Добици:
- Објасните како функционише модел великог језика предвиђањем следеће речи и шта то значи за брзо писање
- Он може показати зашто Промпт толико одређује квалитет излаза на примеру из сопственог рада.
- Разликовањем предности и мана модела, може се одлучити који задаци ће га безбедно користити.
Увод у вештачку интелигенцију и брз: како модел „размишља“
Најбољи начин да заиста научите како да пишете упутства је да прво разумете како алатка функционише. У овој јединици ћемо видети основну логику модела великог језика (скраћено ЛЛМ; односно систем вештачке интелигенције који производи текст), зашто је толико користан у вашем свакодневном раду и где има своје границе. Упутства написана без ове основе често доводе до питања „зашто понекад дају сјајне, а понекад ужасне резултате?“ оставља на миру са питањем. Ова неизвесност ће у великој мери нестати када се ова јединица заврши.
Шта заправо ради модел великог језика?
У својој најједноставнијој дефиницији, модел великог језика је систем који предвиђа највероватније реч која ће пратити текст који дате. Испитујући милијарде реченица, модел је научио образац „која реч долази после које речи“. Када започнете реченицу, модел гледа шта је до сада написано и генерише највероватнији наставак, затим додаје генерисану реч на улаз и предвиђа следећу. Овај циклус се наставља све док се одговор не заврши.
Хајде да разјаснимо термин токен који се овде користи: токен је најмања јединица на коју модел разлаже текст; Отприлике је величине речи или дела речи. Модел не напредује реч по реч, већ знак по жетон. Практична последица за вас је да модел није људско биће које „разуме“ вашу намеру, већ веома моћна предиктивна машина која статистички бира најпогоднији наставак за текст који му дате.
Најважнија импликација ове дефиниције је да је најмоћнија детерминанта смера излаза текст који дајете као улаз. Дакле, ваш упит. Модел не извлачи готов одговор из базе података, не врши претрагу уживо на интернету и не копира странице (осим ако није другачије наведено). Он производи само текст који најбоље одговара контексту који му дате. Добар инпут је најважнији услов за добар резултат.
Зашто „Исти модел, другачији резултат“?
Модел такође користи малу маргину случајности у избору највероватније речи сваки пут; Стога, када двапут питате исти упит, можда нећете добити потпуно исте реченице. Ово није грешка, то је део дизајна. Ваш посао је да нацртате оквир довољно јасан да не препустите исход случају. Што је оквир јаснији, то ће резултати два различита експеримента бити ближи и кориснији.
Корак по корак: како захтев напредује кроз модел?
- Чита унос. Свака реч коју напишете је траг који води предвиђање. Када кажете „као старији адвокат“, модел чини текстове ближим том тону.
- Одмерава контекст. Позадина, ограничења и примери које дајете сужавају процену. Ако је контекст празан, модел попуњава празнине својим сопственим претпоставкама.
- Она производи реч по реч. Сваки токен који производи постаје улаз за следећи; тако да се правац који сте дали на почетку преноси на цео одговор.
- Он стаје. Прекида производњу када је задатак завршен или достигне дужину коју сте навели.
Три мини случаја: брза разлика у бројевима
Случај 1 — Стручњак за маркетинг, предмет е-поште. Када је маркетиншки стручњак рекао „предложи тему за кампању“, добио је 5 општих наслова и ниједна му се није допала; Провео је 20 минута исправљајући га руком. Следећег дана, када је рекао: „Циљна публика су власници малих и средњих предузећа старости 30-45 година, производ је софтвер за рачуноводство у облаку, 6 јединица, свака са највише 45 карактера, интригантно, али потцењено“, директно је употребио 4 од 6 наслова. Трајање се смањило са 20 минута на 4 минута.
Случај 2 — Људски ресурси, текст огласа. Специјалиста за људске ресурсе је добио шаблонски текст са упитом „напишите посао програмера софтвера“. Када смо упиту додали стварни језик компаније (опис културе у 3 реченице), 4 обавезне квалификације и ограничење „јасно напишите распон плата“, стопа неквалификованих кандидата на оглас се приметно смањила у следећем огласу јер је текст јасно утврдио очекивање.
Случај 3 — Рачуноводство, сажетак извештаја. Када је руководилац рачуноводства рекао да је „сумирао“ извештај о трошковима од 12 страница, модел је изоставио важне ставке. Када је рекао: „Из овог извештаја, 5 највећих расходних ставки су табеларно са процентуалним променама у односу на прошли месец“, добио је управо структуру коју би изнео на састанак руководства. Садржај је био исти, упутства другачија.
