Įvadas į dirbtinį intelektą ir raginimas: kaip modelis „galvoja“

Pelnas:

Paaiškinkite, kaip veikia didelės kalbos modelis, numatant kitą žodį ir ką tai reiškia greitam rašymui
Jis gali parodyti, kodėl „Prompt“ taip labai lemia išvesties kokybę, pateikdamas pavyzdį iš savo darbo.
Išskirdami modelio stipriąsias ir silpnąsias puses, galima nuspręsti, kokioms užduotims jį saugiai naudoti.

Geriausias būdas iš tikrųjų išmokti rašyti raginimus yra pirmiausia suprasti, kaip įrankis veikia. Šiame skyriuje pamatysime pagrindinę didžiosios kalbos modelio (sutrumpintai LLM; tai yra dirbtinio intelekto sistema, kuri gamina tekstą) logiką, kodėl jis toks naudingas kasdieniame darbe ir kur jis turi savo ribas. Raginimai, parašyti be šio pagrindo, dažnai sukelia klausimą "kodėl jie kartais duoda puikių, o kartais baisių rezultatų?" palieka jus vieną su klausimu. Šis neapibrėžtumas iš esmės išnyks, kai šis įrenginys bus baigtas.

Ką iš tikrųjų daro didelės kalbos modelis?

Paprasčiausiu apibrėžimu didžiosios kalbos modelis yra sistema, kuri numato labiausiai tikėtiną žodį, kuris bus po jūsų pateikto teksto. Išnagrinėjęs milijardus sakinių, modelis išmoko šabloną „po kurio žodžio atsiranda koks žodis“. Kai pradedate sakinį, modelis žiūri į tai, kas buvo parašyta iki šiol, ir sugeneruoja labiausiai tikėtiną tęsinį, tada sugeneruotą žodį prideda prie įvesties ir numato kitą. Šis ciklas tęsiasi tol, kol atsakymas bus baigtas.

Paaiškinkime čia vartojamą terminą token: žetonas yra mažiausias vienetas, į kurį modelis suskaido tekstą; Tai yra maždaug žodžio arba žodžio dalies dydis. Modelis progresuoja ne žodis po žodžio, o ženklas po to. Praktinė pasekmė jums yra ta, kad modelis yra ne žmogus, kuris „supranta“ jūsų ketinimą, o labai galinga nuspėjamoji mašina, kuri statistiškai parenka tinkamiausią jūsų pateikto teksto tęsinį.

Svarbiausia šio apibrėžimo pasekmė yra ta, kad galingiausias išvesties krypties veiksnys yra tekstas, kurį pateikiate kaip įvestį. Taigi jūsų raginimas. Modelis nerenka paruošto atsakymo iš duomenų bazės, neatlieka tiesioginės paieškos internete ir nekopijuoja puslapių (nebent konkrečiai nurodyta kitaip). Jis sukuria tik tekstą, kuris geriausiai atitinka jūsų pateiktą kontekstą. Gera įvestis yra svarbiausia geros išvesties sąlyga.

Kodėl „Tas pats modelis, kitoks rezultatas“?

Modelis taip pat naudoja nedidelę atsitiktinumo ribą kiekvieną kartą pasirenkant labiausiai tikėtiną žodį; Todėl du kartus paklausę to paties raginimo, galite negauti visiškai tų pačių sakinių. Tai nėra klaida, tai yra dizaino dalis. Jūsų darbas yra nubrėžti pakankamai aiškią sistemą, kad nepaliktumėte rezultato atsitiktinumui. Kuo aiškesnė sistema, tuo artimesni ir naudingesni bus dviejų skirtingų eksperimentų rezultatai.

Žingsnis po žingsnio: kaip užklausa vyksta per modelį?

Skaito įvestį. Kiekvienas jūsų parašytas žodis yra užuomina, leidžianti nuspėti. Kai sakote „kaip vyresnysis teisininkas“, modelis daro labiau tikėtinus tekstus, artimesnius šiam tonui.
Pasveria kontekstą. Pateikiamas fonas, apribojimai ir pavyzdžiai susiaurina įvertinimą. Jei kontekstas tuščias, modelis užpildo tuščias vietas savo prielaidomis.
Jis gamina žodis po žodžio. Kiekvienas jo sukurtas žetonas tampa kito įvestis; Taigi kryptis, kurią pateikiate pradžioje, perkeliama į visą atsakymą.
Jis sustoja. Ji nutraukia gamybą, kai užduotis baigta arba pasiekia nurodytą trukmę.

