MatlabTips

🔵فقط سوال نپرسید!🔵

امروزه مدل های زبانی بزرگ (LLM) تبدیل به یک ابزار بسیار مهم برای انجام سریع تر و بهتر انواع و اقسام کارها شده اند با این حال اینکه شما چقدر از آن بهره می برید تا حد زیادی به نحوه ی استفاده ی شما بستگی دارد. از اولین روز های توسعه ی چنین مدل هایی بسیاری متوجه شدند تغییر دادن «پرامپت» تفاوت های زمین تا آسمان در نحوه ی پاسخ دهی این مدل ها ایجاد می کند و به همین خاطر چیزی به اسم «مهندسی پرامپت» (prompt engineering) کم کم جای خود را باز کرد. امروز میخواهم یکی از این روش ها را با شما به اشتراک بگذارم!

معمولا نحوه ی تعامل ما با این مدل ها به صورت «پرسش و پاسخ» است: ما سعی میکنیم یک ورودی خوب و دقیق ایجاد کنیم و بعد یک پاسخ خوب بگیریم. با این حال پیچیدگی برخی از مسائل فراتر ازین الگوی ساده است. برای این منظور یک مثال می آورم. فرض کنید که سرویس ایمیل شرکت قطع می شود و تنها چیزی که شما می دانید این است که چند روز پیش تنظیمات دی ان اس سایت را تغییر دادید. پیدا کردن ریشه ی مشکل در چنین حالتی به سادگی یک سوال نیست چون شما حتی نمی دانید که کجا خطا دارید بجز رفتن ایمیل ها به پوشه ی اسپم ها! به این ترتیب ورودی شما به مدل باید نه تنها شامل مشکل باشد بلکه باید از مدل بپرسید که چه داده هایی لازم دارد که عیب یابی بهتری انجام دهد! به عبارت دیگر شما از مدل می خواهید که سوالاتی که شما می توانید با جمع آوری داده های بیشتر برایش فراهم کنید را هم تولید کند!

دقت کنید که مدل های زبانی علم غیب ندارند و به این ترتیب اگر اطلاعاتی که شما به او می دهید ناقص باشد نمی توانند دقیقا ریشه ی مشکل را بدانند و به همین خاطر جواب های کلی می دهند! از طرفی شما ممکن است حتی ندانید کجا باید برای پیدا کردن اطلاعات بیشتر جستجو کنید! مدل می تواند به شما بگوید که چطور چنین اطلاعاتی را جمع آوری کرده و به او بدهید.

به این ترتیب شما از الگوی «پرسش و پاسخ» خارج شده و وارد الگوی «کنکاش» با کمک مدل می شوید. یک فرآیند رفت و برگشتی که شما فقط سوال کننده نیستید بلکه مدل هم سوالاتی تکمیلی از شما دارد. این شیوه میزان خطا و حدس های غلط مدل را به شدت کم کرده و شما عملا در چند رفت و برگشت به جواب نهایی می رسید. دفعه ی بعدی که از مدل سوالی میپرسید از او بخواهید که چه اطلاعات بیشتری نیاز دارد که قطعیت جوابش بهتر شود!

www.tgoop.com/matlabtips/1763

122 viewsRohola Zandie, edited  Oct 17 at 00:29

🔵فقط سوال نپرسید!🔵

امروزه مدل های زبانی بزرگ (LLM) تبدیل به یک ابزار بسیار مهم برای انجام سریع تر و بهتر انواع و اقسام کارها شده اند با این حال اینکه شما چقدر از آن بهره می برید تا حد زیادی به نحوه ی استفاده ی شما بستگی دارد. از اولین روز های توسعه ی چنین مدل هایی بسیاری متوجه شدند تغییر دادن «پرامپت» تفاوت های زمین تا آسمان در نحوه ی پاسخ دهی این مدل ها ایجاد می کند و به همین خاطر چیزی به اسم «مهندسی پرامپت» (prompt engineering) کم کم جای خود را باز کرد. امروز میخواهم یکی از این روش ها را با شما به اشتراک بگذارم!

معمولا نحوه ی تعامل ما با این مدل ها به صورت «پرسش و پاسخ» است: ما سعی میکنیم یک ورودی خوب و دقیق ایجاد کنیم و بعد یک پاسخ خوب بگیریم. با این حال پیچیدگی برخی از مسائل فراتر ازین الگوی ساده است. برای این منظور یک مثال می آورم. فرض کنید که سرویس ایمیل شرکت قطع می شود و تنها چیزی که شما می دانید این است که چند روز پیش تنظیمات دی ان اس سایت را تغییر دادید. پیدا کردن ریشه ی مشکل در چنین حالتی به سادگی یک سوال نیست چون شما حتی نمی دانید که کجا خطا دارید بجز رفتن ایمیل ها به پوشه ی اسپم ها! به این ترتیب ورودی شما به مدل باید نه تنها شامل مشکل باشد بلکه باید از مدل بپرسید که چه داده هایی لازم دارد که عیب یابی بهتری انجام دهد! به عبارت دیگر شما از مدل می خواهید که سوالاتی که شما می توانید با جمع آوری داده های بیشتر برایش فراهم کنید را هم تولید کند!

دقت کنید که مدل های زبانی علم غیب ندارند و به این ترتیب اگر اطلاعاتی که شما به او می دهید ناقص باشد نمی توانند دقیقا ریشه ی مشکل را بدانند و به همین خاطر جواب های کلی می دهند! از طرفی شما ممکن است حتی ندانید کجا باید برای پیدا کردن اطلاعات بیشتر جستجو کنید! مدل می تواند به شما بگوید که چطور چنین اطلاعاتی را جمع آوری کرده و به او بدهید.

به این ترتیب شما از الگوی «پرسش و پاسخ» خارج شده و وارد الگوی «کنکاش» با کمک مدل می شوید. یک فرآیند رفت و برگشتی که شما فقط سوال کننده نیستید بلکه مدل هم سوالاتی تکمیلی از شما دارد. این شیوه میزان خطا و حدس های غلط مدل را به شدت کم کرده و شما عملا در چند رفت و برگشت به جواب نهایی می رسید. دفعه ی بعدی که از مدل سوالی میپرسید از او بخواهید که چه اطلاعات بیشتری نیاز دارد که قطعیت جوابش بهتر شود!

BY MatlabTips