Winst:
- Leg uit hoe het grote taalmodel werkt door het volgende woord te voorspellen en wat dit betekent voor snel schrijven
- Waarom Prompt de outputkwaliteit zo bepaalt, kan hij laten zien met een voorbeeld uit zijn eigen werk.
- Door de sterke en zwakke punten van het model te onderscheiden, kan men beslissen bij welke taken het veilig kan worden gebruikt.
Inleiding tot kunstmatige intelligentie en prompt: hoe het model "denkt"
De beste manier om echt te leren hoe u aanwijzingen schrijft, is door eerst te begrijpen hoe de tool werkt. In deze unit zullen we de basislogica van het grote taalmodel (kortweg LLM; dat wil zeggen het kunstmatige intelligentiesysteem dat tekst produceert) zien, waarom het zo nuttig is in je dagelijkse werk en waar het zijn beperkingen heeft. Aanwijzingen die zonder deze basis zijn geschreven, leiden vaak tot de vraag "waarom leveren ze soms geweldige resultaten op en soms verschrikkelijke resultaten?" laat je alleen met de vraag. Deze onzekerheid zal grotendeels verdwijnen als dit onderdeel klaar is.
Wat doet een groot taalmodel eigenlijk?
In de eenvoudigste definitie is het grote taalmodel een systeem dat voorspelt welk woord het meest waarschijnlijk zal volgen op de tekst die u geeft. Door miljarden zinnen te onderzoeken heeft het model het patroon ‘welk woord komt na welk woord’ geleerd. Wanneer u een zin begint, kijkt het model naar wat er tot nu toe is geschreven en genereert het de meest waarschijnlijke voortzetting, voegt vervolgens het gegenereerde woord toe aan de invoer en voorspelt het volgende. Deze cyclus gaat door totdat het antwoord voltooid is.
Laten we de hier gebruikte term token verduidelijken: token is de kleinste eenheid waarin het model de tekst opsplitst; Het is ongeveer de grootte van een woord of een deel van een woord. Het model ontwikkelt zich niet woord voor woord, maar teken voor teken. Het praktische gevolg voor u is dat het model geen mens is die uw bedoeling ‘begrijpt’, maar een zeer krachtige voorspellende machine die statistisch de meest geschikte voortzetting selecteert voor de tekst die u eraan geeft.
De belangrijkste implicatie van deze definitie is dat de meest krachtige determinant van de richting van de output de tekst is die je als input geeft. Dus uw vraag. Het model haalt geen kant-en-klaar antwoord uit een database, voert geen live zoekopdracht uit op internet en kopieert geen pagina’s (tenzij specifiek anders aangegeven). Het levert alleen tekst op die het beste past bij de context die u eraan geeft. Een goede input is de meest doorslaggevende voorwaarde voor een goede output.
Waarom ‘hetzelfde model, ander resultaat’?
Het model gebruikt ook een kleine marge van willekeur bij het telkens kiezen van het meest waarschijnlijke woord; Als u dezelfde prompt twee keer vraagt, is het dus mogelijk dat u niet exact dezelfde zinnen ontvangt. Dit is geen bug, het maakt deel uit van het ontwerp. Jouw taak is om een raamwerk te schetsen dat duidelijk genoeg is om de uitkomst niet aan het toeval over te laten. Hoe duidelijker het raamwerk, hoe dichter en bruikbaarder de resultaten van twee verschillende experimenten zullen zijn.
Stap voor stap: hoe verloopt een aanvraag door het model?
- Leest de invoer. Elk woord dat je schrijft is een aanwijzing die de voorspelling begeleidt. Als je zegt ‘als een senior advocaat’, maakt het model teksten die dichter bij die toon liggen waarschijnlijker.
- Weegt de context. De achtergrond, beperkingen en voorbeelden die u geeft, beperken de schatting. Als de context leeg is, vult het model de lege plekken op met zijn eigen aannames.
- Het produceert woord voor woord. Elk token dat het produceert, wordt de input voor het volgende; dus de richting die je aan het begin geeft, wordt toegepast op het hele antwoord.
