Prompt Engineering für generative KI mit ChatGPT meistern

1. S01L01 Willkommen: Hallo und willkommen zu diesem Training über Pumped Engineering Mein Name ist Ian und ich werde Lehrer werden. Es wird immer deutlicher , dass GAI überall ist. Es ist eine riesige technologische Disruptionswelle , die viele Branchen umgestaltet Es ist eine große Welle, und viele Dinge werden sich ändern. Dienste wie HAGPT und Google Gymini werden immer fester Bestandteil der täglichen Arbeit und der Arbeitsabläufe vieler Jobs Um auf dieser Welle erfolgreich agieren und das Potenzial der Nutzung von GAI für verschiedene Anwendungsfälle maximieren zu können, ist es nun Potenzial der Nutzung von GAI für verschiedene Anwendungsfälle maximieren wichtig, effektiv mit großen Sprachmodellen oder kurz LLMs kommunizieren zu können mit großen Sprachmodellen oder kurz LLMs kommunizieren Wir müssen in der Lage sein, unsere Anforderungen zu überdenken, zu strukturieren und zu optimieren, indem wir einen übersichtlichen Text verwenden Das ist der Kern der Pumpoptimierung, auch Pumpentechnik genannt Es ist die Kunst, die richtigen Fragen zu stellen , um das Beste aus einem LLM herauszuholen Es ist nützlich für alle, die einen Dienst wie HachPT mit einer Weboberfläche verwenden oder indirekt APIs als Teil eines größeren In dieser Schulung werden wir ein einfaches Framework für die Erstellung hocheffektiver Eingabeaufforderungen einrichten und uns anschließend mit den gängigsten Methoden zur Erstellung hocheffektiver Eingabeaufforderungen einrichten und uns anschließend mit den gängigsten Methoden von Eingabeaufforderungen Ich werde mein Bestes tun, um es einfach, unterhaltsam und interessant zu halten. Danke fürs Zuschauen und ich hoffe, wir sehen uns drinnen. 2. S02L01 – Ein Framework für die Erstellung von Prompts: Hallo und willkommen. Große Sprachmodelle sind der Kernbaustein generativer KI-Lösungen. Sie fügten die erstaunlichen Fähigkeiten hinzu, Text als menschliche Sprache zu verdauen Die Eingabe wird als gepumpt und die Ausgabe als Antwort bezeichnet Pumped Engineering ist die Kunst und Wissenschaft richtigen Fragen zu stellen , um das Beste aus einem LLM herauszuholen Es geht darum, die Eingabeaufforderung für eine bestimmte Aufgabe zu optimieren die Eingabeaufforderung für eine bestimmte Aufgabe zu In diesem Abschnitt werden wir ein einfaches Framework für die Erstellung viel effektiverer Eingabeaufforderungen untersuchen ein einfaches Framework für Erstellung viel effektiverer Eingabeaufforderungen Dieses Framework besteht aus sechs Bausteinen: Anleitung, Kontext, Beispiele, Persona, Format und Ton Jeder von ihnen wird etwas zur allgemeinen Pumpstruktur beitragen etwas zur allgemeinen Pumpstruktur können wir einen oder mehrere Bausteine verwenden nach benötigter Leistung Das Letzte, was wir bedenken sollten , ist , dass das Lernen, wie man Eingabeaufforderungen optimiert, wie ein Muskel in unserem Körper ist Wir müssen etwas Zeit investieren, um diesen Muskel aufzubauen, indem wir ständig verschiedene Dinge üben und ausprobieren Nach ein paar Wochen mit diesem Framework wird es Teil unserer täglichen Arbeit sein. Ordnung, fangen wir mit dem ersten Baustein an. Bis zum nächsten Mal. 3. S02L02 Anweisung: Hallo und willkommen. Die erste Komponente oder der erste Baustein einer Aufforderung ist die Aufgabe selbst, auch Anweisung genannt. Dies ist die Kernanweisung der Aufforderung. Sie sagt dem Modell , was wir tun wollen. Das ist der wichtigste Baustein. Jetzt kann das Modell leider nicht unsere Gedanken lesen und erraten, wonach wir suchen. Vielleicht wird sich das in Zukunft ändern, wenn wir eine direkte Verbindung zwischen Computern und unserem Gehirn herstellen. Bis dahin muss die erforderliche Anweisung so klar wie möglich formuliert werden Je weniger das Modell erraten muss, desto wahrscheinlicher ist es, dass wir das bekommen, wonach wir suchen Daher sollten die Definition und der allgemeine Umfang der Anweisung sehr klar sein. Ich denke, der beste Weg, dieses Konzept zu verstehen , besteht darin, sich praktische Beispiele anzusehen. Für die Demonstration plane ich, Dienste wie HachPT und Google Gemini zu verwenden Dienste wie HachPT und Google Sie können wählen, was Sie wollen. Im ersten Beispiel geht es um die einfache Klassifizierung von Tweets. Ich möchte einen Text aus einem Tweet bereitstellen und die Stimmung des Textes ermitteln In ChargPtpmpt Ich schreibe, erhältst du einen Tweet über einen Film und deine Aufgabe ist Stimmung als positiv , natürlich oder negativ zu klassifizieren es, die Stimmung als positiv , natürlich oder negativ zu klassifizieren. Der Tweet selbst lautet: Ich liebe den neuen Batman-Film, auch wenn er ziemlich gruselig ist. Das ist der Text, den ich klassifizieren möchte . Also, was haben wir hier Ich habe die erforderliche Aufgabe klar formuliert, einen kurzen Text zu klassifizieren, dem es sich um einen Tweet mit bestimmten Kategorien handelt Ich gebe die Kategorien an, also positiv, natürlich oder negativ Alles ist klar, auch das Ziel der Aufgabe. Das Modell verwendet sein eigenes Wissen, um den Text zu verstehen und dann die Stimmung zu klassifizieren, die am besten dazu passt nächste Beispiel bezieht sich auf die Generierung von Inhalten , ein sehr häufiger und praktischer Anwendungsfall von In diesem Fall kann die Aufforderung darin bestehen, einen Blog-Titel für einen Artikel über die Effektivität von DIP-Plänen zu generieren einen Blog-Titel für einen Artikel über die Effektivität von DIP-Plänen Ich beginne mit der Definition der Aufgabe indem ich ein Aktionsverb wie Generieren, Schreiben, Erklären, Analysieren, Klassifizieren usw. verwende Das Aktionsverb ist ein wichtiges Element als Teil der Anweisung Dann versuche ich, mein Endziel zu formulieren, das ein Titel für einen Blogartikel ist auf ein bestimmtes Thema bezieht Ich habe einen Vorschlag, einen Titel, lassen Sie uns das ein wenig abstimmen Generieren Sie zehn Blocktitel für einen Artikel über die Wirksamkeit von Diätplänen. In dieser Aufforderung habe ich einen bestimmten Bereich hinzugefügt , also zehn Titel. Ich kann sehen, dass einige von ihnen etwas lang sind und andere als Fragenstruktur formuliert sind Passen wir einen Modus an , um die erforderliche Aufgabe besser zu definieren Generieren Sie zehn Blocktitel für einen Artikel über die Wirksamkeit von Diätplänen. Ein Titel muss aus maximal zehn Wörtern bestehen und darf keine Fragestruktur verwenden. Wie Sie sehen können, habe ich Umfang und Grenzen für die spezifische Ausgabe, nach der ich suche, hinzugefügt , z. B. maximal zehn Wörter und ohne Verwendung einer Fragestruktur. In vielen Fällen ist es wichtig, benötigte Ausgabe einzuschränken und einzugrenzen. Schreiben Sie als Nächstes einen Blogbeitrag über die Wirksamkeit von Diätplänen. Einen vollständigen Beitrag zu schreiben ist eine viel komplexere Aufgabe, oder? Diese Aufgabendefinition ist zu allgemein und daher erhalten wir generische Inhalte. Wir müssen die Anforderungen der Aufgabe besser definieren und einige Grenzen setzen, die uns helfen können , das Modell so zu gestalten, dass es das gewünschte Ergebnis erzielt. Was ist mit diesem? Schreiben Sie einen Blogbeitrag über die Wirksamkeit von Diätplänen. Der Artikel sollte in vier Hauptabschnitte unterteilt werden. Jeder Abschnitt sollte einen anderen Aspekt des Themas behandeln und auf eine Seite beschränkt sein. Gleichzeitig werden wissenschaftliche Erkenntnisse und praktische Tipps zur Steigerung der Wirksamkeit von Diätplänen bereitgestellt praktische Tipps zur Steigerung . Fügen Sie eine kurze Einführung hinzu, um den Kontext zu erläutern, und eine Schlussfolgerung, in der die wichtigsten Punkte zusammengefasst Jetzt erhalten