Jednorázové zadání je technika, při které je výstup modelu umělé inteligence řízen jediným příkladem. Tímto příkladem může být dvojice otázka-odpověď, jednoduchý pokyn nebo konkrétní šablona. Cílem je lépe sladit odpověď modelu s konkrétními záměry nebo požadovaným formátem uživatele. Příklad. Představme si, že pracujete na příspěvku na blogu o „udržitelném cestování“, vaše výzva by mohla vypadatPřečtěte si více o One-shot prompting (Jednorázová výzva)[…]

Přeformulování výzvy nebo přizpůsobení výzvy umělé inteligence umožňuje jemně změnit znění výzvy při zachování původního záměru dotazu. Může povzbudit jazykový model, aby vytvářel různé odpovědi, které různými způsoby odpovídají na původní záměr. Techniky formulování pro zachování záměru Jedním z přístupů je použití synonym nebo přeformulování otázek při zachování konzistentního hlavního tématu. To přinese různé nuancePřečtěte si více o Prompt Reframing (Přeformulování)[…]

Vyplňování šablon umožňuje snadno vytvářet univerzální a zároveň strukturovaný obsah. Použijete šablonu se zástupci, která umožní rychlé přizpůsobení pro různé situace nebo vstupy při zachování konzistentního formátu. Přizpůsobení šablon pomocí proměnných a zástupných symbolů Při vyplňování šablon můžete výstup generativních nástrojů AI dále přizpůsobit definováním několika proměnných pro zástupné symboly. Tuto strategii obvykle používají správciPřečtěte si více o Template Filling (Vyplňování šablon)[…]

Nulový příkaz zahrnuje generování odpovědi, aniž by se do velkých jazykových modelů vkládaly jakékoli příklady nebo předchozí kontext. Tato technika je ideální, pokud potřebujete rychlé odpovědi na základní otázky nebo obecná témata. Dnešní velké LLM, jako je GPT-3-5, jsou vyladěny tak, aby se řídily instrukcemi, a jsou vycvičeny na velkém množství dat, takže jsou schopnyPřečtěte si více o Zero-Shot Prompting (Výzva k nulovému výstřelu)[…]

Proces odvozování je vyvozování závěrů na základě důkazů a argumentace. A naopak usuzování lze u žáků se SVP vyvolat tím, že jim poskytneme několik příkladů, jak usuzovat a používat důkazy. Proto byla vyvinuta nová strategie podněcování, nazvaná podněcování od nejmenšího k největšímu. Tato metoda se opírá o následující strategii: Rozložte složitý problém na řadu jednoduššíchPřečtěte si více o Least-To-Most Prompting (Od nejméně po nejvíce)[…]

Z obrázku níže je zřejmé, že sebezpytné podněcování je pokračováním přímého podněcování a podněcování pomocí myšlenkového řetězce. Zajímavé je, že u self-ask promptingu je explicitně zobrazeno uvažování LLM a LLM také rozkládá otázku na menší navazující otázky. LLM ví, kdy je dosaženo konečné odpovědi, a může přejít od navazujících mezivýpovědí ke konečné odpovědi.

Uvažujme následující otázku: Mám židli, dvě brambory, květák, hlávku salátu, dva stoly, zelí, dvě cibule a tři lednice. Kolik mám zeleniny? LLM by měl převést vstup na slovník s entitami a hodnotami podle jejich množství, přičemž by měl odfiltrovat entity, které nejsou zeleninou. Nakonec je odpovědí součet hodnot slovníku pod výstupem PAL z LLM:  Přečtěte si více o Symbolic Reasoning & PAL (Symbolické uvažování & PAL)[…]

Automatic Reasoning and Tool-use (ART) je rámec, který rovněž využívá zmrazené modely ke generování mezikroků uvažování jako program. Přístup ART silně připomíná princip agentů, tedy dekompozici problému a využití nástrojů pro každý dekomponovaný krok. Pomocí ART zmrazený LLM rozkládá instance nové úlohy na více kroků, přičemž využívá externí nástroje, kdykoli je to vhodné. ART jePřečtěte si více o Automatic Reasoning (Automatické Uvažování a používání nástrojů ART)[…]

V poslední době se pozornost přesunula od dolaďování LLM k vylepšenému promptnímu inženýrství. Zajištění kontextových výzev, které obsahují několik tréninkových příkladů a historii konverzace. Zajištění, aby výzva obsahovala kontextové informace prostřednictvím iterativního procesu. Iterativní výzvy by měly vytvořit kontextuální řetězec myšlenek, který neguje generování irelevantních faktů a halucinací. Interaktivní kontextová a kontextová výzva.