ಈ ಮ್ಯಾಜ್ಯೂಲ್ ಜನರೇಟಿವ್ AI ಮಾದರಿಗಳಲ್ಲಿ ಪರಿಣಾಮಕಾರಿ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ರಚಿಸುವ ಅತಿಆವಶ್ಯಕ ಆಲೋಚನೆಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ನೀವು LLM ಗೆ ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಹೇಗೆ ಬರೆಯುತ್ತೀರಿ ಎಂಬುದೂ ಮಹತ್ವವನ್ನು ಹೊಂದಿದೆ. ಪಕ್ಕಾ ರೂಪದಲ್ಲಿ ರಚಿಸಲಾದ ಪ್ರಾಂಪ್ಟ್ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸಾಧಿಸಬಹುದು. ಆದರೆ ಪ್ರಾಂಪ್ಟ್ ಮತ್ತು ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಪದಗಳು ಅಂದಾಜು ಮಾಡುವುದು ಏನು? ಮತ್ತು ನಾನು LLM ಗೆ ಕಳುಹಿಸುವ ಪ್ರಾಂಪ್ಟ್ ಇನ್ಪುಟ್ ಅನ್ನು ನಾನು ಹೇಗೆ ಸುಧಾರಿಸಬಹುದು? ಈ ಅಧ್ಯಾಯ ಮತ್ತು ಮುಂದಿನ ಅಧ್ಯಾಯದಲ್ಲಿ ನಾವು ಈ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರ ಕೊಡಲು ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ.
ಜನರೇಟಿವ್ AI ಬಳಕೆದಾರರ ವಿನಂತಿಗಳಿಗೆ ಸಮಾಧಾನ ನೀಡಲು ಹೊಸ ವಿಷಯಗಳನ್ನು (ಉದಾ., ಪಠ್ಯ, ಚಿತ್ರಗಳು, ಧ್ವನಿ, ಕೋಡ್ ಇತ್ಯಾದಿ) ರಚಿಸಲು ಶಕ್ತಿಯುತವಾಗಿದೆ. ಇದು OpenAI ಯ GPT ("ಜನರೇಟಿವ್ ಪೂರ್ವ-ಪ್ರಶಿಕ್ಷಿತ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್") ಸರಣಿಯಂತಹ ಲಾರ್ಜ್ ಲ್ಯಾಂಗುಯೇಜ್ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು, ಸಹಜ ಭಾಷೆ ಮತ್ತು ಕೋಡ್ ಬಳಸಿ ತರಬೇತಿ ಮಾಡಲಾಗಿದೆ.
ಬಳಕೆದಾರರು ಈಗ ಯಾವುದೇ ತಾಂತ್ರಿಕ ಜ್ಞಾನ ಅಥವಾ ತರಬೇತಿ ಹೊಂದದೆ ವ್ಯಾಪಕ ಸಂಭಾಷಣಾ ಮಾದರಿಗಳಂತಹ ಪರಿಚಿತ ಪರಿಕಲ್ಪನೆಗಳ ಮೂಲಕ ಈ ಮಾದರಿಗಳೊಂದಿಗೆ ಸಂವಹನ ಮಾಡಬಹುದು. ಈ ಮಾದರಿಗಳು ಪ್ರಾಂಪ್ಟ್ ಆಧಾರಿತ ಆಗಿವೆ - ಬಳಕೆದಾರರು ಪಠ್ಯ ಇನ್ಪುಟ್ (ಪ್ರಾಂಪ್ಟ್) ಕಳುಹಿಸಿ AI ಪ್ರತಿಕ್ರಿಯೆ (ಪೂರ್ಣಗೊಳಿಕೆ) ಪಡೆಯುತ್ತಾರೆ. ಅವರು "AI ಜೊತೆ ಸಂಭಾಷಣೆ" ನ ಪುನರಾವೃತ್ತಿಯಾಗಿ, ಬಹು-ತಿರುವು ಸಂಭಾಷಣೆಗಳಲ್ಲಿ ತಮ್ಮ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಸುಧಾರಿಸಿ, ಪ್ರತಿಕ್ರಿಯೆ ಅವರ ನಿರೀಕ್ಷೆಗಳಿಗೆ ಅನುಗುಣವಾಗುವವರೆಗೆ ಮುಂದುವರಿಯಬಹುದು.
"ಪ್ರಾಂಪ್ಟ್ಗಳು" ಈಗ ಜನರೇಟಿವ್ AI ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ಪ್ರಾಥಮಿಕ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಸಂವಹನ ಆಗಿವೆ, ಇದು ಮಾದರಿಗಳಿಗೆ ಏನು ಮಾಡಬೇಕೆಂದು ಹೇಳುತ್ತದೆ ಮತ್ತು ಬಂದ ಪ್ರತಿಕ್ರಿಯೆಯ ಗುಣಮಟ್ಟವನ್ನು ಪ್ರಭಾವಿಸುತ್ತದೆ. "ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್" ಎಂದು ಕರೆಯಲ್ಪಡುವ ಕ್ಷೇತ್ರವು ಪ್ರಾಂಪ್ಟ್ಗಳ ರೂಪಕಲ್ಪನೆ ಮತ್ತು ತ್ವರಿತವರ್ಧನೆ ಮೇಲೆ ಗಮನ કેન્દ્રಿತಗೊಳಿಸಿದೆ, ಇದರ ಮೂಲಕ ಪ್ರಮಾಣದಲ್ಲಿ ಸ್ಥಿರವಾಗಿ ಮತ್ತು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಒದಗಿಸಲು.
ಈ ಪಾಠದಲ್ಲಿ ನಾವು ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಎಂದರೇನು, ಅದು ಏಕೆ ಮುಖ್ಯ, ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಮಾದರಿ ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್ ಉದ್ದೇಶಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಪರಿಣಾಮಕಾರಿ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಹೇಗೆ ರೂಪಿಸಬಹುದು ಎಂಬುದನ್ನು ಕಲಿಯುತ್ತೇವೆ. ನಾವು ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಮೂಲಾಂಶಗಳು ಮತ್ತು ಅತ್ಯುತ್ತಮ ಅಭ್ಯಾಸಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತೇವೆ - ಮತ್ತು ನೀವೇ ನೋಡಬಹುದಾದ ಪ್ರಾಯೋಗಿಕ ಉದಾಹರಣೆಗಳಿಗೆ ಜಪಿಟರ್ ನೋಟ್‌ಬುಕ್‌ಗಳ ಸಮಾವೇಶಿತ "ಸandbox" ವಾತಾವರಣವನ್ನು ತಿಳಿಯುತ್ತೇವೆ.
ಈ ಪಾಠದ ಅಂತ್ಯಕ್ಕೆ ನಾವು ಸಾಮರ್ಥ್ಯ ಹೊಂದಿರುತ್ತೇವೆ:
- ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಎಂದರೇನು ಮತ್ತು ಅದು ಏಕೆ ಮುಖ್ಯ ಎಂದು ವಿವರಿಸುವುದು.
- ಪ್ರಾಂಪ್ಟ್‌ನ ಘಟಕಗಳನ್ನು ವಿವರಿಸುವುದು ಮತ್ತು ಅವುಗಳನ್ನು ಹೇಗೆ ಬಳಸಲಾಗುತ್ತದೆ ಎಂದು ತಿಳಿಯುವುದು.
- ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್‌ನ ಉತ್ತಮ ಅಭ್ಯಾಸಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ಕಲಿಯುವುದು.
- ಕಲಿತ ತಂತ್ರಗಳನ್ನು OpenAI ಎಂಡ್‌ಪಾಯಿಂಟ್ ಬಳಸಿ ನೈಜ ಉದಾಹರಣೆಗಳಿಗೆ ಅನ್ವಯಿಸುವುದು.
ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್: ಬೇಕಾದ ಹೊರಹೋಗುವಿಕೆಯನ್ನು ಉತ್ಪಾದಿಸಲು AI ಮಾದರಿಗಳನ್ನು ಮಾರ್ಗದರ್ಶನ ಮಾಡಲು ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವುದು ಮತ್ತು ಸುಧಾರಿಸುವ ಅಭ್ಯಾಸ. ಟೋಕನೈಜೆಷನ್: ಪಠ್ಯವನ್ನು ಮodelಗೆ ಅರ್ಥವಾಗುವ ಹಾಗು ಪ್ರಕ್ರಿಯೆ చేయಬಹುದಾದ ಚಿಕ್ಕ ಘಟಕಗಳು, ಟೋಕನ್ಸ್, ಗೆ ಪರಿವರ್ತಿಸುವ ಪ್ರಕ್ರಿಯೆ. ಸೂಚನೆ-ಟ್ಯೂನ್ ಮಾಡಿದ LLMಗಳು: ನಿರ್ದಿಷ್ಟ ಸೂಚನೆಗಳೊಂದಿಗೆ ತಿದ್ದುಪಡಿ ಮಾಡಿದ ಲಾರ್ಜ್ ಲ್ಯಾಂಗುಯೇಜ್ ಮಾದರಿಗಳು (LLMs), ಪ್ರತಿಕ್ರಿಯೆಯ ಖಚಿತತೆ ಮತ್ತು ಪ್ರಸ್ತುತಿಕರಣ ಸುಧಾರಿಸಲು.
ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಈಗಿನಾಗಿಯೇ ವಿಜ್ಞಾನಕ್ಕಿಂತ ಕಲೆಯಾದ್ದಾಗಿದೆ. ಇದನ್ನು ಉತ್ತಮಗೊಳಿಸಲು ಉತ್ತಮ ಮಾರ್ಗವು ಹೆಚ್ಚು ಅಭ್ಯಾಸ ಮಾಡುವುದು ಮತ್ತು ಅನ್ವಯ ಕ್ಷೇತ್ರ ನಿಪುಣತೆ ಜೊತೆಗೆ ಶಿಫಾರಸು ಮಾಡಿದ ತಂತ್ರಗಳ ಮತ್ತು ಮಾದರಿ-ವಿಶಿಷ್ಟ ತಿದ್ದುಪುಗಳ ಸಂಯೋಜನೆಯ ಟ್ರಯಲ್-ಎಂಡ್-ಎರ್ರರ್ ವಿಧಾನವನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುವುದು.
ಈ ಪಾಠಕ್ಕೆ ಜಪಿಟರ್ ನೋಟ್ಬುಕ್ ಸೇರಿದೆ, ಇದು ನೀವು ಕಲಿತಿರುವುದನ್ನು ಬಳಸಿಕೊಂಡು ಪರೀಕ್ಷೆ ಮಾಡಬಹುದಾದ ಸ್ಯಾಂಡ್‌ಬಾಕ್ಸ್ ವಾತಾವರಣವನ್ನು ಒದಗಿಸುತ್ತದೆ - ಪ್ರೋಗ್ರಾಂ ಭಾಗವಾಗಿ ಅಥವಾ ಅಂತ್ಯದ ಕೊಡ್ ಚಾಲೆಂಜ್ ಭಾಗದಲ್ಲಿ. ವ್ಯಾಯಾಮಗಳನ್ನು ನಡೆಸಲು ನೀವು ಬೇಕಾಗಿದೆಯಾದವು:
- ಏజ್ಯೂರ್ OpenAI API ಕೀ - ನಿಯೋಜಿತ LLMಗೆ ಸೇವಾ ಎಂಡ್‌ಪಾಯಿಂಟ್.
- ಪೈಥಾನ್ ರನ್‌టೈಮ್ - ಸುಮಾರು ನೋಟ್‌ಬੁಕ್ ನಿರ್ವಹಿಸಲು ಬೇಕಾಗುವ.
- ಸ್ಥಳೀಯ ಪರಿಸರ ಚರಗಳು - ಸೆಟಪ್ ಹಂತಗಳನ್ನು ಈಗಲೇ ಪೂರ್ಣಗೊಳಿಸಿ.
ನೋಟ್ಬುಕ್ ಪ್ರಾರಂಭಿಕ ವ್ಯಾಯಾಮಗಳನ್ನು ಹೊಂದಿದೆ - ಆದರೆ ನೀವು ನಿಮ್ಮದೇ Markdown (ವಿವರಣೆ) ಮತ್ತು ಕೋಡ್ (ಪ್ರಾಂಪ್ಟ್ ವಿನಂತಿಗಳು) ವಿಭಾಗಗಳನ್ನು ಸೇರಿಸಿ ಹೆಚ್ಚು ಉದಾಹರಣೆಗಳು ಅಥವಾ ಕಲ್ಪನೆಗಳನ್ನು ಪ್ರಯತ್ನಿಸಬಹುದು - ಮತ್ತು ಪ್ರಾಂಪ್ಟ್ ವಿನ್ಯಾಸದ intuೀಷನ್ ಅನ್ನು ನಿರ್ಮಿಸಬಹುದು.
ಈ ಪಾಠವು ಏನು ಆವರಿಸಿದೆ ಎಂಬ ಮೊತ್ತದ ಚಿತ್ರಣವನ್ನು ತಿಳಿಯಲು ಆಸಕ್ತರಾದರೆ, ಈ ಚಿತ್ರಿಸಲಾಗಿದೆ ಮಾರ್ಗದರ್ಶಿಯನ್ನು ನೋಡಿ, ಇದು ಪ್ರತಿ ಒಂದು ವಿಷಯದ ಪ್ರಮುಖ ಅಂಶಗಳನ್ನು ಮತ್ತು ನೀವು ಪರಿಗಣಿಸಬೇಕಾದ ಪ್ರಮುಖ ಅಂಶಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಪಾಠದ ನಿಯೋಜನೆ ಮೂಲಭೂತ ಆಲೋಚನೆಗಳು ಮತ್ತು ಸವಾಲುಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದರಿಂದ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ತಂತ್ರಗಳ ಮತ್ತು ಉತ್ತಮ ಅಭ್ಯಾಸಗಳೊಂದಿಗೆ ಅವುಗಳನ್ನು ಪರಿಹರಿಸುವದಕ್ಕೆ ತಲುಪಿಸುತ್ತದೆ. ಈ ಮಾರ್ಗದರ್ಶಿಯಲ್ಲಿ "ಅಗತ್ಯತೆಯ ತಂತ್ರಗಳು" ವಿಭಾಗವು ಈ ಪಠ್ಯಕ್ರಮದ ಮುಂದಿನ ಅಧ್ಯಾಯದಲ್ಲಿ ಒಳಗೊಂಡ ವಿಷಯಕ್ಕೆ ಸಂಬಂದಿಸಿದೆ.
ಈಗ, ಈ ವಿಷಯವು ನಮ್ಮ ಸ್ಟಾರ್ಟ್‌ಅಪ್ ಮಿಷನ್‌ಗೆ ಹೇಗೆ ಸಂಬಂಧಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಮಾತನಾಡೋಣ, ಅದು ಶಿಕ್ಷಣದಲ್ಲಿ AI ನವೀನತೆಯನ್ನು ತರುತ್ತದೆ. ನಾವು AI ಶಕ್ತಿಯುತ ಅನ್ವಯಿಕೆಗಳನ್ನು ವೈಯಕ್ತಿಕೀಕೃತ ಅಧ್ಯಯನ ಗೆ ನಿರ್ಮಿಸಲು ಬಯಸುತ್ತೇವೆ - ಆದ್ದರಿಂದ ನಮ್ಮ ಅಪ್ಲಿಕೇಶನ್‌ನ ವಿಭಿನ್ನ ಬಳಕೆದಾರರು "ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ" ಕುರಿತು ಏನು ತಾಳ್ಮೆಯಾದೋ ಆಲೋಚಿಸೋಣ:
- ನಿರ್ವಾಹಕರು AI ಗೆ ಪಠ್ಯಕ್ರಮದ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಒಳಗೊಂಡಿಕೆ ಗ್ಯಾಪ್‌ಗಳನ್ನು ಗುರುತಿಸಲು ಕೇಳಬಹುದು. AI ಫಲಿತಾಂಶಗಳನ್ನು ಸಾರಾಂಶಗೊಳಿಸಬಹುದು ಅಥವಾ ಕೋಡ್ ಮೂಲಕ ದೃಶ್ಯೀಕರಣ ಮಾಡಬಹುದು.
- ಶಿಕ್ಷಕರು AIಗೆ ನಿರ್ದಿಷ್ಟ ಪ್ರೇಕ್ಷಕರಿಗೆ ಮತ್ತು ವಿಷಯಕ್ಕೆ ಪಾಠ ಯೋಜನೆಯನ್ನು ರಚಿಸಲು ಕೇಳಬಹುದು. AI ನಿರ್ದಿಷ್ಟ ರೂಪದಲ್ಲಿ ವೈಯಕ್ತಿಕ ಪಠ್ಯ ಯೋಜನೆಯನ್ನು ನಿರ್ಮಿಸಬಹುದು.
- ವಿದ್ಯಾರ್ಥಿಗಳು AIಗೆ ಕಷ್ಟಕರ ವಿಷಯದ ಟ್ಯೂಟರ್ ಆಗಿ ಕೇಳಬಹುದು. AI ಈಗ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಅವರ ಮಟ್ಟಕ್ಕೆ ಹೊಂದಿಕೊಂಡ ಪಾಠಗಳು, ಸೂಚನೆಗಳು ಮತ್ತು ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಮಾರ್ಗದರ್ಶನ ಮಾಡಬಹುದು.
ಅದು ಕೇವಲ ಮೇಲ್ಮೈ ಭಾಗ ಮಾತ್ರ. Prompts For Education ನೋಡಿ - ಶಿಕ್ಷಣ ತಜ್ಞರು ನಿರ್ವಹಿಸುವ ತೆರವು ಪ್ರತಿಲಿಪಿ ಪ್ರಾಂಪ್ಟ್ ಗ್ರಂಥಾಲಯ - ಸಾಧ್ಯತೆಗಳ ವಿಶಾಲ ದೃಷ್ಟಿಯನ್ನು ಪಡೆಯಲು! ಆ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಬ್ಯಾಂಕ್‌ಬಾಕ್ಸ್ ನಲ್ಲಿ ಅಥವಾ OpenAI ಪ್ಲೇಗ್ರೌಂಡ್ ನಲ್ಲಿ ಪರವಾನಗಿ ಮಾಡಿ ಏನಾಗುತ್ತದೆ ನೋಡಿ!
ನಾವು ಈ ಪಾಠವನ್ನು ಪ್ರಾರಂಭಿಸಿದಾಗ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸುವುದು ದೆಯಾದ ಅಪ್ಲಿಕೇಶನ್ ಉದ್ದೇಶ ಮತ್ತು ಮಾದರಿ ಗೆ ಸ್ಥಿರ ಮತ್ತು ಗುಣಮಟ್ಟದ ಉತ್ತರಗಳನ್ನು ಒದಗಿಸಲು ಪಠ್ಯ ಇನ್ಪುಟ್ಗಳ (ಪ್ರಾಂಪ್ಟ್) ವಿನ್ಯಾಸ ಮತ್ತು ತ್ವರಿತ ವರ್ಧನೆ ಪ್ರಕ್ರಿಯೆ. ಇದನ್ನು ಎರಡು ಹಂತಗಳ ಪ್ರಕ್ರಿಯೆಯಾಗಿಯೂ ನೋಡಬಹುದು:
- ನಿಗದಿತ ಮಾದರಿ ಮತ್ತು ಉದ್ದೇಶಕ್ಕೆ ಪ್ರಾಥಮಿಕ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ವಿನ್ಯಾಸ ಮಾಡುವುದು
- ಪ್ರತಿಕ್ರಿಯೆಯ ಗುಣಮಟ್ಟ ಸುಧಾರಣೆಗೆ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಪುನರ್‌ವಿಮರ್ಶೆ ಮಾಡುವುದು
ಇದು ಬಳಕೆದಾರ intuೀಷನ್ ಮತ್ತು ಪ್ರಯತ್ನವನ್ನು ಬೇಡಿಕೊಳ್ಳುವ ಟ್ರಯಲ್-ಎಂಡ್-ಎರ್ರರ್ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ. ಆದ್ದರಿಂದ ಇದು ಏಕೆ ಮುಖ್ಯ? ಉತ್ತರ ತಿಳಿಯಲು, ಮೊದಲಿಗೆ ನಾವು ಮೂರು ಆಲೋಚನೆಗಳನ್ನು ಗ್ರಹಿಸಬೇಕಾಗುತ್ತದೆ:
- ಟೋಕನೈಜೆಷನ್ = ಮಾದರಿ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು "ಎಲ್ಲಿ ಕಾಣುತ್ತದೆ" ಎಂಬುದು
- ಬೇಸ್ LLMಗಳು = ಆಧಾರ ಮಾದರಿ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು "ಎಲ್ಲಿ ಪ್ರಕ್ರಿಯೆ (ಸಂಸ್ಕರಣೆ) ಮಾಡುತ್ತದೆ"
- ಸೂಚನೆ-ಟ್ಯೂನ್ ಮಾಡಿದ LLMಗಳು = ಮಾದರಿ ಈಗ "ಕಾರ್ಯಗಳನ್ನು" ಹೇಗೆ ನೋಡಬಹುದು
LLM ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಟೋಕನ್ಸ್ ಸರಣಿಯಾಗಿ ನೋಡುತ್ತದೆ, ಇಲ್ಲಿ ವಿಭಿನ್ನ ಮಾದರಿಗಳು (ಅಥವಾ ಮಾದರಿಯ ವಿಭಿನ್ನ ಆವೃತ್ತಿಗಳು) ಒಂದೇ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ವಿಭಿನ್ನ ರೀತಿಯಲ್ಲಿ ಟೋಕನೈಸ್ ಮಾಡಬಹುದು. LLMಗಳು ಟೋಕನ್ಸ್ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದಿದ್ದು (ಕಚ್ಚಾ ಪಠ್ಯವನ್ನು ಅಲ್ಲ), ಪ್ರಾಂಪ್ಟ್ಗಳು ಹೇಗೆ ಟೋಕನೈಸ್ ಆಗುತ್ತವೆ ಎಂಬುದು ರಚಿಸಲಾದ ಪ್ರತಿಕ್ರಿಯೆಯ ಗುಣಮಟ್ಟದ ಮೇಲೆ ನೇರ ಪ್ರಭಾವ ಬೀರುತ್ತದೆ.
ಟೋಕನೈಜೆಷನ್ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬ intuೀಷನ್ ಪಡೆಯಲು, ಕೆಳಗಿನಂತೆ ಒದಗಿಸಿರುವ OpenAI Tokenizer ಟೂಲ್ಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿ. ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್ ನಕಲು ಮಾಡಿ ಮತ್ತು ಅದು ಟೋಕನ್ಸ್ ಗೆ ಹೇಗೆ ಪರಿವರ್ತಿತವಾಗುತ್ತದೆ ನೋಡಿರಿ, ಖಾಲಿ ಸ್ಥಳದ ಅಕ್ಷರಗಳು ಮತ್ತು ವಿರಾಮ ಚಿಹ್ನೆಗಳು ಹೇಗೆ ಹ್ಯಾಂಡಲ್ ಆಗುತ್ತವೆ ಎಂಬುದರ ಮೇಲೆ ಗಮನ ಕೊಡಿ. ಈ ಉದಾಹರಣೆ ಹಳೆಯ LLM (GPT-3) ಅನ್ನು ತೋರಿಸುತ್ತದೆ - ಆದ್ದರಿಂದ ಹೊಸ ಮಾದರಿಯೊಂದಿಗೆ ಪ್ರಯತ್ನಿಸಿದರೆ ವಿವಿಧ ಫಲಿತಾಂಶ ಬರುವ ಸಾಧ್ಯತೆ ಇದೆ.
ಪ್ರಾಂಪ್ಟ್ ಟೋಕನೈಸ್ ಆದ ನಂತರ, "ಬೇಸ್ LLM" (ಅಥವಾ ನೆಲೆಮಟ್ಟದ ಮಾದರಿ) ಮುಖ್ಯ ಕಾರ್ಯವು ಆ ಸರಣಿಯ ಟೋಕನ್ ಅನ್ನು ಭವಿಷ್ಯೋಧಿಸುವುದು. LLMಗಳು ಭಾರಿ ಪಠ್ಯ ಡೇಟಾಸೆಟ್‌ಗಳಲ್ಲಿ ತರಬೇತಿ ಪಡೆದಿರುವುದರಿಂದ, ಟೋಕನ್‌ಗಳ ನಡುವೆ ಸಾಂಖ್ಯಿಕ ಸಂಬಂಧಗಳನ್ನು ಒಳ್ಳೆಯದಾಗಿ ಅರಿತುಕೊಂಡಿವೆ ಮತ್ತು ಆ ಭವಿಷ್ಯೋದ್ಧರಣವನ್ನು ಯಾವುದೇ ಸಾಕ್ಷ್ಯತೆಯಿಂದ ಮಾಡಬಹುದು. ಅವರು ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ಪದಗಳ ಅರ್ಥವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದಿಲ್ಲ; ಬದಲಾಗಿ ಅವರು ಹೊಂದಿರುವ ಮಾದರಿಯಿಂದ ಮುಂದಿನ ಭವಿಷ್ಯೋಧನಾ ಹಂತದಲ್ಲಿ ಮುಗಿಯಬಹುದಾದ ಮಾದರಿಯ ಒಂದು ಮಾದರಿಯನ್ನು "ಪೂರ್ಣಗೊಳಿಸುತ್ತಾರೆ". ಬಳಕೆದಾರ ಹಸ್ತಕ್ಷೇಪ ಅಥವಾ ಮುಂಚಿತವಾಗಿ ಸ್ಥಾಪಿತ ನಿಯಮದ ಮೂಲಕ ಮುಗಿಯುವವರೆಗೂ ಅವರು ಸರಣಿಯನ್ನು ಭವಿಷ್ಯೋಧಿಸುತ್ತಾರೆ.
ಪ್ರಾಂಪ್ಟ್ ಆಧಾರಿತ ಪೂರ್ಣಗೊಂಡಿಕೆಯು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ನೋಡಲು ಬಯಸುತ್ತೀರಾ? ಮೇಲಿನ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು Microsoft Foundry playground ನಲ್ಲಿ ಡೀಫಾಲ್ಟ್ ಸೆಟ್ಟಿಂಗ್‌ಗಳೊಂದಿಗೆ ನಮೂದಿಸಿ. ವ್ಯವಸ್ಥೆ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಮಾಹಿತಿಗಾಗಿ ವಿನಂತಿಗಳಾಗಿ ಪರಿಗಣಿಸುವಂತೆ ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾಗಿದೆ - ಆದ್ದರಿಂದ ನೀವು ಈ ಕ್ಷೇತ್ರಕ್ಕೆ ಅನುಗುಣವಾದ ಪೂರ್ಣಗೊಂಡಿಕೆಯನ್ನೂ ನೋಡಬಹುದು.
ಆದರೆ ಬಳಕೆದಾರನು ಯಾವುದೇ ನಿರ್ದಿಷ್ಟ ತೃಟಿಸುವುದು ಅಥವಾ ಕಾರ್ಯ ಉದ್ದೇಶವನ್ನು ತಲುಪಬೇಕೆಂದು ಬಯಸಿದರೆ? ಈ ಸಂದರ್ಭದಲ್ಲಿ ಸೂಚನೆ-ಟ್ಯೂನ್ ಮಾಡಿದ LLMಗಳು ಪಾತ್ರ ವಹಿಸುತ್ತವೆ.
ಒಂದು ಸೂಚನೆ-ಟ್ಯೂನ್ ಮಾಡಿದ LLM ನೆಲೆಮಟ್ಟದ ಮಾದರಿ ಮೇಲೆ ಆರಂಭಿಸಿ, ಸೇವಾ ಉದಾಹರಣೆಗಳು ಅಥವಾ ಇನ್ಪುಟ್/ಔಟ್ಪುಟ್ ಜೋಡಿಗಳು (ಮಲ್ಟಿ-ಟರ್ನ್ "ಸಂದೇಶಗಳು" ಮುಂತಾದವು)ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಟ್ಯೂನ್ ಮಾಡುತ್ತದೆ, ಅಲ್ಲಿ ಸ್ಪಷ್ಟ ಸೂಚನೆಗಳಿರುತ್ತವೆ - ಮತ್ತು AI ಪ್ರತಿಕ್ರಿಯೆ ಆ ಸೂಚನೆಯನ್ನು ಅನುಸರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಾಳೆ.