wir einen Blockinhalt, der besser auf unsere spezifischen Anforderungen zugeschnitten ist , einschließlich Informationen über die Länge der einzelnen Abschnitte, die Gesamtstruktur und die Art von Inhalten, die aufgenommen werden sollen , wie wissenschaftliche Erkenntnisse , praktische Tipps usw. nächste Beispiel besteht darin, einen Unterrichtsplan für ein bestimmtes Thema zu erstellen Unterrichtsplan für ein bestimmtes Thema Schreiben Sie einen kurzen Unterrichtsplan für eine Einführung in die Statistik. Der Unterrichtsplan sollte Themen wie Datentypen, deskriptive Statistik und Wahrscheinlichkeitsbasis Überlegen Sie sich einige Beispiele , die gewöhnlichen Schülern zeigen, dass sie falsch sind. Wir haben ein Aktionsverb, das richtig ist. Das Endziel besteht darin, einen Unterrichtsplan über Statistik zu erstellen, und wir bieten den erforderlichen Umfang. Als Nächstes möchte ich in diesem Beispiel Schlüsselwörter aus einem Text extrahieren, möchte ich in diesem Beispiel Schlüsselwörter aus einem Text extrahieren, indem ich GenAI als Argumentationsinfrastruktur verwende Die Aufforderung lautet: Sie erhalten einen Text und Ihre Aufgabe besteht darin, eine Liste der zehn wichtigsten Keods zu extrahieren Hier ist ein Text über die Wahrscheinlichkeit. Sehen wir uns die identifizierten Keywords an. Bitte beachten Sie, dass wir dieses Mal das Wissen über das Thema bereitstellen und das LLM als Argumentationsinfrastruktur verwendet wird, um Schlüsselwörter in dem von uns bereitgestellten Text zu identifizieren Sehen wir uns eine etwas komplexere Pump-Anfrage an, das ist eine Die Pumpe wird wie folgt aussehen. Analysieren Sie die folgende Liste von Benutzerfeedback zu einem Online-Spiel. Klassifizieren Sie jedes Feedback als positiv, negativ oder natürlich. Fassen Sie zwei Erkenntnisse aus jedem Feedback zusammen. Kategorisieren Sie, welche Abteilung das Feedback, den Produktsupport, das Marketing und den Vertrieb erhalten soll , und präsentieren Sie es schließlich auf einem Tisch Hier ist die Liste der Rückmeldungen der Benutzer. Wie Sie sehen können, handelt es sich um ein paar verschiedene aufeinanderfolgende Aufgaben, die sich auf die Feedback-Rohdaten beziehen auf die Feedback-Rohdaten Wir bitten darum, sie zu klassifizieren, zusammenzufassen und dann zu kategorisieren Das Ergebnis ist eine organisierte Tabelle mit vier Spalten, dem Feedback, der Klassifizierung, den Erkenntnissen und der Zielabteilung und Ein schönes Beispiel, das die Leistungsfähigkeit von GEI bei der Bewältigung komplexerer Aufgaben zeigt GEI bei der Bewältigung komplexerer Aufgaben Ordnung, das ist unser erster Kernbaustein jeder Aufforderung Wir müssen die erforderliche Anweisung klar definieren. Lass uns mit dem nächsten weitermachen. 4. S02L03 #2 – Kontext: Hallo und willkommen zurück. Der zweite und sehr wichtige Baustein einer Aufforderung ist der Kontext. Der Kontext bietet die erforderlichen Hintergrundinformationen oder Umgebung, anhand derer die Absicht und der Umfang der Anfrage geklärt werden können. Wenn mir jemand am Telefon sagt, es ist kalt, ohne irgendeinen Kontext anzugeben, werde ich Schwierigkeiten haben zu verstehen ob er über das Wetter, eine Raumtemperatur, ein Getränk in seinen Händen oder sogar über das Verhalten einer Person spricht eine Raumtemperatur, ein Getränk in seinen Händen . Wenn ich weiß, dass es an einem Wintermorgen draußen steht, macht die Aussage absolut Sinn, oder? Im täglichen Leben ist der Kontext sehr wichtig, weil er unser Verständnis der Situationen, Gespräche und Handlungen um uns herum prägt unser Verständnis der Situationen, Gespräche und . Es kann der Ton der Konversation sein, den wir hören können, der historische Hintergrund einer Situation oder die Details rund um ein Ereignis. Kontext füllt die Lücken und hilft uns, das Gesamtbild zu visualisieren. Dieses Konzept ist zu 100%, dasselbe gilt auch, wenn ein GAI-Modell aufgefordert wird, eine bestimmte Aufgabe auszuführen Durch die Bereitstellung relevanter Hintergrundinformationen können wir der KI helfen, den Kontext unserer Anfrage zu verstehen , was zu optimierteren und genaueren Antworten führt optimierteren und genaueren Antworten Sehen wir uns einige Beispiele an. Generieren Sie ein Tutorial für Anfänger, um einen einfachen Stuhl aus Holz zu bauen. Die Aufgabe besteht darin, ein Tutorial zum Bau eines Stuhls zu erstellen. Der Kontext ist hier die Zielgruppe, was bedeutet, dass angegeben wird, wer diese Informationen verwenden wird. Generieren Sie im nächsten Beispiel eine Gesamtsumme für die Konstruktion eines Stuhls aus Holz, einschließlich einer Liste von Materialien wie Holz, Schrauben und Werkzeugen wie Tischkreissäge, Elektrosender und Im Kontext geht es nun um die benötigten Materialien und Werkzeuge, die spezifischen Materialien und Werkzeuge genannt werden, die für das Projekt benötigt werden Generieren Sie ein Tutorial für den Bau eines einfachen Holzstuhls, das etwa 3 Stunden dauert und für unerfahrene Holzarbeiter geeignet ist Der Kontext bezieht sich jetzt das Qualifikationsniveau und Zeitaufwand, bis das Projekt abgeschlossen Eine der größten Herausforderungen im Zusammenhang mit dem Kontext ist der Detaillierungsgrad. Wie viele Kontextinformationen sollten wir einer Pumpe hinzufügen? Das ist eine gute Frage. Um diese Frage in Angriff zu nehmen, müssen wir darüber nachdenken, was gerade genug Informationen sind, um die erforderliche Aufgabe zu verstehen und die Anzahl der Möglichkeiten einzugrenzen. Es ist sinnvoll, einen mehrschichtigen Ansatz zu verwenden, dem der Kontext in Schichten aufgebaut wird. Beginnen Sie mit einem übergeordneten Kontext und fügen Sie dann nach Bedarf weitere Details hinzu. Die erste Ebene ist die unverzichtbare Information. Wir sollten mit den wichtigsten Informationen beginnen den wichtigsten Informationen direkt für die Aufgabe, das Problem oder die Frage relevant sind. Dies bedeutet in der Regel, dass die Annahmen, Konfigurationen, Tools, Rahmenbedingungen oder Funktionen erwähnt die Annahmen, Konfigurationen, Tools, werden, die bei der Erreichung des Ziels eine entscheidende Rolle spielen. Wir sollten uns auf Dinge konzentrieren , die für unsere Situation einzigartig sind oder die die Lösung möglicherweise auf ungewöhnliche Weise beeinflussen könnten . Die nächste Ebene ist das Schöne , Informationen zu haben. Das sind spezifische Details, die sich auf die Lösung auswirken könnten , aber nicht entscheidend sind. Vermeiden Sie es, Informationen zu wiederholen, die uns bereits zur Verfügung gestellt wurden, da dies das Modell verwirren kann Okay, das ist der beste Weg, um sicherzustellen, dass wir in unseren Bompts gerade genügend Kontextinformationen bereitstellen Gehen wir zum nächsten Baustein über. 5. S02L04 #3 – Beispiele: Hallo und willkommen zurück. haben wir uns mit den Anweisungs - und Kontextbausteinen befasst, die Kernelemente fast aller Eingabeaufforderungen sind. Beschreiben Sie die erforderliche Aufgabe und geben Sie ausreichend Hintergrundinformationen dazu an. Das Modell nimmt unsere Aufforderung auf, analysiert sie und generiert auf der Grundlage der vorhandenen Kenntnisse des Modells eine Antwort. Es gibt jedoch Fälle, in denen das vorab trainierte Modellwissen nicht ausreicht. Das Ergebnis, das wir erhalten, ist zu allgemein gehalten und entspricht nicht unseren Anforderungen. Das Modell ist nicht vollständig auf unsere spezifischen Anforderungen abgestimmt, oder es ist schwierig, mit einer Textpumpe zu erklären, was wir erreichen müssen. Die Lösung für diese Herausforderungen besteht darin, Beispiele als Teil der Aufforderung zu verwenden. Es gibt Fälle, in denen es einfacher sein wird dem Modell anhand von Beispielen zu zeigen, was wir