Prompt Engineering ChatGPT Basics
1.0.0
- ข้อความของตัวอย่างในที่เก็บถูกสร้างขึ้นโดย Chatgpt
แบบจำลองภาษาขนาดใหญ่เป็นรูปแบบการเรียนรู้ของเครื่องที่ได้รับการฝึกฝนเกี่ยวกับข้อมูลข้อความจำนวนมากเพื่อทำความเข้าใจและสร้างภาษาที่เหมือนมนุษย์ แบบจำลองเหล่านี้ใช้เทคนิคการเรียนรู้อย่างลึกซึ้งเช่นเครือข่ายประสาทเพื่อเรียนรู้รูปแบบและโครงสร้างของภาษา กระบวนการฝึกอบรมเกี่ยวข้องกับการป้อนแบบจำลองด้วยข้อมูลข้อความจำนวนมากเช่นหนังสือบทความและหน้าเว็บเพื่อเรียนรู้รูปแบบทางสถิติของภาษา
วิศวกรรมที่รวดเร็วเป็นกระบวนการของการออกแบบและเพิ่มประสิทธิภาพการแจ้งเตือนสำหรับรูปแบบภาษาขนาดใหญ่ (LLM) เพื่อให้ได้งานหรือเป้าหมายที่เฉพาะเจาะจง LLMS เป็นแบบจำลองปัญญาประดิษฐ์ที่ทรงพลังซึ่งสามารถสร้างข้อความเหมือนมนุษย์และวิศวกรรมที่รวดเร็วเป็นสิ่งจำเป็นเพื่อให้แน่ใจว่าแบบจำลองนั้นสร้างการตอบสนองที่แม่นยำและเกี่ยวข้อง
วิศวกรรมที่รวดเร็วเกี่ยวข้องกับหลายขั้นตอนรวมถึงการเลือกพรอมต์ที่ถูกต้องปรับแต่งโมเดลและทดสอบเอาต์พุต clarity เป็นสิ่งสำคัญ แต่เห็นได้ชัดว่าไม่ถือว่าเป็นพรอมต์สั้น ๆ ในวิศวกรรมที่รวดเร็ว พรอมต์อาจเป็นเรื่องง่ายหรือซับซ้อนขึ้นอยู่กับงานที่อยู่ในมือ
เป็นผลให้วิศวกรรมที่รวดเร็วเป็นองค์ประกอบที่สำคัญของการพัฒนา LLM และเป็นสิ่งจำเป็นเพื่อให้แน่ใจว่าแบบจำลองนั้นสร้างการตอบสนองที่แม่นยำและเกี่ยวข้อง
เทคนิคการตรวจสอบแบบไม่มีการยิงและไม่กี่ครั้งเป็นสองวิธีที่ได้รับความนิยมและมีประสิทธิภาพมากที่สุดในการสร้างข้อความโดยใช้ปัญญาประดิษฐ์ เทคนิคเหล่านี้ขึ้นอยู่กับแนวคิดของการฝึกอบรมแบบจำลองภาษาในข้อมูลจำนวนเล็กน้อยจากนั้นใช้เพื่อสร้างข้อความตามพรอมต์
เทคนิคพรอมต์แบบไม่มีการ ยิงเกี่ยวข้องกับการใช้รูปแบบภาษาที่ผ่านการฝึกอบรมมาก่อนเพื่อสร้างข้อความโดยไม่ต้องฝึกอบรมเพิ่มเติม ซึ่งหมายความว่าโมเดลได้รับการฝึกฝนในคลังข้อมูลขนาดใหญ่และสามารถสร้างข้อความในรูปแบบและรูปแบบที่หลากหลาย ในการใช้พรอมต์แบบไม่มีการยิงคุณเพียงแค่ให้แบบจำลองพร้อมกับแบบจำลองและมันจะสร้างข้อความตามความเข้าใจของภาษา
ในทางกลับกัน เทคนิคการเปิดใช้งานไม่กี่ครั้ง เกี่ยวข้องกับการฝึกอบรมแบบจำลองภาษาด้วยข้อมูลจำนวนเล็กน้อยก่อนที่จะใช้เพื่อสร้างข้อความ สิ่งนี้ช่วยให้แบบจำลองสามารถเรียนรู้รูปแบบและรูปแบบเฉพาะของภาษาที่เกี่ยวข้องกับงานที่อยู่ในมือ ในการใช้พรอมต์ไม่กี่นัดคุณให้ข้อมูลการฝึกอบรมจำนวนเล็กน้อยจากนั้นใช้เพื่อสร้างข้อความตามพรอมต์
ทั้งเทคนิคการช็อตเป็นศูนย์และไม่กี่นัดมีข้อดีและข้อเสียของพวกเขา พรอมต์แบบไม่มีการยิงนั้นรวดเร็วและใช้งานง่าย แต่อาจไม่ได้สร้างข้อความที่เกี่ยวข้องกับงานที่อยู่ในมือเสมอไป การแจ้งเตือนไม่กี่ครั้งต้องใช้ข้อมูลการฝึกอบรมมากขึ้น แต่พวกเขาสามารถแม่นยำมากขึ้นและสร้างข้อความที่เกี่ยวข้องกับงานมากขึ้น
โดยรวมแล้วเทคนิคการกระตุ้นทั้งแบบศูนย์และไม่กี่ครั้งเป็นเครื่องมือที่ทรงพลังสำหรับการสร้างข้อความโดยใช้ปัญญาประดิษฐ์ ด้วยการทำความเข้าใจจุดแข็งและจุดอ่อนของแต่ละเทคนิคคุณสามารถเลือกสิ่งที่เหมาะสมที่สุดกับความต้องการของคุณและสร้างข้อความคุณภาพสูงที่ตรงตามข้อกำหนดเฉพาะของคุณ
พารามิเตอร์อุณหภูมิ เป็นสิ่งสำคัญของแบบจำลองภาษาขนาดใหญ่ (LLMs) ที่กำหนดระดับของการสุ่มและความคิดสร้างสรรค์ในข้อความที่สร้างขึ้น มันควบคุมระดับความไม่แน่นอนในการทำนายของแบบจำลองทำให้สามารถสร้างผลลัพธ์ที่หลากหลายและหลากหลายมากขึ้น ค่าอุณหภูมิที่สูงขึ้นส่งผลให้เกิดการตอบสนองที่คาดเดาไม่ได้และจินตนาการมากขึ้นในขณะที่ค่าอุณหภูมิที่ต่ำกว่าจะสร้างผลลัพธ์ที่อนุรักษ์นิยมและคาดการณ์ได้มากขึ้น
TOP_P เป็นพารามิเตอร์ที่ใช้ในแบบจำลองภาษาขนาดใหญ่ (LLMS) เพื่อควบคุมความหลากหลายของข้อความที่สร้างขึ้น มันกำหนดเกณฑ์ความน่าจะเป็นสำหรับการเลือกคำถัดไปในข้อความที่สร้างขึ้น ยิ่งค่า TOP_P สูงขึ้นเท่าไหร่ข้อความที่สร้างขึ้นก็จะมีความหลากหลายมากขึ้นเท่านั้น ในทางกลับกันค่า top_p ที่ต่ำกว่าจะส่งผลให้ข้อความที่คาดการณ์ได้และซ้ำ ๆ
หมายเหตุ: คำแนะนำทั่วไปคือการแทนที่เพียงหนึ่งเดียวไม่ใช่ทั้งสองอย่าง
ติดตั้งไลบรารี Openai Python:
!pip install openai
ห้องสมุดจะต้องกำหนดค่าด้วยรหัสลับของบัญชีของคุณ คุณสามารถค้นหาได้ในเว็บไซต์นี้
โคลนที่เก็บจาก GitHub:
$ git clone https://github.com/miraytopal/Prompt-Engineering-ChatGPT-Basics
คุณสามารถเข้าถึงบทความสื่อของฉันในเรื่องนี้ได้ที่นี่
เอกสาร:
