กำไร:
- อธิบายว่าโมเดลภาษาขนาดใหญ่ทำงานอย่างไรโดยการคาดเดาคำถัดไป และความหมายของสิ่งนี้ในการเขียนทันที
- เขาสามารถแสดงให้เห็นได้ว่าทำไม Prompt ถึงกำหนดคุณภาพผลงานได้มากด้วยตัวอย่างจากผลงานของเขาเอง
- ด้วยการแยกแยะจุดแข็งและจุดอ่อนของโมเดล เราสามารถตัดสินใจได้ว่าจะใช้งานใดอย่างปลอดภัย
ความรู้เบื้องต้นเกี่ยวกับปัญญาประดิษฐ์และการแจ้ง: โมเดล "คิด" อย่างไร
วิธีที่ดีที่สุดในการเรียนรู้วิธีเขียนข้อความแจ้งอย่างแท้จริงคือการทำความเข้าใจวิธีการทำงานของเครื่องมือก่อน ในหน่วยนี้ เราจะดูตรรกะพื้นฐานของแบบจำลองภาษาขนาดใหญ่ (เรียกสั้น ๆ ว่า LLM นั่นคือระบบปัญญาประดิษฐ์ที่สร้างข้อความ) เหตุใดจึงมีประโยชน์มากในการทำงานประจำวันของคุณ และมีขีดจำกัดในจุดใด ข้อความแจ้งที่เขียนโดยไม่มีรากฐานนี้มักจะนำไปสู่คำถามที่ว่า "เหตุใดบางครั้งจึงให้ผลลัพธ์ที่ยอดเยี่ยมและบางครั้งก็ได้ผลลัพธ์ที่แย่มาก" ทิ้งคุณไว้กับคำถาม ความไม่แน่นอนนี้จะหายไปเป็นส่วนใหญ่เมื่อยูนิตนี้เสร็จสมบูรณ์
โมเดลภาษาขนาดใหญ่ทำอะไรได้จริง?
ในคำจำกัดความที่ง่ายที่สุด โมเดลภาษาใหญ่คือระบบที่คาดเดาคำที่มีแนวโน้มมากที่สุดที่จะเป็นไปตามข้อความที่คุณให้ ด้วยการตรวจสอบประโยคหลายพันล้านประโยค แบบจำลองจึงได้เรียนรู้รูปแบบ "คำไหนเกิดหลังคำไหน" เมื่อคุณเริ่มประโยค โมเดลจะพิจารณาสิ่งที่เขียนไปแล้วและสร้างประโยคต่อเนื่องที่เป็นไปได้มากที่สุด จากนั้นจึงเพิ่มคำที่สร้างขึ้นลงในอินพุตและคาดการณ์คำถัดไป วงจรนี้จะดำเนินต่อไปจนกว่าการตอบสนองจะเสร็จสมบูรณ์
เรามาทำความเข้าใจกับคำว่าโทเค็นที่ใช้ในที่นี้กันดีกว่า: โทเค็นเป็นหน่วยที่เล็กที่สุดที่โมเดลใช้ในการแยกข้อความ มีขนาดโดยประมาณของคำหรือส่วนของคำ โมเดลไม่ได้ดำเนินไปทีละคำ แต่เป็นโทเค็นต่อโทเค็น ผลลัพธ์ในทางปฏิบัติสำหรับคุณก็คือ แบบจำลองไม่ใช่มนุษย์ที่ "เข้าใจ" ความตั้งใจของคุณ แต่เป็นเครื่องทำนายที่ทรงพลังมาก ซึ่งจะเลือกความต่อเนื่องที่เหมาะสมที่สุดทางสถิติสำหรับข้อความที่คุณให้ไว้
ความหมายโดยนัยที่สำคัญที่สุดของคำจำกัดความนี้คือ ตัวกำหนดทิศทางของเอาต์พุตที่ทรงพลังที่สุดคือข้อความที่คุณป้อนเป็นอินพุต ดังนั้นพร้อมท์ของคุณ แบบจำลองไม่ได้ดึงคำตอบสำเร็จรูปจากฐานข้อมูล ไม่ทำการค้นหาสดบนอินเทอร์เน็ต และไม่คัดลอกหน้า (เว้นแต่จะระบุไว้เป็นอย่างอื่นโดยเฉพาะ) สร้างเฉพาะข้อความที่เหมาะกับบริบทที่คุณให้มากที่สุดเท่านั้น อินพุตที่ดีคือเงื่อนไขที่สำคัญที่สุดสำหรับเอาต์พุตที่ดี
ทำไม "รุ่นเดียวกัน ผลลัพธ์ต่างกัน"?
แบบจำลองยังใช้การสุ่มเล็กน้อยในการเลือกคำที่มีแนวโน้มมากที่สุดในแต่ละครั้ง ดังนั้น เมื่อคุณถามพร้อมท์เดียวกันสองครั้ง คุณอาจไม่ได้รับประโยคที่เหมือนกันทุกประการ นี่ไม่ใช่จุดบกพร่อง แต่เป็นส่วนหนึ่งของการออกแบบ งานของคุณคือการวางกรอบการทำงานให้ชัดเจนพอที่จะไม่ปล่อยให้ผลลัพธ์เป็นไปโดยบังเอิญ ยิ่งกรอบการทำงานมีความชัดเจนเท่าไร ผลลัพธ์ของการทดลองสองแบบที่แตกต่างกันก็จะยิ่งใกล้และมีประโยชน์มากขึ้นเท่านั้น
ทีละขั้นตอน: คำขอมีความคืบหน้าผ่านโมเดลอย่างไร
- อ่านอินพุต ทุกคำที่คุณเขียนเป็นเบาะแสที่แนะนำการทำนาย เมื่อคุณพูดว่า “เหมือนทนายความอาวุโส” โมเดลจะทำให้ข้อความใกล้เคียงกับน้ำเสียงนั้นมากขึ้น
- ชั่งน้ำหนักบริบท พื้นหลัง ข้อจำกัด และตัวอย่างที่คุณให้แคบลงในการประมาณการ หากบริบทว่างเปล่า โมเดลจะเติมข้อมูลในช่องว่างด้วยสมมติฐานของตัวเอง
- มันผลิตคำต่อคำ แต่ละโทเค็นที่สร้างขึ้นจะกลายเป็นอินพุตสำหรับโทเค็นถัดไป ดังนั้นทิศทางที่คุณให้ไว้ตอนต้นจะส่งต่อไปยังคำตอบทั้งหมด
- เขาหยุด โดยจะขัดจังหวะการผลิตเมื่องานเสร็จสิ้นหรือถึงความยาวที่คุณระบุ
เคสเล็กๆ น้อยๆ สามเคส: ตัวเลขที่ต่างกันอย่างรวดเร็ว
กรณีที่ 1 — ผู้เชี่ยวชาญด้านการตลาด หัวเรื่องอีเมล เมื่อผู้เชี่ยวชาญด้านการตลาดพูดว่า "แนะนำหัวข้อสำหรับแคมเปญ" เขาได้รับ 5 ชื่อทั่วไปและไม่ชอบเลย เขาใช้เวลา 20 นาทีในการแก้ไขด้วยมือ วันรุ่งขึ้นเมื่อเขากล่าวว่า “กลุ่มเป้าหมายคือเจ้าของ SME อายุ 30-45 ปี ผลิตภัณฑ์นี้เป็นซอฟต์แวร์บัญชีคลาวด์ จำนวน 6 หน่วย แต่ละหน่วยมีความยาวสูงสุด 45 ตัวอักษร น่าสนใจแต่ไม่ซับซ้อน” เขาใช้หัวข้อข่าวโดยตรง 4 รายการจากทั้งหมด 6 รายการ ระยะเวลาลดลงจาก 20 นาทีเป็น 4 นาที
กรณีที่ 2 — ทรัพยากรบุคคล ข้อความโฆษณา ผู้เชี่ยวชาญด้านทรัพยากรบุคคลได้รับข้อความสำเร็จรูปพร้อมข้อความ "เขียนงานนักพัฒนาซอฟต์แวร์" เมื่อเราเพิ่มภาษาจริงของบริษัท (คำอธิบายวัฒนธรรม 3 ประโยค) คุณสมบัติบังคับ 4 ประการ และข้อจำกัด "เขียนช่วงเงินเดือนอย่างชัดเจน" ลงในพรอมต์ อัตราของผู้สมัครที่ไม่ผ่านคุณสมบัติในการโฆษณาลดลงอย่างเห็นได้ชัดในโฆษณาครั้งต่อไป เนื่องจากข้อความกำหนดความคาดหวังไว้อย่างชัดเจน