Слаба порука / јака промпт
Исти посао, са два различита упутства:
Слабо обавештење:
Сажмите овај текст.[текст]
Снажан упит:
Сажмите белешку са састанка у наставку како бисте били представљени управном одбору. - Највише 5 ставки. - Свака ставка треба да садржи одлуку или радњу; Прескочите детаље ћаскања. - У загради упишите назив за радње за које је познато одговорно лице. - Користите обичан, формални језик. Текст: [текст]
Други промпт говори моделу шта да произведе, за кога, у ком формату и шта да прескочи. Модел не врши „размишљање“ већ радије производи исправан наставак; Ви цртате оквир тог наставка.
Четири шаблона за копирање
Четири једноставна стартна шаблона за брзо спровођење логике у овој јединици у пракси. Попуните заграде својим подацима.
1) Оквир за јачање захтева:
Желим да урадите овај задатак: [задатак]За кога: [купац/публика]У ком формату: [дужина, структура]Шта да прескочите: [шта не желите]
2) Провера граница модела (рефлекс верификације):
Ако у вашем одговору испод постоје чињеничне тврдње (број, датум, име, извор), издвојите сваку као засебну листу и означите је као „мора бити потврђено“. Одговор: [излаз модела]
3) Пробајте исти задатак на два нивоа:
Објасните следећу тему два пута: А) Потпуном странцу, свакодневним језиком. Б) Стручњаку у тој области, техничким речима. Тема: [тема]
4) Учинити модел да схвати несигурност:
Пре него што упутите захтев који вам дајем, поставите ми 3 питања о тачкама које вам недостају или су нејасне; онда произвести према мојим одговорима.Захтев: [захтев]
Снаге и слабости модела
Предмет
Модел је јак
Модел је слаб / опрез
језичке послове
Писање, сажимање, превођење, промена тона
Веома техничке грешке/грешке у нишном жаргону
структура
Претворите текст у табелу, листу, скицу
Одржавање доследности у дугом тексту
идеја
Браинсторминг, генерисање алтернатива
Гарантовање шта је "исправно"
случај
Опште информације, дефиниција, објашњење
Тренутни/тачни подаци, број, датум, извор
расуђивање
Добро ако се води корак по корак
Не правите погрешне сложене прорачуне тихо
Савет: Не гледајте на модел као на „свезналог стручњака“, већ као на „помоћника који пише веома брзо, пуно чита, али све што каже треба да се провери“. Овај приказ исправно прилагођава и ваша очекивања и вашу навику контроле.
Пажња: Модел може писати информације на веома поузданом језику, али то не значи да су информације тачне. Увек независно проверавајте чињеничне детаље, посебно број, име, датум, статут и извор. На ову тему ћемо се детаљно вратити у јединици 11.
Уобичајене грешке
- Погрешио модел за човека. Давање непотпуних инструкција говорећи „Ионако ће разумети“. Модел не чита вашу намеру; Обрађује само оно што унесете.
- Одустајање у једном покушају. Ако је почетни учинак лош, окривите алат. Међутим, већину времена проблем је у упутствима и мала корекција може променити резултат.
- Коришћење чињеница без њихове провере. Без сумње је прихватање статистике или извора произведеног од стране модела најризичнија навика.
- Уношење поверљивих података без размишљања. Лепљење осетљивих информација без знања како алатка функционише. За ово постоје правила, као што ћемо видети у јединици за приватност.
- Грешка случајност за грешку. Тумачење два различита резултата као „возило је покварено“; Међутим, када повећате јасноћу, резултати се приближавају.
Укратко
- Модел великог језика функционише тако што предвиђа реч (токен) која ће се највероватније појавити следећа у тексту који дате; Не бира готове одговоре.
- Најмоћнији фактор који одређује правац излаза је промпт који дајете као улаз.
- Снажан у моделском језику, структури и идејама; је пажљив са прецизним чињеницама, актуелним подацима и сложеним прорачунима.
- Због мале насумице исти упит може дати различите резултате; Како се јасноћа повећава, резултати постају доследнији.
- Манекенка није „стручњак који је веран свему што каже“, већ „асистент који је брз али га треба проверити“.
Задатак апликације
Изаберите задатак писања из свог свакодневног посла који редовно обављате (на пример, имејл, резиме или листа). Прво, напишите најједноставнију верзију од једне реченице, дајте је АИ алату и сачувајте резултат. Затим на исти задатак; Додајте одговоре на питања „за кога, у ком формату, у којој дужини и шта да прескочите“ и поново их поставите. Поставите два излаза један поред другог и забележите у једној реченици који додатак највише побољшава резултат.
контролна листа
- [ ] Схватио сам да модел „предвиђа следећу реч“ а не чита моју намеру.
- [ ] Схватио сам да квалитет излаза у великој мери зависи од квалитета промпта.
- [ ] Могу да разликујем типове задатака где је модел јак и слаб.
- [ ] Разумем да морам да проверим чињеничне детаље (број, датум, име, извор).
- [ ] Могу да објасним зашто иста промпт може дати различите резултате.