Trys maži dėklai: greitas skaičių skirtumas

1 atvejis – rinkodaros specialistas, el. pašto tema. Kai rinkodaros ekspertas pasakė „pasiūlykite kampanijos temą“, jis gavo 5 bendruosius pavadinimus ir nė vienas nepatiko; Jis sugaišo 20 minučių taisydamas ranka. Kitą dieną, kai jis pasakė: „Tikslinė auditorija yra MVĮ savininkai nuo 30 iki 45 metų, produktas yra debesų apskaitos programinė įranga, 6 vienetai, kurių kiekviename daugiausia 45 simboliai, intriguojantys, bet neįvertinti“, jis tiesiogiai panaudojo 4 iš 6 antraščių. Trukmė sumažėjo nuo 20 minučių iki 4 minučių.

2 atvejis. Žmogiškieji ištekliai, skelbimo tekstas. HR specialistas gavo pavyzdinį tekstą su raginimu „parašyti programinės įrangos kūrėjo darbą“. Prie raginimo pridėjus faktinę įmonės kalbą (3 sakinių kultūros aprašymas), 4 privalomas kvalifikacijas ir apribojimą „aiškiai parašykite atlyginimų diapazoną“, kitame skelbime nekvalifikuotų pretendentų rodiklis į skelbimą pastebimai sumažėjo, nes tekstas aiškiai įtvirtino lūkesčius.

3 atvejis. Apskaita, ataskaitos santrauka. Kai apskaitos vadovas pasakė, kad „sutraukė“ 12 puslapių išlaidų ataskaitą, modelis praleido svarbius elementus. Kai jis pasakė: „Šioje ataskaitoje 5 didžiausių išlaidų straipsniai pateikiami lentelėje su procentiniu pokyčiu, palyginti su praėjusiu mėnesiu“, jis gavo būtent tokią struktūrą, kurią neštų į vadovų susirinkimą. Turinys buvo tas pats, instrukcijos kitokios.

Silpnas raginimas / stiprus raginimas

Tas pats darbas su dviem skirtingomis instrukcijomis:

Silpnas raginimas:

Apibendrinkite šį tekstą.[text]

Galingas raginimas:

Apibendrinkite toliau pateiktą susirinkimo pastabą, kuri bus pateikta direktorių valdybai. - Ne daugiau kaip 5 prekės. - Kiekviename punkte turi būti nurodytas sprendimas arba veiksmas; Praleiskite išsamią pokalbio informaciją. - Skliausteliuose parašykite pavadinimą veiksmams, už kuriuos žinomas atsakingas asmuo. - Naudokite paprastą, formalią kalbą. Tekstas: [tekstas]

Antrasis raginimas modeliui nurodo, ką gaminti, kam, kokiu formatu ir ką praleisti. Modelis ne „mąsto“, o sukuria teisingą tęsinį; Jūs nubrėžiate to tęsinio rėmus.

Keturi kopijuojami šablonai

Keturi paprasti pradžios šablonai, leidžiantys greitai pritaikyti šio įrenginio logiką praktiškai. Užpildykite skliausteliuose savo informaciją.

1) Prašymo stiprinimo sistema:

Noriu, kad atliktumėte šią užduotį: [užduotis]Kam: [pirkėjui/auditorijai]Kokiu formatu: [ilgis, struktūra]Ką praleisti: [ko nenorite]

2) Modelio ribų tikrinimas (patikrinimo refleksas):

Jei toliau pateiktame atsakyme yra faktinių teiginių (numeris, data, pavadinimas, šaltinis), ištraukite kiekvieną kaip atskirą sąrašą ir pažymėkite kaip „būtina patikrinti“. Atsakymas: [modelio išvestis]

3) Išbandykite tą pačią užduotį dviem lygiais:

Du kartus paaiškinkite šią temą:A) Visiškai nepažįstamam žmogui kasdienine kalba.B) Tos srities žinovui technine prasme.Tema: [tema]

4) Kad modelis suvoktų neapibrėžtumą:

Prieš pateikdami užklausą, užduokite man 3 klausimus apie trūkstamus arba neaiškius dalykus; tada gaminkite pagal mano atsakymus.Užklausa: [užklausa]

