tgoop.com/futurelearning/473
Last Update:
Нейросети в жизни и работе: как я стал промпт-инженером
Возможности нейросетей временами уже не потрясают, а подавляют. Чтобы остаться на плаву, я вспомнил классику «фокусируйся или умри» и выбрал очень узкую область промптинга, связанную с моей работой (проведение стратегических и командных сессий). Что-то стало получаться. А потом меня даже стали приглашать выступать.
Я специализируюсь на промпт-инжиниринге при работе со списками и перечнями в стратегическом планировании, решении задач и в HR. Собрать максимально широкий перечень (от ИИ и от людей), дополнить, улучшить, ранжировать, структурировать, кластеризовать, упростить и тп.
Это могут быть списки инновационных идей, возможностей, рисков, слабых сторон… компетенций, индикаторов поведения и еще сотен разных сущностей. И всё с помощью ИИ. А точнее — с помощью ИИ и группы воодушевленных сотрудников клиента.
Сегодня расскажу о том, как все начиналось, и что мы делаем сейчас. Поделюсь несколькими лайфхаками. В конце — анонсирую каталог лучших кейсов, где поделюсь опытом подробнее (включая описание ситуации, конкретный промпт и даже ответы нейросетей).
Я помню, как все начиналось
Три года назад мы обучили нейросеть распознавать смыслы высказываний, объединять их в кластеры и придумывать названия. Такое бывает полезно, если на конференции (или в исследовании) участвует, скажем, 500 сотрудников, и они отвечают на открытые вопросы. За несколько минут мы могли получить саммари часто повторяющихся идей, объединить их в кластеры и дальше работать с ними.
Однако, качество распознавания смыслов было, откровенно говоря, не очень высоким. Около 80-85% по сравнению с человеком. А разметка данных для обучения оставалась дорогой и долгой.
А что в 2023?
В начале этого года, когда начался бум генеративных нейросетей, стало понятно, что мир изменился навсегда. Потому что у них есть очевидные преимущества: они не требуют обучения, им достаточно примеров (1), они дают гораздо лучшее качество при работе с перечнями, до 95-100% (2) и они очень гибкие в плане создания новых алгоритмов обработки (3). Я даже запустил специальный канал по промптингу.
Казалось бы, жить стало лучше, жить стало веселее. Но нет — с новыми возможностями пришли и новые сложности. И моя работа сейчас — умножить первые и снизить влияние вторых.
А что конкретно не устраивает — и что делать?
1. Способность нейросети правдоподобно галлюцинировать (изобретать ответы) очень и очень высока. Настолько высока, что на первый (и на второй) взгляд это сложно определить — особенно если изучаешь что-то новое. Например, книгу.
Поэтому прежде, чем запросить саммари книги или перечень ключевых идей из нее — я убеждаюсь, что нейросеть «видит» именно эту книгу. Для этого я прошу перечислить точные названия глав с их номерами, год издания и прочие детали. Потом обязательно проверяю на реальной книге. А если ищу примеры инноваций в какой-то сфере — то добросовестно проверяю, есть ли на них ссылки в «реальном цифровом мире».
2. Хороший результат очень сложно получить «в один запрос». Если почитать о том, какие методы промпт-инжиниринга применяются для победы над человеком в «мировых чемпионатах», мы поймем, что это не слишком просто. Поэтому приходится создавать цепочки промптов и делать десятки экспериментов с небольшими изменениями формулировок в каждом из них. В комментариях — мой любимый пример промпта для получения полезных лайфхаков из книги. Его сложно назвать простым.
А здесь — целый каталог кейсов про применению нейросетей в HR и стратсессиях.
@futurelearning
#ИИ
BY Замышляев / Future Learning
Share with your friend now:
tgoop.com/futurelearning/473