مروری بر مدل های مختلف پرامپت های AI قسمت اول
ابزارهای هوش مصنوعی ترند بازار هستند. ابزارهایی که به نحوی خواسته ای را از کاربر دریافت می کنند و به او خروجی ارائه می دهند. اگر اغراق نکرده باشیم می توان گفت ابزارهای هوش مصنوعی غول های چراغ جادویی هستند که البته آرزوهای ما را محدود به سه تا نمی کنند. با این وجود فارغ از اینکه نوع تعامل شما با ابزار هوش مصنوعی متنی باشد یا صوتی یا تصویری باید بتوانید خواسته خود را به درستی با غول چراغ جادو مطرح کنید. وگرنه شاید خروجی باب میل شما نباشد. در ادامه نگاهی خواهیم داشت به انواع دسته بندی پرامپت ها در ابزارهای هوش مصنوعی.
آیا نوشتن پرامپت نیاز به تخصص خاصی دارد؟
اولین نکته ای که باید در نظر بگیرید این است که مدل های زبانی بزرگ یا Large Language Models ورودی شما را به شکلی دریافت می کنند و بر اساس ورودی دریافتی سعی می کنند یک خروجی خاص را پیش بینی کنند. هر چند برای نوشتن یک پرامپت خوب لازم نیست یک مهندس هوش مصنوعی باشید با این وجود ساختن یک پرامپت مناسب می تواند پیچیده باشد. پرامپت های نامناسب می تواند خروجی های نامناسب و پاسخ های غیردقیقی را به شما بدهند و توانایی مدل هوش مصنوعی را برای تولید یک خروجی با معنی محدود کنند.
به LLM به عنوان یک ماشین نگاه کنید که می تواند پیش بینی خاصی را برای شما انجام دهد. مدل سازی انجام شده یک متن که در واقع مجموعه ای از کلیدهای ترتیبی است دریافت می کند و بر اساس آن توکن های خروجی را بر مبنای داده ای که بر اساس آن آموزش داده پیش بینی می کند.
محدود کردن اندازه خروجی ابزار چه تاثیری دارد؟
نکته ای که باید به آن توجه داشته باشید این است که تولید کردن پاسخ هایی با طول بیشتر باعث می شود تا مدل زبانی توان پردازشی بیشتری صرف کرده و هزینه تولید خروجی بیشتر شود. با این وجود محدود کردن طول پاسخی که مدل هوش مصنوعی تولید می کند باعث نمی شود تا هوش مصنوعی پاسخ خلاصه تری تولید کند یا جواب مناسب تری به شما بدهد. بلکه باعث می شود تا AI پاسخ تولید شده خود را در یک توکن خاص خاتمه دهد. پس اگر نیاز به پاسخ کوتاه تری دارید لازم است پرامپت مناسب تری هم بنویسید.
دسته بندی انواع پرامپت ها
در ادامه به صورت خلاصه با یک مثال هر کدام از دسته بندی پرامپت ها را مشاهده خواهید کرد. پرامپت ها به دسته بندی های زیر تقسیم می شوند:
- پرامپت های General/Zeroshot
- پرامپت های one-shot/few-shot
- پرامپت های system
- پرامپت های contextual
- پرامپت های Role
- پرامپت های Step-back
- پرامپت های Chain-of-Thought
- پرامپت های Tree-of-Thoughts
- پرامپت های ReAct (Reason & Act)
- مهندس پرامپت اتوماتیک
پرامپت های General/Zeroshot
این دسته از پرامپت ها ساده ترین نوع هستند. در این حالت تنها توضیحی از کاری که قرار است توسط مدل زبانی انجام دهد ارائه می دهیم. ورودی می تواند یک سئوال باشد یا مجموعه ای از دستور العمل ها یا شروعی از یک داستان.
| Classify movie reviews as POSITIVE, NEUTRAL or NEGATIVE Review: “Her” is a disturbing study revealing the direction humanity is headed if AI is allowed to keep evolving, unchecked. I wish there were more movies like this masterpiece. :Sentiment | Prompt |
| POSITIVE | Output |
پرامپت های one-shot/few-shot
در پرامپت های one-shot/few-shot یک یا چند مثال به مدل ارائه می دهیم تا درک کند که دقیقا خواسته ما چیست. مثال ها خصوصا زمانی می توانند که خروجی مورد نظر باید ساختار مشخصی داشته باشد. در صورت افزایش تعداد مثال ها احتمال اینکه ساختار درخواستی را در خروجی دریافت کنید افزایش می یابد.
| Parse a customer’s pizza order into valid JSON :EXAMPLE .I want a small pizza with cheese, tomato sauce, and pepperoni :JSON Response } ,”size”: “small” ,”type”: “normal” [[“ingredients”: [[ “cheese”, “tomato sauce”, “peperoni” { :EXAMPLE Can I get a large pizza with tomato sauce, basil and mozzarella } ,”size”: “large” “type”: “normal” [[“ingredients” : [[“tomato sauce”, “bazel”, “mozzarella” { Now, I would like a large pizza, with the first half cheese and mozzarella. And the other tomato sauce, ham and pineapple :JSON Response | prompt |
| } ,”size”: “large” ,”type”: “half-half” “ingredients”: [[“cheese”, “mozzarella”], [“tomato sauce”, “ham”, “pineapple”]] { | output |
ادامه این مقاله در قسمت دوم نگارش خواهد شد.
