Prompt engineering arba lietuviškai Promptų inžinerija – daugiausiai naudojama dirbant su teksto vertimu į tekstą ir teksto vertimu į vaizdą modeliais. Tai – teksto struktūrizavimo procesas, kurį gali interpretuoti ir suprasti DI modelis. Promptų inžinerija apibūdinama kaip konteksto mokymasis, kuris yra apibrėžtas kaip modelio sugebėjimas mokytis iš promptų. Konteksto mokymosi gebėjimas yra didelių kalbos modelių esminė savybė. Promptas yra natūralios kalbos tekstas, apibūdinantis užduotį, kurią DI turėtų atlikti. Teksto į tekstą modelio promptas gali būti klausimas, toks kaip, pavyzdžiui, „kas yra BC Žalgiris?”. Arba tokia komanda, kaip „parašyk eilėraštį apie lapus, kurie krinta”, taip pat trumpas atsiliepimo teiginys, pavyzdžiui, „ši informacija per daug detalizuota”, „per daug oficialu”, „pateik atsakymą dar kartą, tik kitais žodžiais”, „praleisk šį žodį” ar ilgesnė teiginio dalis, įtraukiant kontekstą, instrukcijas ir įvesties duomenis. Prompt Engineering: kas yra promptų arba DI inžinerija? Promptų inžinerija gali būti sudaryta iš formulavimo, stiliaus nurodymo, atitinkamo konteksto ar DI vaidmens priskyrimo, tokio, kaip „Suformuluok atsakymą taip, lyg anglų kalba būtų tavo gimtoji kalba„. Prompt Engineering – lietuviškai promptų inžinerija – taip pat gali būti sudaryta iš vieno prompto, kuriame yra keletas pavyzdžių, iš kurių modelis gali mokytis, pavyzdžiui: „maison -> house, chat -> cat, chien ->”, vadinamojo mažojo mokymo metodu. Bendraujant su teksto į vaizdą ar teksto į garso modeliu, tipiškas promptas yra pageidaujamo rezultato aprašymas, toks, kaip, „sukurk aukštos kokybės nuotrauką, kurioje būtų vaizduojamas astronautas, jojantis ant arklio”. Promptuojant teksto į vaizdą modelį, gali tekti pridėti, pašalinti, išskirti žodžius, tam, kad būtų kuo geriau išgryninama pageidaujama tema, palaikomas stilius, išdėstymas, apšvietimas ir estetika. Konteksto mokymasis Promptų inžinerijos technika įgalina konteksto mokymąsi. Pats konteksto mokymasis yra modelio esminė savybė, o tai reiškia, kad pažeidimai pasitaiko tolesniuose mastelio dėsniuose taip, kad jo efektyvumas didėja skirtingu tempu: didesniuose modeliuose greičiau negu mažesniuose modeliuose. Priešingai negu kiekvienai konkrečiai užduočiai skirtas mokymas ir išsamus derinimas, kurie nėra laikini, tai, kas išmokta konteksto mokymosi metu, yra laikinos prigimties. Tai neperduoda laikinų kontekstų ar įsitikinimų, išskyrus tuos, kurie jau yra (išankstinio) mokymo duomenų rinkinyje. Šis „meta-optimizacijos” rezultatas transformatoriaus sluoksniuose yra meta-mokymo arba „mokymosi mokytis” forma. Promptų inžinerijos istorija 2021 m. tyrėjai smulkiai derino vieną išankstiniai apmokytą modelį (T0) atliekant 12 NLP užduočių (naudojant 62 duomenų rinkinius, kadangi kiekviena užduotis gali turėti keletą duomenų rinkinių), kuris parodė gerą našumą naujose užduotyse, pranokstant modelius, apmokytus tiesiogiai atlikti tik vieną užduotį (be išankstinio apmokymo). Norint išspręsti užduotį, T0 gauna užduotį struktūrizuotame prompte, pavyzdžiui, jeigu {{premisa}} yra teisinga, ar taip pat teisinga, kad {{hipotezė}}? ||| {{išplaukiantis}} – promptas, naudojamas tam, kad T0 išspręstų išplaukimą. Versijų valdymo sistemų saugykloje, apie promptus buvo pranešta, kad 2022 m. vasario mėn. buvo prieinami daugiau nei 2 000 viešų promptų apie 170 duomenų rinkinius. 2022 m. Google tyrėjai pasiūlė minties grandinės promptavimo techniką. 2023 m. buvo viešai prieinamos kelios teksto į tekstą ir teksto į vaizdą promptų duomenų bazės. Dirbtinio intelekto sprendimai ir konsultacijos verslui Norite išmokti kurti efektyvius promptus? Peržiūrėkite, kokie dirbtinio intelekto mokymai įmonėms, promptų inžinerijos kursai ir individualios pamokos šiuo metu yra prieinami. Skambinkite: +370 613 70 574 Rašykite: info@promptas.lt
