Dobici:
- Objasnite kako model velikog jezika funkcionira predviđanjem sljedeće riječi i što to znači za brzo pisanje
- Može pokazati zašto Prompt toliko određuje kvalitetu ispisa na primjeru iz vlastitog rada.
- Razlikovanjem snaga i slabosti modela, može se odlučiti za koje zadatke ga sigurno koristiti.
Uvod u umjetnu inteligenciju i prompt: kako model "razmišlja"
Najbolji način da doista naučite pisati upute jest da prvo shvatite kako alat radi. U ovoj cjelini vidjet ćemo osnovnu logiku velikog jezičnog modela (skraćeno LLM; odnosno sustav umjetne inteligencije koji proizvodi tekst), zašto je toliko koristan u svakodnevnom radu i gdje ima svoje granice. Upute napisane bez te osnove često dovode do pitanja "zašto ponekad daju sjajne rezultate, a ponekad užasne?" ostavlja vas samog s pitanjem. Ova neizvjesnost će uglavnom nestati kada ova jedinica bude dovršena.
Što zapravo radi model velikog jezika?
U svojoj najjednostavnijoj definiciji, veliki jezični model je sustav koji predviđa najvjerojatnije riječi koje će slijediti tekst koji date. Ispitujući milijarde rečenica, model je naučio obrazac "koja riječ dolazi nakon koje riječi". Kada započnete rečenicu, model gleda ono što je dosad napisano i generira najvjerojatniji nastavak, zatim dodaje generiranu riječ na unos 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 rastavlja tekst; Otprilike je veličine riječi ili dijela riječi. Model ne napreduje riječ po riječ, već znak po znak. Praktična posljedica za vas je da model nije ljudsko biće koje "shvaća" vašu namjeru, već vrlo moćan prediktivni stroj koji statistički odabire najprikladniji nastavak za tekst koji mu date.
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). Proizvodi samo tekst koji najbolje odgovara kontekstu koji mu date. Dobar input je najvažniji uvjet za dobar output.
Zašto "isti model, drugačiji rezultat"?
Model također koristi malu marginu slučajnosti pri odabiru najvjerojatnije riječi svaki put; Stoga, kada dvaput postavite isti upit, možda nećete dobiti potpuno iste rečenice. Ovo nije greška, to je dio dizajna. Vaš je zadatak nacrtati okvir dovoljno jasan da ishod ne prepustite slučaju. Što je okvir jasniji, rezultati dvaju različitih eksperimenata bit će bliži i korisniji.
Korak po korak: kako zahtjev napreduje kroz model?
- Čita unos. Svaka riječ koju napišete je trag koji vodi predviđanje. Kada kažete "poput starijeg pravnika", model čini vjerojatnijim tekstove bliže tom tonu.
- Odmjerava kontekst. Pozadina, ograničenja i primjeri koje navodite sužavaju procjenu. Ako je kontekst prazan, model popunjava praznine vlastitim pretpostavkama.
- Proizvodi riječ po riječ. Svaki token koji proizvede postaje ulaz za sljedeći; pa se smjer koji date na početku prenosi na cijeli odgovor.
- On se zaustavlja. Prekida proizvodnju kada je zadatak dovršen ili dosegne duljinu koju ste naveli.
Tri mala kućišta: brza razlika u brojevima
Slučaj 1 — Stručnjak za marketing, predmet e-pošte. Kada je marketinški stručnjak rekao "predložite temu za kampanju", dobio je 5 općih naslova i niti jedan mu se nije svidio; Proveo je 20 minuta ispravljajući ga rukom. Sljedeći dan, kada je rekao: "Ciljana publika su vlasnici malih i srednjih poduzeća u dobi od 30 do 45 godina, proizvod je softver za računovodstvo u oblaku, 6 jedinica, svaka s najviše 45 znakova, intrigantno, ali podcijenjeno", izravno je upotrijebio 4 od 6 naslova. Trajanje se smanjilo s 20 minuta na 4 minute.
Slučaj 2 — Ljudski resursi, tekst oglasa. Stručnjak za ljudske resurse primio je šablonski tekst s upitom "napišite posao programera softvera". Kada smo upitu dodali stvarni jezik tvrtke (opis kulture u 3 rečenice), 4 obvezne kvalifikacije i ograničenje "jasno napišite raspon plaće", stopa nekvalificiranih kandidata za oglas značajno se smanjila u sljedećem oglasu jer je tekst jasno utvrdio očekivanja.
Slučaj 3 — Računovodstvo, sažetak izvješća. Kad je direktor računovodstva rekao da je "sažeo" izvješće o troškovima na 12 stranica, model je izostavio važne stavke. Kad je rekao: "Iz ovog izvješća, 5 najvećih rashodnih stavki prikazano je u tablici s postotnom promjenom u usporedbi s prošlim mjesecom", dobio je točno onakvu strukturu koju bi iznio na sastanku uprave. Sadržaj je bio isti, upute su bile drugačije.
