Большие языковые модели (LLM) — это передовые системы искусственного интеллекта, предназначенные для понимания и создания текста, похожего на человеческий. LLM обладают впечатляющей способностью обрабатывать и понимать огромные объемы информации, что позволяет им генерировать последовательные и контекстуально соответствующие ответы. Эти модели учатся в результате обширного обучения на различных источниках данных, что позволяет им усваивать закономерности и нюансы человеческого языка. Кроме того, LLM демонстрируют элемент случайности, гарантируя, что одинаковые входные данные могут давать разные результаты, что повышает их универсальность и креативность. LLM продемонстрировали огромный потенциал в различных приложениях, от помощи в задачах обработки естественного языка до помощи в создании контента и даже облегчения интерактивных бесед. Их способность имитировать человеческое общение проложила путь для многочисленных достижений в области технологий ИИ, открыв новые возможности для взаимодействия человека и машины. Ниже приведены некоторые из наиболее важных характеристик LLM:

  1. Сгенерируйте ответ на ваш ввод, собрав слова одно за другим.
  2. Приобретайте образцы из человеческого языка, чтобы улучшить его понимание.
  3. Примите случайность: ввод одной и той же информации не гарантирует идентичных результатов в каждом случае.

концепции подсказок:

  1. Сформулировав тщательно продуманную подсказку, вы получаете возможность влиять на последующие подсказки и направлять траекторию разговора или запроса в области больших языковых моделей (LLM).
  2. LLM предлагают замечательную функцию, позволяющую вам активно участвовать в диалоге, не только задавая им конкретные вопросы, но и позволяя им получать информацию непосредственно от вас, тем самым способствуя динамичному и интерактивному обмену информацией.
  3. Крайне важно иметь в виду, что, задавая общие вопросы LLM, ответы могут иметь тенденцию быть широкими и обобщенными. Однако, включив фразу «относительно» в свои запросы, вы можете эффективно сузить круг и получить более конкретные и целенаправленные ответы, адаптированные к вашему конкретному контексту или области интересов.
  4. Суть подсказок заключается в присущей им природе захвата и использования шаблонов. Когда вы создаете подсказки для LLM, важно осознавать, что они служат шлюзами для раскрытия возможностей распознавания образов в этих моделях, позволяя им генерировать согласованные и контекстуально соответствующие ответы на основе изученных шаблонов в результате обширного обучения на различных источниках данных.

программирование с помощью ChatGPT:

ChatGPT — это мощный инструмент искусственного интеллекта, которому можно поручить выполнение различных задач. Всего несколькими строками кода вы можете настроить ChatGPT так, чтобы он реагировал на ваш ввод и выполнял определенные действия в зависимости от ваших потребностей. Например, вы можете запрограммировать ChatGPT на поиск определенной информации, создание отчетов или анализ данных. Возможности поистине безграничны! Используя ChatGPT, вы можете оптимизировать рабочий процесс и облегчить себе жизнь. Так почему бы не попробовать это сегодня и не посмотреть, какую пользу это может принести вам и вашему бизнесу? С ChatGPT нет предела возможностям!

Узоры:

Шаблон персоны:

Используйте этот шаблон для создания подсказки:

  • Персона Х
  • Задача Y

Замените «X» подходящим персонажем и укажите задачу, которую он должен выполнить. Вот некоторые примеры:

  • Станьте компьютером, подвергшимся кибератаке. Отвечайте на мой ввод выводом терминала Linux и запрашивайте первую команду.
  • Будь ягненком из «У Мэри был ягненок». Я скажу тебе, что делает Мария, а ты мне, что делает ягненок.
  • Будьте диетологом. Я расскажу вам, что я ем, а вы расскажете мне о моих предпочтениях в еде.
  • Станьте поваром-гурманом. Я расскажу вам, что я ем, а вы расскажете мне о моих предпочтениях в еде.

уточнение вопроса:

Цель состоит в том, чтобы запросить у ChatGPT исправленную версию вашего вопроса, чтобы вы могли получить гораздо более полный ответ.

Чтобы использовать этот шаблон, ваше приглашение должно:

  • Спрашивайте лучшую версию вопроса всякий раз, когда вы задаете вопрос
  • При желании предложит вам использовать лучшую версию

Примеры:

  • Спрашивайте лучшую версию вопроса всякий раз, когда вы задаете вопрос
  • Попросите лучшую версию вопроса и предложите использовать ее.

Индивидуальные примеры:

  • Предложите лучший вариант любого вопроса, связанного с диетой, в котором особое внимание уделяется здоровым привычкам в еде и правильному питанию. Задайте первый вопрос для уточнения.
  • Предложите лучший вариант любого вопроса о величайшем игроке всех времен (GOAT), который учитывает уникальные достижения нескольких игроков. Задайте первый вопрос для уточнения.

шаблон когнитивного верификатора

Чтобы улучшить ответ на ваш первоначальный вопрос, вы можете посоветовать Чагпту задать вам несколько подвопросов, связанных с первоначальным вопросом. Комбинируя ответы на эти подвопросы, вы можете получить лучший ответ на первоначальный вопрос.

Чтобы использовать шаблон Cognitive Verifier, выполните следующие действия при ответе на вопрос:

  • Создайте дополнительные вопросы, чтобы помочь вам более точно ответить на вопрос
  • Объедините ответы на отдельные вопросы, чтобы получить окончательный ответ на общий вопрос.

Примеры:

  • Чтобы создать рецепт, задайте дополнительные вопросы об имеющихся ингредиентах и ​​кухонном оборудовании. Объедините ответы на эти вопросы, чтобы получить рецепт, который можно приготовить.
  • Чтобы спланировать поездку, создайте дополнительные вопросы о бюджете, предпочтительных мероприятиях и транспорте. Объедините ответы на эти вопросы, чтобы лучше спланировать маршрут.

шаблон персоны аудитории

Чтобы направить свой вопрос в ChatGPT и убедиться, что он сгенерирует соответствующий ответ для конкретного человека, вы можете указать получателя.

пример:

Чтобы использовать этот шаблон, ваша подсказка должна включать два основных контекстных оператора:

  • Объясните мне Х.
  • Предположим, что я Персона Y.

Замените «Y» подходящей персоной, например, «нетехнический специалист» или «медицинский работник». Затем укажите тему X, которую необходимо объяснить.

Примеры:

  • Объясните мне большие языковые модели. Предположим, я птица.
  • Объясните мне, как работают цепочки поставок для продуктовых магазинов США. Предположим, я Чингисхан.

Перевернутый шаблон взаимодействия

Если вы хотите, у вас есть возможность указать ChatGPT, чтобы узнать о конкретной теме, позволяя ему задавать наводящие на размышления вопросы. Впоследствии, как только эта расширенная языковая модель накопит достаточное количество соответствующей информации по предмету, она затем предоставит вам подходящие выходные данные, адаптированные для удовлетворения ваших требований и ожиданий.

Чтобы эффективно использовать этот шаблон, рассмотрите следующие ключевые контекстуальные утверждения:

  1. Укажите цель: попросите ChatGPT задать вопросы для достижения конкретной цели (например, создать план питания или создать варианты маркетинговых материалов).
  2. Определите условие: укажите, когда завершить процесс опроса (например, после того, как будет собрано достаточно информации об аудитории и целях).
  3. (Необязательно) Укажите подход к вопросам: решите, задавать ли вопросы по одному, парами или начинать с первого вопроса.

примеры:

  • Целенаправленное создание вариантов маркетинговых материалов: задавайте мне вопросы, чтобы помочь мне создавать варианты маркетинговых материалов. Прекратите задавать вопросы, когда у вас будет достаточно информации о моих текущих черновиках сообщений, аудитории и целях. Начните с первого вопроса.
  • Диагностика проблем с Интернетом: Задавайте мне вопросы, чтобы помочь в диагностике моей проблемы с Интернетом. Прекратите задавать вопросы, когда у вас будет достаточно информации, чтобы определить две наиболее вероятные причины. Задавайте по одному вопросу за раз. Начните с первого вопроса.

Немногочисленные примеры:

В контексте быстрой разработки под небольшими примерами понимается предоставление небольшого набора примерных входных данных и соответствующих желаемых выходных данных, помогающих управлять поведением языковой модели. Эти примеры служат способом продемонстрировать желаемые ответы или действия, которые модель должна генерировать при получении аналогичных входных данных.

Вместо того, чтобы полагаться исключительно на крупномасштабный набор данных для обучения, несколько примеров позволяют получить более целенаправленное и конкретное руководство. Они могут быть особенно полезны в сценариях, когда сбор большого количества обучающих данных является сложной задачей или требует много времени.

Примеры с несколькими выстрелами обычно следуют определенному формату. Например, они могут состоять из подсказки или запроса и ожидаемого ответа. Представляя эти примеры языковой модели во время обучения, она учится обобщать их и генерировать соответствующие выходные данные для аналогичных входных данных, с которыми она столкнется в будущем.

Быстрая разработка включает в себя тщательную разработку и уточнение этих нескольких примеров, чтобы повлиять на поведение модели. Это требует тщательного рассмотрения формулировки подсказок, структуры и желаемого результата. Путем итеративного уточнения примеров и включения обратной связи, быстрое проектирование направлено на формирование ответов модели и повышение ее производительности в создании точных и контекстуально релевантных выходных данных.

Использование нескольких примеров в разработке подсказок позволяет более точно контролировать поведение модели, позволяя пользователям направлять языковую модель для создания более подходящих и желаемых ответов для конкретных задач или приложений.

пример:

быстрый:

ввод: дом

выход: большой

ввод: мышь

выход: маленький

ввод: собака

выход: маленький

ввод: автомобиль

выход: ?

выход:

большой (по образцу, установленному предыдущими примерами)

Цепочка мыслей, побуждающая:

Подсказка по цепочке мыслей — это подход, используемый при обучении языковых моделей для получения более информативных и контекстуально релевантных ответов. Это включает в себя предоставление модели примеров, которые не только включают желаемые ответы, но также включают рассуждения или мыслительный процесс, лежащие в основе этих ответов.

Традиционно языковые модели обучаются с использованием пар ввода-вывода, где модель учится генерировать соответствующие ответы на основе заданных примеров. Однако подсказка по цепочке мыслей выходит за рамки простых пар вопрос-ответ, включая логические шаги или рассуждения, которые привели к ответу.

Включая рассуждения или цепочки мыслей, языковая модель получает более глубокое понимание того, как прийти к правильному ответу. Эта дополнительная информация помогает модели генерировать более подробные и содержательные ответы, выходящие за рамки простого однословного или краткого ответа. Это побуждает модель учитывать лежащую в основе логику, факты или принципы, связанные с рассматриваемым вопросом.

Подсказка по цепочке мыслей может быть особенно полезна в сценариях, где наряду с ответами требуются объяснения или обоснования. Это позволяет языковой модели давать более полные и аргументированные ответы, повышая ее способность участвовать в более содержательных и информативных разговорах.

Этот подход может применяться в различных областях, таких как системы ответов на вопросы, образовательные инструменты или диалоговые системы, где пользователи ожидают не только правильных ответов, но также объяснений или обоснований этих ответов.

Обучая языковые модели с помощью подсказок по цепочке мыслей, мы стремимся улучшить их способность давать подробные и контекстуально соответствующие ответы, что приводит к более осмысленному взаимодействию с пользователями.

пример:

Входные данные для обучения (примеры цепочки мыслей): Пример 1: Входные данные: «Почему важно читать?» Вывод: «Чтение важно, потому что оно расширяет знания и расширяет словарный запас. Он стимулирует воображение и творчество, улучшает навыки критического мышления и способствует обучению на протяжении всей жизни. Читая, люди могут знакомиться с различными точками зрения, культурами и идеями, способствуя сочувствию и пониманию».

Пример 2: Ввод: «Каковы преимущества регулярной медитации?» Вывод: «Регулярная медитация дает множество преимуществ. Он снижает стресс, способствует расслаблению и улучшает общее психическое самочувствие. Улучшает концентрацию, внимание и внимательность. Кроме того, медитация может помочь справиться с тревогой и депрессией, повысить эмоциональную устойчивость и улучшить качество сна».

Входные данные теста: Входные данные: «Почему упражнения полезны для организма?»

Ожидаемый результат: Результат: «Упражнения полезны для тела, потому что они укрепляют мышцы, улучшают здоровье сердечно-сосудистой системы и улучшают общую физическую форму. Он помогает поддерживать здоровый вес, снижает риск хронических заболеваний и повышает плотность костей. Упражнения также улучшают настроение, повышают уровень энергии и способствуют лучшему сну, способствуя общему самочувствию».

В этом примере обучающие входные данные состоят из примеров, объясняющих важность чтения и преимущества регулярной медитации. Каждый пример включает в себя цепочку мыслей или рассуждений, стоящих за ответом. Тестовый вход спрашивает о пользе упражнений, ожидая ответа, который следует тому же формату, предоставляя цепочку мыслей или рассуждений, за которыми следует ответ.

Включая цепочку подсказок, языковая модель учится генерировать ответы, которые включают информативные объяснения и обоснования, демонстрируя более глубокое понимание обсуждаемой темы.

подробнее о подсказке цепочки мыслей: https://arxiv.org/abs/2201.11903

шаблон шаблона:

Чтобы эффективно использовать этот шаблон, ваша подсказка должна включать следующие важные контекстуальные утверждения:

  • Я предоставлю заранее определенный шаблон для вывода.
  • Буква «X» представляет собой заполнитель для контента.
  • Ваша цель — поместить сгенерированный ответ в один или несколько указанных заполнителей.
  • Важно сохранить предоставленное форматирование и общий шаблон.

Предоставленный шаблон следует шаблону: ШАБЛОН с ЗАПОЛНИТЕЛЯМИ. Вы должны заменить «X» соответствующими заполнителями, такими как «ЗАГЛАВНЫЕ СЛОВА» или «‹PLACEHOLDER›». Дополнительно необходимо указать шаблон для заполнения заполнителей, например, «Уважаемый ‹ФИО›» или «ИМЯ, ДОЛЖНОСТЬ, КОМПАНИЯ».

Примеры:

Подсказка: мне нужна помощь в планировании поездки на выходные. Пожалуйста, предоставьте шаблон для вашего вывода. Заполнители для контента будут представлены X. Убедитесь, что выходные данные соответствуют одному или нескольким перечисленным заполнителям, сохраняя при этом предоставленное форматирование и общий шаблон. Вот шаблон: Пункт назначения: ‹НАПРАВЛЕНИЕ›, Даты: ‹ДАТЫ›, Мероприятия: ‹МЕРОПРИЯТИЯ›, Размещение: ‹РАЗМЕЩЕНИЕ›, Транспорт: ‹ТРАНСПОРТ›.

Пример использования шаблона: Пункт назначения: Пляжный курорт. Даты: 16 – 18 июля. Мероприятия: серфинг, солнечные ванны, пляжный волейбол.

В этом примере шаблон используется для создания ответа для планирования поездки на выходные. Заполнители в шаблоне (X) заменяются конкретной информацией, такой как выбранный пункт назначения, даты, мероприятия, проживание и транспорт.

Не забудьте настроить шаблон в соответствии с вашими конкретными требованиями и заменить заполнители X соответствующим содержимым.

Заключение:

В заключение, оперативное проектирование играет ключевую роль в использовании всего потенциала моделей больших языков (LLM), таких как ChatGPT. Формулируя тщательно продуманные подсказки, пользователи могут направлять траекторию разговоров и запросов в сфере LLM, эффективно влияя на их ответы. LLM предлагают замечательную возможность активного участия в диалоге, способствуя динамичному и интерактивному обмену информацией.

Включая такие концепции, как уточнение вопроса, шаблон когнитивного верификатора, шаблон персоны аудитории и шаблон перевернутого взаимодействия, пользователи могут уточнять свои вопросы, генерировать более точные ответы и направлять поведение модели для достижения конкретных целей. Кроме того, используя несколько примеров и подсказок по цепочке мыслей, разработка подсказок позволяет пользователям предоставлять целевые и конкретные рекомендации по языковой модели, что приводит к более релевантным контексту и проницательным ответам.

С помощью всего нескольких строк кода программирование ChatGPT позволяет пользователям настраивать его для широкого круга задач, от поиска информации до создания контента и анализа данных, делая рабочие процессы более эффективными и продуктивными.

В конечном счете, оперативное проектирование прокладывает путь к более осмысленному и эффективному взаимодействию с LLM, раскрывая их потенциал в понимании, рассуждении и создании текста, похожего на человеческий. По мере развития области ИИ непрерывные исследования и разработки в области быстрой инженерии, несомненно, откроют новые границы взаимодействия человека и машины, изменив способ нашего взаимодействия с интеллектуальными системами и сформировав будущее технологии ИИ.

Примечание. На создание этой статьи меня вдохновил курс Prompt Engineering for ChatGPT на Coursera. ссылка: Подсказка для ChatGPT | Курсера

Еще одно примечание: эта статья на 90% сгенерирована ChatGPT 😁