Keuntungan:
- Jelaskan cara kerja model bahasa besar dengan memprediksi kata berikutnya dan apa artinya bagi penulisan cepat
- Dia dapat menunjukkan mengapa Prompt sangat menentukan kualitas keluaran dengan contoh dari karyanya sendiri.
- Dengan membedakan kekuatan dan kelemahan model, seseorang dapat memutuskan tugas mana yang akan digunakan dengan aman.
Pengantar Kecerdasan Buatan dan Prompt: Bagaimana Model "Berpikir"
Cara terbaik untuk benar-benar mempelajari cara menulis perintah adalah dengan terlebih dahulu memahami cara kerja alat tersebut. Dalam unit ini, kita akan melihat logika dasar model bahasa besar (disingkat LLM; yaitu, sistem kecerdasan buatan yang menghasilkan teks), mengapa model ini sangat berguna dalam pekerjaan Anda sehari-hari dan di mana batasannya. Anjuran yang ditulis tanpa dasar ini sering kali menimbulkan pertanyaan "mengapa terkadang memberikan hasil yang bagus dan terkadang memberikan hasil yang buruk?" meninggalkan Anda sendirian dengan pertanyaan itu. Ketidakpastian ini sebagian besar akan hilang ketika unit ini selesai dibangun.
Apa Sebenarnya Fungsi Model Bahasa Besar?
Dalam definisi paling sederhana, model bahasa besar adalah sistem yang memprediksi kata yang paling mungkin mengikuti teks yang Anda berikan. Dengan memeriksa miliaran kalimat, model tersebut telah mempelajari pola "kata mana yang muncul setelah kata mana". Saat Anda memulai sebuah kalimat, model melihat apa yang telah ditulis sejauh ini dan menghasilkan kelanjutan yang paling mungkin, lalu menambahkan kata yang dihasilkan ke masukan dan memprediksi kata berikutnya. Siklus ini berlanjut hingga respons selesai.
Mari kita perjelas istilah token yang digunakan di sini: token adalah unit terkecil yang digunakan model untuk memecah teks; Ini kira-kira seukuran sebuah kata atau bagian dari sebuah kata. Model ini berkembang bukan kata demi kata, namun sedikit demi sedikit. Konsekuensi praktisnya bagi Anda adalah bahwa model tersebut bukanlah manusia yang "memahami" niat Anda, melainkan mesin prediksi yang sangat kuat yang secara statistik memilih kelanjutan yang paling sesuai untuk teks yang Anda berikan.
Implikasi terpenting dari definisi ini adalah bahwa penentu arah keluaran yang paling kuat adalah teks yang Anda berikan sebagai masukan. Jadi perintah Anda. Model tidak mengambil jawaban yang sudah jadi dari database, tidak melakukan pencarian langsung di internet, dan tidak menyalin halaman (kecuali dinyatakan lain secara spesifik). Itu hanya menghasilkan teks yang paling sesuai dengan konteks yang Anda berikan. Masukan yang baik merupakan syarat yang paling menentukan untuk menghasilkan keluaran yang baik.
Mengapa "Model Sama, Hasil Berbeda"?
Model ini juga menggunakan sedikit keacakan dalam memilih kata yang paling mungkin setiap saat; Oleh karena itu, ketika Anda menanyakan pertanyaan yang sama dua kali, Anda mungkin tidak menerima kalimat yang persis sama. Ini bukan bug, ini bagian dari desain. Tugas Anda adalah menggambar kerangka kerja yang cukup jelas agar tidak membiarkan hasilnya terjadi secara kebetulan. Semakin jelas kerangkanya, semakin dekat dan bermanfaat hasil dari dua eksperimen berbeda.
Langkah demi langkah: bagaimana kemajuan permintaan melalui model?
- Membaca masukan. Setiap kata yang Anda tulis adalah petunjuk yang memandu prediksi. Saat Anda mengatakan "seperti pengacara senior", model tersebut membuat teks lebih mirip dengan nada tersebut.
- Pertimbangkan konteksnya. Latar belakang, kendala, dan contoh yang Anda berikan mempersempit perkiraan. Jika konteksnya kosong, model akan mengisi kekosongan tersebut dengan asumsinya sendiri.
- Ini menghasilkan kata demi kata. Setiap token yang dihasilkannya menjadi masukan untuk token berikutnya; jadi arahan yang Anda berikan di awal terbawa ke seluruh jawaban.