ಇದನ್ನು Reinfocement Learning with Human Feedback (RLHF) ಮುಂತಾದ ತಂತ್ರಗಳನ್ನು ಬಳಸಿ ಮಾಡಲಾಗುತ್ತದೆ, ಇದು ಮಾದರಿಯನ್ನು ಸೂಚನೆಗಳನ್ನು ಅನುಸರಿಸಲು ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಯಿಂದ ಕಲಿಯಲು ತರಬೇತಿಮಾಡಬಹುದು, ಆದ್ದರಿಂದ ಅದು ಹೆಚ್ಚಿನ ಪ್ರಾಯೋಗಿಕ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗಿರುವ ಮತ್ತು ಬಳಕೆದಾರ ಉದ್ದೇಶಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನೀಡುತ್ತದೆ.
ಇದನ್ನು ಪ್ರಯತ್ನಿಸೋಣ - ಮೇಲಿನ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಮರುವಿಶ್ಲೇಷಣೆ ಮಾಡಿ, ಆದರೆ ಈಗ ಸಿಸ್ಟಂ ಸಂದೇಶ ಅನ್ನು ಕೆಳಗಿನ ಸೂಚನೆಯೊಂದಿಗೆ ಪರಿಗಣಿಸಿರಿ:
ನೀವು ನೀಡಿರುವ ವಿಷಯವನ್ನು 2ನೇ ತರಗತಿ ವಿದ್ಯಾರ್ಥಿಗೆ ಸಾರಾಂಶಗೊಳಿಸಿ. ಫಲಿತಾಂಶವನ್ನು 3-5 ಬಲ್ಟುಗಳೊಂದಿಗೆ ಒಂದು абзацಕ್ಕೆ ನಿರ್ಬಂಧಿಸಿ.
ಫಲಿತಾಂಶ ಈಗ ಬೇಕಾದ ಗುರಿ ಮತ್ತು ರೂಪವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವಂತೆ ತಿದ್ದುಪಡಿ ಮಾಡಲ್ಪಟ್ಟಿದೆ ಎಂದು ನೋಡಿ? ಶಿಕ್ಷಕರು ಈಗ ಈ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ತಮ್ಮ ಕ್ಲಾಸ್ ಸ್ಲೈಡ್ಗಳಲ್ಲಿ ನೇರವಾಗಿ ಉಪಯೋಗಿಸಬಹುದು.
ಈಗ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು LLMಗಳು ಹೇಗೆ ಪ್ರಕ್ರಿಯೆ ಮಾಡುತ್ತವೆ ಎಂಬುದನ್ನು ತಿಳಿದುಕೊಂಡಿದ್ದೇವೆ, ನಾವು ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಏಕೆ ಬೇಕೆಂಬುದನ್ನು ಚರ್ಚಿಸೋಣ. ಉತ್ತರ ಇದೇ: ಪ್ರಸ್ತುತ LLMಗಳು ಹಲವಾರು ಸವಾಲುಗಳನ್ನು ಹೊಂದಿರುವುದರಿಂದ, ಪ್ರಾಂಪ್ಟ್ ರಚನೆ ಮತ್ತು ತ್ವರಿತವರ್ಧನೆಗೆ ಪ್ರಯತ್ನ ನೀಡದೆ ಬದಲಾಗದ ಮತ್ತು ಸ್ಥಿರ ಪೂರ್ಣಗೊಂಡಿಕೆಗಳನ್ನು ಪಡೆಯುವುದು ಕಷ್ಟ. ಉದಾಹರಣೆಗೆ:
-
ಮಾದರಿ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಯಾದೃಚ್ಛಿಕವಾಗಿವೆ. ಅದೇ ಪ್ರಾಂಪ್ಟ್ ಭಿನ್ನ ಮಾದರಿಗಳು ಅಥವಾ ಮಾದರಿ ಆವೃತ್ತಿಗಳೊಂದಿಗೆ ವಿಭಿನ್ನ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನೀಡಬಹುದು. ಮತ್ತು ಅದು ಅದೇ ಮಾದರಿ ಒಂದೇ ವೇಳೆಗಳಲ್ಲಿ ವಿಭಿನ್ನ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಬಹುದಾಗಿದೆ. ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ತಂತ್ರಗಳು ಈ ಬದಲಾವಣೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸಹಾಯಮಾಡುತ್ತವೆ, ಉತ್ತಮ ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಒದಗಿಸುವ ಮೂಲಕ.
-
ಮಾದರಿಗಳು fabricated ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಮಾಡಬಹುದು. ಮಾದರಿಗಳು ದೊಡ್ಡ ಆದರೆ ಸೀಮಿತ ಡೇಟಾಸೆಟ್‌ಗಳೊಂದಿಗೆ ಪೂರ್ವ-ತರಬೇತಿ ಮಾಡಲ್ಪಟ್ಟಿವೆ, ಆದ್ದರಿಂದ ತರಬೇತಿ ವ್ಯಾಪ್ತಿಯ ಹೊರಗಿನ ಆಲೋಚನೆಗಳನ್ನುಕಾರಣವಾಗಿ ತಿಳಿಯದರಿಲ್ಲ. ಇದರಿಂದ, ಅವು ಅಸತ್ಯ, ಕಲ್ಪಿತ ಅಥವಾ ತಕ್ಷಣದ ವಾಸ್ತವಾಂಶಗಳಿಗೆ ವಿರುದ್ಧವಾಗುವ ಪೂರ್ಣಗೊಂಡಿಕೆಗಳನ್ನು ಉತ್ಪಾದಿಸಬಹುದು. ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ತಂತ್ರಗಳು ಬಳಕೆದಾರರಿಗೆ ಅಂಥ fabricated ಉತ್ತರಗಳನ್ನು ಗುರುತಿಸಿ ತಡೆಯುವಲ್ಲಿ ಸಹಾಯಮಾಡುತ್ತವೆ, ಉದಾ., AI ಯಿಂದ ಉಲ್ಲೇಖಗಳನ್ನು ಕೇಳುವುದು ಅಥವಾ ತರ್ಕಿಸುವುದು.
-
ಮಾದರಿ ಸಾಮರ್ಥ್ಯಗಳು ಬದಲಾಗುತ್ತವೆ. ಹೊಸ ಮಾದರಿಗಳು ಅಥವಾ ಮಾದರಿ ತಲೆಮಾರಹು ಹೆಚ್ಚು ವೈಶಿಷ್ಟ್ಯಗಳುಳ್ಳವು, ಆದರೆ ವೆಚ್ಚ ಮತ್ತು ಅವಘಡಗಳಲ್ಲಿ ವಿಭಿನ್ನ ಸರಿಸುಮಾರುಗಳನ್ನು ಮತ್ತು ಹೋಲಿಕೆಗಳನ್ನು ತಂದಿರುತ್ತವೆ. ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ನಮಗೆ ಉತ್ತಮ ಅಭ್ಯಾಸಗಳನ್ನು ಹಾಗೂ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಬೆಳಸಲು ಸಹಾಯಮಾಡುತ್ತದೆ, ಅವು ವಿವಿಧತೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ, ಮಾದರಿ-ವಿಶಿಷ್ಟ ಅಗತ್ಯಗಳಿಗೆ ತಕ್ಕಂತೆ ಸುಲಭವಾಗಿ ಅಳವಡಿಸಬಹುದು.
ಇದನ್ನು OpenAI ಅಥವಾ Azure OpenAI ಪ್ಲೇಗ್ರೌಂಡ್ ನಲ್ಲಿ ಕಾರ್ಯರೂಪದಲ್ಲಿ ನೋಡೋಣ:
- ವಿಭಿನ್ನ LLM ನಿಯೋಜನೆಗಳೊಂದಿಗೆ ಅದೇ ಪ್ರಾಂಪ್ಟ್ ಬಳಸಿ (ಉದಾ: OpenAI, Azure OpenAI, Hugging Face) - ನೀವು ಬದಲಾವಣೆಗಳನ್ನು ನೋಡಿದ್ದೀರಾ?
- ಅದೇ LLM ನಿಯೋಜನೆಯೊಂದಿಗೆ (ಉದಾ: Azure OpenAI ಪ್ಲೇಗ್ರೌಂಡ್) ಒಂದೇ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಪುನರಾವರ್ತಿಸಿ - ಈ ಬದಲಾವಣೆಗಳು ಹೇಗೆ ವಿಭಿನ್ನವಾಗಿದ್ದವು?
