Mga nadagdag:
- Ipaliwanag kung paano gumagana ang malaking modelo ng wika sa pamamagitan ng paghula sa susunod na salita at kung ano ang ibig sabihin nito para sa mabilisang pagsulat
- Maipapakita niya kung bakit masyadong tinutukoy ng Prompt ang kalidad ng output gamit ang isang halimbawa mula sa kanyang sariling gawa.
- Sa pamamagitan ng pagkilala sa mga kalakasan at kahinaan ng modelo, maaaring magpasya ang isa kung aling mga gawain ang ligtas na gagamitin nito.
Panimula sa Artificial Intelligence at Prompt: Paano "Nag-iisip" ang Modelo
Ang pinakamahusay na paraan upang tunay na matutunan kung paano magsulat ng mga prompt ay ang unang maunawaan kung paano gumagana ang tool. Sa yunit na ito, makikita natin ang pangunahing lohika ng malaking modelo ng wika (LLM para sa maikli; iyon ay, ang artificial intelligence system na gumagawa ng teksto), kung bakit ito kapaki-pakinabang sa iyong pang-araw-araw na gawain at kung saan ito ay may mga limitasyon. Ang mga senyas na nakasulat nang walang pundasyong ito ay kadalasang humahantong sa tanong na "bakit sila minsan ay gumagawa ng magagandang resulta at kung minsan ay kakila-kilabot na mga resulta?" iniiwan kang mag-isa sa tanong. Ang kawalan ng katiyakan na ito ay higit na mawawala kapag natapos ang unit na ito.
Ano ang Talagang Ginagawa ng Malaking Modelo ng Wika?
Sa pinakasimpleng kahulugan nito, ang modelo ng malaking wika ay isang sistema na hinuhulaan ang pinaka-malamang na salita na susunod sa tekstong ibibigay mo. Sa pamamagitan ng pagsusuri sa bilyun-bilyong pangungusap, natutunan ng modelo ang pattern na "aling salita ang susunod kung aling salita". Kapag nagsimula ka ng isang pangungusap, tinitingnan ng modelo kung ano ang naisulat sa ngayon at bumubuo ng pinaka-malamang na pagpapatuloy, pagkatapos ay idaragdag ang nabuong salita sa input at hinuhulaan ang susunod. Nagpapatuloy ang cycle na ito hanggang sa makumpleto ang tugon.
Linawin natin ang terminong token na ginamit dito: ang token ay ang pinakamaliit na yunit kung saan pinaghiwa-hiwalay ng modelo ang teksto; Ito ay halos kasing laki ng isang salita o bahagi ng isang salita. Ang modelo ay umuusad hindi salita sa salita, ngunit token sa pamamagitan ng token. Ang praktikal na kahihinatnan para sa iyo ay ang modelo ay hindi isang tao na "nakakaunawa" sa iyong intensyon, ngunit isang napakalakas na predictive machine na istatistikal na pumipili ng pinaka-angkop na pagpapatuloy para sa tekstong ibibigay mo dito.
Ang pinakamahalagang implikasyon ng kahulugang ito ay ang pinakamakapangyarihang determinant ng direksyon ng output ay ang text na ibibigay mo bilang input. Kaya ang iyong prompt. Ang modelo ay hindi gumuhit ng isang handa na sagot mula sa isang database, hindi nagsasagawa ng isang live na paghahanap sa internet at hindi kumukopya ng mga pahina (maliban kung partikular na nakasaad kung hindi man). Gumagawa lamang ito ng teksto na pinakaangkop sa kontekstong ibibigay mo dito. Ang isang mahusay na input ay ang pinaka mapagpasyang kondisyon para sa isang mahusay na output.
Bakit "Parehong Modelo, Iba't ibang Resulta"?
Gumagamit din ang modelo ng isang maliit na margin ng randomness sa pagpili ng pinaka-malamang na salita sa bawat oras; Samakatuwid, kapag tinanong mo ang parehong prompt nang dalawang beses, maaaring hindi mo matanggap ang eksaktong parehong mga pangungusap. Ito ay hindi isang bug, ito ay bahagi ng disenyo. Ang iyong trabaho ay gumuhit ng isang balangkas na sapat na malinaw upang hindi ipaubaya ang resulta sa pagkakataon. Kung mas malinaw ang balangkas, magiging mas malapit at mas kapaki-pakinabang ang mga resulta ng dalawang magkaibang eksperimento.
Hakbang-hakbang: paano umuusad ang isang kahilingan sa pamamagitan ng modelo?
- Binabasa ang input. Ang bawat salitang isusulat mo ay isang palatandaan na gumagabay sa hula. Kapag sinabi mong "parang isang senior lawyer," ginagawa ng modelo ang mga text na mas malapit sa tono na iyon na mas malamang.
- Tinitimbang ang konteksto. Ang background, mga hadlang, at mga halimbawang ibibigay mo ay nagpapaliit sa pagtatantya. Kung walang laman ang konteksto, pinupunan ng modelo ang mga blangko ng sarili nitong mga pagpapalagay.
- Gumagawa ito ng salita sa salita. Ang bawat token na ginagawa nito ay nagiging input para sa susunod; kaya ang direksyon na ibinibigay mo sa simula ay nagdadala sa buong sagot.
- Huminto siya. Nakakaabala ito sa produksyon kapag natapos na ang gawain o umabot sa haba na iyong tinukoy.
Tatlong Mini Case: Maagap na Pagkakaiba sa Mga Numero
Kaso 1 — Propesyonal sa marketing, paksa ng email. Nang sabihin ng isang eksperto sa marketing na "magmungkahi ng isang paksa para sa kampanya", nakakuha siya ng 5 pangkalahatang pamagat at hindi niya nagustuhan ang alinman sa mga ito; Gumugol siya ng 20 minuto sa pagwawasto nito sa pamamagitan ng kamay. Kinabukasan, nang sabihin niyang, "Ang target audience ay mga SME owners na may edad 30-45, ang produkto ay cloud accounting software, 6 units, each with a maximum of 45 characters, intriguing but understated," direkta niyang ginamit ang 4 sa 6 na headline. Bumaba ang tagal mula 20 minuto hanggang 4 na minuto.
Case 2 — Human resources, advertisement text. Nakatanggap ang isang HR specialist ng boilerplate text na may prompt na "magsulat ng isang software developer job". Noong idinagdag namin ang aktwal na wika ng kumpanya (3-sentence culture description), 4 na mandatoryong kwalipikasyon at ang paghihigpit sa "isulat ang hanay ng suweldo nang malinaw" sa prompt, ang rate ng mga hindi kwalipikadong aplikante sa advertisement ay kapansin-pansing nabawasan sa susunod na advertisement dahil malinaw na itinatag ng teksto ang inaasahan.
Kaso 3 — Accounting, buod ng ulat. Nang sinabi ng isang executive ng accounting na "i-summarized" niya ang isang 12-pahinang ulat sa gastos, inalis ng modelo ang mahahalagang bagay. Nang sabihin niyang, "Mula sa ulat na ito, ang 5 pinakamataas na mga item sa gastos ay na-tabulated sa pagbabago ng porsyento kumpara noong nakaraang buwan," eksaktong nakuha niya ang istraktura na dadalhin niya sa pulong ng pamamahala. Ang nilalaman ay pareho, ang mga tagubilin ay iba.
Mahina Prompt / Malakas na Prompt
Parehong trabaho, na may dalawang magkaibang tagubilin:
Mahinang prompt:
Ibuod ang tekstong ito.[text]
Napakahusay na prompt:
Ibuod ang tala ng pulong sa ibaba upang iharap sa lupon ng mga direktor. - Pinakamataas na 5 item. - Ang bawat item ay dapat maglaman ng desisyon o aksyon; Laktawan ang mga detalye ng chat. - Isulat ang pangalan sa panaklong para sa mga aksyon kung saan kilala ang responsableng tao. - Gumamit ng payak, pormal na wika. Teksto: [teksto]
Ang pangalawang prompt ay nagsasabi sa modelo kung ano ang gagawin, para kanino, sa anong format at kung ano ang laktawan. Ang modelo ay hindi gumagawa ng "pag-iisip" ngunit sa halip ay ang paggawa ng tamang pagpapatuloy; Gumuhit ka ng balangkas ng pagpapatuloy na iyon.
Apat na Nakokopyang Template
Apat na simpleng panimulang template upang mabilis na maisagawa ang lohika sa yunit na ito. Punan ang mga bracket ng sarili mong impormasyon.
1) Framework para sa pagpapalakas ng isang kahilingan:
Gusto kong gawin mo ang gawaing ito: [task]Para kanino: [buyer/audience]Sa anong format: [length, structure]Ano ang laktawan: [ano ang ayaw mo]
2) Sinusuri ang mga hangganan ng modelo (verification reflex):
Kung may mga totoong claim (numero, petsa, pangalan, pinagmulan) sa iyong sagot sa ibaba, kunin ang bawat isa bilang hiwalay na listahan at markahan ito bilang "dapat ma-verify". Sagot: [output ng modelo]
3) Subukan ang parehong gawain sa dalawang antas:
Ipaliwanag nang dalawang beses ang sumusunod na paksa:A) Sa isang ganap na estranghero, sa pang-araw-araw na wika.B) Sa isang dalubhasa sa larangan, sa mga teknikal na termino. Paksa: [paksa]
4) Ipaunawa sa modelo ang kawalan ng katiyakan:
Bago gawin ang kahilingan na ibinibigay ko sa iyo, tanungin ako ng 3 tanong tungkol sa mga puntong nakikita mong nawawala o hindi malinaw; pagkatapos ay gumawa ayon sa aking mga sagot.Request: [request]
Mga Kalakasan at Kahinaan ng Modelo
Paksa
Malakas ang modelo
Ang modelo ay mahina / pag-iingat
mga usaping pangwika
Pagsusulat, pagbubuod, pagsasalin, pagbabago ng tono
Napaka-teknikal/niche jargon pagkakamali
istraktura
I-convert ang teksto sa talahanayan, listahan, sketch
Pagpapanatili ng pagkakapare-pareho sa mahabang teksto
ideya
Brainstorming, pagbuo ng mga alternatibo
Tinitiyak kung ano ang "tama"
kaso
Pangkalahatang impormasyon, kahulugan, paliwanag
Kasalukuyan/eksaktong data, numero, petsa, pinagmulan
pangangatwiran
Mabuti kung gagabayan ng hakbang-hakbang
Huwag gumawa ng mga kumplikadong kalkulasyon na mali nang tahimik
Tip: Tingnan ang modelo hindi bilang isang "expert na alam ang lahat" ngunit bilang isang "katulong na napakabilis magsulat, maraming nagbabasa, ngunit lahat ng sinasabi niya ay kailangang ma-verify." Tamang inaayos ng view na ito ang iyong mga inaasahan at ang iyong ugali sa pagkontrol.