meinen. Diese Methode wird als Wendespritzpumpen bezeichnet. Dabei handelt es sich um die Praxis, eine Pumpe in Verbindung mit einem oder mehreren Beispielen, auch Schüssen genannt, zu übergeben eine Pumpe in Verbindung mit einem oder mehreren Beispielen, auch Schüssen genannt, , um dem Modell zu zeigen , wie es auf eine bestimmte Aufgabe reagieren soll Ein Beispiel ist im Grunde ein Paar aus Eingabe und Ausgabe. Wir können ein Beispiel oder mehrere Beispiele angeben. Anhand dieser Beispiele kann das Modell lernen, neuen Mustern zu folgen. Es wird davon ausgegangen, dass das Modell in der Lage sein wird, die relevanten Muster aus den von uns bereitgestellten Beispielen zu extrahieren die relevanten Muster aus den von uns bereitgestellten Beispielen und sie zur Generierung der Antwort zu verwenden. Sehen wir uns ein paar Demonstrationen an. Also das erste Beispiel, schreibe zum Beispiel ein lustiges Gedicht über eine Katze, und dann gebe ich ein Beispiel für einen solchen Text. Es war einmal eine Katze mit einem mächtigen Gebrüll, die dachte, sie sei König, schlief aber auf dem Boden und so weiter Das ist ein Beispiel für einen bestimmten Stil. Was nun passieren wird, ist , dass das Modell, das wir verwenden dieses Beispiel verwenden und die Muster daraus extrahieren. Das Beispiel bietet also einen bestimmten poetischen Stil und ein bestimmtes Thema und leitet das Modell an, einen neuen Text zu generieren , der besser auf den gewünschten Stil abgestimmt ist als Nächstes ein formelles Beschwerdeschreiben über ein minderwertiges neues Kinderfahrrad beschweren Sie sich gleichzeitig über das lose Pedal, das unausgewogene Vorderrad und Verwenden Sie das folgende Beispiel. Und dann gebe ich eine bestimmte Struktur an, ihren Firmennamen. Ich schreibe, um meine tiefste Unzufriedenheit mit dem kürzlich erfolgten Kauf eines Produkts auszudrücken meine tiefste Unzufriedenheit mit dem kürzlich erfolgten Kauf eines Die Qualität des Produkts entspricht nicht der beschriebenen Produktbeschreibung und der vom Unternehmen erwarteten Qualität Ich möchte eine vollständige Rückerstattung erhalten Das Beispiel legt eine spezifische Struktur für den Brief fest und hilft dem Modell, eine Antwort zu generieren, die dem Kontext angemessen ist. Generieren Sie im nächsten Beispiel anhand der folgenden Struktur eine Liste mit Strategien für das Online-Marketing eines neuen Online-Kurses. Vermeiden Sie Details für jeden einzelnen. Die Struktur ist wie folgt. Strategie Nummer eins, Content Marketing, Priorität: hohe Kosten, niedrige Kosten. Und ich gebe ein weiteres Beispiel für Strategie Nummer zwei: Social Media Marketing, Priorität mittel, hohe Kosten. Ich habe die erforderliche Struktur nicht erklärt. Ich habe nur Beispiele angegeben. Das Modell wird die Struktur dieser beiden Beispiele bewerten , die Muster identifizieren und die vollständige Liste relevanter Strategien unter Verwendung derselben Struktur erstellen die vollständige Liste . Ich habe ein paar Tipps zu Beispielen. Wie viele Beispiele werden benötigt? Nun, wahrscheinlich reichen zwei bis fünf gut gewählte Beispiele aus, um das Modell zu leiten. Auch hier ist es eine Situation von Fall zu Fall. Vielfalt, verwenden Sie eine Vielzahl von Beispielen, die verschiedene Szenarien abdecken. Wenn Sie einige Sonderfälle haben, sollten Sie diese berücksichtigen. Für die Aufgabe müssen wir sicherstellen, dass die Beispiele in direktem Zusammenhang mit der Aufgabe stehen. Wir wollen, dass das Modell funktioniert. Und schließlich ist es wichtig, für alle Beispiele ein einheitliches Format zu verwenden . Dies hilft dem Modell, die Muster zu erkennen , denen es folgen muss. Okay, es geht darum, Beispiele zu verwenden zum nächsten Baustein überzugehen 6. S02L05 #4 – Persona: Hallo, willkommen zurück. Die nächste nützliche Komponente in einem Pompt ist die Persona Eine Persona ist eine fiktive Figur, von der wir glauben, dass sie perfekt dazu passt, die Anforderungen einer bestimmten Aufforderung zu beantworten oder zu erfüllen Ich bin mir sicher, dass Sie einen oder mehrere Freunde haben , die berühmte Personen, ihre Stimme, ihren Gesichtsausdruck, ihren Verhaltensstil und vieles mehr nachahmen können ihre Stimme, ihren Gesichtsausdruck, ihren Verhaltensstil und vieles mehr nachahmen Verhaltensstil Es ist lustig, aber gleichzeitig ist es erstaunlich zu sehen, dass ihre Leistung die Art und Weise beeinflusst, wie wir die Daten wahrnehmen Es fügt der Situation einen Kontext hinzu. Wir können dasselbe mit Eingabeaufforderungen tun. Wir können das Model bitten, eine bestimmte Aufforderung zu beantworten , während einen bestimmten Charakter oder eine bestimmte Identität spielen Es kann in verschiedenen Fällen sehr nützlich sein. Schauen wir uns ein paar Beispiele an. Sie sind Personalverantwortlicher bei Google. Erstellen Sie eine Stellenbeschreibung eines Datenanalysten. Wie Sie sehen, ist der Output aus der Sicht eines Personalchefs bei Google strukturiert . Das Modell verfügt über umfassende Kenntnisse darüber, wie Personalmanager von Google ihre Stellenbeschreibung strukturieren werden. Es verfügt auch über Kenntnisse über die wichtigsten Anforderungen für die Einstellung eines Datenanalysten. Alles, was wir tun müssen, ist die Persona zu definieren. Nehmen wir als nächstes Beispiel an, ich möchte eine einfache, lustige Erklärung über die Zukunft der generativen KI erstellen lustige Erklärung über die Zukunft der generativen KI In diesem Fall wird die Persona ein lustiger Lehrer sein. Die Aufforderung lautet: Du bist ein lustiger Lehrer, erkläre die Zukunft der generativen KI in einem Absatz Als Nächstes: Wie würden Sie als kreativer Künstler Technologie einsetzen, um Ihre Arbeit zu verbessern und Ihr Portfolio einem breiteren Publikum zu präsentieren ? Die Persona ist ein kreativer Künstler. Das Modell wird versuchen, aus der Perspektive einer solchen Persona eine Antwort zu generieren aus der Perspektive einer solchen Persona eine Antwort zu Und zuletzt sind Sie ein Student, der Schwierigkeiten hat, Ihr Studium, Ihre Aktivitäten und Ihr soziales Leben unter einen Hut zu bringen Aktivitäten und Ihr soziales Leben Wie kann Technologie Ihnen helfen, organisiert zu bleiben, Ihre Zeit effektiv zu verwalten und Stress abzubauen? Die Persona ist ein Student. Mithilfe einer Persona können wir den Inhalt besser an unsere Zielgruppe anpassen den Inhalt besser an unsere Zielgruppe Es kann das Modell auch anweisen, auf ein bestimmtes erwartetes Verhalten zu reagieren , z. B. höflicher, formeller oder umgekehrt Indem wir den Aufforderungen eine Persona hinzufügen, können wir effektivere und ansprechendere Inhalte erstellen , die zu besseren Ergebnissen führen. 7. S02L06 #5 – Format: Hallo und willkommen zurück. der nächsten Komponente in einer Aufforderung geht es um die erwartete Struktur und das Format der erforderlichen Ausgabe. Wir können das gewünschte Format definieren und sicherstellen, dass die Antwort einer bestimmten Struktur folgt. Das ist für viele Dinge sehr nützlich. Lassen Sie uns einige sehr beliebte Formate erwähnen , die wir verwenden können. Als Erstes listen Sie fünf Vorteile des Mathematiklernens in Stichpunkten auf. Das erforderliche Format ist eine Liste von Elementen in Aufzählungspunkten. Als Nächstes finden Sie eine schrittweise Anleitung zum Einrichten eines WordPress-Blogs. Hier bitte ich um ein schrittweises Format. Erstellen Sie eine Tabelle den beliebtesten Science-Fiction-Filmen der letzten 20 Jahre. Die Tabellenspalten werden hier Filmtitel, den Regisseur und die IMDB-Bewertung In diesem Fall ist das erforderliche Format eine Tabelle mit bestimmten Überschriften und bestimmten Spalten Das ist eine sehr nützliche Struktur für die Organisation von Informationen. Schreiben Sie einen kurzen Dialog zwischen einem Kunden und einem Support-Mitarbeiter, um ein Abrechnungsproblem zu lösen Das Ergebnis ist wie eine PingPong-Dialogsitzung. Stellen Sie fünf Fragen und Antworten zu den Vorteilen von Elektroautos bereit. Das erforderliche Format ist eine Frage und eine Antwort. Ich kann sogar noch einen Schritt weiter gehen und darum bitten, für jede Frage fünf verschiedene mögliche Antworten zu generieren . Geben Sie einen JavaScript-Code ein und schneiden Sie ihn in umgekehrter Reihenfolge ab. Durch die Bereitstellung der Programmiersprache frage ich nach einem bestimmten Format, frage ich nach einem bestimmten Format das auf Javascript abgestimmt Erstellen Sie eine Checkliste für die Auswahl von Artikeln für einen Wochenendtrip. Die nächste ist für viele Anwendungsfälle sehr nützlich. Geben Sie einen Überblick über einen Bericht über erneuerbare Energiequellen. einer Gliederung zu fragen ist ein hervorragendes Instrument, um Ideen für eine Liste von Unterthemen zu sammeln , die sich auf ein Hauptthema beziehen Wir werden es viele Male benutzen. Ich verwende das für viele Anwendungsfälle. Das letzte Beispiel handelt von Imoges, es wird das Folgende sein Sie erhalten Text und Ihre Aufgabe ist es, ihn in Imoges zu übersetzen Verwenden Sie keinen normalen Text. Gib dein Bestes nur mit Emojis. Der Text wird lauten: Künstliche Intelligenz ist eine vielversprechende Technologie Wir bekommen eine lustige Abfolge von Bildern, die sich auf diesen Text beziehen. Wahrscheinlich gibt es Leute, die das leicht wieder in Text übersetzen können . Ordnung. Es geht um Format und Struktur. Gehen wir zum letzten Baustein über. 8. S02L07 #6 – Ton: Hallo und willkommen zurück. Der letzte optionale Baustein in einer Aufforderung gibt den richtigen Ton an. Diese Option kann als Leitfaden für den Antwortstil dienen, unabhängig davon, ob er formell, locker, informativ, überzeugend oder kreativ sein sollte informativ, überzeugend oder kreativ Indem wir einen bestimmten Ton angeben, können wir die generierten Inhalte verbessern und auf unsere Zielgruppe abstimmen und ihnen ein angenehmeres Erlebnis bieten Wenn sie eine informelle, lockere Antwort erwarten, ist es wahrscheinlicher , dass die generierten Inhalte durch eine freundlichere Strukturierung die generierten Inhalte durch effektiver werden. Sehen wir uns ein paar Beispiele an. Bitte erläutern Sie ausführlich die wichtigsten Vorteile der generativen KI. Das ist ein formeller Ton im Pumped selbst, sich auch in den generierten Inhalten widerspiegeln wird Das ist eine lange Liste von Artikeln, die wir bekommen. Jeder basiert auf einem sehr strukturierten und detaillierten Format. Versuchen wir es mit etwas weniger Formellem. Hey, könntest du mir etwas über die wichtigsten Vorteile generativer KI erzählen? Wie Sie sehen können, handelt es sich um eine leichtere Version da das Modell versucht, den insgesamt erforderlichen Ton aus dem Text selbst zu verstehen . Am anderen Ende können wir ausdrücklich erwähnen, wonach wir suchen. Ich kann zum Beispiel sagen, erstellen Sie einen ansprechenden und unterhaltsamen Beitrag über die wichtigsten Vorteile von Prompt Engineering für die Erstellung von KI-Inhalten. Indem wir die Wörter ansprechend und unterhaltsam hinzufügen, wir den erforderlichen Ton an, um freundlicher und entspannter zu sein. Und das letzte Beispiel: Überprüfen Sie den bereitgestellten Text, korrigieren Sie die Grammatikfehler und gestalten Sie ihn formeller. Alle Änderungen , die vorgenommen werden, fett formatiert, und hier habe ich einen Text mit einem Pfeil. Der Text wird korrigiert und das Modell wird ihn formeller gestalten, denn das ist es, was wir brauchen. Das ist ungefähr der Tonbaustein wir in der Eingabeaufforderung verwenden können. 9. S02L08 Ein paar Tipps: Hallo und willkommen zurück. Wir haben die vollständige Liste der Bausteine für Sie zur Verfügung. Es ist wie eine einfache Formel: Eingabeaufforderung, Gleichheit und dann die sechste Komponente, Anweisung, Kontext, Beispiele, Persona, Format und Tonfall Die ersten beiden Bausteine, Anweisung und Kontext, müssen in der Aufforderung enthalten sein, und alle anderen sind je nach Anwendungsfall optional Jetzt möchte ich ein paar nützliche Tipps durchgehen. Die erste besteht darin, die relevanten Bausteine zu kombinieren. Manchmal müssen wir nur die Anweisung mit Kontext und in anderen Fällen die vollständige Liste der Bausteine verwenden nur die Anweisung mit Kontext und in anderen Fällen . sich vor dem Erstellen einer Eingabeaufforderung Überlegen Sie sich vor dem Erstellen einer Eingabeaufforderung zunächst eine Minute lang, welche Bausteine benötigt werden. Muss ich eine bestimmte Persona einrichten? Muss ich das erforderliche Format angeben? Muss ich ein paar Beispiele angeben? Was sollte gerade genug Kontext für diese spezielle Aufgabe sein? Diese Fragen helfen Ihnen dabei, Ihre Strategie zu formulieren und zu überdenken und effektivere Punkte zu sammeln. Der nächste Tipp ist, zu wiederholen und zu verfeinern. Versuche nicht, eine perfekte Aufforderung daraus zu machen , wenn du gerade erst anfängst, deine Fähigkeiten auszubauen Es erfordert Zeit und viel Übung, um es beim ersten Mal hochwirksam zu machen. Erwägen Sie daher, mit einer allgemeineren Aufforderung zu beginnen und diese auf der Grundlage der Modellantwort schrittweise zu verfeinern, z. B. bei einer Pingpong-Sitzung. Wenn die erste Antwort nicht Ihren Bedürfnissen entspricht, ist das in Ordnung Formulieren Sie Ihre Pumpe neu und fügen Sie weitere Details hinzu. Ändere die Mischung der Bausteine und verfeinere das Gepumpte, bis Ein weiterer nützlicher Tipp ist , die Antwort in den Schlummermodus zu versetzen. Manchmal möchten Sie den Vorgang in zwei Schritte unterteilen. Stellen Sie im ersten Schritt eine Liste mit Regeln oder Anforderungen an das Modell bereit und vermeiden Sie, dass Sie eine Antwort erhalten. Sie möchten keine Antwort erhalten. Geben Sie in Schritt Nummer zwei eine Sequenz von Eingaben an, und Sie möchten, dass das Modell für jede Eingabe die Regeln anwendet, Sie möchten, dass das Modell für jede Eingabe die Regeln anwendet die Sie bereits in der ersten Eingabeaufforderung angegeben haben. Es ist, als würde man die Antwort in den Schlummermodus versetzen . Wie können wir das machen? Nun, das können wir erreichen, indem wir am Ende der gepumpten Nachricht eine Anfrage hinzufügen, um uns nach der nächsten Eingabe zu fragen Das zwingt das Modell, auf unsere nächste Pumpe zu warten. Sehen wir uns ein einfaches Beispiel an. Das wird gepumpt, ich werde einen Codeblock bereitstellen , die Codesyntax auf Fehler überprüfen und den Code optimieren Frag mich nach dem Code. Das ist die zusätzliche Anfrage , die ich am Ende der Eingabeaufforderung stelle. Jetzt ist das LLMs quasi im Schlummermodus, bis es auf meinen nächsten PMT wartet Jetzt werde ich den Code selbst kopieren und einfügen . Es wird natürlich einen neuen Code generieren, der auf einer Liste von Empfehlungen basiert. Es geht darum, die LLM-Antwort in den Schlummermodus zu versetzen. Lassen Sie uns in der nächsten Vorlesung alles zusammenfassen. 10. S02L09 Zusammenfassung: Hallo und willkommen zurück. Danke fürs Zuschauen. In diesem Abschnitt haben wir es geschafft, das einfache Framework zu überprüfen , um effektive Eingabeaufforderungen zu erstellen Ich möchte kurz auf diese Themen eingehen. Unterricht ist der erste Kernbaustein. Wir müssen klar und spezifisch sein. Beginnen Sie mit einem Verb für direkte Aktionen wie Generieren, Analysieren, Klassifizieren und geben Sie klar an , was Sie wollen Was ist dein Endziel? Darüber hinaus ist es wichtig, den erforderlichen Output zu begrenzen und zu definieren, indem der Umfang definiert wird. Kontext ist der nächste wichtige Baustein fast jeder Aufforderung. Wir müssen gerade genügend relevante Hintergrundinformationen bereitstellen genügend relevante Hintergrundinformationen , um die Antwort zu formulieren. Bei der Bereitstellung des Kontextes sollten Informationen berücksichtigt werden, die man haben muss und nett, wenn man sie hat. Versuchen Sie, sie in mehreren Ebenen bereitzustellen, ausgehend von den Browserinformationen Falls weitere Einzelheiten erforderlich sind, fügen Sie sie Schritt für Schritt Beispiele sind eine hervorragende Möglichkeit, einem Modell neue Muster beizubringen, denen es folgen kann Das Modell kann bei der Generierung der Antwort Muster extrahieren , die sich auf die erwartete Struktur und den erwarteten Stil beziehen , die sich auf die erwartete Struktur und den erwarteten Stil beziehen. Wir können ein Beispiel oder mehrere Beispiele angeben. Stellen Sie sicher, dass die Struktur der Beispiele konsistent ist. Es wird für das Modell einfacher sein , die erforderlichen Muster zu verstehen. Das Hinzufügen einer Persona ist eine gute Möglichkeit, das Model zu bitten, eine bestimmte Rolle zu spielen und den Inhalt besser auf unsere Zielgruppe zuzuschneiden den Inhalt besser auf unsere Zielgruppe Wir können effektivere und ansprechendere Inhalte erstellen. Definition des gewünschten Formats, um sicherzustellen, dass die Antwort einer bestimmten Struktur folgt. Dies ist für viele Dinge sehr nützlich und es handelt sich um sehr praktische Formate wie Aufzählungspunkte, schrittweise Anleitung, eine Tabelle mit einer bestimmten Überschrift, einen kurzen Dialog, eine Frage und Antwort und mehr. Und der letzte Baustein gibt den richtigen Ton an. Wir können die generierten Inhalte verbessern und optimieren und ihnen angenehmeres Erlebnis bieten. Den Antwortstil so einstellen, dass er formell, lässig, informativ, überzeugend oder kreativ erwähnt In der vorherigen Vorlesung habe ich auch einige nützliche Tipps beim Erstellen einer Eingabeaufforderung, Versuchen Sie beim Erstellen einer Eingabeaufforderung, die beste Kombination von Bausteinen als Teil der Eingabeaufforderung zu berücksichtigen . Ich gehe davon aus, dass etwa 70 bis 80% aller Anwendungsfälle, die Sie erleben werden, mit diesem einfachen Framework sehr gut behandelt werden können . Nun, da Sie immer mehr Erfahrung sammeln werden , werden Sie es irgendwann auf die nächste Stufe bringen wollen , indem Sie zusätzliche Methoden verwenden, die interessante Ebene der 20% behandeln, komplexere Situationen und komplexere Projekte bewältigen. Das werden wir im nächsten Abschnitt tun. Danke fürs Zuschauen und wir sehen uns wieder. 11. S03L01 – Prompt-Engineering-Methoden: Hallo, willkommen zurück. Wenn Sie gerade erst angefangen haben, Tools wie ChagPT oder Google Gemini zu verwenden, das Prompt-Engineering-Framework, das wir im vorherigen Abschnitt gelernt haben, höchstwahrscheinlich wir im vorherigen Abschnitt gelernt haben wird das Prompt-Engineering-Framework, das wir im vorherigen Abschnitt gelernt haben, höchstwahrscheinlich mehr als ausreichend sein Du wirst dich daran gewöhnen müssen, indem du es immer mehr als Teil deines täglichen Workflows übst und verwendest mehr als Teil deines Irgendwann wird dieses Framework eingebettet werden , ohne darüber nachzudenken. Jetzt, früher oder später, werden Sie beginnen, diese Tools für komplexere Aufgaben zu verwenden. Es ist Teil der Lernreise bei der Erkundung neuer Optionen. Als ich zum Beispiel anfing, Tools wie HGPT für die Codeentwicklung zu verwenden , versuchte ich irgendwann, die Grenzen dieser Tools zu erweitern und sie in einigen Fällen nicht richtig oder effizient zu verwenden oder ihre Einschränkungen nicht zu berücksichtigen Daher wurden im Rahmen der Markterfahrung mit Pumpentechnik zusätzliche Methoden entwickelt, um komplexere Situationen zu bewältigen Das ist das Thema dieses Abschnitts. Wir werden uns mit den praktischsten Methoden der Pumpentechnik befassen Vielleicht werden Sie sie am ersten Tag nicht verwenden, aber wie ich schon sagte, früher oder später wird eine von ihnen für ein zukünftiges Projekt nützlich sein, das Sie bearbeiten werden Ordnung. Lass uns anfangen. 12. S03L02 #1 Aufteilen komplexer Aufgaben: Ich denke, diese Vorlesung ist wahrscheinlich die wichtigste in diesem Abschnitt, und deshalb ist sie auch Lassen Sie mich etwas hervorheben. Die meisten GAI-Lösungen werden nicht in der Lage sein, eine sehr komplexe Aufgabe zu verarbeiten generieren , zu verstehen und gute Antworten zu LLMs können nur eine begrenzte Menge an Informationen gleichzeitig aufnehmen eine begrenzte Menge an Informationen gleichzeitig Jedes Modell hat Einschränkungen in Bezug auf die Größe der Eingabeaufforderung, die Ausgabegröße und die Menge, an die es sich in einer langen Konversation erinnern kann Irgendwann werden diese Modelle besser und stärker werden, aber es wird immer einige Einschränkungen geben. Was bedeutet nun komplexe Aufgabe? Wenn ich einen Dienst wie Chachi PT bitte, ein Buch mit zehn Seiten zusammenzufassen, wäre das in Ordnung Wenn ich jedoch versuche, ein Lehrbuch mit 1.000 Seiten hinzuzufügen , könnte es sein, dass es Es ist zu komplex und zu lang, um es zu verdauen. Ich muss die Größe der Eingabe aufteilen und in kleinere Teile aufteilen und dann jedes Teil an kleinere Teile aufteilen und dann eine spezielle Eingabeaufforderung weiterleiten Ich habe eine komplexe Eingabe genommen und sie in kleinere Teile aufgeteilt. Das Gleiche gilt für die eigentliche Aufgabe selbst. Wenn die Aufgabe sehr komplex ist, es sinnvoll, sie in kleinere Teile zu zerlegen . Nehmen wir ein Beispiel aus dem Bereich der Softwareentwicklung, auch wenn Sie kein Softwareentwickler sind. Es ist nur ein Beispiel. Eine typische Softwareanwendung ist eine Kombination aus mehreren Modulen, Komponenten und Schichten. All diese Elemente sind integriert, um eine Vielzahl von End-to-End-Workflows innerhalb dieser Softwareanwendung einzurichten eine Vielzahl von End-to-End-Workflows . Wenn ich versuche, eine GII-Lösung zu verwenden, um eine vollständige Softwareanwendung zu generieren, benötige ich Hunderte oder vielleicht Tausende von Textzeilen, um die vollständigen Anforderungen und Funktionen dieser Anwendung zu beschreiben die vollständigen Anforderungen und Funktionen dieser Anwendung Das ist eine sehr komplexe Aufgabe. Zumindest heute macht es keinen Sinn, ein solches Maß an Raffinesse von einem KI-System zu erwarten Maß an Raffinesse von einem KI-System Höchstwahrscheinlich werde ich halbfertige generische Ergebnisse mit vielen Pfeilen erhalten , die meine Produktivität verringern , anstatt mir zu helfen, Dinge zu beschleunigen Zweitens werden viele GAI-Lösungen wie HGPT aufgrund von Preismodellen Einschränkungen bei der schnellen Eingabe und Ausgabe haben Preismodellen Einschränkungen bei der schnellen Eingabe aufgrund von Preismodellen Einschränkungen bei der schnellen Eingabe und Ausgabe Für mehr Premium-Dienste werden natürlich weniger Einschränkungen gelten Wie können wir diese Einschränkungen überwinden? Nun, indem wir einen großen Teil in kleinere Teile aufteilen, eine komplexe Aufgabe annehmen und überlegen, wie wir sie in eine Liste von Unteraufgaben aufteilen können Dann nehmen wir jede Unteraufgabe und fügen sie in eine spezielle Eingabeaufforderung ein, erhalten die Ausgabe und fahren mit der nächsten Unteraufgabe fort, in einer Abfolge von Schritten arbeiten Der Vorteil dieses Ansatzes besteht darin, den Fokus jeder Aufforderung auf eine Aufgabe mit begrenztem Umfang zu richten und letztendlich viel besser herauszuholen. Nehmen wir ein Beispiel. Angenommen, ich möchte mit Chachi PTAPI einen Kundensupport-Chatbot für eine E-Commerce-Website entwickeln einen Kundensupport-Chatbot mit Chachi PTAPI einen Kundensupport-Chatbot für eine Klingt beängstigend, ist aber nur ein Beispiel zur Veranschaulichung Anstatt dieses komplexe Projekt als eine einzige große Aufgabe in einer einzigen Aufforderung zusammenzufassen, ich es in kleinere Komponenten wie Miniprojekte Übrigens, wenn Sie sich nicht sicher sind, wie Sie Ihr Projekt in kleinere Teilaufgaben aufteilen sollen , stellen Sie diese spezielle Frage mithilfe einer Eingabeaufforderung Es ist, als ob Sie eine Gliederung für Ihr Projekt erstellen würden. Es gibt Ihnen einige Anweisungen, Sie dann an Ihr Projekt anpassen können. Zurück zu unserem Beispiel Hier finden Sie eine Liste von Mini-Projekten, die sich auf diese übergeordnete Aufgabe beziehen, und für jedes von ihnen eine eigene Aufforderung. Bei der ersten Eingabeaufforderung geht es darum die erforderliche Entwicklungsumgebung einzurichten Die Frage kann also lauten, wie richte ich eine Entwicklungsumgebung für den Aufbau eines HGPT-basierten Chatboots ein, einschließlich der Installation der erforderlichen Bibliotheken Als nächstes wird es darum gehen, die HAGPTAPI zu verwenden. Wie kann ich den Open API-Chatbat in meine Anwendung integrieren API-Chatbat in meine Anwendung Dann eine Aufforderung zur Schnittstelle für diese Anwendung. Wie erstelle ich eine benutzerfreundliche Chat-Oberfläche mit HML, CSS und JavaScript Und mehr noch, es zerlegt ein komplexes Projekt in kleinere Teile In einigen Fällen können wir sogar jedes einzelne Mini-Projekt weiterhin in noch kleinere Teile zerlegen . Der Umfang der einzelnen Eingabeaufforderungen wird also sein, lassen Sie uns ein anderes Beispiel nehmen. Angenommen, ich plane, eine neue E-Commerce-Website zu starten, und benötige eine Marketingkampagne. In den meisten Fällen kann die Vermarktung einer neuen Website ein sehr komplexes Projekt sein , das viele Dinge und viele Schritte umfasst. Es ist ein gutes Beispiel dafür, wie man es in mehrere Unteraufgaben aufteilt , von denen jede ihre eigene Eingabeaufforderung hat. Der erste Schritt oder ein Miniprojekt besteht beispielsweise darin, die Zielgruppe zu identifizieren und Bio-Personas zu erstellen Das ist die erste Aufforderung. Als Nächstes wird es darum gehen, ein einzigartiges Wertversprechen zu entwickeln , um die neue Website von der Konkurrenz abzuheben usw. Ich denke, Sie haben verstanden, was ich meine. Es geht darum, komplexe Aufgaben aufzuteilen. Fahren wir mit der nächsten Methode fort. 13. S03L03 #2 Teilen der Argumentationsschritte: Hallo und willkommen zurück. Erinnerst du dich an eine Matheprüfung an der High School? Ich schätze, das hast du, auch wenn es lange her ist. Eine Möglichkeit besteht darin, die endgültige Antwort auf eine Frage zu geben , so als ob die Antwort 256 wäre. Eine andere Möglichkeit besteht darin, die Schritte anzuzeigen , die zu dieser Antwort führen. Viele Lehrer werden sagen: Zeig mir deine tickenden Pausen als Teil der Antwort und nicht nur als endgültige Selbst wenn die Antwort falsch ist, kannst du vielleicht ein paar Punkte sammeln, indem du mir die Schritte zeigst , mit denen ich diese Lösung gefunden Es ist wie zu fragen, zeig mir deine Argumentationspausen. Wenn wir ein Problem in kleinen Schritten lösen, ist außerdem die Wahrscheinlichkeit, Fehler zu machen geringer, als wenn wir nur schnell die endgültige Antwort geben Sie werden überrascht sein, dass es auch für das GAI-System gilt Dieser Ansatz, den Denkprozess schrittweise zu durchlaufen kann auch als schnelle technische Methode nützlich sein Ausverkauf an eine Gedankenkette, bei der es zu Gedankenanregungen kommt. Bei der Verwendung einer Gedankenanregungskette besteht das Hauptziel darin, das Modell dazu anzuregen , die einzelnen Schritte der Argumentation gemeinsam zu nutzen seinen Denkprozess logisch sequentiell zu artikulieren , wie bei einer schrittweisen wie Im Rahmen der Aufforderung werden wir direkt darum bitten, uns den Denkprozess zu zeigen erstellen In der Aufforderung können wir Sie also bitten, Ihre Argumentation Schritt für Schritt zu beschreiben Führen Sie mich Schritt für Schritt durch den Prozess. Wenn ein umfangreiches Sprachmodell die Gründe für etwas erklärt Gründe für etwas kann das Modell tatsächlich eine bessere Leistung erzielen Es erhöht die Wahrscheinlichkeit, bessere Ergebnisse zu erzielen, und zweitens wird es uns helfen, die Gründe für die Antwort zu verstehen, da es uns nicht nur die endgültige Antwort auf das bietet, nicht nur die endgültige Antwort auf das bietet was wir gerne erhalten würden, sondern auch die Zwischenschritte, um zu dieser Antwort zu gelangen Es macht den Prozess transparenter. Sehen wir uns ein paar Beispiele an. Alice hat über Nacht ein Glas Wasser draußen stehen lassen , als die Temperatur unter dem Gefrierpunkt lag. Am nächsten Morgen stellte sie fest, dass das Glas zerbrochen war. Erklären Sie Schritt für Schritt, warum das Glas gerissen ist. Das Modell generiert eine Abfolge von Ereignissen, die schließlich zum Endergebnis führen Schauen wir uns ein anderes Beispiel an. Ein Klassenzimmer hat zwei blaue Stühle für jeweils drei rote Stühle. Wenn es insgesamt 30 Stühle im Klassenzimmer gibt, wie viele blaue Stühle gibt es? Beschreiben Sie Ihre Argumentation Schritt für Schritt. Auch hier fordern wir das speziell vom Modell als Teil des gepumpten Modells Jetzt können wir einen weiteren Schritt vorwärts machen. Anstatt einfach als Teil des gepumpten Prozesses zu fragen , um die Argumentation Schritt für Schritt zu erklären, können wir das GEI-Modell gezielt bitten, einer Liste von vordefinierten Schritten zu folgen , die unseren Anforderungen entsprechen Sehen wir uns ein Beispiel an. Das Problem kann also darin bestehen, wie Klimaveränderungen den Anstieg des Meeresspiegels beeinflussen. Verwenden Sie die folgenden Schritte, um es zu erklären. Also Schritt Nummer eins, Treibhausgasemissionen. Schritt Nummer zwei, Schmelzen von Eis in Polarregionen, Schritt Nummer drei, thermische Expansion des Meerwassers Okay? Also geben wir die Schritte an, denen das Modell folgen wird. Es geht darum, das Modell zu bitten, den Argumentationsprozess mit uns zu teilen , oder darum, für das Modell den Denkprozess und die Schritte zu definieren den Denkprozess und die Schritte Gehen wir zur nächsten Methode über. 14. S03L04 #3 Verwenden von interaktiven Prompts: Wir haben gerade über die Methode der Gedankenanregung gesprochen , bei der wir das Modell bitten , den Argumentationsprozess, mit dem es das Ergebnis erhält, Schritt für Schritt zu beschreiben mit dem es das Ergebnis erhält, Schritt für Schritt zu . Wir können sie sogar verbessern, indem L erforderliche Schritte angeben, denen das Modell folgen muss In jedem Fall ist die Eingabe eine einzige Aufforderung, bei der wir das Modell bitten, etwas zu tun, und die Ausgabe ist eine Abfolge von Schritten, die einer Gedankenkette ähnelt. Schritt Nummer eins, Schritt Nummer zwei usw. Unsere nächste Methode namens Pumped Chaining hat einen sehr ähnlichen Namen, hat einen sehr ähnlichen Namen verwendet aber dasselbe Wort Chaining, wird aber für völlig unterschiedliche Anwendungsfälle verwendet Beim Pumped Chaining dreht sich alles um dynamische Iteration und Interaktivität dynamische Iteration und Interaktivität bei der Verwendung einer Abfolge von Pumpen. Es ist, als würde man mit einem guten Freund über ein Thema sprechen und Schritt für Schritt Ideen dazu entwickeln. Dabei wird die Ausgabe der letzten Pumpe genommen und zur Verfeinerung oder Anpassung der nächsten Eingabeaufforderung verwendet , wodurch eine Kette von verwandtem Text entsteht Das ist der Name Prompt Chaining, bei dem eine interaktive Liste von Eingabeaufforderungen erstellt wird Es ist eine hervorragende Methode, um kreativere Inhalte zu generieren, sammeln und ausgewählte Ideen in verschiedene Richtungen zu untersuchen ausgewählte Lassen Sie uns ein einfaches, unkompliziertes Beispiel für die schnelle Verkettung verwenden , und zwar anhand der Aufgabe, eine Geburtstagsfeier zu planen Das ist die Hauptaufgabe. Also als ersten Schritt frage ich nach Ausweisen. Generieren Sie eine Liste mit Ideen für ein Geburtstagsfeier-Thema für einen 6-jährigen Jungen Ich erhalte eine Antwort mit einer Themenliste. Nachdem ich diese Liste durchgesehen hatte, entschied ich mich für das Superhelden-Team Ich habe übrigens ein Kind in diesem Alter, also bin ich mir ziemlich sicher, dass es die richtige Richtung ist Als Nächstes verwende ich dieses ausgewählte Thema und frage nach Ideen für die Gestaltung der Partyeinladung. Es wird also das Folgende sein. Ich werde mit dem Superhelden-Team gehen. Was sollte ich in die Partyeinladung aufnehmen? Als Nächstes ist es eine großartige Idee, den Gast zu bitten, sich als dein Lieblingssuperheld zu verkleiden ist es eine großartige Idee, den Gast zu bitten, sich als dein Lieblingssuperheld Was sind die fünf lustigsten Spiele oder Aktivitäten für dieses Team? Wie Sie sehen können, arbeite ich in einem interaktiven Modus, daher aktualisiere ich das Modell ständig anhand meiner Entscheidungen oder Schlussfolgerungen. Und dann erhalte ich eine neue Aufforderung die auf der vorherigen Entscheidung basiert. Also Nummer vier, ich nehme Superhero Craft Station, empfehle eine Material- und Mengenliste für etwa 20 Kinder und so weiter Schauen wir uns ein anderes Beispiel an, während eine Kurzgeschichte entwickeln Der erste Pomp wird also eine Kurzgeschichte über einen Roboter namens Mikey Robot zu schreiben , der davon träumt, menschlicher zu werden Das ist generisch, aber wir werden das Modell im interaktiven Modus dirigieren Die nächste Aufforderung wird also den normalen Tag beschreiben , an dem Mikey Robot in einer Fabrik an der Herstellung von Gadgets arbeitet Er ist auf die Wände der Fabrik beschränkt, aber seine Gedanken konzentrieren sich auf menschliche Aktivitäten Die Mutter wird diesen Pomp annehmen und die Geschichte weiterentwickeln Und dann füge ich als nächste Pumpe hinzu. Eines Tages stieß ein kleines neugieriges Kind auf Mickey Robot und sie wurden gute Freunde Was ist als Nächstes passiert? Okay? Indem wir diese Eingabeaufforderungen aneinanderreihen, können wir die Richtung der gesamten Handlung bestimmen Okay? Da geht es um gepumptes Verketten Gehen wir zur nächsten Methode über. Wir sehen uns als Nächstes. 15. S03L05 #4 Wissen generieren: Hallo und willkommen zurück. Und LLM verfügt über einen riesigen Wissenspool zu einer Vielzahl von Themen Dieses Wissen wurde im Rahmen des Vorbereitungsprozesses dieser Modelle geschaffen des Vorbereitungsprozesses dieser Modelle Es ist wie ein riesiger Lagerraum mit vielen Behältern in jedem Container, vielen kleinen Kisten. Wenn wir dieses Modell bitten, eine bestimmte Aufgabe auszuführen, versucht das Modell, das relevante Wissen zu finden, das in diesem riesigen Speicherbereich gespeichert das in diesem riesigen Speicherbereich und dann die erforderliche Ausgabe zu generieren. Es verwendet einen internen zweistufigen Prozess, dem das erforderliche Wissen ermittelt und dann auf der Grundlage dieses Wissens eine Antwort generiert wird. Manchmal ist es nützlich, diesen zweistufigen Prozess manuell zu steuern. Das ist das Konzept einer Methode, die als Generated Knowledge Prompting bezeichnet wird Bei diesem Ansatz fordern wir das LLM zunächst auf, Wissen oder einige Fakten zu einem bestimmten Thema zu generieren , und leiten diese Informationen dann in einen anderen Bereich ein, um die endgültige erforderliche Aufgabe auszuführen Diese Methode wird verwendet, um das Modell in eine bestimmte Richtung zu lenken Sehen wir uns ein einfaches Beispiel an. Sie sind ein Experte für das Malen von Bildern an Wänden. Erstellen Sie eine Liste mit bewährten Methoden, um große Bilder auf Straßenwände im Freien zu malen. Okay, ich erhalte die Antwort, was bedeutet, dass das Modell spezifisches Wissen extrahiert hat. Wenn das Wissen zu diesem Zeitpunkt nicht gut genug ist, kann ich diese Lücke identifizieren, ohne zum nächsten Schritt überzugehen. Vorausgesetzt, das Ergebnis ist gut genug, werde ich jetzt nach der eigentlichen Aufgabe fragen. Jetzt werde ich anhand der generierten Informationen einen umfassenden Blogbeitrag darüber schreiben , wie man ein Bild an ALDO-Straßenwänden malt. Ich habe das im Grunde in zwei Schritte aufgeteilt. Schritt Nummer eins, Extrahieren Sie das Wissen, Schritt Nummer zwei, stellen Sie anhand dieses Wissens die eigentliche Aufgabe. Sehen wir uns ein anderes Beispiel an. Angenommen, wir möchten, dass LLM einen kurzen Bericht über den Klimawandel schreibt einen kurzen Bericht über den Klimawandel Anstatt sie zu bitten, diese Aufgabe direkt auszuführen, möchten wir die Schritte kontrollieren und das Wissen einsehen , bevor es zur Erstellung dieses Berichts verwendet wird Wir könnten also die folgenden Eingabeaufforderungen erstellen und sie nacheinander ausführen. In der ersten Aufforderung werden die wichtigsten Trends der globalen Erwärmung in den letzten zehn Jahren zusammengefasst die wichtigsten Trends der globalen Erwärmung in den letzten zehn Jahren Ich erhalte eine Liste der wichtigsten Trends zur globalen Erwärmung. In der nächsten Aufforderung werde ich dann auf der Grundlage der identifizierten Trends die wichtigsten wissenschaftlichen Studien auflisten, die wichtigsten wissenschaftlichen Studien auflisten denen die Ursachen dieser Veränderungen erörtert werden. Wie Sie sehen können, verwende ich das in der ersten Eingabeaufforderung gewonnene Wissen in der ersten Eingabeaufforderung gewonnene als Eingabe für die nächste Aufforderung. Ich zwinge das Modell, sich auf bestimmte Punkte, bestimmte Teile des Wissens zu konzentrieren . Ich kann zum Beispiel sogar darum bitten, einige Trends zu filtern und das Modell zu bitten, sich auf bestimmte Trends zu konzentrieren. Als Nächstes werde ich die Ergebnisse der aufgelisteten Studien zusammenfassen der aufgelisteten Studien dabei auf die Auswirkungen von Menschen konzentrieren Auch hier wird DM gebeten, spezifisches Wissen zu extrahieren. Im letzten Schritt werden auf der Grundlage der zusammengefassten Ergebnisse fünf Hauptstrategien vorgeschlagen mildern , um die Auswirkungen des Menschen auf den Klimawandel zu Es geht um generiertes Wissen, das generiert wird. Was ist mit der Situation, dass das Wissen im Modell nicht gut genug ist Es verfügt nicht über das erforderliche Wissen. Das ist das Thema der nächsten Vorlesung. Wir sehen uns als Nächstes. 16. S03L06 #5 Hinzufügen von externem Wissen: Hallo und willkommen zurück. Bis zu diesem Zeitpunkt gehen wir davon aus, dass ein von uns verwendetes LLM über das erforderliche Wissen verfügt unsere Frage zu einem bestimmten Thema zu beantworten Wir wissen, dass diese LLMs mit einer riesigen Datenmenge trainiert werden und ihr Wissen horizontal über mehrere Bereiche und vertikal innerhalb vieler Bereiche erweitert und vertikal innerhalb vieler Dennoch sind diese LLMs nicht perfekt. Sie werden niemals perfekt sein. Wissen ist etwas, das ständig geschaffen wird, während wir sprechen. Jeden Tag erzeugen Menschen eine unglaubliche Menge an neuen Daten Selbst wenn die Daten verfügbar sind, können Sie ein Modell nicht mit beliebigen Daten trainieren Das Wissen über jedes Modell wird begrenzt sein. Es kann aus verschiedenen Gründen eingeschränkt sein. Domänenspezifische Informationen, die zum Zeitpunkt des Trainings des Modells nicht verfügbar waren, wie beispielsweise sehr spezifische Kenntnisse über ein medizinisches Verfahren . Die zweite wird als Knowledge Cutoff bezeichnet, was bedeutet, dass das Modell bis zu einem bestimmten Datum bis November 2024 trainiert wurde . Alle Daten, die nach diesem Datum erstellt wurden , sind nicht Teil des Modellwissens Der Stichtag ist kein Problem, wenn wir es mit Themen zu tun , die sich nicht so sehr ändern wie Kochmethoden Wenn sich unsere Frage jedoch auf Dinge bezieht , die sich sehr schnell ändern wie z. B. Informationen über Technologien, dann haben wir möglicherweise ein Problem. Und das dritte sind private Daten. Denken Sie nur an jedes Unternehmen mit Daten, die in internen Datenbanken gespeichert sind. Diese privaten Daten sind nicht Teil öffentlicher Dienste wie HGPT oder Google Giminy Wie können wir diese Lücke also schließen? Wie können wir das fehlende Wissen aus externen Datenquellen einbringen ? Nun, es gibt zwei Hauptoptionen manuell oder automatisch. Ich werde mit der zweiten Option beginnen , die für Entwickler geeignet ist. Es gibt eine Methode namens Retrieval, Argumented Generation oder in Short Lag Mit dieser Methode erstellen Entwickler ein System, das den Prozess von Anfang bis Ende automatisiert, d. h. eine weichere Komponente empfängt die Eingabeaufforderung, verwendet den Inhalt der Eingabeaufforderung, um das erforderliche Wissen zu identifizieren und dieses Wissen dann aus externen Quellen zu extrahieren Schließlich nimmt es das extrahierte Wissen und passt es zusammen mit der ursprünglichen Eingabeaufforderung in das Modell Es ist wie ein Anreicherungsprozess. Es versorgt das LLM mit spezifischen externen Daten. Mit dieser Methode können Unternehmen interne private Daten als zusätzliche Informationen nutzen, können Unternehmen interne private Daten als zusätzliche Informationen nutzen um die generierten Inhalte zu verbessern und anzupassen Wie Sie sich vorstellen können, können wir den gleichen Vorgang manuell durchführen. heißt, falls wir private Daten oder andere Arten von Daten verwenden möchten private Daten oder andere Arten von Daten , die in einem Dokument, einer Tabelle, einer Website oder in einer Datenbank gespeichert sind, oder in einer Datenbank können wir diesen zusätzlichen Inhalt als Teil der Eingabeaufforderung hinzufügen, zusammen mit der Aufgabe, die wir ausführen möchten, indem wir relevanten Text aus Dokumenten, Artikeln oder Websites in die Eingabeaufforderung kopieren, um mehr Kontext bereitzustellen spezifische Informationen, die das LLM bei der Generierung von Antworten verwenden kann bei der Generierung von Antworten verwenden Das Modell verwendet diese zusätzlichen Inhalte zusammen mit dem Wissen, über das es bereits verfügt, um eine Antwort zu generieren Wenn es sich bei dem zusätzlichen Inhalt nun um eine Seite handelt, können wir ihn einfach kopieren und in die Eingabeaufforderung einfügen , zusammen mit unserer erforderlichen Aufgabe. Wenn der zusätzliche Inhalt jedoch 100 Seiten umfasst, es zehn, er wird möglicherweise nicht angezeigt. Wir werden schnell an die Grenzen des Modells stoßen. Wir müssen die relevantesten Informationen ermitteln die relevantesten Informationen die Erfüllung unserer spezifischen Aufgabe erforderlich sind. Ab 100 Seiten können wir also auf zwei oder drei relevanteste Seiten zoomen. Eine weitere Sache, die Sie berücksichtigen sollten, ist die Weitergabe vertraulicher Informationen Ihres Unternehmens externe Dienste wie HAGPT oder Google Gemini Sie nicht davon aus, dass diese Dienste in dem Sinne sicher sind , dass Ihre privaten Daten nicht verwendet werden Es ist etwas, das berücksichtigt werden muss. Und das Letzte, woran Sie denken sollten, ist, dass diese zusätzlichen Daten, die Sie in einer Aufforderung teilen , nichts an dem in einem Modell gespeicherten Wissen ändern . Es ist nur ein Teil eines temporären Modellspeichers. Wenn Sie den Dienst erneut in einem anderen Tab öffnen, ist dieses zusätzliche Wissen verloren. Es ist nicht Teil des Modells, und Sie müssen diese Informationen erneut teilen , um dieselbe Aufforderung auszuführen. 17. S03L07 Zusammenfassung: Hallo und willkommen zurück. Wir haben mehrere wichtige Methoden im Bereich Prompt Engineering behandelt, und jetzt möchte ich sie kurz zusammenfassen. Wir haben mit der Methode begonnen komplexe Aufgaben in kleinere Teile aufzuteilen Wir müssen bedenken, dass ein typisches Geri-Modell seine Grenzen haben wird, und heute sind sie nicht so gut geeignet, wenn eine komplexe Aufgabe zu bewältigen, die eine beträchtliche Menge an Anforderungen und Informationen erfordert beträchtliche Menge an Anforderungen und Informationen Ich schätze, der Maßstab für Definition komplexer Aufgaben wird sich ändern Es gibt ständige Markttrends zur Verbesserung dieser Modelle, sodass eine komplexe Aufgabe von heute in Zukunft einfach sein kann. In jedem Fall können wir immer etwas Komplexes nehmen und versuchen, es in einfache Teile zu zerlegen. Jedes Teil kann eine spezifische Aufgabe sein , die wir mit einer speziellen Aufforderung erledigen werden. Als Nächstes haben wir über die Methode gesprochen, bei der das Modell gebeten wird, die Argumentationsschritte mitzuteilen , die verwendet wurden, um die endgültige Antwort zu erhalten Es wird als Gedankenanregung bezeichnet. Im Rahmen der Aufforderung bitten wir direkt darum, uns den Denkprozess zu zeigen und eine Gedankenkette als Zwischenschritte zu generieren, eine Gedankenkette als Zwischenschritte zu generieren um zu dieser Antwort zu gelangen Mit dieser Methode können wir besser beurteilen, wie das Modell zu dieser endgültigen Antwort gelangt. Methode Nummer drei ist die Methode der Verwendung interaktiver Eingabeaufforderungen, auch Pumped Chaining genannt Es ist, als würde man mit einem guten Freund über ein Thema sprechen und Schritt für Schritt Ideen dazu entwickeln. Dabei wird die Ausgabe der letzten Pumpe genommen und zur Verfeinerung oder Anpassung der nächsten Eingabe verwendet , sodass eine Kette von verwandtem Text entsteht Es ist eine großartige Methode, um kreativere Inhalte zu generieren, zu sammeln und ausgewählte Ideen in verschiedene Richtungen zu untersuchen ausgewählte Methode Nummer vier: Wissen als Vorstufe generieren. Mit diesem Modell bitten wir das Modell zunächst, Wissen über das Thema zu generieren, und in der nächsten Aufforderung verwenden wir dieses generierte Wissen oder eine Teilmenge dieses Wissens, um die erforderliche Aufgabe zu lösen Es hilft uns, das Wissen, das das Modell aus seinem internen Speicher auswählt und das zur Bearbeitung unserer Aufgabe verwendet wird, manuell zu kontrollieren aus seinem internen Speicher auswählt das zur Bearbeitung unserer Aufgabe verwendet wird, manuell zu Methode Nummer fünf, Hinzufügen von externem Wissen. Das ist eine ziemlich einfache Methode. Es gibt Fälle, in denen wir bestimmte private Daten oder domänenspezifische Daten nutzen möchten bestimmte private Daten oder domänenspezifische , die nicht Teil des Modellwissens sind. Hier gibt es zwei Hauptoptionen: automatisiert oder manuell. Die automatisierte Option gilt für Entwickler, die GAI-Tools in ihren Anwendungen verwenden möchten Die Option ist die Möglichkeit, Textdaten direkt in die Eingabeaufforderung zu kopieren und einzufügen direkt in die Eingabeaufforderung zu kopieren und einzufügen verbunden mit der Aufgabe, die wir erledigen möchten Wie Sie sehen können, sind all diese Methoden nicht komplex. Es ist nur eine Frage der Erfahrung und des Bewusstseins, dass wir sie für verschiedene Anwendungsfälle verwenden können. Das ist eine kurze Zusammenfassung. Danke, dass du dir diesen Abschnitt angesehen hast.