تکنیک های گفتگوی ChatGPT: 8 تکنیک must-have که باید یاد بگیرید (بدون توهین!)

شاید درباره مهندسی سوال پرس را شنیده باشید و شاید هم نه. به طور اساسی، این یعنی 'با ارتباط موثر با یک هوش مصنوعی به دست آوردن آنچه می خواهید' است.

بیشتر مردم نمی‌دانند چگونه ازخواستی خوب پرسش بینی کنند.

با این حال، این یک مهارت بسیار مهم و در حال رشد است...
زیرا زباله ورودی = زباله خروجی.

در ادامه، به مهمترین تکنیک‌هایی که برای ایجاد انگیزه نیاز دارید، می‌پردازیم 👇

من به مدل زبان به عنوان 'LM' ارجاع خواهد داد.

مثال‌هایی از مدل‌های زبان عبارتند از ChatGPT از @OpenAI و Claude از @AnthropicAI.

1. ترغیب شخصیت / نقش

یک نقش به هوش مصنوعی اختصاص دهید.

مثال: "شما کارشناسی در X هستید. به مردم به مدت 20 سال در انجام Y کمک کرده اید. وظیفه شما ارائه بهترین مشاوره در مورد X است.
پاسخ "فهمیدم" را بدهید اگر متوجه شدید."

یک افزونه قدرتمند به شرح زیر است:

باید همیشه قبل از پاسخ دادن سوالاتی بپرسید تا بتوانید بهتر درک کنید که سوال کننده به دنبال چه چیزی است.

به زودی درباره اهمیت این موضوع صحبت خواهم کرد.

2. CoT

CoT مخفف "زنجیره‌ی اندیشه" است

از آن برای راهنمایی ال‌ام در تفسیر دلایلش استفاده می‌شود.

مثال:

۳. آزمون بدون نیاز به برچسب

صفر-نمونه به مدلی اشاره دارد که پیش‌بینی‌ها را بدون آموزش اضافی درون پیشنهاد انجام می‌دهد.

من به موضوع few-shot در یک دقیقه می‌پردازم.

توجه کنید که معمولاً CoT > Zero-shot-CoT است

مثال:

4. کم‌نمونه (و کم‌نمونه-CoT)

نمونه برداری کم، زمانی است که LM تعداد کمی از مثال ها را در پرامپ داده می شود تا به سرعت در مواجهه با مثال های جدید، سازگاری یافته تر شود.

نمونه:

5. تولید دانش

تولید دانش مرتبط با سؤال با ایجاد یک مدل زبان.

این می‌تواند برای یک کد اطلاعات تولیدشده استفاده شود (جهت مشاهده بیشتر، ادامه متن را ببینید).

مثال:

6. دانش تولید شده

حالا که ما دانش داریم، می‌توانیم این اطلاعات را در یک پرسش جدید وابسته به این دانش وارد کنیم و سوالات مربوط به آن را بپرسیم.

اینگونه پرسش را سؤالی به اصطلاح 'دارای دانش افزوده' می‌نامند.

۷. سازگاری خود

این تکنیک برای تولید مسیرهای استدلال چندگانه (زنجیره‌های اندیشه) استفاده می‌شود.

پاسخ اکثریت به عنوان پاسخ نهایی در نظر گرفته می‌شود.

مثال:

8. LtM

فاکتر "لس تو مست" برابر است با "کمترین به بیشترین"

این تکنیک یک پیروی از CoT است. علاوه بر این، با شکستن یک مسئله به زیرمسائل آن و سپس حل آن‌ها کار می‌کند.

مثال: