คุณอาจจะได้ยินหรือไม่ได้ยินเกี่ยวกับ prompt engineering มาก่อนหรือไม่ก็ได้ สำหรับความหมายหลักๆ คือ 'การสื่อสารอย่างมีประสิทธิภาพกับ AI เพื่อให้ได้ผลลัพธ์ตามที่คุณต้องการ'
คนส่วนใหญ่ไม่รู้ว่าจะออกแบบคำถามให้ดีอย่างไร
อย่างไรก็ตาม, มันกำลังเป็นทักษะที่สำคัญขึ้นเรื่อยๆ...
เพราะขยะเข้า = ขยะออก
นี่คือเทคนิคที่สำคัญที่สุดที่คุณต้องการสำหรับป้อนข้อมูล 👇
ฉันจะอ้างถึงโมเดลภาษาเป็น 'LM' ค่ะ
ตัวอย่างของโมเดลภาษาคือ ChatGPT ของ @OpenAI และ Claude ของ @AnthropicAI
1. บทบาทและบุคคลตัวอย่างที่ช่วยโปรดใจ
กำหนดบทบาทให้กับปัญญาประดิษฐ์
ตัวอย่าง: "คุณเป็นผู้เชี่ยวชาญใน X คุณได้ช่วยเหลือผู้คนทำ Y เป็นเวลา 20 ปี งานของคุณคือให้คำแนะนำที่ดีที่สุดเกี่ยวกับ X
กรุณาตอบว่า 'เข้าใจแล้ว' หากเข้าใจ"
หนึ่งในอุปกรณ์เสริมที่มีกำลังอันแรงกล่าวอย่างดีคือ:
คุณต้องถามคำถามก่อนที่คุณจะตอบ เพื่อให้คุณเข้าใจความต้องการของผู้ถามได้ดีขึ้น
ฉันจะพูดถึงเหตุผลที่เรื่องนี้สำคัญมากในอีกสักครู่
2. กรมการท่องเที่ยวแห่งประเทศไทย (CoT)
CoT หมายถึง ‘Chain of Thought’
มันถูกใช้เพื่อแนะนำ LM ให้อธิบายเหตุผลของมัน
ตัวอย่าง:
3. Zero-shot-CoT
Zero-shot หมายถึงโมเดลที่ทำนายโดยไม่ต้องมีการฝึกฝนเพิ่มเติมในส่วนของข้อความเริ่มต้น
ฉันจะพูดถึงการให้เราเต็มเปี่ยมด้วยคำสั่งในไม่กี่ขั้นตอนอีกไม่นาน
โปรดทราบว่าโดยปกติ ค่า CoT มักจะมากกว่า Zero-shot-CoT
ตัวอย่าง:
4. การทดสอบเล็กน้อย (และโมเดลทดสอบเล็กน้อย)
หล่อหลอมคือเมื่อตัวแบบภาษาถูกให้ตัวอย่างเพียงเล็กน้อยในตัวจี้เพื่อให้เรียนรู้และประมวลผลตัวอย่างใหม่ได้อย่างรวดเร็วมากขึ้น
ตัวอย่าง:
5. การสร้างความรู้
การสร้างความรู้ที่เกี่ยวข้องกับคำถามโดยการกระตุ้น LM
สามารถใช้สำหรับคำใบ้ความรู้ที่สร้างขึ้น (ดูเพิ่มเติม)
ตัวอย่าง:
6. แก้ไขข้อมูลที่ได้รับ
ตอนนี้ที่เรามีความรู้แล้ว เราสามารถนำข้อมูลนั้นไปใส่ในคำสั่งใหม่และถามคำถามที่เกี่ยวข้องกับความรู้นั้นได้
คำถามเช่นนี้เรียกว่า 'คำถามที่มีความรู้เชิงพัฒนา'
7. การสอดคล้องกันเอง
เทคนิคนี้ใช้ในการสร้างเส้นทางการคาดคะเนแบบหลายเส้น (เส้นความคิดหลายเส้น)
คำตอบที่มาจากส่วนใหญ่ถือเป็นคำตอบสุดท้าย
ตัวอย่าง:
8. LtM
LtM หมายความว่า 'น้อยที่สุดถึงมากที่สุด'
เทคนิคนี้เป็นการติดตาม CoT และยังทำงานโดยการแบ่งปัญหาออกเป็นปัญหาย่อย แล้วแก้ไขปัญหาเหล่านั้น
ตัวอย่าง: