت که یک گزارش هزینه 12 صفحه ای را "خلاصه" کرده است، مدل موارد مهم را حذف کرد. وقتی گفت: «از این گزارش، 5 اقلام بیشترین هزینه با درصد تغییر نسبت به ماه گذشته جدول بندی شده است»، دقیقاً ساختاری را که به جلسه مدیریت خواهد برد، به دست آورد. محتوا یکی بود، دستورالعمل ها متفاوت بود.
اعلان ضعیف / اعلان قوی
همان کار، با دو دستورالعمل متفاوت:
اعلان ضعیف:
این متن را خلاصه کنید.[text]
اعلان قدرتمند:
خلاصه یادداشت جلسه را در زیر برای ارائه به هیئت مدیره بیان کنید. - حداکثر 5 مورد - هر مورد باید حاوی یک تصمیم یا اقدام باشد. از جزئیات چت رد شوید. - برای اعمالی که مسئول شناخته شده است نام داخل پرانتز بنویسید. - از زبان ساده و رسمی استفاده کنید. متن: [متن]
اعلان دوم به مدل می گوید که چه چیزی را تولید کند، برای چه کسی، در چه قالبی و از چه چیزی صرف نظر کند. این مدل "تفکر" را انجام نمی دهد، بلکه تولید ادامه صحیح را انجام می دهد. شما چارچوب آن ادامه را ترسیم می کنید.
چهار قالب قابل کپی
چهار الگوی شروع ساده برای پیاده سازی سریع منطق در این واحد. پرانتزها را با اطلاعات خود پر کنید.
1) چارچوب برای تقویت یک درخواست:
میخواهم این کار را انجام دهید: [وظیفه] برای چه کسی: [خریدار/مخاطب] در چه قالبی: [طول، ساختار] از چه چیزی رد شود: [آنچه نمیخواهید]
2) بررسی مرزهای مدل (رفلکس تأیید):
اگر ادعاهای واقعی (تعداد، تاریخ، نام، منبع) در پاسخ شما در زیر وجود دارد، هر یک را به عنوان یک لیست جداگانه استخراج کنید و آن را با علامت "باید تایید شود" علامت بزنید. پاسخ: [خروجی مدل]
3) همین کار را در دو سطح امتحان کنید:
موضوع زیر را دو بار توضیح دهید: الف) به یک غریبه، به زبان روزمره. ب) به یک متخصص در این زمینه، از نظر فنی. موضوع: [موضوع]
4) درک مدل عدم قطعیت:
قبل از درخواستی که به شما می دهم، 3 سوال در مورد نکاتی که گم شده یا نامشخص می دانید از من بپرسید. سپس مطابق پاسخ های من تولید کنید. درخواست: [درخواست]
نقاط قوت و ضعف مدل
موضوع
مدل قوی است
مدل ضعیف است / احتیاط
امور زبان
نوشتن، تلخیص، ترجمه، تغییر لحن
اشتباهات بسیار فنی/خطوط اصطلاحات تخصصی
ساختار
تبدیل متن به جدول، فهرست، طرح
حفظ ثبات در متن طولانی
ایده
طوفان فکری، ایجاد جایگزین
تضمین آنچه "درست" است
مورد
اطلاعات کلی، تعریف، توضیح
اطلاعات فعلی/دقیق، شماره، تاریخ، منبع
استدلال
خوب است اگر قدم به قدم هدایت شود
محاسبات پیچیده را بی سر و صدا اشتباه نکنید
نکته: مدل را نه به عنوان یک "متخصص همه چیز" بلکه به عنوان "دستیاری که خیلی سریع می نویسد، زیاد می خواند، اما هر چیزی که می گوید باید تایید شود" ببینید. این دیدگاه به درستی هم انتظارات و هم عادت کنترل شما را تنظیم می کند.
توجه: مدل ممکن است اطلاعات را به زبانی بسیار مطمئن بنویسد، اما این به معنای صحیح بودن اطلاعات نیست. همیشه به طور مستقل جزئیات واقعی، به ویژه شماره، نام، تاریخ، اساسنامه و منبع را تأیید کنید. در بخش 11 به تفصیل به این موضوع باز خواهیم گشت.
اشتباهات رایج
- اشتباه گرفتن الگو برای انسان دادن دستورات ناقص با گفتن «به هر حال متوجه خواهند شد». مدل قصد شما را نمی خواند. فقط آنچه را که شما تایپ می کنید پردازش می کند.
- تسلیم شدن در یک تلاش اگر خروجی اولیه ضعیف است، ابزار را مقصر بدانید. با این حال، بیشتر اوقات مشکل در دستورالعمل ها است و یک اصلاح کوچک می تواند نتیجه را تغییر دهد.
- استفاده از حقایق بدون تأیید آنها. پذیرش یک آمار یا منبع تولید شده توسط مدل بدون سوال، خطرناک ترین عادت است.
- وارد کردن اطلاعات محرمانه بدون فکر کردن چسباندن اطلاعات حساس بدون اطلاع از نحوه کار ابزار. قوانینی برای این وجود دارد، همانطور که در بخش حریم خصوصی خواهیم دید.
- اشتباه گرفتن تصادفی با یک اشتباه تفسیر دو نتیجه متفاوت به عنوان "خودرو خراب است". با این حال، هنگامی که وضوح را افزایش می دهید، نتایج همگرا می شوند.
به طور خلاصه
- مدل زبان بزرگ با پیشبینی کلمه (ژتون) کار میکند که به احتمال زیاد در متنی که میدهید ظاهر میشود. او پاسخ های آماده را انتخاب نمی کند.
- قوی ترین عاملی که جهت خروجی را تعیین می کند، درخواستی است که به عنوان ورودی می دهید.
- قوی در زبان مدل، ساختار و ایده. با حقایق دقیق، داده های فعلی و محاسبات پیچیده مراقب است.
- به دلیل تصادفی کوچک، همان اعلان ممکن است نتایج متفاوتی بدهد. با افزایش وضوح، نتایج سازگارتر می شوند.
- این مدل «متخصصی نیست که به هر چیزی که میگوید صادق باشد»، بلکه «دستیار سریع است اما نیاز به تأیید دارد».
وظیفه کاربردی
یک کار نوشتاری را از کار روزانه خود که به طور منظم انجام می دهید انتخاب کنید (برای مثال یک ایمیل، یک خلاصه یا یک لیست). ابتدا ساده ترین نسخه یک جمله ای را بنویسید، آن را به یک ابزار هوش مصنوعی بدهید و خروجی را ذخیره کنید. سپس به همان وظیفه; پاسخ سوالات "برای چه کسی، در چه قالبی، در چه طولی و چه چیزی را رد کنیم" را اضافه کنید و دوباره از آنها بپرسید. دو خروجی را در کنار هم قرار دهید و در یک جمله یادداشت کنید که کدام جمع بیشتر نتیجه را بهبود می بخشد.
چک لیست
- [ ] متوجه شدم که مدل "کلمه بعدی را پیش بینی می کند" و قصد من را نمی خواند.
- [ ] متوجه شدم که کیفیت خروجی تا حد زیادی به کیفیت درخواست بستگی دارد.
- [ ] من می توانم بین انواع وظایف که در آن مدل قوی و ضعیف است تمایز قائل شوم.
- [ ] می دانم که باید جزئیات واقعی (شماره، تاریخ، نام، منبع) را تأیید کنم.
- [ ] می توانم توضیح دهم که چرا یک اعلان می تواند نتایج متفاوتی بدهد.