- Dia berhenti. Ini mengganggu produksi ketika tugas selesai atau mencapai panjang yang Anda tentukan.
Tiga Kasus Mini: Perbedaan Angka yang Cepat
Kasus 1 — Profesional pemasaran, subjek email. Ketika seorang pakar pemasaran mengatakan "sarankan topik untuk kampanye", dia mendapat 5 judul umum dan tidak menyukai satupun; Dia menghabiskan 20 menit mengoreksinya dengan tangan. Keesokan harinya, ketika beliau mengatakan, “Target audiensnya adalah pemilik UKM berusia 30-45 tahun, produknya adalah software cloud akuntansi, 6 unit, masing-masing maksimal 45 karakter, menarik namun bersahaja,” ia langsung menggunakan 4 dari 6 headline. Durasinya berkurang dari 20 menit menjadi 4 menit.
Kasus 2 — Sumber daya manusia, teks iklan. Seorang spesialis SDM menerima teks standar dengan perintah "tulis pekerjaan pengembang perangkat lunak". Saat kami menambahkan bahasa perusahaan yang sebenarnya (deskripsi budaya 3 kalimat), 4 kualifikasi wajib, dan pembatasan "tulis kisaran gaji dengan jelas" ke perintah, tingkat pelamar yang tidak memenuhi syarat untuk iklan tersebut menurun secara nyata di iklan berikutnya karena teks tersebut dengan jelas menetapkan ekspektasi.
Kasus 3 — Akuntansi, ringkasan laporan. Ketika seorang eksekutif akuntansi mengatakan dia "meringkas" laporan pengeluaran sepanjang 12 halaman, model tersebut menghilangkan item-item penting. Ketika dia berkata, “Dari laporan ini, 5 item pengeluaran tertinggi ditabulasikan dengan persentase perubahan dibandingkan bulan lalu,” dia mendapatkan struktur yang tepat yang akan dia bawa ke rapat manajemen. Isinya sama, instruksinya berbeda.
Prompt Lemah / Prompt Kuat
Pekerjaan yang sama, dengan dua instruksi berbeda:
Perintah yang lemah:
Ringkaslah teks ini.[teks]
Perintah yang kuat:
Ringkaslah catatan rapat di bawah ini untuk disampaikan kepada dewan direksi. - Maksimal 5 item. - Setiap item harus berisi keputusan atau tindakan; Lewati detail obrolan. - Tuliskan dalam tanda kurung nama tindakan yang diketahui penanggung jawabnya. - Gunakan bahasa yang sederhana dan formal. Teks: [teks]
Prompt kedua memberi tahu model apa yang harus diproduksi, untuk siapa, dalam format apa, dan apa yang harus dilewati. Model tidak melakukan "pemikiran" melainkan menghasilkan kelanjutan yang benar; Anda menggambar kerangka kelanjutan itu.
Empat Templat yang Dapat Disalin
Empat templat pemula sederhana untuk menerapkan logika dalam unit ini dengan cepat. Isi tanda kurung dengan informasi Anda sendiri.
1) Kerangka penguatan permintaan:
Saya ingin Anda melakukan tugas ini: [tugas]Untuk siapa: [pembeli/penonton]Dalam format apa: [panjang, struktur]Apa yang harus dilewati: [apa yang tidak Anda inginkan]
2) Pengecekan batasan model (refleks verifikasi):
Jika terdapat klaim faktual (nomor, tanggal, nama, sumber) dalam jawaban Anda di bawah, ekstrak masing-masing klaim sebagai daftar terpisah dan tandai sebagai "harus diverifikasi". Jawaban: [keluaran model]
3) Cobalah tugas yang sama pada dua level:
Jelaskan topik berikut dua kali:A) Kepada orang asing, dalam bahasa sehari-hari.B) Kepada ahli di bidangnya, dalam istilah teknis.Topik: [topik]
4) Membuat model menyadari ketidakpastian:
Sebelum mengajukan permintaan yang saya berikan kepada Anda, tanyakan kepada saya 3 pertanyaan tentang poin-poin yang Anda anggap hilang atau tidak jelas; lalu hasilkan sesuai jawaban saya. Permintaan: [permintaan]
Kekuatan dan Kelemahan Model
Subyek
Modelnya kuat
Modelnya lemah/hati-hati
urusan bahasa
Menulis, merangkum, menerjemahkan, mengubah nada
Kesalahan jargon yang sangat teknis/khusus
struktur
Ubah teks menjadi tabel, daftar, sketsa
Menjaga konsistensi dalam teks panjang
ide
Brainstorming, menghasilkan alternatif
Menjamin apa yang "benar"
kasus
Informasi umum, definisi, penjelasan
Data terkini/tepat, nomor, tanggal, sumber
penalaran
Bagus jika dipandu langkah demi langkah
Jangan membuat kesalahan perhitungan yang rumit secara diam-diam
Tip: Lihat model bukan sebagai "ahli yang tahu segalanya" tetapi sebagai "asisten yang menulis dengan sangat cepat, banyak membaca, namun semua yang dia katakan perlu diverifikasi". Pandangan ini dengan tepat menyesuaikan ekspektasi dan kebiasaan kontrol Anda.
