นี่คือสิ่งที่ฉันได้เรียนรู้จาก "Open AI’s Course" ใน Prompt Engineering สำหรับการวิเคราะห์เชิงลึกและคำแนะนำโค้ดเพิ่มเติม ฉันขอแนะนำให้ทำทั้งหลักสูตร

แนวทางหลักจากหลักสูตรคือ:

1. มีความชัดเจนและเฉพาะเจาะจง

  1. ชัดเจนและเฉพาะเจาะจง เมื่อแจ้งให้ทราบ
  2. ซึ่งจะช่วยลดโอกาสในการได้รับคำตอบที่ไม่เกี่ยวข้อง
  3. อย่าทำผิดพลาดให้ชัดเจนพร้อมท์สั้น ๆ บางครั้งข้อความแจ้งที่ยาวกว่านี้อาจให้ความชัดเจนมากขึ้น

1.1 ยุทธวิธี

  1. ใช้ ตัวคั่น
    - เช่น พร้อมท์ :“สรุปข้อความที่คั่นด้วยเครื่องหมายย้อนกลับสามตัวให้เป็นประโยคเดียว ```คุณควรแสดงสิ่งที่คุณต้องการให้โมเดลทำโดยให้คำแนะนำที่ชัดเจนและเฉพาะเจาะจงมากที่สุดเท่าที่จะเป็นไปได้ วิธีนี้จะนำทางโมเดลไปสู่ผลลัพธ์ที่ต้องการ และลดโอกาสที่จะได้รับคำตอบที่ไม่เกี่ยวข้องหรือไม่ถูกต้อง ```”
    - ไม่สำคัญว่าตัวคั่นจะเป็นอย่างไร ตราบใดที่มีการแยกที่ชัดเจน
  2. ขอเอาต์พุตที่มีโครงสร้าง
    - เช่น Prompt : ในตอนท้ายของพร้อมท์ให้เพิ่ม ให้ระบุคีย์ต่อไปนี้ในรูปแบบ JSON: book_id, title, author, ประเภท
  3. เมื่อคุณได้รับการตอบกลับจากแบบจำลอง คุณสามารถถามแบบจำลองว่าตรงตามเงื่อนไขที่ระบุในงานหรือไม่
    - เช่น Prompt : “คุณจะได้รับข้อความที่คั่นด้วยเครื่องหมายคำพูดสามตัว
    หากมีลำดับของคำสั่ง ให้เขียนคำสั่งเหล่านั้นใหม่ในรูปแบบต่อไปนี้: ขั้นตอนที่ 1, ขั้นตอนที่ 2,..ขั้นตอน N หากข้อความไม่มีลำดับของคำสั่ง ให้เขียนว่า 'ไม่มีขั้นตอน' ที่ให้ไว้'. ”
  4. Few Shot Prompting
    - ยกตัวอย่างความสำเร็จของการทำงานให้เสร็จสิ้น จากนั้นขอให้นางแบบทำงาน
    - ตัวอย่างการสนทนาระหว่างเด็กกับผู้ปกครองและขอคำตอบใน แบบใดแบบหนึ่งดังต่อไปนี้

2. ให้เวลาโมเดลในการคิด

  1. ระบุขั้นตอนในการทำงานให้เสร็จสิ้น
  2. สั่งให้โมเดลหาวิธีแก้ปัญหาของตัวเองก่อนจะรีบสรุป

3. ข้อจำกัดของโมเดลภาษาขนาดใหญ่

  1. ในบางครั้งโมเดลจะกล่าวข้อความที่ฟังดูเป็นไปได้แต่ไม่เป็นความจริง สิ่งนี้เรียกว่าภาพหลอน
  2. เพื่อหลีกเลี่ยงอาการประสาทหลอน อันดับแรกขอให้แบบจำลองค้นหาข้อมูลที่เกี่ยวข้อง จากนั้นจึงตอบตามข้อมูลที่เกี่ยวข้อง

4. กระบวนการเป็นแบบวนซ้ำ

  1. แทนที่จะแจ้งให้ทราบ สิ่งสำคัญคือกระบวนการ
  2. กรอบการทำงานที่ต้องปฏิบัติตาม — แนวคิด → การนำไปปฏิบัติ (พร้อมท์ ) → ผลการทดสอบ → การวิเคราะห์ข้อผิดพลาด → แนวคิด
  3. นั่นเป็นเหตุผลที่อย่าเชื่อสิ่งต่างๆ บนอินเทอร์เน็ตเช่น ข้อความแจ้งที่สมบูรณ์แบบ
  4. อย่าคิดถึงพรอมต์ที่สมบูรณ์แบบแต่คำนึงถึงกระบวนการ

5. การใช้งาน

5.1 การสรุป

  1. เครื่องมืออันทรงพลังที่คุณสามารถเล่นกับจำนวนตัวอักษร จำนวนคำ หรือจำนวนประโยคของการสรุปได้
  2. LLM นับไม่เก่ง แต่ควรให้ผลลัพธ์ที่ใกล้เคียงพอ
  3. ตัวอย่าง : คุณต้องการสรุปรีวิวสินค้ายาวๆ จากลูกค้า :
    - ให้มีความยาว 50 คำ , 3 ประโยค , 200 ตัวอักษร ฯลฯ
    - คุณสามารถขอสรุปรีวิวสำหรับแผนกเฉพาะ เช่น แผนกขนส่งได้ หรือฝ่ายขาย.

5.2 การอนุมาน

  1. คุณสามารถถามถึงความรู้สึกของการรีวิวผลิตภัณฑ์ได้ เช่น “เชิงบวกหรือเชิงลบ”
  2. คุณสามารถระบุรายการความรู้สึก ( อารมณ์ต่างๆ ) และถามว่าความรู้สึกใดเป็นจริงในการทบทวน

5.3 การเปลี่ยนแปลง

  1. LLM ได้รับการฝึกอบรมเกี่ยวกับข้อมูลจำนวนมากจากอินเทอร์เน็ตซึ่งรวมถึงภาษาต่างๆ ดังนั้นจึงสามารถแปลได้
  2. ขอให้รีวิวแปลงเป็นภาษาอื่น
  3. นอกเหนือจากการแปล คุณสามารถขอให้เขียนใหม่หรือตรวจสอบการสะกดและไวยากรณ์ในข้อความของคุณได้

5.4 การขยาย

  1. การใช้ข้อความที่สั้นลงเพื่อสร้างข้อความที่ใหญ่ขึ้น
  2. กรณีการใช้งานหลักของสิ่งนี้คือการระดมความคิด
  3. ข้อเสียที่สำคัญคือสแปมขนาดใหญ่

6. อุณหภูมิ

  1. การปรับอุณหภูมิของโมเดลภาษาขนาดใหญ่โดยทั่วไปหมายถึง "ระดับความสุ่ม" ในเอาต์พุต
  2. หากคุณกำลังพยายามสร้างระบบที่เชื่อถือได้ คุณควรตั้งอุณหภูมิเป็น 0 เสมอ

แค่นั้นแหละ

หวังว่าข้อมูลนี้จะเป็นประโยชน์และส่งต่อตามที่ฉันมี น่าแปลกที่ AI ไม่ได้ใช้ เพื่อสรุปหลักสูตร เมื่อมองย้อนกลับไป AI น่าจะทำงานได้ดีกว่านี้