Ovládněte ChatGPT tím, že se naučíte rychlé inženýrství.
Většina z nás používá ChatGPT špatně.
Příklady v našich výzvách neuvádíme. Ignorujeme, že můžeme ovládat chování ChatGPT pomocí rolí. Nechali jsme ChatGPT hádat, místo abychom mu poskytovali nějaké informace.
To se děje proto, že většinou používáme standardní výzvy, které nám mohou pomoci dokončit práci jednou, ale ne vždy.
Abychom dosáhli lepších výsledků, musíme se naučit vytvářet vysoce kvalitní výzvy. Musíme se naučit rychlé inženýrství! A v této příručce se naučíme 4 techniky používané v rychlém inženýrství.
Několik standardních výzev
Několik standardních výzev jsou standardní výzvy, které jsme viděli dříve, ale s příklady úkolu v nich.
Proč příklady? Pokud chcete zvýšit své šance na dosažení požadovaného výsledku, musíte přidat příklady úlohy, kterou se výzva snaží vyřešit.
Standardní výzvy pro několik snímků se skládají z popisu úlohy, příkladů a výzvy. V tomto případě je výzva začátkem nového příkladu, který by měl model dokončit vygenerováním chybějícího textu.
Zde jsou součásti několika standardních výzev.
Nyní vytvoříme další výzvu. Řekněme, že chceme získat kódy letišť z textu „Chci letět z Orlanda do Bostonu“
Zde je standardní výzva, kterou by většina použila.
Vyjměte kódy letišť z tohoto textu: „Chci letět z Orlanda do Bostonu“
To by mohlo odvést práci, ale někdy to nemusí stačit. V takových případech musíte použít několik standardních výzev.
Vytáhněte kódy letišť z tohoto textu:
Text: "Chci letět z Los Angeles do Miami." Letištní kódy: LAX, MIA
Text: "Chci letět z Nashvillu do Kansas City." Letištní kódy: BNA, MCI
Text: „Chci letět z Orlanda do Bostonu“ Letištní kódy:
Pokud zkusíme předchozí výzvu na ChatGPT, získáme kód letiště ve formátu, který jsme zadali v příkladu (MCO, BOS)
Mějte na paměti, že předchozí výzkum zjistil, že skutečné odpovědi v příkladech nejsou důležité, ale prostor štítků ano. Labelspace jsou všechny možné štítky pro danou úlohu. Výsledky svých výzev můžete zlepšit dokonce tím, že z prostoru štítků poskytnete náhodné štítky.
Vyzkoušejte to zadáním náhodných letištních kódů v našem příkladu.
Vytáhněte kódy letišť z tohoto textu:
Text: "Chci letět z Los Angeles do Miami." Letištní kódy: DEN, OAK
Text: "Chci letět z Nashvillu do Kansas City." Letištní kódy: DAL, IDA
Text: „Chci letět z Orlanda do Bostonu“ Letištní kódy:
Pokud jste vyzkoušeli předchozí výzvu na ChatGPT, stále získáte správné letištní kódy MCO a BOS.
Ať už jsou vaše příklady správné nebo ne, zahrňte náhodné štítky z prostoru štítků. To vám pomůže zlepšit výsledky a instruovat model, jak naformátovat odpověď na výzvu.
Výzva k roli
Někdy výchozí chování ChatGPT nestačí k získání toho, co chcete. To je, když potřebujete nastavit roli pro ChatGPT.
Řekněme, že si chcete zacvičit na pracovní pohovor. Když ChatGPT řeknete, aby „jednal jako manažer náboru“ a do výzvy přidáte další podrobnosti, budete moci simulovat pracovní pohovor pro jakoukoli pozici.
Jak můžete vidět, ChatGPT se chová, jako by se mnou dělal pohovor na pracovní pozici.
Stejně tak můžete ChatGPT proměnit v jazykového lektora, který si procvičí cizí jazyk, jako je španělština nebo filmový kritik, aby analyzoval jakýkoli film, který chcete.
Dodejte svým výzvám osobitost a generujte znalosti
Tyto dva přístupy jsou dobré, pokud jde o generování textu pro e-maily, blogy, příběhy, články atd.
Za prvé, „přidáním osobnosti k našim výzvám“ mám na mysli přidání stylu a deskriptorů. Přidání stylu může pomoci našemu textu získat specifický tón, formálnost, doménu autora a další.
Pište [téma] stylem odborníka na [obor] s 10+ letou praxí.
Pro ještě větší přizpůsobení výstupu můžeme přidat deskriptory. Deskriptor je jednoduše přídavné jméno, které můžete přidat k vyladění výzvy.
Řekněme, že chcete napsat příspěvek na 500 blogů o tom, jak umělá inteligence nahradí lidi. Pokud vytvoříte standardní výzvu se slovy „napište 500 blogový příspěvek o tom, jak umělá inteligence nahradí lidi“, pravděpodobně dostanete velmi obecný příspěvek.
Pokud však přidáte přídavná jména jako inspirativní, sarkastický, zajímavý a zábavný, výstup se výrazně změní.
Přidejte deskriptory do naší předchozí výzvy.
Napište vtipný příspěvek na blog 500 o tom, proč umělá inteligence nenahradí lidi. Pište stylem odborníka na umělou inteligenci s 10+ letou praxí. Vysvětlete pomocí vtipných příkladů
V našem příkladu styl experta na AI a přídavná jména jako vtipný a vtipný dodávají textu generovanému ChatGPT jiný nádech. Vedlejším efektem toho je, že náš text bude obtížné detekovat detektory AI (v tomto článku ukazuji další způsoby, jak oklamat detektory AI).
Nakonec můžeme vygenerovaný znalostní přístup použít ke zlepšení blogového příspěvku. To spočívá ve generování potenciálně užitečných informací o tématu před vygenerováním konečné odpovědi.
Například před vygenerováním příspěvku s předchozí výzvou bychom mohli nejprve vygenerovat znalosti a teprve potom napsat příspěvek.
Vygenerujte 5 faktů o „AI nenahradí lidi“
Jakmile budeme mít 5 faktů, můžeme tyto informace vložit do druhé výzvy k napsání lepšího příspěvku.
# Fakt 1 # Fakt 2 # Fakt 3 # Fakt 4 # Fakt 5
Použijte výše uvedená fakta k napsání vtipného příspěvku na 500 blogu o tom, proč umělá inteligence nenahradí lidi. Pište stylem odborníka na umělou inteligenci s 10+ letou praxí. Vysvětlete pomocí vtipných příkladů
V případě, že vás zajímají další způsoby, jak zlepšit své příspěvky pomocí ChatGPT, projděte si tohoto průvodce.
Řetězec myšlenek podněcování
Na rozdíl od standardního nabádání je model v řetězci myšlenkového nabádání vyvolán tak, aby před poskytnutím konečné odpovědi na problém vytvořil mezilehlé uvažovací kroky. Jinými slovy, model vysvětlí své uvažování, místo aby přímo odpověděl na problém.
Proč je uvažování důležité? Vysvětlení úvah často vede k přesnějším výsledkům.
Abychom mohli použít nabádání k řetězci myšlenek, musíme poskytnout několik příkladů, kde je uvažování vysvětleno ve stejném příkladu. Tímto způsobem se proces uvažování zobrazí také při odpovědi na výzvu.
Zde je srovnání mezi standardním a myšlenkovým nabádáním.
Jak vidíme, skutečnost, že model byl přinucen vysvětlit své úvahy k vyřešení tohoto matematického problému, vedla k přesnějším výsledkům v řetězci myšlenek.
Mějte na paměti, že nabádání k řetězci myšlenek je účinné při zlepšování výsledků v úkolech aritmetiky, zdravého rozumu a symbolického uvažování.
