Wprowadzenie do sztucznej inteligencji i podpowiedzi: jak model „myśli”

Zyski:

Wyjaśnij, jak działa model dużego języka, przewidując następne słowo i co to oznacza dla szybkiego pisania
Na przykładzie własnej pracy może pokazać, dlaczego Prompt tak bardzo określa jakość wydruku.
Rozróżniając mocne i słabe strony modelu, można zdecydować, jakich zadań używać go bezpiecznie.

Najlepszym sposobem, aby naprawdę nauczyć się pisać podpowiedzi, jest najpierw zrozumienie, jak działa to narzędzie. W tej części poznamy podstawową logikę modelu dużego języka (w skrócie LLM, czyli systemu sztucznej inteligencji tworzącego tekst), dlaczego jest on tak przydatny w codziennej pracy i gdzie ma swoje ograniczenia. Podpowiedzi napisane bez tych podstaw często prowadzą do pytania „dlaczego czasami dają świetne, a czasem straszne rezultaty?” zostawia Cię samego z pytaniem. Ta niepewność w dużej mierze zniknie, gdy jednostka zostanie ukończona.

Co właściwie robi model dużego języka?

W najprostszej definicji model dużego języka to system, który przewiduje najbardziej prawdopodobne słowo, które pojawi się po podanym tekście. Badając miliardy zdań, model nauczył się wzorca „które słowo następuje po którym słowie”. Kiedy zaczynasz zdanie, model sprawdza, co zostało napisane do tej pory i generuje najbardziej prawdopodobną kontynuację, następnie dodaje wygenerowane słowo do wejścia i przewiduje następne. Cykl ten trwa aż do zakończenia reakcji.

Wyjaśnijmy użyte tutaj pojęcie token: token to najmniejsza jednostka, na jaką model dzieli tekst; Jest mniej więcej wielkości słowa lub jego części. Model postępuje nie słowo po słowie, ale znak po znaku. Praktyczną konsekwencją dla Ciebie jest to, że modelem nie jest człowiek, który „rozumie” Twoją intencję, ale bardzo potężna maszyna predykcyjna, która statystycznie wybiera najodpowiedniejszą kontynuację tekstu, który jej podajesz.

Najważniejszą konsekwencją tej definicji jest to, że najsilniejszym wyznacznikiem kierunku wyniku jest tekst, który podajesz jako dane wejściowe. Więc twoja zachęta. Modelka nie pobiera gotowych odpowiedzi z bazy danych, nie prowadzi wyszukiwania na żywo w Internecie i nie kopiuje stron (chyba, że wyraźnie określono inaczej). Tworzy tylko tekst, który najlepiej pasuje do nadanego mu kontekstu. Dobry wkład jest najważniejszym warunkiem dobrego wyjścia.

Dlaczego „ten sam model, inny wynik”?

Model wykorzystuje również niewielki margines losowości przy wyborze za każdym razem najbardziej prawdopodobnego słowa; Dlatego też, jeśli dwukrotnie zadasz ten sam monit, możesz nie otrzymać dokładnie tych samych zdań. To nie jest błąd, to część projektu. Twoim zadaniem jest nakreślenie ram na tyle jasnych, aby nie pozostawiać wyniku przypadkowi. Im jaśniejsze ramy, tym bliższe i bardziej przydatne będą wyniki dwóch różnych eksperymentów.

Krok po kroku: jak żądanie przechodzi przez model?

Odczytuje dane wejściowe. Każde słowo, które napiszesz, jest wskazówką, która pomaga w przewidywaniu. Kiedy powiesz „jak starszy prawnik”, model zwiększa prawdopodobieństwo, że teksty będą bardziej zbliżone do tego tonu.
Waży kontekst. Tło, ograniczenia i przykłady, które podajesz, zawężają szacunki. Jeśli kontekst jest pusty, model wypełnia puste miejsca własnymi założeniami.
Tworzy słowo po słowie. Każdy wyprodukowany przez niego żeton staje się wejściem dla następnego; więc kierunek, który podałeś na początku, ma zastosowanie do całej odpowiedzi.
Zatrzymuje się. Przerywa produkcję, gdy zadanie zostanie zakończone lub osiągnie określoną długość.

Trzy mini etui: szybka różnica w liczbach

Przypadek 1 — Specjalista ds. marketingu, temat wiadomości e-mail. Kiedy ekspert ds. marketingu powiedział „zaproponuj temat kampanii”, dostał 5 ogólnych tytułów i żaden nie przypadł mu do gustu; Spędził 20 minut na ręcznym poprawianiu. Następnego dnia, gdy powiedział: „Docelową grupą odbiorców są właściciele MŚP w wieku 30–45 lat, produktem jest oprogramowanie księgowe w chmurze, 6 jednostek, każda po maksymalnie 45 znaków, intrygujące, ale dyskretne”, bezpośrednio użył 4 z 6 nagłówków. Czas trwania skrócono z 20 minut do 4 minut.

Przypadek 2 — Zasoby ludzkie, tekst ogłoszenia. Specjalista ds. HR otrzymał standardową wiadomość z zachętą „napisz pracę dla programisty”. Kiedy do zachęty dodaliśmy faktyczny język firmy (3-zdaniowy opis kultury), 4 obowiązkowe kwalifikacje i ograniczenie „wpisz wyraźnie zakres wynagrodzeń”, w kolejnym ogłoszeniu odsetek niewykwalifikowanych kandydatów na ogłoszenie wyraźnie spadł, ponieważ tekst jasno określił oczekiwania.

Przypadek 3 – Księgowość, podsumowanie raportu. Kiedy księgowy stwierdził, że „podsumował” 12-stronicowy raport z wydatków, w modelu pominięto ważne pozycje. Kiedy powiedział: „W tym raporcie zestawiono 5 pozycji o najwyższych kosztach ze zmianą procentową w porównaniu z zeszłym miesiącem”, otrzymał dokładnie taką strukturę, jaką przyjąłby na spotkaniu kierownictwa. Treść była ta sama, instrukcje były inne.

Słaba podpowiedź/silna podpowiedź

To samo zadanie, z dwiema różnymi instrukcjami:

Słaba zachęta:

Podsumuj ten tekst.[tekst]

Potężny monit:

Podsumuj poniższą notatkę ze spotkania, która ma zostać przedstawiona zarządowi. - Maksymalnie 5 przedmiotów. - Każdy element powinien zawierać decyzję lub działanie; Pomiń szczegóły czatu. - W nawiasie należy wpisać nazwę działań, za które znana jest osoba odpowiedzialna. - Używaj prostego, formalnego języka. Tekst: [tekst]

Drugi monit mówi modelowi, co ma wyprodukować, dla kogo, w jakim formacie i co pominąć. Model nie „myśli”, ale raczej tworzy prawidłową kontynuację; Rysujesz ramy tej kontynuacji.

Cztery szablony do kopiowania

Cztery proste szablony startowe, które pozwalają szybko zastosować logikę tego urządzenia w praktyce. Wypełnij nawiasy własnymi informacjami.

1) Ramy wzmocnienia wniosku:

Chcę żebyś zrobił to zadanie: [zadanie]Dla kogo: [kupujący/odbiorcy]W jakim formacie: [długość, struktura]Co pominąć: [czego nie chcesz]

2) Sprawdzenie granic modelu (odruch weryfikacyjny):

Jeśli w poniższej odpowiedzi znajdują się stwierdzenia oparte na faktach (numer, data, nazwa, źródło), wyodrębnij je jako osobną listę i oznacz je jako „należy zweryfikować”. Odpowiedź: [wyjście modelu]

3) Wypróbuj to samo zadanie na dwóch poziomach:

Wyjaśnij dwukrotnie następujący temat:A) Zupełnie obcej osobie, w języku potocznym.B) Znawcy danej dziedziny, w ujęciu technicznym.Temat: [temat]

4) Uświadomienie modelu niepewności:

Zanim złożysz moją prośbę, zadaj mi 3 pytania dotyczące punktów, które uważasz za brakujące lub niejasne; następnie wykonaj zgodnie z moimi odpowiedziami.Prośba: [prośba]

Mocne i słabe strony modelu

Temat

Model jest mocny

Model jest słaby/uwaga

sprawy językowe

Pisanie, streszczanie, tłumaczenie, zmiana tonu

Bardzo techniczne/niszowe błędy żargonu

struktura

Konwertuj tekst na tabelę, listę, szkic

Zachowanie spójności w długim tekście

pomysł

Burza mózgów, tworzenie alternatyw

Gwarancja tego, co „właściwe”

sprawa

Informacje ogólne, definicja, objaśnienie

Dane aktualne/dokładne, numer, data, źródło

rozumowanie

Dobrze, jeśli prowadzone są krok po kroku

Nie wykonuj po cichu skomplikowanych obliczeń błędnie

Wskazówka: postrzegaj modela nie jako „wiedzącego wszystko eksperta”, ale jako „asystenta, który bardzo szybko pisze, dużo czyta, ale wszystko, co mówi, wymaga sprawdzenia”. Ten pogląd prawidłowo dostosowuje zarówno Twoje oczekiwania, jak i nawyk kontroli.

Uwaga: Modelka może zapisywać informacje bardzo pewnym językiem, ale nie oznacza to, że informacje są prawidłowe. Zawsze niezależnie sprawdzaj szczegóły faktyczne, zwłaszcza numer, nazwę, datę, statut i źródło. Do tematu tego wrócimy szczegółowo w części 11.

Typowe błędy

Pomylenie modelu z człowiekiem. Podawanie niekompletnych instrukcji poprzez powiedzenie „I tak zrozumieją”. Model nie odczytuje Twoich intencji; Przetwarza tylko to, co wpiszesz.
Poddanie się za jedną próbą. Jeśli początkowy wynik jest słaby, zrzuć winę na narzędzie. Jednak w większości przypadków problem leży w instrukcjach i niewielka korekta może zmienić wynik.
Używanie faktów bez ich weryfikacji. Akceptowanie statystyk lub źródeł wytworzonych przez model bez zastrzeżeń jest najbardziej ryzykownym nawykiem.
Wprowadzanie poufnych danych bez zastanowienia. Wklejanie poufnych informacji bez wiedzy o działaniu narzędzia. Obowiązują w tym zasady, jak zobaczymy w części dotyczącej prywatności.
Mylenie przypadkowości z błędem. Interpretowanie dwóch różnych wyników jako „pojazd jest uszkodzony”; Jednak gdy zwiększysz przejrzystość, wyniki będą zbieżne.

Podsumowując

Model dużego języka działa na zasadzie przewidywania słowa (tokenu), które najprawdopodobniej pojawi się jako następne w podanym tekście; Nie wybiera gotowych odpowiedzi.
Najpotężniejszym czynnikiem determinującym kierunek wyjścia jest podpowiedź podawana jako dane wejściowe.
Silny w modelowym języku, strukturze i ideach; ostrożnie podchodzi do dokładnych faktów, aktualnych danych i skomplikowanych obliczeń.
Ze względu na małą losowość ten sam monit może dawać różne wyniki; W miarę wzrostu przejrzystości wyniki stają się bardziej spójne.
Model nie jest „ekspertem wiernym wszystkiemu, co mówi”, ale „asystentem, który jest szybki, ale wymaga sprawdzenia”.

Zadanie aplikacji

Wybierz zadanie pisemne ze swojej codziennej pracy, które regularnie wykonujesz (na przykład e-mail, podsumowanie lub lista). Najpierw napisz najprostszą jednozdaniową wersję, przekaż ją narzędziu AI i zapisz wynik. Następnie do tego samego zadania; Dodaj odpowiedzi na pytania „dla kogo, w jakim formacie, w jakiej długości i co pominąć” i zadaj je ponownie. Umieść oba wyjścia obok siebie i zanotuj w jednym zdaniu, które dodanie najbardziej poprawia wynik.

lista kontrolna

[ ] Zdałem sobie sprawę, że model „przewidywał następne słowo” i nie odczytywał moich intencji.
[ ] Zdałem sobie sprawę, że jakość wyniku zależy w dużej mierze od jakości podpowiedzi.
[ ] Potrafię rozróżnić typy zadań, w których model jest mocny i słaby.
[ ] Rozumiem, że muszę zweryfikować dane faktyczne (numer, data, nazwa, źródło).
[ ] Potrafię wyjaśnić, dlaczego ten sam monit może dać różne wyniki.