Pansin: Ang modelo ay maaaring magsulat ng impormasyon sa isang napaka-tiwalang wika, ngunit hindi ito nangangahulugan na ang impormasyon ay tama. Palaging independiyenteng i-verify ang mga makatotohanang detalye, lalo na ang numero, pangalan, petsa, batas at pinagmulan. Babalik tayo sa paksang ito nang detalyado sa yunit 11.
Mga karaniwang pagkakamali
- Napagkakamalang tao ang modelo. Pagbibigay ng hindi kumpletong mga tagubilin sa pamamagitan ng pagsasabi ng "Maiintindihan pa rin nila". Hindi binabasa ng modelo ang iyong layunin; Pinoproseso lang nito ang iyong tina-type.
- Pagsuko sa isang pagsubok. Kung ang paunang output ay hindi maganda, sisihin ang tool. Gayunpaman, kadalasan ang problema ay nasa mga tagubilin at ang isang maliit na pagwawasto ay maaaring magbago ng resulta.
- Paggamit ng mga katotohanan nang hindi bini-verify ang mga ito. Ang pagtanggap ng istatistika o pinagmulang ginawa ng modelo nang walang tanong ay ang pinakamapanganib na ugali.
- Pagpasok ng kumpidensyal na data nang hindi iniisip. Pag-paste ng sensitibong impormasyon nang hindi alam kung paano gumagana ang tool. May mga panuntunan dito, tulad ng makikita natin sa unit ng privacy.
- Napagkakamalang isang pagkakamali ang randomness. Pagbibigay-kahulugan sa dalawang magkaibang resulta bilang "nasira ang sasakyan"; Gayunpaman, kapag pinataas mo ang kalinawan, ang mga resulta ay nagtatagpo.
Sa buod
- Gumagana ang modelo ng malaking wika sa pamamagitan ng paghula ng salita (token) na malamang na susunod na lalabas sa tekstong ibibigay mo; Hindi niya pinipili ang mga handa na sagot.
- Ang pinakamalakas na salik na tumutukoy sa direksyon ng output ay ang prompt na ibibigay mo bilang input.
- Malakas sa modelong wika, istruktura at ideya; ay maingat sa mga tumpak na katotohanan, kasalukuyang data, at kumplikadong mga kalkulasyon.
- Dahil sa maliit na randomness ang parehong prompt ay maaaring magbigay ng iba't ibang mga resulta; Habang tumataas ang kalinawan, nagiging mas pare-pareho ang mga resulta.
- Ang modelo ay hindi "isang eksperto na totoo sa lahat ng kanyang sinasabi", ngunit "isang katulong na mabilis ngunit kailangang ma-verify".
Gawain ng aplikasyon
Pumili ng isang gawain sa pagsusulat mula sa iyong pang-araw-araw na trabaho na regular mong ginagawa (isang email, isang buod, o isang listahan, halimbawa). Una, isulat ang pinakasimpleng bersyon ng isang pangungusap, ibigay ito sa isang AI tool, at i-save ang output. Pagkatapos sa parehong gawain; Idagdag ang mga sagot sa mga tanong na "para kanino, sa anong format, sa anong haba at kung ano ang laktawan" at tanungin silang muli. Ilagay ang dalawang output nang magkatabi at tandaan sa isang pangungusap kung saan ang karagdagan ay higit na nagpapabuti sa resulta.
checklist
- [ ] Napagtanto ko na ang modelo ay "naghuhula sa susunod na salita" at hindi binabasa ang aking layunin.
- [ ] Napagtanto ko na ang kalidad ng output ay higit na nakasalalay sa kalidad ng prompt.
- [ ] Makikilala ko ang mga uri ng gawain kung saan malakas at mahina ang modelo.
- [ ] Naiintindihan ko na kailangan kong i-verify ang mga makatotohanang detalye (numero, petsa, pangalan, pinagmulan).
- [ ] Maaari kong ipaliwanag kung bakit ang parehong prompt ay maaaring magbigay ng iba't ibang mga resulta.