Maîtriser l'ingénierie des invites pour l'IA générative avec ChatGPT

1. S01L01 Bienvenue: Bonjour et bienvenue à cette formation sur l'ingénierie des pompes pour l'IA générative Je m'appelle Ian et je serai professeur. Il devient de plus en plus évident que le GAI est partout. Il s'agit d'une énorme vague de rupture technologique qui remodèle de nombreuses industries C'est une grosse vague, et beaucoup de choses vont changer. Des services tels que HAGPT et Google Gymini sont de plus en plus intégrés au travail quotidien et aux flux de travail de nombreux emplois Maintenant, pour être en mesure de répondre avec succès à cette vague et maximiser le potentiel de l'utilisation de GAI pour différents cas d'utilisation, il est important de pouvoir communiquer efficacement avec de grands modèles linguistiques ou, en bref, des LLM Nous devons être capables de réfléchir, de structurer et d'optimiser nos exigences à l'aide d'un texte pompé C'est l'essence même de l'optimisation par pompage, également appelée ingénierie par pompage C'est l'art de poser les bonnes questions pour tirer le meilleur parti d'un LLM Il est utile pour tous ceux qui utilisent un service tel que HachPT avec une interface Web ou qui utilisent indirectement des API dans le cadre d'un projet d'intégration plus vaste Dans cette formation, nous allons établir un cadre simple pour créer instructions très efficaces, puis passer en revue les méthodes d' ingénierie rapides les plus populaires Je ferai de mon mieux pour que ce soit simple, amusant et intéressant. Merci de votre attention et j'espère vous voir à l'intérieur. 2. S02L01 - Un cadre pour créer des invites: Bonjour et bienvenue. Les grands modèles linguistiques sont la pierre angulaire des solutions d'IA générative. Ils ont ajouté les incroyables capacités de digérer le texte en tant que langage humain. L'entrée est appelée pompée et la sortie est appelée réponse ingénierie par pompage est l'art et la science qui consistent poser la bonne question pour obtenir le meilleur rendement d'un LLM Il s'agit d'optimiser l'invite de saisie pour gérer une tâche spécifique. Dans cette section, nous allons explorer un cadre simple permettant créer des instructions beaucoup plus efficaces Ce cadre comporte six éléments de base : l'instruction, le contexte, exemples, le personnage, le format et le ton Chacun d'entre eux contribuera à la structure globale du pompage Nous pouvons utiliser un ou plusieurs blocs de construction en fonction du résultat requis. La dernière chose à considérer est qu'apprendre à optimiser les instructions, c'est comme un muscle dans notre corps Nous devons investir du temps pour développer ce muscle en pratiquant et en essayant régulièrement différentes choses. Après quelques semaines d' utilisation de ce framework, il sera intégré à notre travail quotidien. Bien, commençons par le premier élément de base. À la prochaine. 3. S02L02 Instruction: Bonjour et bienvenue. Le premier composant ou bloc de base d'une invite est la tâche elle-même, également appelée instruction. Il s'agit de la directive de base de l'invite. Il indique au modèle ce que nous voulons faire. C'est l'élément de base le plus important . Maintenant, malheureusement, le modèle ne peut pas lire dans nos pensées et deviner ce que nous recherchons. Peut-être que cela changera à l'avenir lorsque nous établirons un lien direct entre les ordinateurs et notre cerveau. ici là, les instructions requises doivent être formulées de la manière la plus claire possible. Moins le modèle doit deviner, plus nous avons de chances d'obtenir ce que nous recherchons. Par conséquent, la définition et champ d'application général de l'instruction doivent être très clairs. Je pense que la meilleure façon de comprendre ce concept est de passer en revue des exemples pratiques. Pour la démonstration, je prévois d'utiliser des services tels que HachPT et Google Gemini Tu peux choisir ce que tu veux. Le premier exemple concerne la classification simple des Tweets. J'aimerais fournir un texte à partir d'un tweet et connaître le sentiment du texte. Dans CharGPTPMPT, j'écris, vous recevrez un tweet à propos un film et votre tâche classer le sentiment comme positif, naturel ou négatif Le tweet lui-même est le suivant : « J' adore le nouveau film de Batman, même s'il est assez effrayant ». C'est le texte que je voudrais classer. Alors, qu'est-ce que nous avons ici ? J'ai clairement défini la tâche requise, classer un texte court, qui est un tweet avec des catégories spécifiques. Je fournis les catégories, c'est-à-dire positif, naturel ou négatif. Tout est clair, y compris l'objectif de la tâche. Le modèle utilisera ses propres connaissances pour comprendre le texte, puis classifier le sentiment qui correspond le mieux. L'exemple suivant est lié à la génération de contenu, qui est un cas d'utilisation très courant et pratique du GNAI Dans ce cas, l' invite peut être générée un titre de blog pour un article sur l'efficacité des plans de réduction. Je commence la définition de la tâche en utilisant un verbe d'action tel que générer, écrire, expliquer, analyser, classer, etc. Le verbe d'action est un élément important de l'instruction. Ensuite, j'essaie d' articuler mon objectif final, qui est le titre d'un article de blog lié à un sujet spécifique J'ai une suggestion, un titre, ajustons-le un peu. Générez dix titres de blocs pour un article sur l' efficacité des régimes alimentaires. Dans cette invite, j'ai ajouté une portée spécifique, c'est-à-dire dix titres. Je vois que certaines d' entre elles sont un peu longues et que d'autres sont formulées sous forme de structure de questions Ajustons-le d'un mode pour mieux définir la tâche requise. Générez dix titres de blocs pour un article sur l' efficacité des régimes alimentaires. Un titre doit comporter maximum de dix mots et ne pas utiliser de structure de question. Comme vous pouvez le constater, j'ai ajouté la portée et les limites du résultat spécifique que je recherchais, exemple un maximum de dix mots et sans utiliser de structure de question. Dans de nombreux cas, il est important de limiter et de cadrer la sortie requise. Ensuite, rédigez un article de blog sur l'efficacité des régimes alimentaires. Rédiger un article complet est une tâche beaucoup plus complexe, non ? Cette définition de tâche est trop générique et nous obtenons donc un contenu générique. Nous devons mieux définir les exigences de la tâche et fixer des limites qui peuvent aider à encadrer et à orienter le modèle vers le résultat souhaité. Qu'en est-il de celui-ci ? Rédigez un article de blog sur l'efficacité des régimes alimentaires. L'article doit être divisé en quatre sections principales. Chaque section doit explorer un aspect différent du sujet et sera limitée à une page tout en fournissant des preuves scientifiques et conseils pratiques pour accroître l'efficacité des régimes alimentaires. Incluez une brève introduction pour définir le contexte et une conclusion résumant les points clés Nous obtenons maintenant un contenu en bloc mieux optimisé pour répondre à nos besoins spécifiques, y compris des informations sur la longueur de chaque section, la structure globale et le type de contenu à inclure, comme des preuves scientifiques, conseils pratiques, etc. L'exemple suivant consiste à générer plan de cours pour un sujet spécifique. Rédigez un court plan de leçon d'introduction aux statistiques. Le plan de leçon doit couvrir des sujets tels que les types de données, les statistiques descriptives et les bases de probabilité. Proposez quelques exemples qui montrent que les étudiants ordinaires sont nuls. Nous avons un verbe d'action, qui est juste. L'objectif final est de créer un plan de cours sur les statistiques, et nous fournissons le champ d'application requis. Ensuite, dans cet exemple, je voudrais extraire des mots clés d' un texte en utilisant GenAI comme Le message sera le suivant un texte vous sera fourni et votre tâche sera d'extraire une liste des dix meilleurs keods Voici un texte sur la probabilité. Voyons les mots clés identifiés. Veuillez noter que cette fois, nous fournissons les connaissances sur le sujet et le LLM est utilisé comme moteur de raisonnement pour identifier les mots clés dans le texte que nous fournissons Voyons une requête pompée un peu plus complexe , à savoir une requête multitâche La pompe sera la suivante. Analysez la liste suivante des commentaires des utilisateurs à propos d'un jeu en ligne. Classez chaque feedback comme positif, négatif ou naturel. Résumez deux points à retenir de chaque commentaire. Classez par catégorie le département qui doit recevoir les commentaires, support produit, les ventes marketing, et enfin, présentez-les sur une table Voici la liste des commentaires des utilisateurs. Comme vous pouvez le constater, il s'agit de deux tâches séquentielles différentes liées aux données brutes du feedback Nous demandons de classer, résumer, puis de catégoriser Le résultat est un tableau organisé avec quatre colonnes, les commentaires, la classification, les points à retenir et le département cible Un bel exemple qui montre la puissance du GEI lors de la gestion de tâches plus complexes. Très bien, c'est le premier élément de base de toute invite. Nous devons clairement définir les instructions requises. Passons à la suivante. 4. S02L03 #2 - Contenu: Bonjour, et bon retour. Le second élément de base très important d'une invite est le contexte. Le contexte fournit les informations de base ou l'environnement nécessaires pour clarifier l'intention et la portée de la demande. Si quelqu'un me dit au téléphone qu'il fait froid sans fournir de contexte, j'aurai du mal à comprendre s'il parle de la météo, de la température ambiante, d'un verre à la main ou même du comportement de quelqu'un. Si je sais qu'il se trouve dehors un matin d'hiver, cette déclaration est parfaitement logique, n'est-ce pas ? Dans la vie de tous les jours, le contexte est très important car il façonne notre compréhension des situations, des conversations et des actions qui nous entourent. Il peut s'agir du ton de conversation que nous pouvons entendre, du contexte historique d'une situation ou des détails entourant un événement. contexte comble les lacunes et nous aide à avoir une vue d'ensemble. Ce concept est 100 % identique lorsqu'on demande un modèle GAI d'effectuer une tâche spécifique En fournissant des informations générales pertinentes, nous pouvons aider l'IA à comprendre le contexte de notre demande afin d'obtenir réponses plus optimisées et plus précises. Passons en revue quelques exemples. Générez un tutoriel pour les débutants pour construire une simple chaise en bois. La tâche consiste à générer un didacticiel sur la construction d'une chaise. Le contexte ici est le public cible, c'est-à-dire le fait de préciser qui utilisera ces informations. Par exemple, générez un totoyal pour construire une chaise en bois, y compris une liste de matériaux tels que le bois, des vis et des outils tels qu'une scie à table, un électrique et une perceuse Le contexte porte désormais sur le matériel et les outils nécessaires, mentionnant les matériaux et outils spécifiques nécessaires au projet. Créez un didacticiel pour construire une simple chaise en bois qui prend environ 3 heures et qui convient aux menuisiers novices Le contexte porte désormais sur le niveau de compétences et nécessite du temps pour mener à bien le projet. L'un des principaux défis liés au contexte concerne le niveau de détail. Quelle quantité d'informations contextuelles devons-nous ajouter à une pompe ? C'est une excellente question. Pour résoudre ce problème, nous devons réfléchir aux informations nécessaires pour comprendre la tâche requise et réduire le nombre de possibilités. Il est utile d'utiliser une approche en couches, de créer le contexte en couches. Commencez par un contexte de haut niveau , puis ajoutez plus de détails si nécessaire. La première couche est celle des informations indispensables. Nous devons commencer par informations les plus essentielles directement liées à la tâche, au problème ou à la question. Cela implique généralement de mentionner les hypothèses, les configurations, les outils, le cadre ou les fonctionnalités qui jouent un rôle essentiel dans la réalisation de l'objectif. Nous devons nous concentrer sur les éléments propres à notre situation ou susceptibles influencer la solution d'une manière non standard. La couche suivante est celle qui est agréable d'avoir des informations. s'agit de détails spécifiques qui peuvent affecter la solution mais qui ne sont pas essentiels. Essayez d'éviter de répéter les informations qui nous ont déjà été fournies, car cela peut semer la confusion dans le modèle. Bien, c'est le meilleur moyen de nous assurer que nous fournissons juste assez d' informations contextuelles dans nos bompts Passons à l'élément de base suivant. 5. S02L04 #3 - Exemples: Bonjour, et bon retour. Jusqu'à présent, nous avons abordé les éléments de base de l' instruction et du contexte, qui sont des éléments essentiels de presque toutes les invites. Décrivez la tâche requise et fournissez juste assez de contexte pour la décrire. Le modèle prend notre demande, l'analyse et, sur la base des connaissances existantes du modèle, il générera une réponse. Cependant, dans certains cas, les connaissances préentraînées sur le modèle ne sont pas suffisantes. Le résultat que nous obtenons est trop générique et ne répond pas à nos exigences. Le modèle n'est pas entièrement adapté à notre demande spécifique, ou il est difficile d' expliquer à l'aide d'une pompe de texte ce que nous devons réaliser. La solution à ces défis consiste à utiliser des exemples dans le cadre de l'invite. Dans certains cas, il sera plus facile montrer au modèle ce que nous voulons dire à l'aide d'exemples. Cette méthode s'appelle le «   Few Shot Pumping ». Il s'agit d'une pratique qui consiste à faire passer une pompe, associée à un ou plusieurs exemples, également appelés prises de vue, pour montrer au modèle comment réagir à une tâche spécifique. Un exemple est essentiellement une paire d'entrées et de sorties. Nous pouvons fournir un ou plusieurs exemples. En se basant sur ces exemples, le modèle peut apprendre à suivre de nouveaux modèles. L'hypothèse est que le modèle sera capable d'extraire les modèles pertinents des exemples que nous fournissons et de les utiliser pour générer la réponse. Assistons à quelques démonstrations. Donc, dans le premier exemple, écrivez un poème amusant sur un chat, par exemple, puis je donne un exemple d'un tel texte. Il était une fois un chat avec un rugissement puissant qui pensait qu'il était roi mais qui dormait par terre et ainsi de suite C'est un exemple de style spécifique. Maintenant, ce qui va se passer, c'est que nous utilisions cet exemple pour en extraire les modèles. L'exemple fournit donc un style et un thème poétiques spécifiques, guidant le modèle pour générer un nouveau texte mieux aligné avec le style requis. Ensuite, rédigez une lettre de plainte officielle concernant un nouveau vélo pour enfant de mauvaise qualité tout en vous plaignant du desserrement de la pédale, déséquilibre de la roue avant et de la faiblesse des freins Utilisez l'exemple suivant. Ensuite, je fournis une structure spécifique, le nom de leur entreprise. Je vous écris pour exprimer mon profond mécontentement à l'égard de l'achat récent du produit La qualité du produit n' est pas conforme la description du produit décrite et à la qualité attendue de la part de l'entreprise Je souhaite obtenir un remboursement complet. L'exemple établit une structure spécifique pour la lettre, aidant le modèle à générer une réponse adaptée au contexte. exemple suivant, générez une liste de stratégies relatives au marketing en ligne d' un nouveau cours en ligne en utilisant la structure suivante. Évitez les détails pour chacun d'entre eux. La structure est la suivante. Stratégie numéro un, marketing de contenu, priorité : coût élevé, faible. Et je donne un autre exemple la stratégie numéro deux : marketing sur les réseaux sociaux, média prioritaire, coût élevé. Je n'ai pas expliqué la structure requise. Je n'ai donné que des exemples. Le modèle évaluera la structure de ces deux exemples, identifiera les modèles et générera la liste complète des stratégies pertinentes en utilisant la même structure. J'ai quelques conseils liés à des exemples. Combien d'exemples sont nécessaires ? Eh bien, il est fort probable que deux à cinq exemples bien choisis suffisent pour guider le modèle. Encore une fois, c'est une situation au cas par cas. Diversité, utilisez une variété d' exemples qui couvrent différents scénarios. Si vous avez des cas particuliers, prenez-les en compte. En rapport avec la tâche, nous devons nous assurer que les exemples sont directement liés à la tâche. Nous voulons que le modèle soit performant. Enfin, il est important d'utiliser un format cohérent pour tous les exemples. Cela permet au modèle de reconnaître les modèles à suivre. Bien, il s'agit d' utiliser des exemples, passer à l'élément de base suivant. 6. S02L05 #4 - Personnage: Bonjour, bon retour. Le prochain élément utile d'une Pompt est le persona Un personnage est un personnage fictif qui, selon nous, conviendra parfaitement pour répondre ou satisfaire aux exigences d'une pompe spécifique Je suis sûr que vous avez un ou plusieurs amis capables d'imiter des personnes célèbres, imiter leur voix, leur expression faciale, style de comportement, C'est amusant, mais en même temps, c'est incroyable de voir que leurs performances influencent la façon dont nous percevons les données. Cela ajoute du contexte à la situation. Nous pouvons faire de même avec les instructions. Nous pouvons demander au modèle de répondre à une question spécifique tout en incarnant un personnage ou une identité spécifique. Cela peut être très utile dans différents cas. Voyons quelques exemples. Vous êtes responsable du recrutement chez Google. Créez une description de poste d'analyste de données. Comme vous pouvez le constater, le résultat est structuré du point de vue d'un responsable du recrutement chez Google. Le modèle possède une connaissance approfondie de la manière dont les responsables du recrutement de Google structureront leur description de poste. C'est également connaître les exigences les plus pertinentes pour engager un analyste de données. Tout ce que nous avons à faire, c'est de définir le personnage. Par exemple, supposons que je souhaite créer une explication légère et amusante sur l' avenir de l'IA générative. Dans ce cas, le personnage sera un professeur amusant. demandera, vous êtes un professeur amusant, expliquer l'avenir de l'IA générative en un seul paragraphe. Ensuite, en tant qu'artiste créatif, comment utiliseriez-vous la technologie pour améliorer votre travail et présenter votre portfolio à un public plus large ? Le personnage est un artiste créatif. Le modèle essaiera de générer une réponse du point de vue d'un tel personnage Et enfin, vous êtes un étudiant qui a du mal à trouver un équilibre entre ses études, ses activités et sa vie sociale. Comment la technologie pourrait-elle vous aider à rester organisé, gérer votre temps efficacement et à réduire le stress ? Le personnage est un étudiant. En utilisant un personnage, nous pouvons mieux adapter le contenu pour qu'il trouve un écho auprès de notre public cible Cela peut également inciter le modèle à réagir en adoptant un comportement attendu spécifique, par exemple en étant plus poli , plus formel ou inversement. En ajoutant un personnage aux invites, nous pouvons créer un contenu plus efficace et plus engageant qui produira de meilleurs résultats 7. S02L06 #5 - Format: Bonjour et bon retour. Le composant suivant d'une invite concerne la structure et le format attendus de la sortie requise. Nous pouvons définir le format souhaité et assurer que la réponse suit une structure spécifique. C'est très utile pour de nombreuses choses. Mentionnons quelques formats très populaires que nous pouvons utiliser. Donc, dans le premier cas, énumère cinq avantages de l'apprentissage des mathématiques sous forme de puces. Le format requis est une liste d'éléments sous forme de puces. Ensuite, fournissez un guide étape par étape pour configurer un blog WordPress. Ici, je demande un format étape par étape. Créez un tableau des meilleurs films de science-fiction populaires de ces 20 dernières années. Les colonnes du tableau indiqueront le titre du film, le réalisateur et le classement IMDB. Dans ce cas, le format requis est un tableau avec des en-têtes spécifiques, des colonnes spécifiques C'est une structure très utile pour organiser l'information. Rédigez un court dialogue entre un client et un agent de support pour résoudre un problème de facturation. Le résultat ressemble à une session de dialogue de ping-pong. Fournissez cinq questions et réponses sur les avantages des voitures électriques. Le format requis est une question et une réponse. Je peux aller encore plus loin et demander de générer cinq réponses possibles différentes pour chaque question. Fournissez un code JavaScript, découpez-le avec cette chaîne inversée En fournissant le langage de programmation, je demande un format spécifique aligné sur Javascript. Créez une liste de contrôle pour les articles à classer lors d'un voyage d'un week-end. Le suivant est très utile pour de nombreux cas d'utilisation. Fournir les grandes lignes d' un rapport sur les sources d'énergie renouvelables. Demander un aperçu est un excellent outil pour trouver des idées pour une liste de sous-sujets liés à un Nous l'utiliserons de nombreuses fois. Je l'utilise pour de nombreux cas d'utilisation. Le dernier exemple concerne Imoges, ce sera le suivant texte vous sera fourni et votre tâche sera de le traduire en Imoges N'utilisez pas de texte normal. Faites de votre mieux uniquement avec les emojis. Le texte sera le suivant : L'intelligence artificielle est une technologie très prometteuse. Nous recevons une séquence amusante d' images liées à ce texte. Il y a probablement des gens qui peuvent facilement traduire cela en texte. C'est bon. C'est une question de format et de structure. Passons au dernier élément de base. 8. S02L07 #6 - Ton: Bonjour, et bon retour. Le dernier élément facultatif d'une invite consiste à donner le bon ton. Cette option peut aider à orienter le style de réponse, qu'il soit formel, décontracté, informatif, persuasif ou créatif En définissant un ton spécifique, nous pouvons améliorer et adapter le contenu généré à notre public et en faire une expérience plus agréable. S'ils s'attendent à obtenir une réponse informelle et décontractée, il est plus probable que le fait de structurer le contenu généré de manière plus conviviale le rendra plus efficace Voyons quelques exemples. Veuillez fournir une explication détaillée des principaux avantages de l'IA générative. C'est un ton formel à l'intérieur du pompé lui-même, se reflétera dans le contenu généré C'est une longue liste d' articles que nous recevons. Chacune est basée sur un format très structuré et détaillé. Essayons quelque chose de moins formel. Bonjour, pouvez-vous m'en dire un peu plus sur les principaux avantages de l'IA générative ? Comme vous pouvez le constater, il s'agit d'une version plus légère car le modèle essaie de comprendre le ton général requis à partir du texte lui-même. À l'autre extrémité, nous pouvons spécifiquement mentionner ce que nous recherchons. Ainsi, par exemple, je peux vous dire créer un article engageant et amusant sur les principaux avantages de l'ingénierie rapide pour la création de contenu basé sur l'IA. En ajoutant les mots engageant et amusant, nous donnons le ton requis pour être plus amical et détendu. Et le dernier exemple, passez en revue le texte fourni, corrigez les fautes de grammaire et rendez-le plus formel. Toutes les modifications apportées sont en gras, et voici du texte avec une flèche. Le texte sera corrigé et le modèle l'ajustera pour qu'il soit plus formel, car c'est ce que nous avions besoin d'obtenir. C'est à peu près le bloc de tonalité que nous pouvons utiliser dans l'invite. 9. S02L08 Quelques astuces: Bonjour, et bon retour. Nous avons la liste complète des éléments de base pour vous aider rapidement. C'est comme une formule simple, prompte, égale, puis le sixième composant, l' instruction, le contexte, exemples, le personnage, le format et le ton Les deux premiers éléments de base, l'instruction et le contexte, doivent être inclus dans l'invite, et tous les autres sont facultatifs en fonction d'un cas d'utilisation spécifique. J'aimerais maintenant passer en revue quelques conseils utiles. La première consiste à combiner les éléments de base pertinents. Parfois, nous devons utiliser uniquement l'instruction contextuelle et, dans d'autres cas, la liste complète des éléments de base. Avant de créer une invite, réfléchissez une minute aux éléments de base nécessaires. Dois-je configurer un personnage spécifique ? Dois-je spécifier le format requis ? Dois-je fournir quelques exemples ? Quel devrait être le contexte juste suffisant pour cette tâche spécifique ? Ces questions vous aideront à définir et à réfléchir à votre stratégie et des points plus efficaces. Le conseil suivant consiste à itérer et à affiner. N'essayez pas d'en faire un message parfait lorsque vous commencez tout juste à développer vos compétences. Il faut du temps et beaucoup de pratique pour rendre très efficace dès le premier pompage Par conséquent, envisagez de commencer par une invite plus générique et de l'affiner progressivement en fonction de la réponse du modèle, comme lors d'une séance de ping-pong. Si la réponse initiale ne répond pas à vos besoins, ce n'est pas grave. Reformulez votre pompe et ajoutez plus de détails. Changez le mélange des éléments de base, affinez le pompage jusqu'à ce que vous l'obteniez Une autre astuce utile consiste à suspendre la réponse. Parfois, vous souhaitez diviser le processus en deux étapes. À la première étape, fournissez une liste de règles ou exigences au modèle et évitez d'obtenir une réponse. Vous ne voulez pas obtenir de réponse. À la deuxième étape, fournissez une séquence d'entrées, et pour chaque entrée, vous souhaitez que le modèle applique les règles que vous avez déjà fournies dans la première invite. C'est comme suspendre la réponse. Comment pouvons-nous le faire ? Eh bien, nous pouvons y parvenir en ajoutant à la fin du formulaire une demande nous demandant la prochaine entrée Cela oblige le modèle à attendre notre prochaine pompe. Voyons un exemple simple. Le pompé sera le suivant : je vais fournir un bloc de code, vérifier la syntaxe du code pour détecter les erreurs et optimiser le code Demandez-moi le code. C'est la demande supplémentaire que je mets à la fin de l'invite. Maintenant, le LLM est pratiquement suspendu jusqu'à ce qu' il attende mon prochain PMT Maintenant, je vais copier-coller le code lui-même. Il générera bien entendu un nouveau code basé sur une liste de recommandations. Il s'agit de suspendre la réponse LLM. Dans la prochaine conférence, résumons tout. 10. S02L09 Résumé: Bonjour et bon retour. Merci d'avoir regardé jusqu'ici. Dans cette section, nous avons réussi à passer en revue le cadre simple permettant de créer des instructions efficaces J'aimerais passer rapidement en revue ces sujets. L'instruction est le premier élément de base. Nous devons être clairs et précis. Commencez par un verbe à action directe tel que générer, analyser, classer et énoncez clairement ce que vous voulez. Quel est votre objectif final ? En outre, il est important de limiter et de cadrer la sortie requise en définissant le champ d'application. contexte est le prochain élément essentiel de presque tous les messages. Nous devons fournir juste assez d'informations de base pertinentes pour formuler la réponse. Lorsque vous fournissez le contexte, considérez les informations indispensables et agréables à avoir. Essayez de le fournir en couches, commençant par les informations du navigateur, et si des informations plus spécifiques sont nécessaires, ajoutez-les étape par étape. Les exemples sont un excellent moyen d' enseigner à un modèle les nouveaux modèles à suivre. Le modèle peut extraire des modèles liés à la structure et au style attendus lors de la génération de la réponse. Nous pouvons fournir un ou plusieurs exemples. Assurez-vous que la structure des exemples est cohérente. Il sera plus facile pour le modèle de comprendre les modèles requis. L'ajout d'un personnage est une bonne façon de demander au modèle de jouer un rôle spécifique et de mieux adapter le contenu pour qu'il trouve un écho auprès de notre public cible Nous pouvons créer un contenu plus efficace et plus engageant. Définition du format souhaité pour garantir que la réponse suit une structure spécifique. C'est très utile pour de nombreuses choses, et ce sont des formats très pratiques tels que des puces, guide étape par étape, un tableau avec un en-tête spécifique, un court dialogue, une question et une réponse, etc. Et le dernier élément de base consiste à donner le bon ton. Nous pouvons améliorer et ajuster le contenu généré faire une expérience plus agréable. Régler le style de réponse pour qu'il soit formel, décontracté, informatif, persuasif ou créatif J'ai également mentionné quelques conseils utiles dans la conférence précédente. Lorsque vous créez une invite, essayez de prendre en compte la meilleure combinaison de composants dans le cadre de l'invite de saisie. Je suppose qu' environ 70 à 80 % de tous les cas d'utilisation que vous rencontrerez peuvent être très bien gérés en utilisant ce framework simple. Maintenant que vous allez acquérir plus en plus d' expérience, vous voudrez éventuellement passer au niveau supérieur tout en utilisant des méthodes supplémentaires, gérant la couche intéressante des 20 %, en gérant des situations plus complexes, en gérant des projets plus complexes. C'est ce que nous allons faire dans la section suivante. Merci de votre attention et à bientôt. 11. S03L01 - Méthodes d'ingénierie rapides: Bonjour, bon retour. Si vous venez commencer à utiliser des outils tels que ChagPT ou Google Gemini, il est fort probable que le framework d'ingénierie rapide, nous l'avons appris dans la section précédente , sera largement suffisant Vous devrez vous y habituer en vous entraînant et en l'utilisant de plus en plus dans le cadre de votre flux de travail quotidien. À terme, ce framework sera intégré sans même y penser. Tôt ou tard, vous commencerez à utiliser ces outils pour des tâches plus complexes. Cela fait partie du parcours d'apprentissage tout en explorant de nouvelles options. Par exemple, lorsque j'ai commencé à utiliser des outils tels que HGPT pour le développement de code, j'ai fini par essayer de repousser les limites de ces outils et, dans certains cas, ne pas les utiliser correctement ou efficacement ou de ne pas tenir compte de leurs limites Par conséquent, dans le cadre de l'expérience croissante du marché en matière d'ingénierie des pompes, des méthodes supplémentaires ont été créées pour gérer des situations plus complexes C'est le sujet de cette section. Nous allons passer en revue les meilleures méthodes pratiques d'ingénierie des pompes Peut-être que vous ne les utiliserez pas dès le premier jour, mais comme je l'ai dit, tôt ou tard, l'un d'entre eux vous sera utile pour un futur projet que vous aurez à gérer. C'est bon. Commençons. 12. S03L02 #1 Répartidre les tâches complexes: Je pense que cette conférence est probablement la plus importante de cette section, et c'est pourquoi c' est la première. Permettez-moi de souligner un point. La plupart des solutions GAI ne seront pas en mesure de digérer, comprendre et de générer de bonnes réponses pour une tâche très complexe Les LLM ne peuvent recueillir qu' une quantité limitée d' informations à la fois. Tout modèle aura des limites quant à la taille de l'invite d'entrée, la taille de sortie et à ce qu'il peut mémoriser au cours d'une longue conversation. Ces modèles finiront par s'améliorer et devenir plus solides, mais il y aura toujours des limites. Maintenant, quel est le sens d'une tâche complexe ? Si je demande à un service comme Chachi PT de résumer un livre de dix pages, tout ira bien Cependant, si j'essaie d'injecter un manuel de 1 000 pages, il se peut qu'il atteigne une limite C'est trop complexe et trop long à digérer. Je dois diviser et diviser la taille de l'entrée plus petits morceaux, puis envoyer chaque pièce à une invite dédiée. J'ai pris une entrée complexe et l'ai divisée en petits morceaux. Il en va de même pour la tâche elle-même. Si la tâche est très complexe, il est judicieux de la diviser en petits morceaux. Prenons un exemple du domaine du génie logiciel, même si vous n'êtes pas développeur de logiciels. C'est juste un exemple. Une application logicielle classique est une combinaison de plusieurs modules, composants et couches. Tous ces éléments sont intégrés pour établir une variété de flux de travail de bout en bout dans cette application logicielle. Si j'essaie d'utiliser une solution GII pour générer une application logicielle complète, j'aurai besoin de centaines, voire de milliers de lignes de texte pour décrire toutes les exigences et fonctionnalités de cette application C'est une tâche très complexe. Maintenant, du moins aujourd'hui, cela n'a aucun sens d'attendre un tel niveau de sophistication de la part d'un système d'IA. Très probablement, j'obtiendrai un résultat générique à moitié cuit avec de nombreuses flèches qui réduiront ma productivité au lieu de m' aider à accélérer les choses. Deuxièmement, de nombreuses solutions GAI telles que HGPT auront des limites en termes d'entrée et de sortie rapides en fonction des modèles de tarification Un plus grand nombre de services premium auront bien entendu moins de limites. Comment pouvons-nous surmonter ces limites ? Eh bien, en divisant un gros morceau en petits morceaux, en prenant une tâche complexe et à la façon dont nous pouvons la décomposer en une liste de sous-tâches Ensuite, nous allons prendre chaque sous-tâche et l'intégrer dans une invite dédiée, obtenir le résultat et passer à la sous-tâche suivante, en procédant par étapes. L'avantage de cette approche est de permettre à chaque invite de se concentrer sur une tâche d'une portée limitée et d' obtenir finalement de meilleurs résultats. Prenons un exemple. En supposant que je souhaite développer un chatbot de support client utilisant Chachi PTAPI pour Cela semble effrayant, mais ce n'est qu'un exemple pour illustrer le concept. Au lieu de regrouper ce projet complexe dans une seule invite en une seule tâche importante, je le divise en composants plus petits, tels que des mini-projets D'ailleurs, si vous ne savez pas comment diviser votre projet en sous-tâches plus petites, posez cette question spécifique à l'aide d'une invite. C'est comme créer les grandes lignes de votre projet. Il vous fournira quelques indications, que vous pourrez ensuite adapter à votre projet. en revenir à notre exemple, voici une liste de mini-projets liés à cette tâche de haut niveau, et pour chacun d'entre eux une invite dédiée. La première invite concerne la définition de l'environnement de développement requis La question qui se pose est donc de savoir comment configurer un environnement de développement pour créer un chat boat basé sur HGPT, y compris l'installation des bibliothèques et du framework nécessaires La prochaine pompe portera sur l' utilisation du HAGPTAPI. Comment puis-je intégrer le chatbat Open API dans mon application pour gérer les conversations ? Ensuite, une invite concernant l' interface de cette application. Comment créer une interface de chat conviviale l'aide de HTML, CSS et JavaScript De plus, il divise un projet complexe en plusieurs parties plus petites. Dans certains cas, nous pouvons même continuer à diviser chaque mini-projet en pièces encore plus petites. La portée de chaque invite sera donc : prenons un autre exemple. En supposant que je prévois de lancer un nouveau site Web de commerce électronique et que j'ai besoin d'une campagne marketing. Dans la plupart des cas, la commercialisation d' un nouveau site Web peut être un projet très complexe qui implique de nombreuses étapes. C'est un excellent exemple de comment le diviser plusieurs sous-tâches et chacune aura sa propre invite. Par exemple, la première étape ou le mini-projet consiste à identifier le public cible et à créer des bio personas C'est le premier message. Ensuite, il s'agira de développer une proposition de valeur unique pour différencier le nouveau site Web, etc. Je pense que tu as compris mon point de vue. Il s'agit de diviser une tâche complexe. Passons à la méthode suivante. 13. S03L03 #2 Partager les étapes de raisonnement: Bonjour, et bon retour. Vous souvenez-vous d'avoir passé un examen de mathématiques au lycée ? J'imagine que c'est le cas, même si c'était il y a longtemps. L'une des options consiste à fournir la réponse finale à une question telle que la réponse est 256. Une autre option consiste à montrer les étapes menant à cette réponse. De nombreux professeurs diront : montrez-moi vos pauses dans le cadre de la réponse et pas seulement de la réponse finale Donc, même si la réponse est fausse, vous pouvez peut-être obtenir des points en me montrant les étapes utilisées pour obtenir cette solution. C'est comme demander, montrez-moi vos pauses de raisonnement. De plus, lorsque nous résolvons un problème par petites étapes, le risque de commettre des erreurs est moindre que le simple fait de fournir rapidement la réponse finale. Vous serez surpris qu'il soit également applicable au système GAI. Cette approche qui consiste à passer en revue le processus de réflexion étapes peut également être utile en tant que méthode d'ingénierie rapide. Vendez selon les suggestions de la chaîne de pensée. Lors de l'utilisation d'une chaîne de pensée, l'objectif principal est d'encourager le modèle à partager les étapes du raisonnement, articuler son processus de réflexion manière séquentielle logique, comme un raisonnement étape par étape cadre de l'invite, nous demanderons directement de nous montrer le processus de réflexion, générer une chaîne de pensée. Ainsi, dans l'invite, nous pouvons vous demander de décrire votre raisonnement étape par étape. Expliquez-moi un processus étape par étape. fait de demander à un grand modèle de langage d'expliquer le raisonnement qui sous-tend quelque chose peut réellement améliorer les performances du modèle. Cela augmentera les chances d' obtenir de meilleurs résultats et, deuxièmement, nous aidera à comprendre le raisonnement qui sous-tend la réponse, en fournissant non seulement la réponse finale à ce que nous aimerions obtenir, mais également les étapes intermédiaires pour y parvenir. Cela rend le processus plus transparent. Voyons quelques exemples. Alice a laissé un verre d'eau dehors pendant la nuit alors que la température était inférieure à zéro. Le lendemain matin, elle a découvert que le verre était fissuré. Expliquez étape par étape pourquoi le verre s'est fissuré. Le modèle générera une séquence d'événements qui aboutiront finalement au résultat final. Regardons un autre exemple. Dans une salle de classe, il y a deux chaises bleues pour trois chaises rouges. S'il y a au total 30 chaises dans la classe, combien y a-t-il de chaises bleues ? Décrivez votre raisonnement étape par étape. Encore une fois, nous le demandons spécifiquement au modèle dans le cadre du pompé Maintenant, nous pouvons faire un autre pas en avant. Au lieu de simplement demander d'expliquer le processus de raisonnement étape par étape, nous pouvons spécifiquement demander au modèle GEI de suivre une liste d'étapes prédéfinies en fonction de nos besoins Voyons un exemple. Le problème peut donc être de savoir comment changements climatiques influencent l'élévation du niveau de la mer. Suivez les étapes ci-dessous pour l'expliquer. Donc, étape numéro un, les émissions de gaz à effet de serre. Étape numéro deux, fonte des glaces dans les régions polaires, étape numéro trois, expansion thermique de l'eau de mer OK ? Nous fournissons donc les étapes que le modèle suivra. Il s'agit de demander au modèle de partager le processus de raisonnement ou de définir pour le modèle le processus de réflexion et les étapes. Passons à la méthode suivante. 14. S03L04 #3 Utiliser les invites interactives: Nous venons de parler de la méthode de la chaîne de pensée dans laquelle nous demandons au modèle de décrire le processus de raisonnement qu' il utilise pour obtenir le résultat sous forme de structure étape par étape Nous pouvons même l'améliorer en fournissant L étapes requises que le modèle doit suivre. Dans tous les cas, l'entrée est une invite unique dans laquelle nous demandons au modèle de faire quelque chose, et la sortie est une séquence d' étapes semblable à une chaîne de pensée. Étape numéro un, étape numéro deux, etc. Notre méthode suivante, appelée chaînage par pompage, porte un nom très similaire tout en utilisant le même mot « chaînage », mais elle est utilisée pour des cas d'utilisation complètement différents Le chaînage par pompage repose sur itération dynamique et l'interactivité lors de l'utilisation d'une C'est comme discuter d'un sujet avec un bon ami et développer des idées à ce sujet étape par étape, tout en prenant le résultat de la dernière pompe et en l'utilisant pour affiner ou ajuster la prochaine pompe d'entrée, créant ainsi une chaîne de texte connexe C'est le nom de chaînage des invites, qui consiste à créer une liste interactive d'invites C'est une excellente méthode pour générer du contenu plus créatif, réfléchir à des idées et explorer idées sélectionnées dans différentes directions. Prenons un exemple simple de chaînage rapide, en utilisant la tâche de planifier une fête d'anniversaire C'est la tâche principale. Donc, dans un premier temps, je demande des pièces d'identité. Générez une liste d'idées pour un thème de fête d'anniversaire pour un garçon de 6 ans. Je reçois une réponse avec une liste de thèmes. Après avoir examiné cette liste, j'ai décidé de rejoindre l'équipe des super-héros Au fait, j'ai un enfant de cet âge, donc je suis sûr que c' est la bonne direction. Ensuite, j'utilise le thème sélectionné et je demande des idées pour créer l'invitation à une fête. Ce sera donc le suivant. J'irai avec l'équipe des super-héros. Que dois-je inclure dans l'invitation à une fête ? Ensuite, demander à l' invité de venir déguisé en votre super héros préféré est une excellente idée Quels sont les cinq meilleurs jeux ou activités amusants pour cette équipe ? Comme vous pouvez le constater, je travaille en mode interactif Je mets donc constamment à jour le modèle fonction de mes décisions ou conclusions. Et puis je reçois une nouvelle invite basée sur la décision précédente. Quatrièmement, je vais choisir Superhero Craft Station, recommander une liste de matériaux et quantités pour une vingtaine d'enfants, etc. Passons en revue un autre exemple lors élaboration d'une nouvelle. La première pompe sera donc d' écrire une courte histoire sur un robot appelé Mikey Robot qui rêve de devenir plus humain C'est générique, mais nous allons diriger le modèle en mode interactif. La prochaine étape sera donc de décrire la journée normale de Mikey Robot alors qu'il travaillait dans une usine pour créer des gadgets Il est confiné dans les murs de l'usine, mais ses pensées se concentrent sur les activités humaines. La mère profitera de cette pompe et continuera à développer l'histoire Et puis je l'ajoute comme pompe suivante. Un jour, un petit enfant curieux tombé sur Mickey Robot, et ils sont devenus de bons amis Que s'est-il passé ensuite ? D'accord ? En enchaînant ces instructions, nous pouvons façonner l'orientation générale de l'histoire D'accord ? Il s'agit du chaînage par pompe Passons à la méthode suivante. À la prochaine. 15. S03L05 #4 Générer du savoir: Bonjour et bon retour. Et le LLM possède un vaste réservoir de connaissances sur un large éventail de sujets Ces connaissances ont été créées dans le cadre du processus de pré-formation de ces modèles. C'est comme une immense zone de stockage avec de nombreux conteneurs dans chaque conteneur, de nombreuses petites boîtes. Lorsque nous demandons à ce modèle d' effectuer une tâche spécifique, il essaie de trouver les connaissances pertinentes stockées dans cette vaste zone de stockage , puis de générer le résultat requis. Il utilise un processus interne en deux étapes, recherche les connaissances requises, puis génère une réponse basée sur ces connaissances. Parfois, il peut être utile de contrôler manuellement ce processus en deux étapes. C'est le concept d' une méthode appelée incitation à la connaissance générée Dans cette approche, nous demandons d' abord au LLM de générer des connaissances ou quelques faits sur un sujet, puis nous introduisons ces informations dans un autre bomp pour effectuer la dernière tâche requise Cette méthode est utilisée pour orienter le modèle dans une direction spécifique. Voyons un exemple simple. Vous êtes un expert dans l'art de peindre des tableaux sur les murs. Générez une liste des meilleures pratiques utilisées pour peindre de grands tableaux sur les murs extérieurs des rues. OK, je reçois la réponse, ce qui signifie que le modèle a extrait des connaissances spécifiques. Si, à ce stade, les connaissances ne sont pas suffisantes, je peux identifier cette lacune sans passer à l'étape suivante. En supposant que le résultat soit suffisamment bon, je vais maintenant demander la tâche réelle. Je vais maintenant utiliser les informations générées pour rédiger un article de blog complet sur la façon de peindre un tableau sur les murs des rues d' ALDO. J'ai essentiellement divisé cela en deux étapes. Étape numéro un, extraire les connaissances, étape numéro deux, demandez la tâche réelle en utilisant ces connaissances. Passons en revue un autre exemple. Supposons que nous voulions que LLM rédige un court rapport sur le changement climatique Au lieu de lui demander d' effectuer cette tâche directement, nous aimerions contrôler les étapes et connaître les connaissances avant qu'elles ne soient utilisées pour générer ce rapport. Nous pourrions donc créer les instructions suivantes et les exécuter de manière séquentielle. La première invite résumera les principales tendances du réchauffement climatique au cours des dix dernières années. Je reçois une liste des principales tendances concernant le réchauffement climatique. Ensuite, dans l'invite suivante, j'écrirai, en fonction des tendances identifiées , les principales études scientifiques qui discutent des causes de ces changements. Comme vous pouvez le constater, j' utilise les connaissances extraites dans la première invite comme entrée pour la prochaine invite. J'oblige le modèle à se concentrer sur des points spécifiques, sur des éléments de connaissances spécifiques. Je peux même demander de filtrer certaines tendances, par exemple, et demander au modèle de se concentrer sur des tendances spécifiques. Ensuite, je rédigerai un résumé des résultats des études répertoriées, en me concentrant sur l' impact des humains. Cela demande à nouveau à DM d' extraire des connaissances spécifiques. La dernière étape consiste à proposer cinq stratégies principales pour atténuer l'impact des humains changement climatique sur la base des résultats résumés. Il s'agit de l'incitation à générer des connaissances. Qu'en est-il de la situation où les connaissances contenues dans le modèle ne sont pas suffisantes ? Il ne possède pas les connaissances requises. C'est le sujet de la prochaine conférence. À la prochaine. 16. S03L06 #5 Ajouter des savoirs externes: Bonjour, et bon retour. Jusqu'à présent, notre hypothèse de base est qu'un LLM que nous utilisons possède les connaissances requises pour répondre à notre question sur un sujet donné Nous savons que ces LLM sont formés l'aide d'une énorme quantité de données et que leurs connaissances s' étendent horizontalement dans plusieurs domaines et verticalement dans de nombreux domaines Pourtant, ces LLM ne sont pas parfaits. Ils ne seront jamais parfaits. Le savoir est quelque chose qui se crée constamment au moment où nous parlons. Chaque jour, les humains créent une quantité incroyable de nouvelles données Même si les données sont disponibles, vous ne pouvez pas entraîner un modèle avec des données. La connaissance de n'importe quel modèle sera limitée. Il peut être limité pour plusieurs raisons. Informations spécifiques au domaine qui n'étaient pas disponibles lorsque le modèle a été formé, comme des connaissances très spécifiques sur une procédure médicale par exemple. La seconde est appelée coupure des connaissances, ce qui signifie que le modèle a été entraîné jusqu'à une certaine date, jusqu'en novembre 2024 Les données créées après cette date ne font pas partie des connaissances du modèle La date limite n'est pas un problème lorsqu'il s'agit de sujets qui ne changent pas tant que ça, comme les méthodes de cuisson. Mais si notre question porte sur des choses qui évoluent très rapidement comme les informations sur les technologies, nous pouvons avoir un problème. Et le troisième concerne les données privées. Il suffit de penser à n'importe quelle entreprise commerciale dont les données sont stockées dans des bases de données internes. Ces données privées ne font pas partie d' un service public tel que HGPT ou Google Giminy Alors, comment pouvons-nous combler cette lacune ? Comment pouvons-nous tirer parti des connaissances manquantes provenant de sources de données externes ? Eh bien, il existe deux options principales manuellement ou automatiquement. Je vais commencer par la deuxième option qui convient aux développeurs. Il existe une méthode appelée récupération, génération argumentée ou en bref délai À l'aide de cette méthode, les développeurs créent un système qui automatise le processus de bout en bout, ce qui signifie qu'un composant plus souple recevra l'invite de saisie, utilisera le contenu de l' invite pour identifier les connaissances requises , puis extraira ces connaissances de sources externes. Enfin, il prendra les connaissances extraites et les intégrera dans le modèle avec l'invite d'origine. C'est comme un processus d'enrichissement. Il alimente le LLM avec des données externes spécifiques. En utilisant cette méthode, les entreprises peuvent exploiter les données privées internes comme informations supplémentaires pour améliorer et personnaliser le contenu généré. Comme vous pouvez l'imaginer, nous pouvons effectuer le même processus manuellement. Cela signifie que si nous souhaitons utiliser données privées ou tout autre type de données stockées dans un document, une feuille de calcul, un site Web ou dans une base de données, ou dans une base de données, nous pouvons ajouter ce contenu supplémentaire dans le cadre de l'invite de saisie, en plus de la tâche que cadre de l'invite de saisie, nous aimerions effectuer, copier-coller le texte pertinent de documents, d'articles, de sites Web dans l'invite pour fournir plus de contexte informations spécifiques que le LLM doit utiliser lors de la génération de réponses Le modèle utilisera ce contenu supplémentaire ainsi que les connaissances dont il dispose déjà pour générer une réponse. Maintenant, si le contenu supplémentaire est d'une page, nous pouvons simplement le copier-coller dans l'invite de saisie associée à la tâche requise. Cependant, si le contenu supplémentaire est de 100 pages, il y en aura dix, il se peut qu'il ne vole pas. Nous allons rapidement atteindre les limites du modèle. Nous devons identifier les informations les plus pertinentes nécessaires à l'exécution de notre tâche spécifique. Ainsi, à partir de 100 pages, nous pouvons zoomer sur deux ou trois pages les plus pertinentes. Une autre chose à prendre en compte est de partager des informations sensibles de votre entreprise avec des services externes tels que HAGPT ou Google Gemini Ne partez pas du principe que ces services sont sûrs au sens où vos données privées ne seront pas utilisées. C'est quelque chose à prendre en compte. Et la dernière chose à retenir est que ces données supplémentaires que vous allez partager dans une invite ne modifient pas les connaissances stockées dans un modèle. Il s'agit simplement d'une partie d'une mémoire de modèle temporaire. Si vous ouvrez à nouveau le service dans un autre onglet, ces connaissances supplémentaires disparaîtront. Cela ne fait pas partie du modèle et vous devrez à nouveau partager ces informations pour exécuter la même invite. 17. S03L07 Résumé: Bonjour, et bon retour. Nous avons abordé plusieurs méthodes importantes en matière d'ingénierie rapide, et je voudrais maintenant les résumer rapidement. Nous avons commencé par la méthode qui consiste diviser les tâches complexes en plusieurs parties plus petites. Nous devons nous rappeler qu' un modèle Generi typique limites, et qu'aujourd'hui, ils ne sont pas aussi bons lorsqu'il s'agit de gérer une tâche complexe qui nécessite quantité importante d' exigences et d'informations Je suppose que le point de référence en matière de définition d' une tâche complexe va changer. Il existe une tendance constante du marché pour améliorer ces modèles, sorte qu'une tâche complexe aujourd'hui pourrait être simple à l'avenir. Dans tous les cas, nous pouvons toujours prendre quelque chose complexe et essayer de le décomposer en pièces simples. Chaque pièce peut être une tâche spécifique que nous traiterons avec une invite dédiée. Ensuite, nous avons parlé de la méthode consistant à demander au modèle de partager les étapes de raisonnement utilisées pour obtenir la réponse finale. C'est ce qu'on appelle l'incitation par la chaîne de pensée. cadre de l'invite, nous demandons directement de nous montrer le processus de réflexion, générer une chaîne de pensée comme étapes intermédiaires pour atteindre cette réponse. Grâce à cette méthode, nous pouvons mieux évaluer comment le modèle atteint cette réponse finale. La troisième méthode est la méthode d'utilisation d'instructions interactives, également appelée chaînage par pompage C'est comme discuter d'un sujet avec un bon ami et développer des idées à ce sujet, étape par étape , tout en prenant le résultat de la dernière pompe et en l'utilisant pour affiner ou ajuster la prochaine entrée pompée, créant ainsi une chaîne de texte connexe C'est une excellente méthode pour générer du contenu plus créatif, réfléchir à des idées et explorer des idées sélectionnées dans différentes directions. Méthode numéro quatre, générer des connaissances en tant que préétape. À l'aide de ce modèle, nous lui demandons d'abord de générer des connaissances sur le sujet et, dans l'invite suivante, utiliser ces connaissances ou un sous-ensemble de ces connaissances pour effectuer la tâche requise Cela nous aide à contrôler manuellement les connaissances que le modèle extrait de son référentiel interne utilisé pour gérer notre tâche. Méthode numéro cinq, ajout de connaissances externes. C'est une méthode assez simple. Dans certains cas, nous souhaiterions exploiter des données privées spécifiques ou des données spécifiques à un domaine qui ne font pas partie des connaissances du modèle. Il existe ici deux options principales : automatique ou manuelle. L'option automatisée est applicable aux développeurs qui souhaitent utiliser les outils GAI dans leurs applications L'option est la possibilité de copier-coller des données de texte directement dans l'invite associée à la tâche que nous souhaitons gérer. Comme vous pouvez le constater, toutes ces méthodes ne sont pas complexes. C'est juste une question d'expérience et conscience que nous pouvons les utiliser pour différents cas d'utilisation. C'est un bref résumé. Merci d'avoir regardé cette section.