- Hij stopt. Het onderbreekt de productie wanneer de taak is voltooid of de door u opgegeven lengte heeft bereikt.
Drie mini-hoesjes: snel verschil in cijfers
Geval 1 — Marketingprofessional, e-mailonderwerp. Toen een marketingexpert zei: "stel een onderwerp voor de campagne voor", kreeg hij vijf algemene titels en vond hij geen enkele leuk; Hij heeft het twintig minuten met de hand gecorrigeerd. Toen hij de volgende dag zei: "De doelgroep bestaat uit MKB-eigenaren in de leeftijd van 30-45 jaar, het product is cloudboekhoudsoftware, 6 eenheden, elk met maximaal 45 tekens, intrigerend maar ingetogen", gebruikte hij rechtstreeks 4 van de 6 koppen. De duur daalde van 20 minuten naar 4 minuten.
Geval 2 — Personeelszaken, advertentietekst. Een HR-specialist ontving een standaardtekst met de prompt "schrijf een softwareontwikkelaarjob". Toen we de feitelijke taal van het bedrijf (cultuurbeschrijving van drie zinnen), vier verplichte kwalificaties en de beperking van "schrijf het salarisbereik duidelijk" aan de prompt toevoegden, daalde het aantal ongekwalificeerde sollicitanten voor de advertentie merkbaar in de volgende advertentie, omdat de tekst duidelijk de verwachting vastlegde.
Geval 3 — Boekhouding, samenvatting van het rapport. Toen een boekhouder zei dat hij een onkostendeclaratie van twaalf pagina's 'samenvatte', liet het model belangrijke items weg. Toen hij zei: 'Uit dit rapport worden de vijf hoogste kostenposten weergegeven met de procentuele verandering ten opzichte van vorige maand', kreeg hij precies de structuur die hij zou gebruiken voor de managementvergadering. De inhoud was hetzelfde, de instructies waren anders.
Zwakke prompt/sterke prompt
Dezelfde taak, met twee verschillende instructies:
Zwakke prompt:
Vat deze tekst samen.[tekst]
Krachtige prompt:
Geef hieronder een samenvatting van de vergadernota die aan de raad van bestuur moet worden voorgelegd. - Maximaal 5 artikelen. - Elk item moet een beslissing of actie bevatten; Sla de chatgegevens over. - Schrijf de naam tussen haakjes bij handelingen waarvoor de verantwoordelijke persoon bekend is. - Gebruik duidelijke, formele taal. Tekst: [tekst]
De tweede prompt vertelt het model wat het moet produceren, voor wie, in welk formaat en wat het moet overslaan. Het model doet niet het 'denken', maar eerder de productie van de juiste voortzetting; Jij schetst het kader van die voortzetting.
Vier kopieerbare sjablonen
Vier eenvoudige startersjablonen om de logica van dit apparaat snel in de praktijk te brengen. Vul de haakjes in met uw eigen gegevens.
1) Kader voor het versterken van een verzoek:
Ik wil dat je deze taak uitvoert: [taak]Voor wie: [koper/publiek]In welk formaat: [lengte, structuur]Wat je moet overslaan: [wat je niet wilt]
2) Het controleren van de grenzen van het model (verificatiereflex):
Als uw antwoord hieronder feitelijke beweringen (nummer, datum, naam, bron) bevat, extraheer deze dan als een afzonderlijke lijst en markeer deze als "moet worden geverifieerd". Antwoord: [uitvoer van het model]
3) Probeer dezelfde taak op twee niveaus:
Leg het volgende onderwerp twee keer uit:A) Aan een volslagen vreemde, in alledaagse taal.B) Aan een expert op dit gebied, in technische termen.Onderwerp: [onderwerp]
4) Het model de onzekerheid laten realiseren:
Voordat u het verzoek doet dat ik u doe, stel mij eerst 3 vragen over de punten die u mist of onduidelijk vindt; produceer dan volgens mijn antwoorden.Verzoek: [verzoek]
Sterke en zwakke punten van het model
Onderwerp
Het model is sterk
Het model is zwak / voorzichtigheid
taal zaken
Schrijven, samenvatten, vertalen, van toon veranderen
Zeer technische/niche-jargonfouten
structuur
Converteer tekst naar tabel, lijst, schets
Consistentie behouden in lange tekst
idee
Brainstormen, alternatieven bedenken
Garanderen wat ‘goed’ is
geval
Algemene informatie, definitie, uitleg
Actuele/exacte gegevens, aantal, datum, bron
redenering
Goed als het stap voor stap wordt begeleid
Maak complexe berekeningen niet stilletjes fout
Tip: Zie het model niet als een ‘kenner van alles’, maar als een ‘assistent die heel snel schrijft, veel leest, maar alles wat hij zegt moet worden geverifieerd’. Deze visie past zowel uw verwachtingen als uw controlegewoonte correct aan.