Slab upit / Jak upit
Isti posao, s dvije različite upute:
Slab upit:
Sažmi ovaj tekst.[tekst]
Snažan upit:
U nastavku sažmite bilješku sa sastanka koju ćete predstaviti upravnom odboru. - Maksimalno 5 predmeta. - Svaka stavka treba sadržavati odluku ili radnju; Preskoči detalje chata. - Za radnje za koje je poznata odgovorna osoba upišite naziv u zagradi. - Koristite jednostavan, formalan jezik. Tekst: [tekst]
Drugi prompt govori modelu što da proizvede, za koga, u kojem formatu i što da preskoči. Model ne "razmišlja", već radije proizvodi točan nastavak; Vi nacrtajte okvir tog nastavka.
Četiri predloška za kopiranje
Četiri jednostavna početna predloška za brzu primjenu logike u ovoj jedinici u praksi. Ispunite zagrade svojim podacima.
1) Okvir za jačanje zahtjeva:
Želim da obavite ovaj zadatak: [zadatak]Za koga: [kupac/publika]U kojem formatu: [dužina, struktura]Što preskočiti: [što ne želite]
2) Provjera granica modela (refleks provjere):
Ako u vašem odgovoru u nastavku postoje činjenične tvrdnje (broj, datum, ime, izvor), izdvojite svaku kao poseban popis i označite kao "mora se provjeriti". Odgovor: [izlaz modela]
3) Isprobajte isti zadatak na dvije razine:
Objasnite sljedeću temu dvaput:A) Potpunom strancu, na svakodnevnom jeziku.B) Stručnjaku u tom području, tehničkim terminima.Tema: [tema]
4) Natjerati model da shvati neizvjesnost:
Prije podnošenja zahtjeva koji vam dajem, postavite mi 3 pitanja o točkama koje smatrate nedostajućim ili nejasnim; zatim izradi prema mojim odgovorima.Zahtjev: [zahtjev]
Snage i slabosti modela
Predmet
Model je jak
Model je slab / oprez
jezični poslovi
Pisanje, sažimanje, prevođenje, mijenjanje tona
Vrlo tehničke/specijalne žargonske pogreške
struktura
Pretvorite tekst u tablicu, popis, skicu
Održavanje dosljednosti u dugom tekstu
ideja
Brainstorming, generiranje alternativa
Jamčenje onoga što je "ispravno"
slučaju
Opće informacije, definicija, objašnjenje
Aktualni/točni podaci, broj, datum, izvor
rasuđivanje
Dobro ako se vodi korak po korak
Nemojte tiho pogriješiti u složenim izračunima
Savjet: Gledajte na modela ne kao na "stručnjaka koji sve zna", 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 točne. Uvijek neovisno provjerite činjenične pojedinosti, posebno broj, ime, datum, statut i izvor. Ovoj temi ćemo se detaljnije vratiti u jedinici 11.
Uobičajene greške
- Miješajući model s čovjekom. Davanje nepotpunih uputa govoreći "Svejedno će razumjeti". Model ne čita vašu namjeru; Obrađuje samo ono što upišete.
- Odustajanje u jednom pokušaju. Ako je početni rezultat loš, okrivite alat. Međutim, najčešće je problem u uputama i mala korekcija može promijeniti rezultat.
- Korištenje činjenica bez njihove provjere. Prihvaćanje statistike ili izvora proizvedenog modelom bez pitanja je najrizičnija navika.
- Unos povjerljivih podataka bez razmišljanja. Lijepljenje osjetljivih informacija bez znanja o tome kako alat radi. Za to postoje pravila, kao što ćemo vidjeti u jedinici o privatnosti.
- Miješajući slučajnost s greškom. Tumačenje dva različita rezultata kao "vozilo je pokvareno"; Međutim, kada povećate jasnoću, rezultati se približavaju.
Ukratko
- Veliki jezični model funkcionira tako da predviđa riječ (token) koja će se najvjerojatnije pojaviti sljedeća u tekstu koji date; Ne bira gotove odgovore.
- Najsnažniji čimbenik koji određuje smjer izlaza je upit koji dajete kao ulaz.
- Jak u jeziku modela, strukturi i ideji; oprezan je s preciznim činjenicama, trenutnim podacima i složenim izračunima.
- Zbog male slučajnosti isti upit može dati različite rezultate; Kako se jasnoća povećava, rezultati postaju dosljedniji.
- Model nije "stručnjak koji je vjeran svemu što kaže", već "pomoćnik koji je brz, ali ga treba provjeriti".
Zadatak aplikacije
Odaberite pismeni zadatak iz svog svakodnevnog posla koji redovito obavljate (e-pošta, sažetak ili popis, na primjer). Prvo napišite najjednostavniju verziju od jedne rečenice, dajte je AI alatu i spremite rezultat. Zatim na isti zadatak; Dodajte odgovore na pitanja "za koga, u kojem formatu, u kojoj dužini i što preskočiti" i postavite ih ponovno. Stavite dva izlaza jedan pored drugog i zabilježite u jednoj rečenici koji od zbrajanja najviše poboljšava rezultat.
popis za provjeru
- [ ] Shvatio sam da model "predviđa sljedeću riječ" i ne čita moju namjeru.
- [ ] Shvatio sam da kvaliteta ispisa uvelike ovisi o kvaliteti upita.
- [ ] Mogu razlikovati vrste zadataka gdje je model jak i slab.
- [ ] Razumijem da moram provjeriti činjenične pojedinosti (broj, datum, ime, izvor).
- [ ] Mogu objasniti zašto isti upit može dati različite rezultate.