Modelio stipriosios ir silpnosios pusės

Tema

Modelis stiprus

Modelis silpnas / atsargus

kalbos reikalai

Rašymas, apibendrinimas, vertimas, tono keitimas

Labai techninės/nišinės žargono klaidos

struktūra

Konvertuoti tekstą į lentelę, sąrašą, eskizą

Ilgo teksto nuoseklumo išlaikymas

idėja

Smegenų šturmas, alternatyvų generavimas

Garantuoja, kas yra „teisinga“

atvejis

Bendra informacija, apibrėžimas, paaiškinimas

Dabartiniai / tikslūs duomenys, numeris, data, šaltinis

samprotavimus

Gerai, jei vadovaujasi žingsnis po žingsnio

Neatlikite sudėtingų skaičiavimų tyliai

Patarimas: žiūrėkite į modelį ne kaip į „viską išmanantį ekspertą“, o kaip į „padėjėją, kuris rašo labai greitai, daug skaito, bet viską, ką jis sako, reikia patikrinti“. Šis vaizdas teisingai koreguoja jūsų lūkesčius ir kontrolės įprotį.

Dėmesio: modelis gali rašyti informaciją labai patikima kalba, tačiau tai nereiškia, kad informacija yra teisinga. Visada nepriklausomai patikrinkite faktines detales, ypač numerį, vardą, pavardę, datą, įstatymą ir šaltinį. Išsamiai prie šios temos grįšime 11 skyriuje.

Dažnos klaidos

Supainioti modelį su žmogumi. Neišsamių nurodymų davimas sakydamas „Jie vis tiek supras“. Modelis neskaito jūsų ketinimų; Jis apdoroja tik tai, ką įvedate.
Pasiduoti vienu bandymu. Jei pradinė išvestis prasta, kaltinkite įrankį. Tačiau dažniausiai problema yra instrukcijose ir nedidelis pataisymas gali pakeisti rezultatą.
Naudojant faktus jų nepatikrinus. Neabejotinai priimti modelio sukurtą statistiką ar šaltinį yra rizikingiausias įprotis.
Konfidencialių duomenų įvedimas negalvojant. Skelbtinos informacijos įklijavimas nežinant, kaip veikia įrankis. Tam yra taisyklės, kaip matysime privatumo skyriuje.
Sumaišyti atsitiktinumą su klaida. Dviejų skirtingų rezultatų interpretavimas kaip „transporto priemonė sugedusi“; Tačiau padidinus aiškumą rezultatai sutampa.

Apibendrinant

Didysis kalbos modelis veikia numatydamas žodį (žetoną), kuris greičiausiai pasirodys jūsų pateiktame tekste; Jis nesirenka paruoštų atsakymų.
Galingiausias veiksnys, lemiantis išvesties kryptį, yra raginimas, kurį pateikiate kaip įvestį.
Stiprus modelio kalba, struktūra ir idėjomis; yra atsargus su tiksliais faktais, dabartiniais duomenimis ir sudėtingais skaičiavimais.
Dėl nedidelio atsitiktinumo ta pati užklausa gali duoti skirtingus rezultatus; Didėjant aiškumui, rezultatai tampa nuoseklesni.
Modelis yra ne „ekspertas, ištikimas viskam, ką sako“, o „greitas asistentas, kurį reikia patikrinti“.

Taikymo užduotis

Pasirinkite rašymo užduotį iš savo kasdieninio darbo, kurią atliekate reguliariai (pvz., el. laišką, santrauką ar sąrašą). Pirmiausia parašykite paprasčiausią vieno sakinio versiją, suteikite ją AI įrankiui ir išsaugokite išvestį. Tada prie tos pačios užduoties; Pridėkite atsakymus į klausimus „kam, kokiu formatu, kokio ilgio ir ką praleisti“ ir užduokite juos dar kartą. Padėkite du išvestis greta ir viename sakinyje pažymėkite, kuris papildymas labiausiai pagerina rezultatą.

kontrolinis sąrašas

[ ] Supratau, kad modelis „numatė kitą žodį“ ir neskaito mano ketinimų.
[ ] Supratau, kad išvesties kokybė labai priklauso nuo raginimo kokybės.
[ ] Galiu atskirti užduočių tipus, kai modelis yra stiprus ir silpnas.
[ ] Suprantu, kad turiu patikrinti faktines detales (numerį, datą, pavadinimą, šaltinį).
[ ] Galiu paaiškinti, kodėl tas pats raginimas gali duoti skirtingus rezultatus.