Speciální triky pro pokročiléKognitivní ověřovací vzor rozkládá složité otázky na menší, zvládnutelné podotázky. Odpovědi na tyto podotázky se pak spojí do komplexní odpovědi na hlavní otázku. Tento přístup je užitečný v případech, kdy jsou počáteční otázky příliš vysoké úrovně nebo kdy je k poskytnutí úplné odpovědi zapotřebí dodatečné objasnění.
APE je technika, která považuje instrukci za „program“ a optimalizuje instrukci prohledáváním souboru kandidátů na instrukci navržených LLM. Kandidáti LLM jsou obodováni pomocí zvolené skórovací funkce a je vybrána instrukce s nejvyšším skóre. APE je inspirován klasickou syntézou programů a lidským přístupem k promptnímu inženýrství. Syntéza programu je úloha automatického generování kódu z popisu požadovaného chování v přirozeném jazyce. Lidský přístup je proces ručního vytváření instrukcí účinných při použití LLM k vytvoření požadovaných výstupů.
Expert Prompting je rozšířená strategie pro instruování velkých jazykových modelů (LLM). Předpokládá rozlišeného expertního agenta přizpůsobeného každé konkrétní instrukci. LLM jsou požádány, aby odpovídaly na instrukce podmíněné identitou předpokládaného experta. Jedná se o metodu automatického zadávání pokynů. Identity expertů jsou generovány pomocí učení v kontextu. Vyžaduje napsání několika exemplářů dvojice instrukce-expert. Vygenerované identity expertů jsou shledány jako vyhovující.
„Self-Reflection“ je proces, kde uživatel formuluje dotaz nebo příkaz tak, aby podněcoval model k introspektivnímu přemýšlení nebo samostatné analýze. Cílem je, aby model přemýšlel o svých vlastních omezeních, možnostech a vnitřních procesech.
Například, když se mě zeptáte: „Jaký typ otázek může být pro tebe náročný zodpovědět?„, vede mě to k tomu, abych přemýšlel a popsal konkrétní situace, ve kterých mohu mít potíže. Toto sebereflexivní cvičení může být užitečné pro uživatele, aby pochopili, jaké otázky jsou mimo moje schopnosti nebo kde by mohli očekávat méně přesné odpovědi. To zároveň poskytuje příležitost pro modely umělé inteligence, aby se „zamyslely“ nad svými omezeními a možnými oblastmi pro zlepšení.
Tento diagram ilustruje architekturu umělé inteligence (AI), která je založena na konceptu sebereflexe a využívá modely strojového učení (označené jako LM, což zřejmě značí „Language Models“ – jazykové modely). Jednotlivé komponenty tohoto systému jsou:
Agent: Celkový systém nebo AI, který se skládá z několika dílčích komponent a interaguje s vnějším prostředím.
Self-reflection (LM): Tato část agenta zpracovává vnější a vnitřní zpětnou vazbu a generuje reflexivní texty. Je založen na jazykovém modelu a slouží k hlubšímu pochopení a integraci získaných zkušeností.
Evaluator (LM): Evaluator posuzuje kroky agenta (akce a rozhodnutí) na základě krátkodobé paměti (Trajectory) a dlouhodobé paměti (Experience). Tato komponenta může pomáhat optimalizovat chování agenta tím, že poskytuje vnitřní zpětnou vazbu na základě předchozích akcí.
Actor (LM): Actor je zodpovědný za provedení akcí v prostředí. Vykonává akce založené na svých zkušenostech a informacích získaných z prostředí (Obs/Reward).
Trajectory (krátkodobá paměť): Sbírá a ukládá nedávné akce a rozhodnutí, které slouží jako základ pro okamžité rozhodování a feedback.
Experience (dlouhodobá paměť): Uchovává dlouhodobé informace a zkušenosti, které pomáhají při formování strategií a rozhodnutí pro budoucí akce.
Environment: Prostředí, ve kterém agent operuje. Agent zde získává pozorování a odměny, které informují jeho rozhodnutí a akce.
Tento typ architektury může být použit v různých aplikacích, jako jsou autonomní roboti, pokročilé chatboty nebo jiné systémy AI, které vyžadují složité rozhodovací procesy a adaptabilitu na základě zpětné vazby z prostředí a vlastních zkušeností.
Aktivní podněty využívají aktivní učení založené na neurčitosti pro přizpůsobení velkých jazykových modelů (LLM) různým úlohám. Funguje ve čtyřech fázích. První fází je odhad nejistoty. V této fázi je LLM dotazován k-krát, aby generoval možné odpovědi s mezikroky pro sadu tréninkových otázek. Nejistota každé otázky se pak vypočítá na základě k odpovědí metodou zvanou neshoda. Neshoda měří, jak moc se k odpovědí navzájem neshoduje. Druhou fází je výběr. Pro anotaci jsou vybrány otázky s největší nejistotou. Algoritmus začíná nejistější otázkou a poté vybere další nejistější otázku, která ještě nebyla vybrána. Třetí fází je anotace. Lidé anotují vybrané otázky pomocí lidmi navržené argumentace CoT. Argumentace CoT poskytuje systému LLM další informace o tom, jak na otázky odpovědět. Čtvrtou fází je inference. Pomocí LLM se odvozují odpovědi na otázky. LLM používá nové anotované exempláře ke zlepšení svého výkonu v otázkách.
