Unit
1. Pengenalan kepada Kepintaran Buatan dan Prompt: Bagaimana Model 'Berfikir' 2. Anatomi Cepat yang Baik: Peranan, Konteks, Tugas, Format, Contoh, Kekangan 3. Kejelasan Arahan: Menterjemah Ketidakpastian kepada Arahan Boleh Diukur 4. Pengurusan Konteks: Memberikan Model Latar Belakang yang Betul 5. Persampelan Sedikit Pukulan: Pengajaran Melalui Contoh 6. Rantaian Pemikiran 7. Memaksa Format: Jadual, JSON, Senarai, Templat 8. Lelaran dan Penambahbaikan Segera 9. Kejuruteraan Peranan dan Persona 10. Ralat dan Penyelesaian Gesaan Biasa 11. Pengesahan, Sempadan, Privasi dan Etika 12. Mewujudkan Perpustakaan Segera dan Aliran Kerja Hujung-ke-Hujung
Unit 1 / 12

Pengenalan kepada Kepintaran Buatan dan Prompt: Bagaimana Model 'Berfikir'

Keuntungan:

  • Terangkan bagaimana model bahasa besar berfungsi dengan meramalkan perkataan seterusnya dan maksudnya untuk menulis segera
  • Dia boleh menunjukkan sebab Prompt sangat menentukan kualiti output dengan contoh daripada kerjanya sendiri.
  • Dengan membezakan kekuatan dan kelemahan model, seseorang boleh memutuskan tugas mana untuk menggunakannya dengan selamat.

Pengenalan kepada Kepintaran Buatan dan Prompt: Bagaimana Model "Berfikir"

Cara terbaik untuk benar-benar mempelajari cara menulis gesaan ialah dengan terlebih dahulu memahami cara alat tersebut berfungsi. Dalam unit ini, kita akan melihat logik asas model bahasa besar (pendek kata LLM; iaitu sistem kecerdasan buatan yang menghasilkan teks), mengapa ia sangat berguna dalam kerja harian anda dan di mana ia mempunyai hadnya. Gesaan yang ditulis tanpa asas ini selalunya membawa kepada soalan "mengapa mereka kadangkala menghasilkan hasil yang hebat dan kadangkala hasil yang mengerikan?" meninggalkan anda sendiri dengan soalan itu. Ketidakpastian ini sebahagian besarnya akan hilang apabila unit ini siap.

Apakah yang Sebenarnya Dilakukan oleh Model Bahasa Besar?

Dalam takrifan yang paling mudah, model bahasa besar ialah sistem yang meramalkan perkataan yang paling berkemungkinan akan mengikuti teks yang anda berikan. Dengan meneliti berbilion-bilion ayat, model itu telah mempelajari pola "perkataan mana yang datang selepas perkataan mana". Apabila anda memulakan ayat, model melihat apa yang telah ditulis setakat ini dan menjana kesinambungan yang paling mungkin, kemudian menambah perkataan yang dijana pada input dan meramalkan yang seterusnya. Kitaran ini berterusan sehingga tindak balas selesai.

Mari kita jelaskan istilah token yang digunakan di sini: token ialah unit terkecil di mana model memecah teks; Ia adalah kira-kira saiz perkataan atau sebahagian daripada perkataan. Model berkembang bukan perkataan demi perkataan, tetapi token dengan token. Akibat praktikal untuk anda ialah model itu bukan manusia yang "memahami" niat anda, tetapi mesin ramalan yang sangat berkuasa yang secara statistik memilih sambungan yang paling sesuai untuk teks yang anda berikan.

Implikasi paling penting bagi definisi ini ialah penentu arah keluaran yang paling berkuasa ialah teks yang anda berikan sebagai input. Jadi gesaan anda. Model ini tidak membuat jawapan siap daripada pangkalan data, tidak melakukan carian langsung di internet dan tidak menyalin halaman (kecuali dinyatakan secara khusus sebaliknya). Ia hanya menghasilkan teks yang paling sesuai dengan konteks yang anda berikan. Input yang baik adalah syarat yang paling menentukan untuk keluaran yang baik.

Mengapa "Model Sama, Hasil Berbeza"?

Model ini juga menggunakan margin rawak yang kecil dalam memilih perkataan yang paling mungkin setiap kali; Oleh itu, apabila anda meminta gesaan yang sama dua kali, anda mungkin tidak menerima ayat yang sama. Ini bukan pepijat, ia adalah sebahagian daripada reka bentuk. Tugas anda ialah melukis rangka kerja yang cukup jelas untuk tidak membiarkan keputusan itu kebetulan. Lebih jelas rangka kerja, lebih dekat dan lebih berguna hasil dua eksperimen yang berbeza.

Langkah demi langkah: bagaimanakah permintaan berkembang melalui model?

  1. Membaca input. Setiap perkataan yang anda tulis adalah petunjuk yang membimbing ramalan. Apabila anda menyebut "seperti seorang peguam kanan," model menjadikan teks lebih dekat dengan nada itu lebih berkemungkinan.
  2. Menimbang konteks. Latar belakang, kekangan dan contoh yang anda berikan mempersempit anggaran. Jika konteks kosong, model mengisi tempat kosong dengan andaian sendiri.
  3. Ia menghasilkan perkataan demi perkataan. Setiap token yang dihasilkannya menjadi input untuk yang seterusnya; jadi arahan yang anda berikan pada permulaan membawa kepada keseluruhan jawapan.
  4. Dia berhenti. Ia mengganggu pengeluaran apabila tugasan selesai atau mencapai panjang yang anda tentukan.

Tiga Kes Mini: Perbezaan Pantas dalam Nombor

Kes 1 — Profesional pemasaran, subjek e-mel. Apabila pakar pemasaran berkata "cadangkan topik untuk kempen", dia mendapat 5 tajuk umum dan tidak menyukai mana-mana tajuk; Dia menghabiskan 20 minit membetulkannya dengan tangan. Keesokan harinya, apabila dia berkata, "Khalayak sasaran ialah pemilik PKS berumur 30-45 tahun, produk itu adalah perisian perakaunan awan, 6 unit, setiap satu dengan maksimum 45 aksara, menarik tetapi bersahaja," dia secara langsung menggunakan 4 daripada 6 tajuk utama. Tempohnya berkurangan daripada 20 minit kepada 4 minit.

Kes 2 — Sumber manusia, teks iklan. Pakar HR menerima teks boilerplate dengan gesaan "tulis kerja pembangun perisian". Apabila kami menambahkan bahasa sebenar syarikat itu (huraian budaya 3 ayat), 4 kelayakan wajib dan sekatan "tulis julat gaji dengan jelas" pada gesaan, kadar pemohon yang tidak berkelayakan pada iklan menurun dengan ketara dalam iklan seterusnya kerana teks jelas menetapkan jangkaan.

Kes 3 — Perakaunan, ringkasan laporan. Apabila seorang eksekutif perakaunan berkata dia "merumuskan" laporan perbelanjaan 12 muka surat, model itu meninggalkan item penting. Apabila dia berkata, "Daripada laporan ini, 5 item perbelanjaan tertinggi dijadualkan dengan peratusan perubahan berbanding bulan lepas," dia mendapat dengan tepat struktur yang akan dibawanya ke mesyuarat pengurusan. Kandungannya sama, arahannya berbeza.

Gesaan Lemah / Gesaan Kuat

Kerja yang sama, dengan dua arahan berbeza:

Gesaan yang lemah:

Ringkaskan teks ini.[teks]

Gesaan kuat:

Ringkaskan nota mesyuarat di bawah untuk dibentangkan kepada lembaga pengarah. - Maksimum 5 item. - Setiap item harus mengandungi keputusan atau tindakan; Langkau butiran sembang. - Tulis nama dalam kurungan untuk tindakan yang mana orang yang bertanggungjawab diketahui. - Gunakan bahasa yang jelas dan formal. Teks: [teks]

Gesaan kedua memberitahu model apa yang perlu dihasilkan, untuk siapa, dalam format apa dan apa yang perlu dilangkau. Model tidak melakukan "pemikiran" sebaliknya menghasilkan kesinambungan yang betul; Anda melukis rangka kerja sambungan itu.

Empat Templat Boleh Disalin

Empat templat permulaan mudah untuk mempraktikkan logik dalam unit ini dengan cepat. Isikan kurungan dengan maklumat anda sendiri.

1) Rangka kerja untuk mengukuhkan permintaan:

Saya mahu anda melakukan tugas ini: [tugas]Untuk siapa: [pembeli/penonton]Dalam format apa: [panjang, struktur]Perkara yang perlu dilangkau: [apa yang anda tidak mahu]

2) Menyemak sempadan model (refleks pengesahan):

Jika terdapat tuntutan fakta (nombor, tarikh, nama, sumber) dalam jawapan anda di bawah, ekstrak setiap satu sebagai senarai berasingan dan tandai sebagai "mesti disahkan". Jawapan: [keluaran model]

3) Cuba tugas yang sama pada dua peringkat:

Terangkan topik berikut dua kali:A) Kepada orang yang tidak dikenali, dalam bahasa seharian.B) Kepada pakar dalam bidang itu, dari segi teknikal.Topik: [topik]

4) Membuat model menyedari ketidakpastian:

Sebelum membuat permintaan yang saya berikan kepada anda, tanya saya 3 soalan tentang perkara yang anda dapati hilang atau tidak jelas; kemudian hasilkan mengikut jawapan saya.Permintaan: [permintaan]

Kekuatan dan Kelemahan Model

Subjek

Modelnya kuat

Model lemah / berhati-hati

hal ehwal bahasa

Menulis, meringkaskan, menterjemah, mengubah nada

Kesilapan jargon yang sangat teknikal/niche

struktur

Tukar teks kepada jadual, senarai, lakaran

Mengekalkan konsistensi dalam teks panjang

idea

Sumbangsaran, menjana alternatif

Menjamin apa yang "betul"

kes

Maklumat am, definisi, penjelasan

Data semasa/tepat, nombor, tarikh, sumber

penaakulan

Bagus jika dibimbing langkah demi langkah

Jangan buat pengiraan yang rumit secara senyap

Petua: Lihat model bukan sebagai "pakar yang tahu segala-galanya" tetapi sebagai "pembantu yang menulis dengan sangat pantas, banyak membaca, tetapi semua yang dikatakannya perlu disahkan." Pandangan ini melaraskan kedua-dua jangkaan anda dan tabiat kawalan anda dengan betul.
Perhatian: Model mungkin menulis maklumat dalam bahasa yang sangat yakin, tetapi ini tidak bermakna maklumat itu betul. Sentiasa sahkan butiran fakta secara bebas, terutamanya nombor, nama, tarikh, statut dan sumber. Kami akan kembali kepada subjek ini secara terperinci dalam unit 11.

Kesilapan biasa

  • Tersalah model sebagai manusia. Memberi arahan yang tidak lengkap dengan mengatakan "Mereka akan faham juga". Model tidak membaca niat anda; Ia hanya memproses apa yang anda taip.
  • Berputus asa dalam satu percubaan. Jika output awal kurang baik, salahkan alat tersebut. Walau bagaimanapun, kebanyakan masa masalah adalah dalam arahan dan pembetulan kecil boleh mengubah hasilnya.
  • Menggunakan fakta tanpa mengesahkannya. Menerima statistik atau sumber yang dihasilkan oleh model tanpa persoalan adalah tabiat paling berisiko.
  • Memasukkan data sulit tanpa berfikir. Menampal maklumat sensitif tanpa mengetahui cara alat itu berfungsi. Terdapat peraturan untuk ini, seperti yang akan kita lihat dalam unit privasi.
  • Menganggap rambang sebagai kesilapan. Mentafsir dua keputusan berbeza sebagai "kenderaan rosak"; Walau bagaimanapun, apabila anda meningkatkan kejelasan, hasilnya akan berkumpul.

Secara ringkasnya

  • Model bahasa besar berfungsi dengan meramalkan perkataan (token) yang berkemungkinan besar akan muncul seterusnya dalam teks yang anda berikan; Dia tidak memilih jawapan siap sedia.
  • Faktor paling berkuasa yang menentukan arah keluaran ialah gesaan yang anda berikan sebagai input.
  • Kuat dalam bahasa model, struktur dan idea; berhati-hati dengan fakta yang tepat, data semasa dan pengiraan yang kompleks.
  • Disebabkan oleh rawak kecil, gesaan yang sama mungkin memberikan hasil yang berbeza; Apabila kejelasan meningkat, hasil menjadi lebih konsisten.
  • Model itu bukan "pakar yang benar dengan semua yang dia katakan", tetapi "pembantu yang pantas tetapi perlu disahkan".

Application task

Pilih tugas menulis daripada kerja harian anda yang anda lakukan secara kerap (e-mel, ringkasan atau senarai, contohnya). Mula-mula, tulis versi satu ayat yang paling mudah, berikan kepada alat AI, dan simpan output. Then to the same task; Tambahkan jawapan kepada soalan "untuk siapa, dalam format apa, dalam tempoh berapa dan apa yang perlu dilangkau" dan tanya mereka sekali lagi. Letakkan kedua-dua output bersebelahan dan catatkan dalam satu ayat penambahan yang paling meningkatkan hasil.

checklist

  • [ ] Saya menyedari bahawa model itu "meramalkan perkataan seterusnya" dan tidak membaca niat saya.
  • [ ] Saya menyedari bahawa kualiti output bergantung pada kualiti gesaan.
  • [ ] Saya boleh membezakan antara jenis tugasan yang mana modelnya kuat dan lemah.
  • [ ] Saya faham bahawa saya perlu mengesahkan butiran fakta (nombor, tarikh, nama, sumber).
  • [ ] Saya boleh menerangkan sebab gesaan yang sama boleh memberikan hasil yang berbeza.
Seterusnya