Let op: Het model kan informatie in een zeer zelfverzekerde taal schrijven, maar dit betekent niet dat de informatie correct is. Controleer altijd onafhankelijk de feitelijke details, vooral het nummer, de naam, de datum, het statuut en de bron. In blok 11 komen we uitgebreid op dit onderwerp terug.
Veel voorkomende fouten
- Het model voor een mens aanzien. Onvolledige instructies geven door te zeggen: "Ze zullen het toch begrijpen". Het model leest uw bedoeling niet; Het verwerkt alleen wat u typt.
- In één keer opgeven. Als de initiële output slecht is, geef dan de schuld aan de tool. Meestal zit het probleem echter in de instructies en kan een kleine correctie het resultaat veranderen.
- Feiten gebruiken zonder ze te verifiëren. Het zonder twijfel accepteren van een statistiek of bron die door het model wordt geproduceerd, is de meest risicovolle gewoonte.
- Zonder nadenken vertrouwelijke gegevens invoeren. Gevoelige informatie plakken zonder te weten hoe de tool werkt. Hieraan zijn regels verbonden, zoals we zullen zien in de privacy-unit.
- Willekeur verwarren met een vergissing. Twee verschillende resultaten interpreteren als "het voertuig is kapot"; Wanneer u echter de duidelijkheid vergroot, convergeren de resultaten.
Samengevat
- Het grote taalmodel werkt door het woord (token) te voorspellen dat het meest waarschijnlijk als volgende zal verschijnen in de tekst die u geeft; Hij kiest niet voor kant-en-klare antwoorden.
- De krachtigste factor die de richting van de uitvoer bepaalt, is de prompt die u als invoer geeft.
- Sterk in modeltaal, structuur en ideevorming; is voorzichtig met precieze feiten, actuele gegevens en complexe berekeningen.
- Vanwege kleine willekeur kan dezelfde prompt verschillende resultaten opleveren; Naarmate de duidelijkheid toeneemt, worden de resultaten consistenter.
- Het model is niet ‘een deskundige die trouw is aan alles wat hij zegt’, maar ‘een assistent die snel is maar geverifieerd moet worden’.
Applicatie taak
Kies een schrijftaak uit uw dagelijkse werk die u regelmatig doet (bijvoorbeeld een e-mail, een samenvatting of een lijst). Schrijf eerst de eenvoudigste versie van één zin, geef deze aan een AI-tool en sla de uitvoer op. Vervolgens naar dezelfde taak; Voeg de antwoorden toe op de vragen "voor wie, in welk formaat, in welke lengte en wat over te slaan" en stel ze opnieuw. Zet de twee uitgangen naast elkaar en noteer in één zin welke toevoeging het resultaat het meeste verbetert.
controlelijst
- [ ] Ik realiseerde me dat het model "het volgende woord voorspelde" en mijn bedoeling niet las.
- [ ] Ik realiseerde me dat de kwaliteit van de output grotendeels afhangt van de kwaliteit van de prompt.
- [ ] Ik kan onderscheid maken tussen taaktypen waarbij het model sterk en zwak is.
- [ ] Ik begrijp dat ik feitelijke details (nummer, datum, naam, bron) moet verifiëren.
- [ ] Ik kan uitleggen waarom dezelfde prompt verschillende resultaten kan opleveren.