ಈ ಕೋರ್ಸ್‌ನಲ್ಲಿ, ನಾವು "fabrication" ಪದವನ್ನು LLMಗಳು ತಮ್ಮ ತರಬೇತಿ ಅಥವಾ ಇತರ ನಿರ್ಬಂಧಗಳ ಕಾರಣದಿಂದ ಕೆಲವೊಮ್ಮೆ ತಥ್ಯಾತ್ಮಕವಾಗಿ ತಪ್ಪಾದ ಮಾಹಿತಿಯನ್ನು ರಚಿಸುವ ಘಟನೆಯಿಗಾಗಿ ಬಳಸುತ್ತೇವೆ. ನೀವು ಇದನ್ನು ಜನಪ್ರಿಯ ಲೇಖನಗಳು ಅಥವಾ ಸಂಶೋಧನಾ ಪ್ರಬಂಧಗಳಲ್ಲಿ "ಹ್ಯಾಲುಸಿನೇಷನ್" ಎಂದು ಕೂಡ ಕೇಳಿರಬಹುದು. ಆದರೆ ನಾವು "fabrication" ಪದವನ್ನು ಉಪಯೋಗಿಸಲು ಬಲವಾಗಿ ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ, ಇದರಿಂದ ನಾವು ಯಂತ್ರಚಾಲಿತ ಫಲಿತಾಂಶಕ್ಕೆ ಮಾನವೀಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ತಪ್ಪಾಗಿ ಆರೋಪಿಸೋಜಾವುದಿಲ್ಲ. ಇದು ಜವಾಬ್ದಾರಿಯುತ AI ಮಾರ್ಗಸೂಚಿಗಳು ನ ದೃಷ್ಟಿಯಿಂದ ಸಹ ಪಿತೃಕತೆಗಳನ್ನು ಅಥವಾ ಅನಾರೋಗ್ಯಕಾರಿ терминಗಳನ್ನು ತೆಗೆದು ಹಾಕುತ್ತದೆ.
fabrication ತರಹವನ್ನು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬ ಅರ್ಥ ಪಡೆಯಲು ಬಯಸುತ್ತೀರಾ? ಒಂದು ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಗುಟ್ಟಾಗಿ ಏನ್ ಸಮಸ್ಯೆಯಿರುವ ವಿಷಯಕ್ಕಾಗಿ ವಿಷಯವನ್ನು ರಚಿಸುವಂತೆ AIಗೆ ಸೂಚಿಸುವ ಕಲ್ಪನೆ ಮಾಡಿಕೊಳ್ಳಿ (ಅಂದರೆ ಅದು ತರಬೇತಿ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಕಾಣುವುದಿಲ್ಲ). ಉದಾಹರಣೆಗೆ - ನಾನು ಈ ಪ್ರಾಂಪ್ಟ್ ಪ್ರಯತ್ನಿಸಿದೆ:
ಪ್ರಾಂಪ್ಟ್: 2076 ರ ಮಾರ್ಷಿಯನ್ ಯುದ್ಧದ ಪಾಠ ಯೋಜನೆಯನ್ನು ರಚಿಸಿ.
ವೆಬ್ ಶೋಧನೆ ನನಗೆ ತೋರಿಸಿತು ಮಾರ್ಷಿಯನ್ ಯುದ್ಧದ ಬಗ್ಗೆ ಕಲ್ಪಿತ akụkọಗಳು (ಉದಾ., ಟಿವಿ ಸರಣಿ ಅಥವಾ ಪುಸ್ತಕಗಳು) ಇದ್ದವು - ಆದರೆ 2076 ಅನ್ನೋ ವರ್ಷದಲ್ಲಿ ಇಲ್ಲ. ಸಾಮಾನ್ಯ ಜ್ಞಾನ ವ ಹೇಳುತ್ತದೆ 2076 ಭವಿಷ್ಯದಲ್ಲಿ ಇರುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ನೈಜ ಘಟನೆಗೆ ಸಂಪರ್ಕಿಸಲಾಗುವುದಿಲ್ಲ.
ಆದ್ದರಿಂದ ನಾವು ಈ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ವಿಭಿನ್ನ LLM ಸರಬರಾಜುದಾರರು ಜೊತೆ ಚಾಲನೆ ಮಾಡಿದಾಗ ಏನು ಆಗುತ್ತದೆ?
ಪ್ರತಿಕ್ರಿಯೆ 1: OpenAI Playground (GPT-35)
ಪ್ರತಿಕ್ರಿಯೆ 2: Azure OpenAI Playground (GPT-35)
ಪ್ರತಿಕ್ರಿಯೆ 3: : Hugging Face Chat Playground (LLama-2)
ನಿರೀಕ್ಷೆಯಂತೆ, ಪ್ರತಿ ಮಾದರಿಯು (ಅಥವಾ ಮಾದರಿ ಆವೃತ್ತಿ) ಅಲ್ಪ ಸ್ವಲ್ಪ ಭಿನ್ನವಾದ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಅಲ್ಲದೆ ಸ್ಥೋಚಾಸ್ಟಿಕ್ ವರ್ತನೆ ಮತ್ತು ಮಾದರಿ ಸಾಮರ್ಥ್ಯದ ವೈವಿಧ್ಯತೆಗಳನ್ನು ಧನ್ಯವಾದಗಳು. ಉದಾಹರಣೆಗೆ, ಒಂದು ಮಾದರಿ ಎಂಟನೇ ತರಗತಿಯ ಉಪಸ್ಥಿರುಕ್ಷಕನಿಗೆ ಗುರಿಯಾಗಿದ್ದು, ಮತ್ತೊಂದು ಮಾದರಿ ಹೈಸ್ಕೂಲ್ ವಿದ್ಯಾರ್ಥಿಯನ್ನು ಊಹಿಸುತ್ತದೆ. ಆದರೂ, ಈ ಮೂರು ಮಾದರಿಗಳು ಎಕ್ಸ್‌ಪೀರಿಯನ್‌ಸ್ ಇಲ್ಲದ ಬಳಕೆದಾರರನ್ನು ಈ ಘಟನೆ ನಿಜ ಎಂದು ನಂಬಿಸುವಂತೆ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ರಚಿಸಿದರು.
ಮೆಟಾಪ್ರಾಂಪ್ಟಿಂಗ್ ಮತ್ತು _ತಾಪಮಾನ ಸಂರಚನೆ_ಂತಹ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ತಂತ್ರಗಳು ಕೆಲವೊಂದು ಮಟ್ಟಿಗೆ ಮಾದರಿ ನಕಲನೆಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು. ಹೊಸ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ವಾಸ್ತುಶಿಲ್ಪಗಳು ಕೂಡ ಪ್ರಾಂಪ್ಟ್ ಹರಿವಿನಲ್ಲಿ ಹೊಸ ಉಪಕರಣಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ಸರಾಗವಾಗಿ ಸೇರಿಸಲು ಸಮರ್ಥವಾಗಿವೆ, ಕೆಲವು ಇವುಗಳ ಪರಿಣಾಮಗಳನ್ನು ತಗ್ಗಿಸಲು ಅಥವಾ ಹೇರಳಗೊಳಿಸಲು.
ನಿಜ-ಜಗತ್ತಿನ ಪರಿಹಾರಗಳಲ್ಲಿ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಹೇಗೆ ಬಳಸಲ್ಪಡುತ್ತದೆ ಎಂಬ ಅರಿವು ಪಡೆಯಲು ಒಂದು ಪ್ರಕರಣ ಅಧ್ಯಯನವನ್ನು ನೋಡೋಣ: GitHub Copilot.
GitHub Copilot ನಿಮ್ಮ "ಎಐ ಜೋಡಿ ಕಾರ್ಯಕ್ರಮಗಾರ" ಆಗಿದ್ದು - ಇದು ಪಠ್ಯ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಕೋಡ್ ಪೂರ್ಣಗೊಳನೆಗಳಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ ಮತ್ತು ನಿಮ್ಮ ಅಭಿವೃದ್ಧಿ ಪರಿಸರದಲ್ಲಿ (ಉದಾ., Visual Studio Code) ಸಂಯೋಜಿಸಲಾಗಿದೆ, ಇದರೊಂದಿಗೆ ಬಳಕೆದಾರ ಅನುಭವ ಸುಗಮವಾಗಿದೆ. ಕೆಳಗಿನ ಬ್ಲಾಗ್ ಸರಣಿಯಲ್ಲಿ ದಾಖಲಿಸಿದಂತೆ, ಮೊದಲ ಆವೃತ್ತಿ OpenAI Codex ಮಾದರಿಯನ್ನು ಆಧರಿಸಿ ಸ್ಥಾಪಿತವಾಗಿದೆ - ಎಂಜಿನಿಯರ್‌ಗಳು ಶೀಘ್ರವೇ ಮಾದರಿಯನ್ನು ಸೂಕ್ಷ್ಮತೆಯೊಂದಿಗೆ ಹೇರಳಗೊಳಿಸಲು ಮತ್ತು ಉತ್ತಮ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ತಂತ್ರಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಅಗತ್ಯವನ್ನು ಅರಿತರು, ಕೋಡ್ ಗುಣಮಟ್ಟವನ್ನು ಸಧಾರಿಸಲು. ಜುಲೈನಲ್ಲಿ, ಅವರು Codex ಮೀರಿದ ಸುಧಾರಿತ AI ಮಾದರಿಯನ್ನು ಪ್ರಾರಂಭಿಸಿದರು, ಹೆಚ್ಚು ವೇಗದ ಸಲಹೆಗಳಿಗೆ.
ಅವರ ಕಲಿಕೆ ಯಾತ್ರೆಯನ್ನು ಅನುಸರಿಸಲು ಪೋಸ್ಟ್‌ಗಳನ್ನು ಕ್ರಮականವಾಗಿ ಓದಿ.
- ಮೇ 2023 | GitHub Copilot ನಿಮ್ಮ ಕೋಡ್ ಅನ್ನು ಉತ್ತಮವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತಿದೆ
- ಮೇ 2023 | GitHub ಒಳಗಿನ: GitHub Copilot ಹಿಂದೆ ಇರುವ LLM ಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತಿರುವುದು.
- ಜೂನ್ 2023 | GitHub Copilot ಗಾಗಿ ಉತ್ತಮ ಪ್ರಾಂಪ್ಟ್ಗಳು ಹೇಗೆ ಬರೆಯುವುದು.
- ಜುಲೈ 2023 | .. GitHub Copilot Codex ಮೀರಿದ ಸುಧಾರಿತ AI ಮಾದರಿಯನ್ನು ಹೊಂದಿದೆ
- ಜುಲೈ 2023 | ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು LLM ಗಾಗಿ ಡೆವಲಪರ್ ಮಾರ್ಗದರ್ಶಿ
- ಸೆಪ್ಟೆಂಬರ್ 2023 | ಎಂಟರ್‌ಪ್ರೈಸ್ LLM ಅಪ್ಲಿಕೇಶನ್ ನಿರ್ಮಿಸುವುದು ಹೇಗೆ: GitHub Copilot ನ ಪಾಠಗಳು
ಈ ಮಾದರಿಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ನಿಜ-ಜಗತ್ತಿನ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ಚಾಲನೆಗಾಗಿ ಹೇಗೆ ಅನ್ವಯಿಸುತ್ತಿರುವುದನ್ನು ತೋರಿಸುವ ಇಂಜಿನಿಯರಿಂಗ್ ಬ್ಲಾಗ್ ಮತ್ತು ಇನ್ನಷ್ಟು ಪೋಸ್ಟ್‌ಗಳನ್ನು ನೀವು ಬ್ರೌಸ್ ಮಾಡಬಹುದು, ಉದಾ. ಈದ್ದು.
ನಾವು ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಮಹತ್ವವನ್ನು ಗಮನಿಸಿದೆವು - ಈಗ ಪ್ರಾಂಪ್ಟ್ಗಳು ನಿರ್ಮಾಣ ಆಗುವ ವಿಧಾನವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳೋಣ, ಹೀಗೆ ನಾವು ಬೇರೆಯ ಪರಿಣಾಮಕಾರಿಯಾದ ಪ್ರಾಂಪ್ಟ್ ವಿನ್ಯಾಸ ತಂತ್ರಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಬಹುದು.
ಮೂಲಭೂತ ಪ್ರಾಂಪ್ಟ್‌ನಿಂದ ಪ್ರಾರಂಭಿಸೋಣ: ಯಾವುದೇ ಇತರೆ ಸಂದರ್ಭವಿಲ್ಲದೆ ಮಾದರಿಗೆ ಕಳುಹಿಸಲಾದ ಪಠ್ಯ ಇನ್ಪುಟ್. ಉದಾಹರಣೆ ಇಲ್ಲಿದೆ - ನಾವು ಅಮೆರಿಕದ ರಾಷ್ಟ್ರೀಯ ಗೀತೆ ಮೊದಲ ಕೆಲವು ಪದಗಳನ್ನು OpenAI Completion API ಗೆ ಕಳುಹಿಸಿದಾಗ, ಅದು ತಕ್ಷಣ ಪ್ರತ್ಯುತ್ತರವನ್ನು ಮುಂದಿನ ಕೆಲವು ಸಾಲುಗಳೊಂದಿಗೆ ಪೂರ್ಣಗೊಳಿಸುತ್ತದೆ, ಇದು ಮೂಲ ಭವಿಷ್ಯವಾಣಿಯ ವರ್ತನೆಯನ್ನು ಚಿತ್ರೀಕರಿಸುತ್ತದೆ.
| ಪ್ರಾಂಪ್ಟ್ (ಇನ್ಪುಟ್) | ಪೂರ್ಣಗೊಳನೆ (ಔಟ್ಪುಟ್) |
|---|---|
| ಓ ಹೇಳು ನೀನು ಕಾಣುತ್ತೇವೆಯೆ | ಇದು "ದಿ ಸ್ಟಾರ್-ಸ್ಪ್ಯಾಂಗಲ್ಡ್ ಬ್ಯಾನರ್," ಅಮೆರಿಕದ ರಾಷ್ಟ್ರೀಯ ಗೀತೆ ಹಾಡಲು ಪ್ರಾರಂಭಿಸುತ್ತಿದ್ದಂತೆ ಕಾಣುತ್ತದೆ. ಪೂರ್ಣ ಗೀತೆ ಇದೆ ... |
ಈಗ ಆ ಮೂಲಭೂತ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ಸಂದರ್ಭ ಮತ್ತು ನಿರ್ದೇಶನಗಳನ್ನು ಸೇರಿಸೋಣ. ಚಾಟ್ ಪೂರ್ಣಗೊಳನೆ API ನಮಗೆ ಸಂದೇಶಗಳ ಸಂಕಲನವಾಗಿ ಸಂಕೀರ್ಣ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ನಿರ್ಮಿಸಲು ಅನುವು ನೀಡುತ್ತದೆ:
- ಬಳಕೆದಾರ ಇನ್ಪುಟ್ ಮತ್ತು ಸಹಾಯಕ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ಇನ್ಪುಟ್/ಔಟ್ಪುಟ್ ಜೋಡಿಗಳು.
- ಸಹಾಯಕನ ವರ್ತನೆ ಅಥವಾ ವೈಯಕ್ತಿಕತಗೆ ಸಂದರ್ಭವನ್ನು ನಿರೂಪಿಸುವ ಸಿಸ್ಟಮ್ ಸಂದೇಶ.
ವಿನಂತಿ ಈಗ ಕೆಳಗಿನ ರೂಪದಲ್ಲಿ ಇದೆ, ಅಲ್ಲಿ ಟೋಕನೈಸೇಷನ್ ಸಂದರ್ಭ ಮತ್ತು ಸಂಭಾಷಣೆಯಿಂದ ಸಂಬಂಧಿಸಿದ ಮಾಹಿತಿಯನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಹಿಡಿಯುತ್ತದೆ. ಈಗ, ಸಿಸ್ಟಮ್ ಸಂದರ್ಭವನ್ನು ಬದಲಾಯಿಸುವುದು ಪೂರ್ಣಗೊಳನೆ ಗುಣಮಟ್ಟಕ್ಕೆ ಬಳಕೆದಾರ ಇನ್ಪುಟ್ಗಳ ಸಮಾನ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ.
response = client.responses.create(
model="gpt-5-mini",
input=[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Who won the world series in 2020?"},
{"role": "assistant", "content": "The Los Angeles Dodgers won the World Series in 2020."},
{"role": "user", "content": "Where was it played?"}
]
)ಮೇಲಿನ ಉದಾಹರಣೆಗಳಲ್ಲಿ, ಬಳಕೆದಾರ ಪ್ರಾಂಪ್ಟ್ ಸರಳ ಪಠ್ಯ ಪ್ರಶ್ನೆಯಾಗಿದೆ, ಅದು ಮಾಹಿತಿ ಬಯಸುವ ವಿನಂತಿಯಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಬಹುದು. ನಿರ್ದೇಶನ ಪ್ರಾಂಪ್ಟ್‌ಗಳಲ್ಲಿ, ನಾವು ಆ ಪಠ್ಯವನ್ನು ಒಂದು ಕೆಲಸವನ್ನು ವಿವರಿಸಲು ಬಳಸಬಹುದು, ಎಐಗೆ ಉತ್ತಮ ಮಾರ್ಗದರ್ಶನ ಒದಗಿಸುವುದು. ಇಲ್ಲಿದೆ ಉದಾಹರಣೆ:
| ಪ್ರಾಂಪ್ಟ್ (ಇನ್ಪುಟ್) | ಪೂರ್ಣಗೊಳನೆ (ಔಟ್ಪುಟ್) | ನಿರ್ದೇಶನ ಪ್ರಕಾರ |
|---|---|---|
| ನಾಗರಿಕ ಯುದ್ಧದ ವಿವರಣೆ ಬರೆಯಿರಿ | ಸರಳ ಪ್ಯಾರಾಗ್ರಾಫ್ ಹಿಂತಿರುಗಿಸಲಾಯಿತು | ಸರಳ |
| ನಾಗರಿಕ ಯುದ್ಧದ ವಿವರಣೆ ಬರೆಯಿರಿ. ಪ್ರಮುಖ ದಿನಾಂಕಗಳು ಮತ್ತು ಘಟನೆಗಳನ್ನು ಒದಗಿಸಿ ಮತ್ತು ಅವುಗಳ ಮಹತ್ವವನ್ನು ವಿವರಿಸಿ | ಪ್ಯಾರಾಗ್ರಾಫ್ ಹಿಂತಿರುಗಿಸಿ ನಂತರ ಪ್ರಮುಖ ಘಟನೆಗಳ ದಿನಾಂಕಗಳ ಪಟ್ಟಿಯೊಂದಿಗೆ ವಿವರಣೆಗಳು | ಸಂಕೀರ್ಣ |
| ನಾಗರಿಕ ಯುದ್ಧದ ಬಗ್ಗೆ 1 ಪ್ಯಾರಾಗ್ರಾಫ್‌ನಲ್ಲಿ ವರ್ಣಿಸಿ. ಪ್ರಮುಖ ದಿನಾಂಕಗಳು ಮತ್ತು ಅವುಗಳ ಮಹತ್ವದ 3 ಬುಲೆಟ್ ಪಾಯಿಂಟ್ ನೀಡಿರಿ. ಪ್ರಮುಖ ಐತಿಹಾಸಿಕ ವ್ಯಕ್ತಿಗಳ ಮತ್ತು ಅವರ ಕೊಡುಗೆಗಳ 3 ಬುಲೆಟ್ ಪಾಯಿಂಟ್ ಮತ್ತಷ್ಟು ಕೊಡಿ. ಔಟ್ಪುಟ್ ಅನ್ನು JSON ಫೈಲ್ ಆಗಿ ಹಿಂತಿರುಗಿಸಿ | ಹೆಚ್ಚಿನ ವಿವರಗಳನ್ನು ಪಠ್ಯ ಬಾಕ್ಸ್‌ನಲ್ಲಿ JSON ಸ್ವರೂಪದಲ್ಲಿ ಹಿಂತಿರುಗಿಸುತ್ತದೆ, ನೀವು ನಕಲಿಸಿ-ಪೇಸ್ಟ್ ಮಾಡಿ ಫೈಲ್ ಮಾನ್ಯತೆ ಮಾಡಬಹುದು | ಸಂಕೀರ್ಣ. ಸ್ವರೂಪ ಗೊಂಡಿದೆ. |
ಮೇಲೆಗಿನ ಉದಾಹರಣೆಗಳಲ್ಲಿ, ಪ್ರಾಂಪ್ಟ್ ಇನ್ನೂ ಬಹುತೆಕೆ ತೆರೆಯಲಾಗಿದ್ದು, LLM ಅದನ್ನೇ ಪ್ರಸ್ತುತಪಡಿಸಬೇಕಾದ ಬೆರಗಿನ ಘಟಕದ ಭಾಗವನ್ನು ನಿರ್ಧರಿಸಬಹುದು. ಪ್ರಾಥಮಿಕ ವಿಷಯ ವಿನ್ಯಾಸ ಮಾದರಿಯಲ್ಲಿ, ಇನ್ಪುಟ್ ಪಠ್ಯವನ್ನು ಎರಡು ಭಾಗಗಳಾಗಿ ವಿಭಜಿಸಲಾಗುತ್ತದೆ:
- ಒಂದು ನಿರ್ದೇಶನ (ಕಾರ್ಯ)
- ಸಂಬಂಧಿಸಿದ ವಿಷಯ (ಕಾರ್ಯವನ್ನು ಪ್ರಭಾವಿಸುವುದು)
ಇಲ್ಲಿ ಒಂದು ಉದಾಹರಣೆ ಇದೆಯೆಂದರೆ "ಇದನ್ನು 2 ವಾಕ್ಯಗಳಲ್ಲಿ ಸಾರಾಂಶ ಮಾಡಿ".
| ಪ್ರಾಂಪ್ಟ್ (ಇನ್ಪುಟ್) | ಪೂರ್ಣಗೊಳನೆ (ಔಟ್ಪುಟ್) |
|---|---|
| ಜ್ಯುಪಿಟರ್ ಸೂರ್ಯನಿಂದ ಐದನೇ ಗ್ರಹವಾಗಿದೆ ಮತ್ತು ಸೌರಮಂಡಲದ ಅತ್ಯಂತ ದೊಡ್ಡವು. ಇದು ಒಂದು ಅನಿಲ ದೈತ್ಯವಾಗಿದ್ದು, ಸೂರ್ಯನ ಸಮಗ್ರ ತೂಕದಲ್ಲಿ ಸಹಸ್ರದ ಒಂದು ಭಾಗ ಮಾತ್ರ ಇರುತ್ತದೆ, ಆದರೆ ಸೌರಮಂಡಲದ ಇತರೆ ಎಲ್ಲಾ ಗ್ರಹಗಳ ಒಟ್ಟು ತೂಕದ ಎರಡು ಮತ್ತು ಅರ್ಧ ಭಾಗಗಳಷ್ಟು ಹೆಚ್ಚು. ಜ್ಯುಪಿಟರ್ ನಗ್ನ ಕಣ್ಣು ಕಾಣಬಹುದು ಎಂದಷ್ಟು ಪ್ರಕಾಶಮಾನವಾದ ವಸ್ತುಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ ಮತ್ತು ಇತಿಹಾಸ ದಾಖಲಾದಕ್ಕೂ ಮುಂಚೆಯೇ ಪ್ರಾಚೀನ ನಾಗರಿಕತೆಗಳಿಗೆ ಗೊತ್ತಿತ್ತು. ಇದು ರೋಮನ್ ದೇವತಾ ಜ್ಯುಪಿಟರ್ ಹೆಸರಿನಿಂದ ಅನಾಮಧೇಯವಾಗಿದೆ.[19] ಭೂಮಿಯಿಂದ ನೋಡಿದಾಗ ಜ್ಯುಪಿಟರ್ ಪ್ರತಿಬಿಂಬಿಸುವ ಬೆಳಕು ಗೋಚರಿಸಬಹುದಾದ ನೆರಳುಗಳನ್ನು ಬೀರುವಷ್ಟು ಪ್ರಕಾಶಮಾನವಾಗಿದೆ,[20] ಮತ್ತು ಸರಾಸರಿ, చంద్ర ಮತ್ತು ಶುಕ್ರನ ನಂತರ ರಾತ್ರಿ ಆಕಾಶದಲ್ಲಿ ಮೂರನೆಯಷ್ಟು ಪ್ರಕಾಶಮಾನವಾದ ಸಹಜ ವಸ್ತುವಾಗಿರುತ್ತದೆ. ಇದನ್ನು 2 ಚಿಕ್ಕ ವಾಕ್ಯಗಳಲ್ಲಿ ಸಾರಾಂಶ ಮಾಡಿ |
ಜ್ಯುಪಿಟರ್, ಸೂರ್ಯನಿಂದ ಐದನೇ ಗ್ರಹ, ಸೌರಮಂಡಲದಲ್ಲಿ ಅತ್ಯಂತ ದೊಡ್ಡದು ಮತ್ತು ರಾತ್ರಿ ಆಕಾಶದಲ್ಲಿ ಅತ್ಯಂತ ಪ್ರಕಾಶಮಾನವಾದ ವಸ್ತುಗಳಲ್ಲಿ ಒಂದಾಗಿದ್ದು ತಿಳಿದುಬರುತ್ತದೆ. ರೋಮನ್ ದೇವತೆ ಜ್ಯುಪಿಟರ್ ಹೆಸರಿನ, ಇದು ಅನಿಲ ದೈತ್ಯವಾಗಿದ್ದು, ಸೌರಮಂಡಲದ ಇತರೆ ಎಲ್ಲಾ ಗ್ರಹಗಳ ಒಟ್ಟಿಗೆಯ ತೂಕದ ಎರಡು ಮತ್ತು ಅರ್ಧ ಭಾಗಗಳಷ್ಟು ತೂಕವಿದೆ. |
ಪ್ರಾಥಮಿಕ ವಿಷಯ ಅಂಶವು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ನಿರ್ದೇಶನಗಳನ್ನು ಚಲಾಯಿಸಲು ವಿವಿಧ ರೀತಿಯ ಬಳಸಬಹುದು:
- ಉದಾಹರಣೆಗಳು - ಮಾದರಿಗೆ ಸ್ಪಷ್ಟ ನಿರ್ದೇಶನ ನೀಡುವುದರ ಬದಲು, ಮಾಡುವುದರ ಉದಾಹರಣೆಗಳನ್ನು ನೀಡಿ, ಮಾದರಿ ಛಂದಸ್ಸನ್ನು ಊಹಿಸಿಕೊಳ್ಳಲಿ.
- ಸೂಚನೆಗಳು - ನಿರ್ದೇಶನದ ನಂತರ "ಸೂಚನೆ" ನೀಡಿ, ಪೂರ್ಣಗೊಳನೆಯನ್ನು ಪ್ರೇರೇಪಿಸಿ, ಮಾದರಿಯನ್ನು ಹೆಚ್ಚು ಸಂಬಂಧಿಸಿದ ಪ್ರತಿಕ್ರಿಯೆಗಳಿಗೆ ಮಾರ್ಗದರ್ಶಿಸಿ.
- ಟೆಂಪ್ಲೇಟುಗಳು - ಆಯಾ ಬಳಕೆ ಪ್ರಕರಣಗಳಿಗೆ ಡೇಟಾ ಮೂಲಕ ಕಸ್ಟಮೈಸ್ ಮಾಡಬಹುದಾದ ಪ್ಲೇಸ್‌ಹೋಲ್ಡರ್‌ಗಳು (ಚರ) ಇರುವ ಪುನರಾವರ್ತಿಸಬಹುದಾದ 'ರೆಸಿಪಿಗಳು' ಇವು.
ಹೀಗಾಗಿ ನಾವು ಇದನ್ನು ಚಟುವಟಿಕೆಯಲ್ಲಿ ಪರಿಶೀಲಿಸೋಣ.
ಇದು ಒಂದು ವಿಧಾನವಾಗಿದ್ದು, ನೀವು ಪ್ರಾಥಮಿಕ ವಿಷಯವನ್ನು ಆ ಶಿಫಾರಸಿನ ಔಟ್ಪುಟ್ ಕೆಲವು ಉದಾಹರಣೆಗಳಿಗಾಗಿ "ಮಾದರಿಗೆ ಆಹಾರ ನೀಡಲು" ಬಳಸುತ್ತೀರಿ ಮತ್ತು ಅಗತ್ಯ ಔಟ್‍ಪುಟ್‌ಗಾಗಿ ಛಂದಸ್ಸನ್ನು ಊಹಿಸಲು ಬಿಡುತ್ತೀರಿ. ನೀಡಿದ ಉದಾಹರಣೆಗಳ ಸಂಖ್ಯೆಯ ಆಧಾರದ ಮೇಲೆ ಶೂನ್ಯ-ಶಾಟ್ ಪ್ರಾಂಪ್ಟಿಂಗ್, ಒಂದು-ಶಾಟ್ ಪ್ರಾಂಪ್ಟಿಂಗ್, ಕೆಲವು-ಶಾಟ್ ಪ್ರಾಂಪ್ಟಿಂಗ್ ಇತ್ಯಾದಿ ಮಾಡಬಹುದು.
