Prompt Engineering Techniky

Template Filling (Vyplňování šablon)

Bře 30, 2024 by VM 0 Comments

Vyplňování šablon umožňuje snadno vytvářet univerzální a zároveň strukturovaný obsah. Použijete šablonu se zástupci, která umožní rychlé přizpůsobení pro různé situace nebo vstupy při zachování konzistentního formátu.

Přizpůsobení šablon pomocí proměnných a zástupných symbolů

Při vyplňování šablon můžete výstup generativních nástrojů AI dále přizpůsobit definováním několika proměnných pro zástupné symboly. Tuto strategii obvykle používají správci obsahu nebo vývojáři webových stránek, aby pro své webové stránky vytvořili více přizpůsobených fragmentů obsahu generovaných umělou inteligencí.

Předpokládejme, že spravujete webové stránky elektronického obchodu. V takovém případě byste mohli použít standardní šablonu pro popisy produktů a umožnit umělé inteligenci vyplnit pole, jako je název produktu, vlastnosti a cena, a vytvořit tak nový popis s každou odpovědí.

Tato technika je nesmírně výhodná, pokud potřebujete, aby obsah generovaný umělou inteligencí splňoval konkrétní pokyny nebo formáty.

Dalším praktickým případem použití je vytváření automatizovaných, ale personalizovaných e-mailů. Dynamické vyplňování šablon zaručuje, že celková struktura e-mailu je konzistentní, zatímco konkrétní obsah se mění na základě informací o uživateli.

Prompt Engineering Techniky

Least-To-Most Prompting (Od nejméně po nejvíce)

Bře 30, 2024 by VM 0 Comments

V článku Least-to-Most Prompting Enables Complex Reasoning in Large Language Models], který navrhli Zhou a kol. z Google Research, je metoda Least-to-most prompting novou metodou, jejímž cílem je zlepšit schopnost řešení problémů ve velkých jazykových modelech.

Metoda vychází z pedagogické psychologie a spočívá v rozkladu složitých problémů na jednodušší, postupné podproblémy, přičemž využívá odpovědi z předchozích podproblémů k usnadnění řešení následujících.

Implementace metody „least-to-most prompting“ nevyžaduje trénování modelu ani jeho dolaďování. 

Provádí se výhradně prostřednictvím několika podnětů, což se účinně projevilo v úlohách, jako je symbolická manipulace, kompoziční zobecnění (schopnost naučit se význam slov a následně je asociací aplikovat na jiné pojmy) a matematické uvažování.

Následující obrázek z článku ukazuje řešení matematické slovní úlohy metodou least-to-most ve dvou fázích: (1) dotaz na jazykový model pro rozklad úlohy na dílčí úlohy; (2) dotaz na jazykový model pro postupné řešení dílčích úloh. Odpověď na druhý podproblém je postavena na odpovědi na první podproblém. 

Demonstrační příklady pro výzvu každé fáze jsou v této ilustraci vynechány.

(více…)
Prompt Engineering Techniky

Self-Ask Prompting (Sebedotazování)

Bře 30, 2024 by VM 0 Comments

Z obrázku níže je zřejmé, že sebezpytné podněcování je pokračováním přímého podněcování a podněcování pomocí myšlenkového řetězce.

Zajímavé je, že u self-ask promptingu je explicitně zobrazeno uvažování LLM a LLM také rozkládá otázku na menší navazující otázky.

LLM ví, kdy je dosaženo konečné odpovědi, a může přejít od navazujících mezivýpovědí ke konečné odpovědi.

(více…)
Prompt Engineering Techniky

Symbolic Reasoning & PAL (Symbolické uvažování & PAL)

Bře 30, 2024 by VM 0 Comments

Uvažujme následující otázku:

Mám židli, dvě brambory, květák, hlávku salátu, dva stoly, zelí, dvě cibule a tři lednice. Kolik mám zeleniny?

LLM by měl převést vstup na slovník s entitami a hodnotami podle jejich množství, přičemž by měl odfiltrovat entity, které nejsou zeleninou.

Nakonec je odpovědí součet hodnot slovníku pod výstupem PAL z LLM:

 

# note: I'm not counting the chair, tables, or fridges
   vegetables_to_count = {
       'potato': 2,
       'cauliflower': 1,
       'lettuce head': 1,
       'cabbage': 1,
       'onion': 2
   }
   answer = sum(vegetables_to_count.values())
Prompt Engineering Techniky

Automatic Reasoning (Automatické Uvažování a používání nástrojů ART)

Bře 30, 2024 by VM 0 Comments

Automatic Reasoning and Tool-use (ART) je rámec, který rovněž využívá zmrazené modely ke generování mezikroků uvažování jako program.

Přístup ART silně připomíná princip agentů, tedy dekompozici problému a využití nástrojů pro každý dekomponovaný krok.

Pomocí ART zmrazený LLM rozkládá instance nové úlohy na více kroků, přičemž využívá externí nástroje, kdykoli je to vhodné.

ART je přístup bez nutnosti jemného dolaďování, který umožňuje automatizovat vícekrokové uvažování a automatický výběr a použití nástrojů.

Kombinace podnětů a nástrojů CoT ve vzájemné návaznosti se ukázala jako silný a robustní přístup k řešení mnoha úloh s LLM. Tyto přístupy obvykle vyžadují ruční tvorbu demonstrací specifických pro danou úlohu a pečlivě skriptované prokládání generování modelů s používáním nástrojů. Paranjape a další, (2023) navrhují nový rámec, který využívá zmrazený LLM k automatickému generování mezikroků uvažování jako program.

ART funguje následujícím způsobem:

  • Při zadání nové úlohy vybere z knihovny úloh ukázky vícekrokového uvažování a použití nástrojů.
  • v době testování pozastaví generování, kdykoli jsou zavolány externí nástroje, a integruje jejich výstupy, než pokračuje v generování.

ART vybízí model k tomu, aby na základě demonstrací zobecnil novou úlohu a použil nástroje na vhodných místech, a to nulovým způsobem. Kromě toho je systém ART rozšiřitelný, protože také umožňuje lidem opravovat chyby v krocích uvažování nebo přidávat nové nástroje jednoduchou aktualizací knihoven úloh a nástrojů. Postup je demonstrován níže (zdroj):

Prompt Engineering Techniky

Iterative Prompting (Iterativní promptování)

Bře 30, 2024 by VM 0 Comments

V poslední době se pozornost přesunula od dolaďování LLM k vylepšenému promptnímu inženýrství. Zajištění kontextových výzev, které obsahují několik tréninkových příkladů a historii konverzace.

Zajištění, aby výzva obsahovala kontextové informace prostřednictvím iterativního procesu.

Iterativní výzvy by měly vytvořit kontextuální řetězec myšlenek, který neguje generování irelevantních faktů a halucinací. Interaktivní kontextová a kontextová výzva.

(více…)
Prompt Engineering Techniky

Sequential Prompting (Sekvenční promptování)

Bře 30, 2024 by VM 0 Comments

Sekvenční promtování zvažuje možnost sestavení schopného doporučovatele s LLM. Obvykle se doporučovací systémy vyvíjejí v pipeline architektuře, která se skládá z vícestupňových procedur generování kandidátů (vyhledávání relevantnějších položek) a řazení (řazení relevantních položek na vyšší pozice).

„Sequential Prompting“ se zaměřuje na fázi řazení doporučovacích systémů, protože LLM jsou dražší pro běh na rozsáhlém souboru kandidátů.

Výkonnost řazení je citlivá na načtené kandidátní položky na nejvyšších místech, což je vhodnější pro zkoumání jemných rozdílů v doporučovacích schopnostech LLM.

(více…)
Vzorce pro prodejní dopisy, Vzorce pro reklamní inzeráty, Vzorce pro výzvy k akci

Drahokam Boba Stonea

Bře 24, 2024 by VM 0 Comments

Nyní si vytvořím HTML výstup podle vzoru ostatních vzorců v příkladech:
html


Bob Stone's Gem Formula

Drahokam Boba Stonea


Bob Stone’s Gem je legendární 7kroková formulka, kterou vytvořil Bob Stone, přezdívaný „Pan Direct Marketing“. Tato metodika se více než 35 let úspěšně používá v prodejních dopisech, reklamách s přímou odezvou a marketingových kampaních. Formulka systematicky vede čtenáře od nejsilnějšího přínosu až k výzvě k akci.

# Postup:

Začněte nejsilnějším přínosem, postupně ho rozviňte, konkretizujte nabídku, podložte důkazy, ukažte náklady nečinnosti, shrňte výhody a zakončete jasnou výzvou k akci.

1
NEJSILNĚJŠÍ PŘÍNOS (Strongest Benefit)
Začněte nejdůležitějším přínosem ve stručném a jasném tvrzení – ideálně v nadpisu nebo úvodní větě.

2
ROZŠÍŘENÍ PŘÍNOSU (Expand Benefit)
Rozveďte hlavní přínos a ukažte pozitivní dopad na život čtenáře. Vybudujte zájem rychle.

3
CO ZÍSKAJÍ (What They Get)
Detailně popište, co čtenář dostane – všechny funkce, vlastnosti a přínosy. Buďte konkrétní.

4
DŮKAZ (Proof)
Podložte tvrzení sociálními důkazy, testimonials, statistikami, oceněními nebo případovými studiemi.

5
ZTRÁTA PŘI NEČINNOSTI (Cost of Inaction)
Ukažte, co ztratí, pokud nebudou jednat. Lidé se víc bojí ztráty než touží po zisku.

6
SHRNUTÍ VÝHOD (Summary Benefits)
Zopakujte klíčové přínosy a připomeňte hodnotu nabídky. Poslední šance přesvědčit.

7
VÝZVA K AKCI (Call to Action)
Jasně řekněte, co má čtenář udělat. Jednoduché, přímé a bez nutnosti přemýšlení.

Read More

Vzorce pro prodejní dopisy, Vzorce pro produktové popisy, Vzorce pro psaní blogových příspěvků, Vzorce pro reklamní inzeráty, Vzorce pro whitepapery

OATH

Bře 24, 2024 by VM 0 Comments
Nyní si vytvořím HTML výstup podle vzoru ostatních vzorců s informacemi o OATH: html
OATH Formula OATH (Oblivious – Apathetic – Thinking – Hurting)
OATH je framework pro segmentaci publika podle úrovně vědomí o problému a potřebě řešení. Identifikuje čtyři klíčové stádia: Nevědomí (nemají povědomí o problému), Apatičtí (vědí o problému, ale nezajímá je to), Uvažující (aktivně hledají řešení) a Trpící (naléhavě potřebují pomoc). Umožňuje přizpůsobit komunikaci konkrétní fázi publika.

# Postup:

Identifikujte, ve kterém stádiu vědomí se vaše publikum nachází, a přizpůsobte tomu svou komunikační strategii, obsah a nabídku.

O
NEVĚDOMÍ (Oblivious)
Nevědí o problému nebo potřebě. Musíte je nejprve vzdělat a upozornit na problém, který ani netuší, že mají.
A
APATIČTÍ (Apathetic)
Vědí o problému, ale nezajímá je to. Potřebujete „nafouknout“ problém a ukázat důsledky nečinnosti.
T
UVAŽUJÍCÍ (Thinking)
Aktivně přemýšlejí o problému a hledají řešení. Soustřeďte se na diferenciaci a proč je vaše řešení nejlepší.
H
TRPÍCÍ (Hurting)
Mají naléhavou potřebu řešení. Stačí malé povzbuzení, zaměřte se na rychlost, dostupnost a výsledky.
Read More