Развитие больших языковых моделей (LLM) было быстрым и динамичным. Эти модели обучаются на огромном количестве текстовых данных из Интернета, что дает им «понимание» человеческого языка и разговора. Одним из самых популярных приложений этих LLM является ChatGPT, который не только популярен, но и во многих случаях также используется в качестве замены Google Search. Наиболее известные большие языковые модели основаны на архитектуре преобразователя, например серия OpenAI GPT (Generative Pre-trained Transformer) и BERT Google (представления двунаправленного кодировщика от преобразователей). Принцип работы этих моделей заключается в том, что им дается ввод, называемый «подсказкой», который затем анализируется и приводит к генерации ответа, подобного человеческому.
Ключ к раскрытию потенциала LLM находится в подсказке, которую эти модели получают в качестве входных данных. Учитывая, что эти модели обучаются на больших объемах данных в Интернете, модель LLM в большинстве случаев может дать вам приемлемый ответ. Но если вам нужен индивидуальный ответ, модели нужна некоторая контекстная информация из вашего приглашения, что приводит нас к теме «быстрого проектирования». Цель здесь состоит в том, чтобы создать подсказки, которые вызывают ответы, которые являются точными, релевантными и подходящими для данной задачи или области.
Итак, что такое оперативное проектирование?
Давайте убьем двух зайцев одним выстрелом, «попросив» ChatGPT ответить на этот вопрос за нас!
Какие этапы включает разработка подсказок?
- Определите задачу/вопрос: четко определите задачу или проблему, чтобы они служили руководством для всего процесса.
- Укажите контекст/область вопроса: предоставьте контекстуальные данные, чтобы модель не смешивала домены и не неправильно понимала контекст вашей задачи.
- Предоставьте любые предыдущие примеры/данные для обучения: убедитесь, что приведенные данные для обучения или примеры соответствуют задаче и предметной области.
- Разработайте шаблон подсказок: убедитесь, что шаблоны предназначены для получения наиболее актуальной информации.
- Уточняйте подсказки итеративно: проверяйте использование подсказок и уточняйте их, пока не будет достигнут желаемый уровень точности.
Несколько советов по эффективной разработке подсказок
- Будьте очень четкими и конкретными в своем запросе, чтобы модель можно было настроить в соответствии с вашими потребностями.
- Используйте естественный язык и разговор, а не язык, пропитанный техническим жаргоном.
- Убедитесь, что подсказки адаптированы к предметной области задачи, предоставив достаточно контекстной информации.
- Предоставьте различные подсказки, которые рассматривают задачу с разных точек зрения, чтобы окончательные результаты могли быть хорошо округлены.
- Продолжайте тестировать подсказки на эффективность и улучшать их.