Vinster:
- Förklara hur den stora språkmodellen fungerar genom att förutsäga nästa ord och vad det betyder för snabbskrivning
- Han kan visa varför Prompt bestämmer utskriftskvaliteten så mycket med ett exempel från sitt eget arbete.
- Genom att särskilja modellens styrkor och svagheter kan man bestämma vilka uppgifter som ska användas på ett säkert sätt.
Introduktion till artificiell intelligens och prompt: Hur modellen "tänker"
Det bästa sättet att verkligen lära sig hur man skriver uppmaningar är att först förstå hur verktyget fungerar. I den här enheten kommer vi att se grundlogiken i den stora språkmodellen (förkortat LM; det vill säga systemet med artificiell intelligens som producerar text), varför den är så användbar i ditt dagliga arbete och var den har sina gränser. Uppmaningar skrivna utan denna grund på plats leder ofta till frågan "varför ger de ibland fantastiska resultat och ibland fruktansvärda resultat?" lämnar dig ensam med frågan. Denna osäkerhet kommer i stort sett att försvinna när denna enhet är färdig.
Vad gör egentligen en stor språkmodell?
I sin enklaste definition är den stora språkmodellen ett system som förutsäger det mest sannolika ordet som kommer att följa texten du ger. Genom att undersöka miljarder meningar har modellen lärt sig mönstret "vilket ord kommer efter vilket ord". När du startar en mening tittar modellen på vad som har skrivits hittills och genererar den mest troliga fortsättningen, lägger sedan till det genererade ordet till inmatningen och förutsäger nästa. Denna cykel fortsätter tills svaret är klart.
Låt oss förtydliga termen token som används här: token är den minsta enhet som modellen bryter ner texten i; Det är ungefär storleken på ett ord eller en del av ett ord. Modellen utvecklas inte ord för ord, utan token för token. Den praktiska konsekvensen för dig är att modellen inte är en människa som "förstår" din avsikt, utan en mycket kraftfull prediktiv maskin som statistiskt väljer ut den lämpligaste fortsättningen för den text du ger den.
Den viktigaste innebörden av denna definition är att den mest kraftfulla bestämningsfaktorn för utmatningens riktning är den text du ger som input. Så din uppmaning. Modellen hämtar inte ett färdigt svar från en databas, gör ingen livesökning på internet och kopierar inte sidor (om inte annat specifikt anges). Den producerar bara text som bäst passar det sammanhang du ger den. En bra input är den mest avgörande förutsättningen för en bra output.
Varför "Samma modell, annorlunda resultat"?
Modellen använder också en liten slumpmässig marginal för att välja det mest sannolika ordet varje gång; Därför, när du frågar samma uppmaning två gånger, kanske du inte får exakt samma meningar. Detta är inte en bugg, det är en del av designen. Ditt jobb är att rita en ram som är tillräckligt tydlig för att inte lämna resultatet åt slumpen. Ju tydligare ramarna är, desto närmare och mer användbara blir resultaten av två olika experiment.
Steg för steg: hur fortskrider en förfrågan genom modellen?
- Läser ingången. Varje ord du skriver är en ledtråd som styr förutsägelsen. När du säger "som en senior advokat" gör modellen texter närmare den tonen mer sannolika.
- Väger sammanhanget. Bakgrunden, begränsningarna och exemplen du ger begränsar uppskattningen. Om kontexten är tom, fyller modellen i tomrummen med sina egna antaganden.
- Den producerar ord för ord. Varje token som den producerar blir indata för nästa; så riktningen du ger i början övergår till hela svaret.
- Han stannar. Det avbryter produktionen när uppgiften är klar eller når den längd du angett.
Tre minifodral: snabb skillnad i siffror
Fall 1 – Marknadsförare, e-postämne. När en marknadsföringsexpert sa "föreslå ett ämne för kampanjen", fick han 5 allmänna titlar och gillade inte någon av dem; Han ägnade 20 minuter åt att rätta till det för hand. Nästa dag, när han sa: "Målgruppen är små och medelstora företagsägare i åldern 30-45, produkten är ett molnredovisningsprogram, 6 enheter, var och en med max 45 tecken, spännande men underskattad," använde han direkt 4 av de 6 rubrikerna. Längden minskade från 20 minuter till 4 minuter.
Fall 2 – Personal, annonstext. En HR-specialist fick en text med uppmaningen "skriv ett jobb för mjukvaruutvecklare". När vi lade till företagets faktiska språk (3 meningars kulturbeskrivning), 4 obligatoriska kvalifikationer och begränsningen av "skriv löneintervallet tydligt" till prompten, minskade andelen okvalificerade sökande till annonsen märkbart i nästa annons eftersom texten tydligt fastställde förväntningarna.
Fall 3 — Redovisning, rapportsammanfattning. När en redovisningschef sa att han "sammanfattade" en 12-sidig kostnadsrapport utelämnade modellen viktiga poster. När han sa: "Från den här rapporten är de 5 högsta utgiftsposterna tabellerade med den procentuella förändringen jämfört med förra månaden," fick han exakt den struktur han skulle ta på ledningsmötet. Innehållet var detsamma, instruktionerna var olika.
Svag prompt / Stark prompt
Samma jobb, med två olika instruktioner:
Svag uppmaning:
Sammanfatta denna text.[text]
Kraftfull uppmaning:
Sammanfatta mötesanteckningen nedan som ska presenteras för styrelsen. - Max 5 artiklar. - Varje punkt bör innehålla ett beslut eller en åtgärd; Hoppa över chattdetaljerna. - Skriv namnet inom parentes för handlingar som den ansvarige är känd för. - Använd ett vanligt, formellt språk. Text: [text]
Den andra uppmaningen talar om för modellen vad den ska producera, för vem, i vilket format och vad den ska hoppa över. Modellen gör inte "tänket" utan snarare framställningen av den korrekta fortsättningen; Du ritar ramarna för den fortsättningen.
Fyra kopieringsbara mallar
Fyra enkla startmallar för att snabbt omsätta logiken i denna enhet i praktiken. Fyll i parentes med dina egna uppgifter.
1) Ram för att stärka en begäran:
Jag vill att du gör den här uppgiften: [uppgift]För vem: [köpare/publik]I vilket format: [längd, struktur]Vad ska du hoppa över: [vad du inte vill ha]
2) Kontrollera modellens gränser (verifieringsreflex):
Om det finns sakliga påståenden (nummer, datum, namn, källa) i ditt svar nedan, extrahera var och en som en separat lista och markera den som "måste verifieras". Svar: [utgång av modellen]
3) Prova samma uppgift på två nivåer:
Förklara följande ämne två gånger:A) För en helt främling, i vardagsspråk.B) För en expert på området, i tekniska termer.Ämne: [ämne]
4) Att få modellen att inse osäkerheten:
Innan du gör den förfrågan jag ger dig, ställ mig 3 frågor om de punkter du tycker saknas eller är otydliga; producera sedan enligt mina svar.Request: [request]
Modellens styrkor och svagheter
Ämne
Modellen är stark
Modellen är svag / försiktig
språkfrågor
Skriva, sammanfatta, översätta, ändra tonfall
Mycket tekniska/nischade jargongfel
struktur
Konvertera text till tabell, lista, skiss
Bibehåll konsekvens i lång text
idé
Brainstorming, skapa alternativ
Garanterar vad som är "rätt"
fall
Allmän information, definition, förklaring
Aktuell/exakt data, nummer, datum, källa
resonemang
Bra om man guidar steg för steg
Gör inte komplicerade beräkningar fel tyst
Tips: Se modellen inte som en "kunnig-expert" utan som en "assistent som skriver väldigt snabbt, läser mycket, men allt han säger måste verifieras." Denna vy justerar korrekt både dina förväntningar och din kontrollvana.
Observera: Modellen kan skriva information på ett mycket säkert språk, men det betyder inte att informationen är korrekt. Verifiera alltid sakliga detaljer på egen hand, särskilt nummer, namn, datum, stadgar och källa. Vi kommer att återkomma till detta ämne i detalj i del 11.
Vanliga misstag
- Misstag modellen för en människa. Ge ofullständiga instruktioner genom att säga "De kommer att förstå ändå". Modellen läser inte din avsikt; Den bearbetar bara det du skriver.
- Ge upp på ett försök. Om den initiala utgången är dålig, skyll på verktyget. Men oftast ligger problemet i instruktionerna och en liten korrigering kan förändra resultatet.
- Att använda fakta utan att verifiera dem. Att acceptera en statistik eller källa som produceras av modellen utan att ifrågasätta är den mest riskabla vanan.
- Ange konfidentiell data utan att tänka. Klistra in känslig information utan att veta hur verktyget fungerar. Det finns regler för detta, som vi kommer att se i integritetsenheten.
- Missförstå slumpmässighet för ett misstag. Att tolka två olika resultat som "fordonet är trasigt"; Men när du ökar tydligheten konvergerar resultaten.
Sammanfattningsvis
- Den stora språkmodellen fungerar genom att förutsäga det ord (token) som med största sannolikhet kommer att dyka upp härnäst i texten du ger; Han väljer inte färdiga svar.
- Den mest kraftfulla faktorn som bestämmer riktningen för utmatningen är uppmaningen du ger som input.
- Stark i modellspråk, struktur och föreställning; är noggrann med exakta fakta, aktuella data och komplexa beräkningar.
- På grund av liten slumpmässighet kan samma prompt ge olika resultat; När tydligheten ökar blir resultaten mer konsekventa.
- Modellen är inte "en expert som är sann mot allt han säger", utan "en assistent som är snabb men behöver verifieras".
Applikationsuppgift
Välj en skrivuppgift från ditt dagliga jobb som du gör regelbundet (ett e-postmeddelande, en sammanfattning eller en lista, till exempel). Skriv först den enklaste versionen med en mening, ge den till ett AI-verktyg och spara utdata. Sedan till samma uppgift; Lägg till svaren på frågorna "för vem, i vilket format, i vilken längd och vad du ska hoppa över" och ställ dem igen. Placera de två utgångarna sida vid sida och notera i en mening vilken tillägg som förbättrar resultatet mest.
checklista
- [ ] Jag insåg att modellen "förutspådde nästa ord" och inte läste min avsikt.
- [ ] Jag insåg att kvaliteten på resultatet till stor del beror på kvaliteten på prompten.
- [ ] Jag kan skilja på uppgiftstyper där modellen är stark och svag.
- [ ] Jag förstår att jag behöver verifiera faktiska detaljer (nummer, datum, namn, källa).
- [ ] Jag kan förklara varför samma prompt kan ge olika resultat.