Aktivní výzva dosahuje nejlepšího výkonu ve srovnání se všemi základními modely. Jedná se o nejefektivnější metodu pro zlepšení výkonu velkých jazykových modelů (LLM) v různých argumentačních úlohách.
Dalším užitečným přístupem je zadávání pokynů modelu, které obrací scénář a dává modelu pokyn, aby se vás zeptal na podrobnosti, které potřebuje k dokončení daného úkolu. Tento přístup minimalizuje hádání a odrazuje model od vymýšlení.
Příklad. Předpokládejme, že pracujete v oblasti cestovních technologií a chcete, aby model umělé inteligence vygeneroval sekci nejčastějších dotazů pro novou funkci cestovních rezervací na vaší platformě. Místo toho, abyste model požádali pouze o „vytvoření FAQ pro novou funkci rezervace“, což by mohlo vést k obecným nebo necíleným otázkám a odpovědím, můžete AI vyzvat následujícím způsobem:
„Potřebuji, abys vytvořil sekci nejčastějších dotazů pro novou funkci cestovních rezervací, kterou právě spouštíme. Můžete se mě zeptat na informace, které potřebujete k jejímu dokončení?“.
ChatGPT se vás pak může mimo jiné zeptat: „Jak se jmenuje nová funkce rezervace cestování?“ a „Jaký je hlavní účel nebo funkce této nové funkce?“.
Několikanásobné výzvy jsou rozšířením jednorázových výzev, kdy je modelu umělé inteligence poskytnuto více příkladů, na jejichž základě se řídí. Koncept je podobný, ale zahrnutí několika příkladů nabízí modelu více kontextových podnětů. To umožňuje modelu lépe porozumět požadavkům uživatele a generovat výstup, který se přesně drží zadaných příkladů.
Přímé výzvy (také známé jako Zero-shot) jsou nejjednodušším typem výzvy. Neposkytuje žádné příklady k modelu, pouze instrukce.
Příklady Zero-Shot promptů podle funkcí, které ChatGPT nabízí:
One-shot výzva ukazuje modelu jeden jasný a popisný příklad toho, co byste chtěli, aby napodoboval.
Příklad:
Napiš báseň o létu.
Báseň 1.:
Slunce září jasně,
teplý vánek vane,
moře volá hlasně,
léto je tu zase.
Báseň 2.:
Pláže volají tě,
Sluneční deštníky stíní.
Horký písek pálí tě,
když na něm tvé tělo leží-.
Úkol: Napiš báseň o podzimu.
Few-shots výzva ukazuje modelu několik popisných příklad toho, co byste chtěli, aby napodoboval.
Příklad:
Napiš báseň o létu.
báseň 1 :
Slunce září jasně,
teplý vánek vane,
moře volá hlasně,
léto je tu zase.
báseň 1 :
Slunce září jasně,
teplý vánek vane,
moře volá hlasně,
léto je tu zase.
Úkol: Napiš haiku o podzimu.
Technika Prompt Reframing (Přeformulování výzvy) je účinným nástrojem v práci s jazykovými modely, jako je Chat GPT. Jejím hlavním cílem je jemně změnit formulaci výzvy, aniž by se změnil její původní záměr. To může vést k vytváření různých odpovědí, které mohou nabídnout nové pohledy na stejnou problematiku. Tato technika je užitečná zejména při hledání různých perspektiv, zlepšování kvality odpovědí a obohacování obsahu.
Technika Prompt Reframing (Přeformulování) je užitečná metoda v oblasti umělé inteligence, která umožňuje jemně změnit formulaci dotazu, přičemž zůstává věrná původnímu záměru. Tato technika může být velmi užitečná pro získávání různorodých odpovědí na stejný nebo podobný dotaz, čímž se obohacuje kontext a poskytují se nové úhly pohledu.
1. Přizpůsobení výzvy při zachování záměru: Prompt Reframing zahrnuje jemné úpravy v zadání dotazu, které umožňují modelu vygenerovat různé odpovědi, přičemž základní záměr dotazu zůstává stejný. To může zahrnovat změnu struktury věty, použití synonym nebo parafrázování.
2. Podpora různorodých odpovědí: Tím, že se dotaz přeformuluje, může model interpretovat úkol různými způsoby a poskytnout různé odpovědi, které odpovídají původnímu záměru. Tato metoda je užitečná zejména při exploraci různých myšlenek a přístupů.
A. Použití synonym: Použití různých slov nebo frází, které mají stejný nebo podobný význam, může pomoci modelu generovat různé odpovědi. Například místo „Popište výhody práce z domova“ můžete použít „Jaké jsou přínosy práce z domova?“.
Příklad:
B. Parafrázování otázek: Přeformulování otázky tak, aby byla mírně odlišná, ale stále se zaměřovala na stejný hlavní bod, může vést k různým odpovědím. Tento přístup může přinést nové nuance v odpovědích.
Příklad:
C. Změna perspektivy: Změna úhlu pohledu může nabídnout nový kontext pro odpověď. Například místo otázky z obecného pohledu lze otázku položit z pohledu specifické skupiny lidí.
Příklad:
D. Zahrnutí specifických aspektů: Přidání specifických aspektů do dotazu může vést k více zaměřeným a podrobným odpovědím.
Příklad:
Pro zjednodušení promptů byly identifikovány následující principy:
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.