PROMPTLAB_MOZLAB Telegram 96
Как резко повысить качество ответа нейросети за счет пошагового вывода и обратной связи?

Вчера мы с Володей Казаковым (из Мандрик, Казаков и роботы) готовились к митапу про ИИ. Разговорились, у кого какие открытия и инсайты случились за последнее время. Выделили два главных вывода — по одному на каждого.

1. Володя нашел мощный и простой способ оценивать навык написания промптов через тестовое задание. Вот описание метода и его идеи.

2. Ну а я открыл метод, как улучшать качество и релеватность ответов нейросети через последовательные корректировки в процессе вывода длинного перечня. По сути, это очень продвинутый «Few-shot prompts» (использование нескольких примеров) для ситуации, когда вы не уверены в качестве своих примеров для «обучения» нейросети. Расскажу подробнее!

Зачем он нужен?

Одна из распространенных проблем с качеством ответа нейросетей — это недостаточная конкретика и недостаточная релевантность вашей конкретной задаче (а, точнее, вашим специфическим трудноформализуемым представлениям о качественном результате).

Наверняка вы с таким сталкивались — когда заказчик или коллега говорит «вот это хорошо, а это — нет», но на вопрос: «помоги понять, почему, давай сформулируем критерии», отвечает: «не знаю, но я это просто чувствую/вижу».

Как он работает?

Метод последовательной корректировки и обучения нейросети достаточно прост:

1. Вы пишете подробный промпт для генерации нужного вам перечня (идей, вызовов, названий и тп), запросив много вариантов (например, 20-25), желательно попросив их нумеровать (так будет проще давать обратную связь).

2. В конце промпта вы добавляете фразу «пожалуйста, выводи по пять ответов за один раз и запрашивай у меня обратную связь, улучшая каждый следующий ответ».

3. Получив первый ответ, вы в следующем промпте отмечаете понравившиеся и непонравившиеся варианты, если можете, объясняете, чем они лучше или хуже (глядя на список, это сделать гораздо проще, чем «размышляя перед пустым листом»), и даете направления улучшения (еще конкретнее, еще детальнее, еще очевиднее в плане практической пользы и тп), и просите продолжать. По сути, таким образом вы предоставляете нейросети такие важные для нее примеры, чтобы реализовать стратегию Few-shot prompts.

4. Повторяете пункт 3 с каждым последующим ответом, давая обратную связь на предыдущий ответ

5 (!!!). Дойдя до конца перечня, просите доработать теперь и первый ответ (варианты 1-5), с учетом всех улучшений.

6. Повторяете это, пока не будете полностью довольны вариантами (обычно мне хватает ещё раз дойти до середины списка, после чего качество уже не повышается)

7. Профит.

👉 Чем это помогает в работе? Это отличный и сравнительно несложный способ повысить качество и релевантность ответа за счет обучения нейросети на предыдущих ответах (=примерах), а также осознать свои неосознанные требования, которые теперь можно формализовать.

Может показаться, что это сложновато и достаточно сделать изначально хороший промпт. Не могу с этим согласиться, потому что такое «обучение» позволяет мне добиваться такой релевантности, которую я ни разу не получал ни после первого промпта, ни после последовательного улучшения промптов при условии перезапуска процесса с начала.

в каталог кейсов (28+ примеров)
🔥158👍3



tgoop.com/PromptLab_Mozlab/96
Create:
Last Update:

Как резко повысить качество ответа нейросети за счет пошагового вывода и обратной связи?

Вчера мы с Володей Казаковым (из Мандрик, Казаков и роботы) готовились к митапу про ИИ. Разговорились, у кого какие открытия и инсайты случились за последнее время. Выделили два главных вывода — по одному на каждого.

1. Володя нашел мощный и простой способ оценивать навык написания промптов через тестовое задание. Вот описание метода и его идеи.

2. Ну а я открыл метод, как улучшать качество и релеватность ответов нейросети через последовательные корректировки в процессе вывода длинного перечня. По сути, это очень продвинутый «Few-shot prompts» (использование нескольких примеров) для ситуации, когда вы не уверены в качестве своих примеров для «обучения» нейросети. Расскажу подробнее!

Зачем он нужен?

Одна из распространенных проблем с качеством ответа нейросетей — это недостаточная конкретика и недостаточная релевантность вашей конкретной задаче (а, точнее, вашим специфическим трудноформализуемым представлениям о качественном результате).

Наверняка вы с таким сталкивались — когда заказчик или коллега говорит «вот это хорошо, а это — нет», но на вопрос: «помоги понять, почему, давай сформулируем критерии», отвечает: «не знаю, но я это просто чувствую/вижу».

Как он работает?

Метод последовательной корректировки и обучения нейросети достаточно прост:

1. Вы пишете подробный промпт для генерации нужного вам перечня (идей, вызовов, названий и тп), запросив много вариантов (например, 20-25), желательно попросив их нумеровать (так будет проще давать обратную связь).

2. В конце промпта вы добавляете фразу «пожалуйста, выводи по пять ответов за один раз и запрашивай у меня обратную связь, улучшая каждый следующий ответ».

3. Получив первый ответ, вы в следующем промпте отмечаете понравившиеся и непонравившиеся варианты, если можете, объясняете, чем они лучше или хуже (глядя на список, это сделать гораздо проще, чем «размышляя перед пустым листом»), и даете направления улучшения (еще конкретнее, еще детальнее, еще очевиднее в плане практической пользы и тп), и просите продолжать. По сути, таким образом вы предоставляете нейросети такие важные для нее примеры, чтобы реализовать стратегию Few-shot prompts.

4. Повторяете пункт 3 с каждым последующим ответом, давая обратную связь на предыдущий ответ

5 (!!!). Дойдя до конца перечня, просите доработать теперь и первый ответ (варианты 1-5), с учетом всех улучшений.

6. Повторяете это, пока не будете полностью довольны вариантами (обычно мне хватает ещё раз дойти до середины списка, после чего качество уже не повышается)

7. Профит.

👉 Чем это помогает в работе? Это отличный и сравнительно несложный способ повысить качество и релевантность ответа за счет обучения нейросети на предыдущих ответах (=примерах), а также осознать свои неосознанные требования, которые теперь можно формализовать.

Может показаться, что это сложновато и достаточно сделать изначально хороший промпт. Не могу с этим согласиться, потому что такое «обучение» позволяет мне добиваться такой релевантности, которую я ни разу не получал ни после первого промпта, ни после последовательного улучшения промптов при условии перезапуска процесса с начала.

в каталог кейсов (28+ примеров)

BY Лаборатория Промптинга Замышляева




Share with your friend now:
tgoop.com/PromptLab_Mozlab/96

View MORE
Open in Telegram


Telegram News

Date: |

The administrator of a telegram group, "Suck Channel," was sentenced to six years and six months in prison for seven counts of incitement yesterday. 2How to set up a Telegram channel? (A step-by-step tutorial) Choose quality over quantity. Remember that one high-quality post is better than five short publications of questionable value. End-to-end encryption is an important feature in messaging, as it's the first step in protecting users from surveillance. 6How to manage your Telegram channel?
from us


Telegram Лаборатория Промптинга Замышляева
FROM American