Opanuj ChatGPT, ucząc się szybkiej inżynierii.
Większość z nas źle używa ChatGPT.
W naszych podpowiedziach nie podajemy przykładów. Ignorujemy fakt, że możemy kontrolować zachowanie ChatGPT za pomocą ról. Pozwalamy ChatGPT zgadywać, zamiast dostarczać mu pewne informacje.
Dzieje się tak, ponieważ najczęściej używamy standardowych podpowiedzi, które mogą pomóc nam w jednorazowym wykonaniu zadania, ale nie za każdym razem.
Musimy nauczyć się tworzyć wysokiej jakości podpowiedzi, aby uzyskać lepsze wyniki. Musimy nauczyć się szybkiej inżynierii! W tym przewodniku poznamy 4 techniki stosowane w szybkiej inżynierii.
Kilka standardowych podpowiedzi dotyczących strzałów
Niewiele standardowych podpowiedzi to standardowe podpowiedzi, które widzieliśmy wcześniej, ale zawierające przykłady zadań.
Dlaczego przykłady? Cóż, jeśli chcesz zwiększyć swoje szanse na uzyskanie pożądanego rezultatu, musisz dodać przykłady zadania, które zachęta próbuje rozwiązać.
Kilka standardowych podpowiedzi składa się z opisu zadania, przykładów i podpowiedzi. W tym przypadku zachęta jest początkiem nowego przykładu, który model powinien uzupełnić, generując brakujący tekst.
Oto elementy kilku standardowych podpowiedzi.
Stwórzmy teraz kolejny monit. Załóżmy, że chcemy wyodrębnić kody lotnisk z tekstu „Chcę polecieć z Orlando do Bostonu”
Oto standardowy monit, z którego korzysta większość.
Wyodrębnij kody lotnisk z tego tekstu: „Chcę polecieć z Orlando do Bostonu”
Może to wystarczyć, ale czasami może nie wystarczyć. W takich przypadkach trzeba skorzystać z kilku standardowych podpowiedzi strzałowych.
Wyodrębnij kody lotnisk z tego tekstu:
Tekst: „Chcę polecieć z Los Angeles do Miami”. Kody lotnisk: LAX, MIA
Tekst: „Chcę polecieć z Nashville do Kansas City”. Kody lotnisk: BNA, MCI
Tekst: „Chcę polecieć z Orlando do Bostonu” Kody lotnisk:
Jeśli wypróbujemy poprzedni monit na ChatGPT, otrzymamy kod lotniska w formacie określonym w przykładzie (MCO, BOS)
Pamiętaj, że wcześniejsze badania wykazały, że rzeczywiste odpowiedzi w przykładach nie są ważne, ale obszar etykiety – tak. Przestrzeń etykiet to wszystkie możliwe etykiety dla danego zadania. Możesz poprawić wyniki swoich podpowiedzi, nawet udostępniając losowe etykiety z obszaru etykiet.
Przetestujmy to, wpisując losowe kody lotnisk w naszym przykładzie.
Wyodrębnij kody lotnisk z tego tekstu:
Tekst: „Chcę polecieć z Los Angeles do Miami”. Kody lotnisk: DEN, OAK
Tekst: „Chcę polecieć z Nashville do Kansas City”. Kody lotnisk: DAL, IDA
Tekst: „Chcę polecieć z Orlando do Bostonu” Kody lotnisk:
Jeśli wypróbowałeś poprzedni monit na ChatGPT, nadal będziesz otrzymywać prawidłowe kody lotnisk MCO i BOS.
Niezależnie od tego, czy Twoje przykłady są poprawne, czy nie, dołącz losowe etykiety z przestrzeni etykiet. Pomoże to poprawić wyniki i poinstruuje model, jak sformatować odpowiedź na pytanie.
Podpowiadanie roli
Czasami domyślne zachowanie ChatGPT nie wystarczy, aby uzyskać to, czego chcesz. W tym momencie musisz ustawić rolę dla ChatGPT.
Powiedzmy, że chcesz poćwiczyć przed rozmową kwalifikacyjną. Mówiąc ChatGPT, aby „działał jako menedżer ds. rekrutacji” i dodając więcej szczegółów do monitu, będziesz w stanie symulować rozmowę kwalifikacyjną na dowolne stanowisko.
Jak widać, ChatGPT zachowuje się tak, jakby przeprowadzał ze mną rozmowę kwalifikacyjną w sprawie stanowiska pracy.
W ten sposób możesz zamienić ChatGPT w nauczyciela języka, który będzie ćwiczył język obcy, np. hiszpański, lub krytyka filmowego, który będzie analizował dowolny film.
Dodaj osobowości swoim podpowiedziom i generuj wiedzę
Te dwa podejścia do podpowiedzi są dobre, jeśli chodzi o generowanie tekstu do e-maili, blogów, opowiadań, artykułów itp.
Po pierwsze, przez „dodawanie osobowości do naszych podpowiedzi” mam na myśli dodanie stylu i deskryptorów. Dodanie stylu może pomóc naszemu tekstowi uzyskać określony ton, formalność, domenę autora i nie tylko.
Napisz [temat] w stylu eksperta w [dziedzinie] z ponad 10-letnim doświadczeniem.
Aby jeszcze bardziej dostosować dane wyjściowe, możemy dodać deskryptory. Deskryptor to po prostu przymiotnik, który możesz dodać, aby ulepszyć zachętę.
Załóżmy, że chcesz napisać post na 500 blogach o tym, jak sztuczna inteligencja zastąpi ludzi. Jeśli utworzysz standardowy monit ze słowami „napisz post na 500 blogach o tym, jak sztuczna inteligencja zastąpi ludzi”, prawdopodobnie otrzymasz bardzo ogólny post.
Jeśli jednak dodasz przymiotniki takie jak inspirujący, sarkastyczny, intrygujący i zabawny, wynik znacząco się zmieni.
Dodajmy deskryptory do naszego poprzedniego podpowiedzi.
Napisz dowcipny wpis na blogu 500 o tym, dlaczego sztuczna inteligencja nie zastąpi człowieka. Pisz w stylu eksperta od sztucznej inteligencji z ponad 10-letnim doświadczeniem. Wyjaśnij, używając śmiesznych przykładów
W naszym przykładzie styl eksperta w dziedzinie sztucznej inteligencji i przymiotniki takie jak dowcipny i zabawny dodają innego akcentu tekstowi wygenerowanemu przez ChatGPT. Efektem ubocznym tego jest to, że nasz tekst będzie trudny do wykrycia przez detektory AI (w tym artykule pokazuję inne sposoby oszukiwania detektorów AI).
Wreszcie możemy wykorzystać podejście wygenerowanej wiedzy do ulepszenia wpisu na blogu. Polega to na wygenerowaniu potencjalnie przydatnych informacji na dany temat przed wygenerowaniem ostatecznej odpowiedzi.
Przykładowo, przed wygenerowaniem posta z poprzednim monitem moglibyśmy najpierw wygenerować wiedzę i dopiero potem napisać post.
Wygeneruj 5 faktów na temat „AI nie zastąpi człowieka”
Kiedy już będziemy mieli 5 faktów, możemy przekazać te informacje drugiej osobie, aby napisała lepszy post.
# Fakt 1 # Fakt 2 # Fakt 3 # Fakt 4 # Fakt 5
Wykorzystaj powyższe fakty, aby napisać dowcipny post na 500 blogach o tym, dlaczego sztuczna inteligencja nie zastąpi człowieka. Pisz w stylu eksperta od sztucznej inteligencji z ponad 10-letnim doświadczeniem. Wyjaśnij na zabawnych przykładach
Jeśli chcesz poznać inne sposoby ulepszania swoich postów za pomocą ChatGPT, zajrzyj do tego przewodnika.
Łańcuch podpowiedzi myślowych
W przeciwieństwie do standardowego podpowiedzi, w łańcuchu podpowiedzi model jest nakłaniany do tworzenia pośrednich etapów rozumowania, zanim udzieli ostatecznej odpowiedzi na problem. Innymi słowy, model wyjaśni swoje rozumowanie, zamiast bezpośrednio dać odpowiedź na problem.
Dlaczego rozumowanie jest ważne? Wyjaśnienie rozumowania często prowadzi do dokładniejszych wyników.
Aby skorzystać z podpowiedzi w postaci łańcucha myślowego, musimy podać kilka przykładów, w których rozumowanie jest wyjaśnione w tym samym przykładzie. W ten sposób proces rozumowania zostanie pokazany także przy udzielaniu odpowiedzi na pytanie.
Oto porównanie standardowego i łańcucha podpowiedzi.
Jak widzimy, fakt, że model został nakłoniony do wyjaśnienia swojego rozumowania w celu rozwiązania tego problemu matematycznego, doprowadził do dokładniejszych wyników w łańcuchu podpowiedzi.
Pamiętaj, że podpowiadanie na podstawie łańcucha myśli skutecznie poprawia wyniki w zadaniach arytmetycznych, zdroworozsądkowych i rozumowania symbolicznego.