กรณีที่ 3 — การบัญชี สรุปรายงาน เมื่อผู้บริหารบัญชีบอกว่าเขา "สรุป" รายงานค่าใช้จ่าย 12 หน้า โมเดลจะละเว้นรายการที่สำคัญ เมื่อเขากล่าวว่า "จากรายงานนี้ รายการค่าใช้จ่ายสูงสุด 5 รายการจะถูกจัดตารางด้วยเปอร์เซ็นต์การเปลี่ยนแปลงเมื่อเทียบกับเดือนที่แล้ว" เขาได้โครงสร้างที่แน่นอนที่จะใช้ในการประชุมฝ่ายบริหาร เนื้อหาเหมือนกัน คำแนะนำต่างกัน
พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง
งานเดียวกันโดยมีคำแนะนำสองประการที่แตกต่างกัน:
พรอมต์ที่อ่อนแอ:
สรุปข้อความนี้[ข้อความ]
พรอมต์อันทรงพลัง:
สรุปบันทึกการประชุมด้านล่างเพื่อเสนอต่อคณะกรรมการบริษัท - สูงสุด 5 รายการ - แต่ละรายการควรมีการตัดสินใจหรือการกระทำ ข้ามรายละเอียดการแชท - เขียนชื่อในวงเล็บของการกระทำที่รู้จักผู้รับผิดชอบ - ใช้ภาษาธรรมดาและเป็นทางการ ข้อความ: [ข้อความ]
พรอมต์ที่สองจะบอกโมเดลว่าจะผลิตอะไร เพื่อใคร ในรูปแบบใด และควรข้ามอะไรไป แบบจำลองไม่ได้ทำการ "คิด" แต่เป็นการผลิตความต่อเนื่องที่ถูกต้อง คุณวาดกรอบของความต่อเนื่องนั้น
เทมเพลตที่คัดลอกได้สี่แบบ
เทมเพลตเริ่มต้นง่ายๆ สี่แบบเพื่อนำตรรกะในหน่วยนี้ไปปฏิบัติได้อย่างรวดเร็ว กรอกข้อมูลของคุณเองลงในวงเล็บ
1) กรอบการเสริมสร้างความเข้มแข็งของคำขอ:
ฉันต้องการให้คุณทำงานนี้: [งาน] สำหรับใคร: [ผู้ซื้อ/ผู้ชม] ในรูปแบบใด: [ความยาว โครงสร้าง] สิ่งที่ควรข้าม: [สิ่งที่คุณไม่ต้องการ]
2) การตรวจสอบขอบเขตของแบบจำลอง (การยืนยันแบบสะท้อน):
หากมีการกล่าวอ้างข้อเท็จจริง (หมายเลข วันที่ ชื่อ แหล่งที่มา) ในคำตอบของคุณด้านล่าง ให้แยกแต่ละรายการเป็นรายการแยกต่างหากและทำเครื่องหมายว่า "ต้องได้รับการยืนยัน" คำตอบ: [ผลลัพธ์ของโมเดล]
3) ลองงานเดียวกันในสองระดับ:
อธิบายหัวข้อต่อไปนี้สองครั้ง:A) ถึงคนแปลกหน้าโดยสมบูรณ์ในภาษาที่ใช้ในชีวิตประจำวัน B) ถึงผู้เชี่ยวชาญในสาขานั้น ในแง่เทคนิค หัวข้อ: [หัวข้อ]
4) ทำให้แบบจำลองตระหนักถึงความไม่แน่นอน:
ก่อนที่จะส่งคำขอที่ฉันให้คุณ ให้ถามคำถาม 3 ข้อเกี่ยวกับประเด็นที่คุณพบว่าขาดหายไปหรือไม่ชัดเจน แล้วผลิตตามคำตอบของฉันคำขอ: [คำขอ]
จุดแข็งและจุดอ่อนของแบบจำลอง
เรื่อง
โมเดลมีความแข็งแกร่ง
โมเดลอ่อนแอ / ข้อควรระวัง
เรื่องภาษา
การเขียน การสรุป การแปล การเปลี่ยนโทนเสียง
ข้อผิดพลาดทางเทคนิค/ศัพท์แสงเฉพาะกลุ่มมาก
โครงสร้าง
แปลงข้อความเป็นตาราง รายการ ร่าง
การรักษาความสม่ำเสมอในข้อความยาว
ความคิด
ระดมความคิดสร้างทางเลือก
รับประกันว่าอะไรคือ "ความถูกต้อง"
กรณี
ข้อมูลทั่วไป ความหมาย คำอธิบาย
ข้อมูลปัจจุบัน/ที่แน่นอน ตัวเลข วันที่ แหล่งที่มา
การใช้เหตุผล
ดีถ้าได้รับคำแนะนำทีละขั้นตอน
อย่าทำการคำนวณที่ซับซ้อนผิดพลาดอย่างเงียบๆ
เคล็ดลับ: มองโมเดลไม่ใช่ในฐานะ "ผู้เชี่ยวชาญที่รอบรู้" แต่ในฐานะ "ผู้ช่วยที่เขียนเร็วมาก อ่านมาก แต่ทุกสิ่งที่เขาพูดต้องได้รับการตรวจสอบ" มุมมองนี้จะปรับทั้งความคาดหวังและพฤติกรรมการควบคุมของคุณอย่างถูกต้อง
ข้อควรสนใจ: โมเดลอาจเขียนข้อมูลด้วยภาษาที่มีความมั่นใจสูง แต่ไม่ได้หมายความว่าข้อมูลนั้นถูกต้อง ตรวจสอบรายละเอียดข้อเท็จจริงโดยอิสระเสมอ โดยเฉพาะหมายเลข ชื่อ วันที่ กฎหมาย และแหล่งที่มา เราจะกลับมาที่หัวข้อนี้โดยละเอียดในหน่วยที่ 11
ข้อผิดพลาดทั่วไป
- เข้าใจผิดว่าเป็นแบบจำลองของมนุษย์ ให้คำแนะนำที่ไม่สมบูรณ์โดยพูดว่า "พวกเขาจะเข้าใจต่อไป" โมเดลไม่ได้อ่านเจตนาของคุณ มันจะประมวลผลเฉพาะสิ่งที่คุณพิมพ์เท่านั้น
- ยอมแพ้ในความพยายามครั้งเดียว หากเอาต์พุตเริ่มต้นไม่ดี ให้ตำหนิเครื่องมือนั้น อย่างไรก็ตาม ปัญหาส่วนใหญ่อยู่ที่คำแนะนำและการแก้ไขเล็กน้อยสามารถเปลี่ยนผลลัพธ์ได้
- การใช้ข้อเท็จจริงโดยไม่ตรวจสอบ การยอมรับสถิติหรือแหล่งที่มาที่สร้างโดยแบบจำลองโดยไม่มีคำถามถือเป็นพฤติกรรมที่เสี่ยงที่สุด
- การป้อนข้อมูลที่เป็นความลับโดยไม่ต้องคิด การวางข้อมูลที่ละเอียดอ่อนโดยไม่รู้ว่าเครื่องมือทำงานอย่างไร มีกฎเกณฑ์ในเรื่องนี้ ดังที่เราจะเห็นในหน่วยความเป็นส่วนตัว
- เข้าใจผิดโดยบังเอิญสำหรับความผิดพลาด การตีความผลลัพธ์สองประการที่แตกต่างกันว่า "รถเสีย"; อย่างไรก็ตาม เมื่อคุณเพิ่มความชัดเจน ผลลัพธ์ก็จะมาบรรจบกัน
โดยสรุป
- โมเดลภาษาขนาดใหญ่ทำงานโดยการทำนายคำ (โทเค็น) ที่มีแนวโน้มมากที่สุดที่จะปรากฏถัดไปในข้อความที่คุณให้ เขาไม่เลือกคำตอบสำเร็จรูป
- ปัจจัยที่ทรงพลังที่สุดที่กำหนดทิศทางของเอาต์พุตคือพรอมต์ที่คุณระบุเป็นอินพุต
- มีทักษะด้านภาษา โครงสร้าง และความคิดที่เป็นแบบอย่าง ระมัดระวังข้อเท็จจริง ข้อมูลปัจจุบัน และการคำนวณที่ซับซ้อน
- เนื่องจากการสุ่มเล็กน้อย ข้อความเดียวกันอาจให้ผลลัพธ์ที่แตกต่างกัน เมื่อความชัดเจนเพิ่มขึ้น ผลลัพธ์ก็จะมีความสม่ำเสมอมากขึ้น
- โมเดลนี้ไม่ใช่ "ผู้เชี่ยวชาญที่ซื่อสัตย์ต่อทุกสิ่งที่เขาพูด" แต่เป็น "ผู้ช่วยที่รวดเร็วแต่ต้องได้รับการตรวจสอบ"
งานสมัคร
เลือกงานเขียนจากงานประจำวันที่คุณทำเป็นประจำ (เช่น อีเมล สรุป หรือรายการ) ขั้นแรก เขียนเวอร์ชันประโยคเดียวที่ง่ายที่สุด มอบให้กับเครื่องมือ AI และบันทึกผลลัพธ์ แล้วไปทำงานเดียวกัน เพิ่มคำตอบของคำถาม "สำหรับใคร ในรูปแบบใด ความยาวเท่าใด และควรข้ามไปอย่างไร" แล้วถามอีกครั้ง วางเอาต์พุตทั้งสองไว้เคียงข้างกันและจดไว้ในประโยคเดียวซึ่งการบวกจะช่วยปรับปรุงผลลัพธ์ได้มากที่สุด
รายการตรวจสอบ
- [ ] ฉันรู้ว่าโมเดลกำลัง "ทำนายคำถัดไป" และไม่อ่านความตั้งใจของฉัน
- [ ] ฉันตระหนักว่าคุณภาพของผลลัพธ์ขึ้นอยู่กับคุณภาพของข้อความแจ้งเป็นส่วนใหญ่
- [ ] ฉันสามารถแยกแยะระหว่างประเภทงานที่แบบจำลองมีความแข็งแกร่งและอ่อนแอได้
- [ ] ฉันเข้าใจว่าฉันต้องตรวจสอบรายละเอียดข้อเท็จจริง (หมายเลข วันที่ ชื่อ แหล่งที่มา)
- [ ] ฉันสามารถอธิบายได้ว่าทำไมข้อความเดียวกันจึงสามารถให้ผลลัพธ์ที่แตกต่างกันได้