Perhatian: Model mungkin menulis informasi dalam bahasa yang sangat percaya diri, namun ini tidak berarti informasi tersebut benar. Selalu verifikasi secara independen rincian faktual, terutama nomor, nama, tanggal, undang-undang dan sumber. Kita akan kembali ke topik ini secara rinci di unit 11.
Kesalahan umum
- Salah mengira model itu adalah manusia. Memberikan instruksi yang tidak lengkap dengan mengatakan “Mereka akan mengerti pula”. Model tidak membaca maksud Anda; Itu hanya memproses apa yang Anda ketik.
- Menyerah dalam sekali percobaan. Jika keluaran awal buruk, salahkan alat tersebut. Namun, seringkali masalahnya ada pada instruksi dan sedikit koreksi dapat mengubah hasilnya.
- Menggunakan fakta tanpa memverifikasinya. Menerima statistik atau sumber yang dihasilkan oleh model tanpa pertanyaan adalah kebiasaan yang paling berisiko.
- Memasukkan data rahasia tanpa berpikir panjang. Menempelkan informasi sensitif tanpa mengetahui cara kerja alat tersebut. Ada aturannya, seperti yang akan kita lihat di unit privasi.
- Mengira keacakan sebagai sebuah kesalahan. Menafsirkan dua hasil berbeda sebagai "kendaraan rusak"; Namun, saat Anda meningkatkan kejelasan, hasilnya akan menyatu.
Singkatnya
- Model bahasa besar bekerja dengan memprediksi kata (token) yang kemungkinan besar muncul berikutnya dalam teks yang Anda berikan; Dia tidak memilih jawaban yang sudah jadi.
- Faktor paling kuat yang menentukan arah keluaran adalah perintah yang Anda berikan sebagai masukan.
- Kuat dalam bahasa model, struktur dan ide; berhati-hati dengan fakta yang tepat, data terkini, dan perhitungan yang rumit.
- Karena keacakan kecil, perintah yang sama mungkin memberikan hasil yang berbeda; Ketika kejelasan meningkat, hasil menjadi lebih konsisten.
- Modelnya bukanlah "seorang ahli yang jujur terhadap semua yang dikatakannya", melainkan "seorang asisten yang cepat namun perlu diverifikasi".
Tugas aplikasi
Pilih tugas menulis dari pekerjaan harian Anda yang Anda lakukan secara rutin (email, ringkasan, atau daftar, misalnya). Pertama, tulis versi satu kalimat paling sederhana, berikan ke alat AI, dan simpan hasilnya. Kemudian ke tugas yang sama; Tambahkan jawaban atas pertanyaan "untuk siapa, dalam format apa, berapa panjangnya, dan apa yang harus dilewati" dan tanyakan lagi. Tempatkan kedua keluaran secara berdampingan dan catat dalam satu kalimat penambahan mana yang paling meningkatkan hasil.
daftar periksa
- [ ] Saya menyadari bahwa model tersebut "memprediksi kata berikutnya" dan tidak membaca maksud saya.
- [ ] Saya menyadari bahwa kualitas output sangat bergantung pada kualitas prompt.
- [ ] Saya dapat membedakan jenis tugas yang modelnya kuat dan lemah.
- [ ] Saya memahami bahwa saya perlu memverifikasi rincian faktual (nomor, tanggal, nama, sumber).
- [ ] Saya dapat menjelaskan mengapa perintah yang sama dapat memberikan hasil yang berbeda.