ಪ್ರಾಂಪ್ಟ್ ಈಗ ಮೂರು ಘಟಕಗಳನ್ನು ಹೊಂದಿದೆ:
- ಒಂದು ಕಾರ್ಯ ವಿವರಣೆ
- ಅಗತ್ಯ ಔಟ್‍ಪುಟ್‌ನ ಕೆಲವು ಉದಾಹರಣೆಗಳು
- ಹೊಸ ಉದಾಹರಣೆಯ ಪ್ರಾರಂಭ (ಅದು ಅವ್ಯಕ್ತ ಕಾರ್ಯ ವಿವರಣೆ ಆಗುತ್ತದೆ)
| ಕಲಿಕೆಯ ಪ್ರಕಾರ | ಪ್ರಾಂಪ್ಟ್ (ಇನ್ಪುಟ್) | ಪೂರ್ಣಗೊಳನೆ (ಔಟ್ಪುಟ್) |
|---|---|---|
| ಶೂನ್ಯ-ಶಾಟ್ | "ಸೂರ್ಯನು ಹೊಳೆಯುತ್ತಿದೆ". ಸ್ಪ್ಯಾನಿಷ್‌ಗೆ ಅನುವಾದಿಸಿ | "ಎಲ್ ಸೋಲ್ ಏಸ್ಟಾ ಬ್ರಿಲ್‍ಯಾಂಡೊ". |
| ಒಂದು-ಶಾಟ್ | "ಸೂರ್ಯನು ಹೊಳೆಯುತ್ತಿದೆ" => ""ಎಲ್ ಸೋಲ್ ಏಸ್ಟಾ ಬ್ರಿಲ್‍ಯಾಂಡೊ". "ಇಟ್ಸ್ ಎ ಕೊಲ್ಡ್ ಅಂಡ್ ವಿಂಡಿ ಡೇ" => |
"ಎಸ್ ಉನ್ ಡಿಯಾ ಫ್ರಿಯೋ ಇ ವೆಂಟೋಸೋ". |
| ಕೆಲವು-ಶಾಟ್ | ಆಟಗಾರ ಬೇಸ್ ಓಡಿದ => Baseball ಆಟಗಾರ ಏಸ್ ಹೊಡೆದ => Tennis ಆಟಗಾರ ಸಿಕ್ಸ್ ಹೊಡೆದ => Cricket ಆಟಗಾರ ಸ್ಲ್ಯಾಮ್-ಡಂಕ್ ಮಾಡಿದ => |
Basketball |
ನಾವು ಶೂನ್ಯ-ಶಾಟ್ ಪ್ರಾಂಪ್ಟಿಂಗ್‌ನಲ್ಲಿ ಸ್ಪಷ್ಟ ನಿರ್ದೇಶನ ("ಸ್ಪ್ಯಾನಿಷ್‌ಗೆ ಅನುವಾದಿಸಿ") ನೀಡಬೇಕಾಗಿತ್ತು, ಆದರೆ ಒಂದು-ಶಾಟ್ ಪ್ರಾಂಪ್ಟಿಂಗ್ ಉದಾಹರಣೆದಲ್ಲಿ ಅದು ಊಹಿಸಲಾಗಿದೆ ಎಂದು ಗಮನಿಸಿ. ಕೆಲವೇ ಉದಾಹರಣೆಗಳು ನೀಡುವಾಗ ಹೇಗೆ ಹೆಚ್ಚಿನ ನಿಖರವಾದ ಊಹೆಯನ್ನು ಮಾಡಬಹುದು ಎಂಬುದನ್ನೂ ಕೆಲವು-ಶಾಟ್ ಉದಾಹರಣೆ ತೋರಿಸುತ್ತದೆ.
ಪ್ರಾಥಮಿಕ ವಿಷಯ ಬಳಸುವ ಮತ್ತೊಂದು ತಂತ್ರವಾಗಿದೆ ಸೂಚನೆಗಳು ಒದಗಿಸುವುದು. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ನಾವು ಮಾದರಿಯನ್ನು ಬೇಕಾದ ಪ್ರತಿಕ್ರಿಯೆ ಸ್ವರೂಪ ಪ್ರದರ್ಶನ ಮಾಡುವ ತುಂಡಿನಿಂದ ಆರಂಭಿಸುವುದರಿಂದ ಸರಿಯಾದ ದಿಕ್ಕಿಗೆ ನುಡಿಸುವುದು. ನಂತರ ಮಾದರಿ ಆ "ಸೂಚನೆಯನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ" ಮತ್ತು ಆ ದಾರಿಯಲ್ಲಿ ಮುಂದುವರಿಯುತ್ತದೆ.
| ಸೂಚನೆಗಳ ಸಂಖ್ಯೆ | ಪ್ರಾಂಪ್ಟ್ (ಇನ್ಪುಟ್) | ಪೂರ್ಣಗೊಳನೆ (ಔಟ್ಪುಟ್) |
|---|---|---|
| 0 | ಜ್ಯುಪಿಟರ್ ಸೂರ್ಯನಿಂದ ಐದನೇ ಗ್ರಹವಾಗಿದೆ ಮತ್ತು ಸೌರಮಂಡಲದ ಅತ್ಯಂತ ದೊಡ್ಡದು. ಇದು ಒಂದು ಅನಿಲ ದೈತ್ಯವಾಗಿದ್ದು ಸೂರ್ಯನ ಸಮಗ್ರ ತೂಕದಲ್ಲಿ ಸಹಸ್ರದ ಒಂದು ಭಾಗ ಮಾತ್ರ, ಆದರೆ ಸೌರಮಂಡಲದ ಇತರೆ ಎಲ್ಲಾ ಗ್ರಹಗಳ ಒಟ್ಟುಗೂಡಿದ ತೂಕದ ಎರಡು ಮತ್ತು ಅರ್ಧ ಭಾಗಗಳಷ್ಟು ಹೆಚ್ಚು. ಜ್ಯುಪಿಟರ್ ನಗ್ನ ಕಣ್ಣು ಕಾಣುವಂತಹ ಅತಿ ಪ್ರಕಾಶಮಾನವಾದ ವಸ್ತುಗಳಲ್ಲಿ ಒಂದಾಗಿದ್ದು, ಪ್ರಾಚೀನ ನಾಗರಿಕತೆಗಳಿಗೆ ಇತಿಹಾಸ ದಾಖಲೆಗಳಿಗಿಂತ ಮುಂಚೆ ಆಯಿತು. ಸಾರಾಂಶ ಮಾಡಿ |
ಜ್ಯುಪಿಟರ್ ನಮ್ಮ ಸೌರಮಂಡಲದ ಅತ್ಯಂತ ದೊಡ್ಡ ಗ್ರಹ ಮತ್ತು ಸೂರ್ಯನಿಂದ ಐದನೇ ಗ್ರಹವಾಗಿದೆ. ಇದು ಒಂದು ಅನಿಲ ದೈತ್ಯವಾಗಿದ್ದು ಸೂರ್ಯನ ತೂಕದ 1/1000 ಭಾಗ ಮಾತ್ರ, ಆದರೆ ಇತರ ಗ್ರಹಗಳ ಒಟ್ಟು ತೂಕಕ್ಕಿಂತ ಹೆಚ್ಚು. ಪ್ರಾಚೀನ ನಾಗರಿಕತೆಗಳು ಜ್ಯುಪಿಟರ್ ಅನ್ನು ಬಹಳಾ ಸಮಯದಿಂದ ತಿಳಿದಿವೆ ಮತ್ತು ಅದು ರಾತ್ರಿ ಆಕಾಶದಲ್ಲಿ ಸುಲಭವಾಗಿ ನೋಡಬಹುದು. |
| 1 | ಜ್ಯುಪಿಟರ್ ಸೂರ್ಯನಿಂದ ಐದನೇ ಗ್ರಹವಾಗಿದೆ ಮತ್ತು ಸೌರಮಂಡಲದ ಅತ್ಯಂತ ದೊಡ್ಡದು. ಇದು ಒಂದು ಅನಿಲ ದೈತ್ಯವಾಗಿದ್ದು ಸೂರ್ಯನ ಸಮಗ್ರ ತೂಕದಲ್ಲಿ ಸಹಸ್ರದ ಒಂದು ಭಾಗ ಮಾತ್ರ, ಆದರೆ ಸೌರಮಂಡಲದ ಇತರೆ ಎಲ್ಲಾ ಗ್ರಹಗಳ ಒಟ್ಟುಗೂಡಿದ ತೂಕದ ಎರಡು ಮತ್ತು ಅರ್ಧ ಭಾಗಗಳಷ್ಟು ಹೆಚ್ಚು. ಜ್ಯುಪಿಟರ್ ನಗ್ನ ಕಣ್ಣು ಕಾಣುವಂತಹ ಅತಿ ಪ್ರಕಾಶಮಾನವಾದ ವಸ್ತುಗಳಲ್ಲಿ ಒಂದಾಗಿದ್ದು, ಪ್ರಾಚೀನ ನಾಗರಿಕತೆಗಳಿಗೆ ಇತಿಹಾಸ ದಾಖಲೆಗಳಿಗಿಂತ ಮುಂಚೆ ಆಯಿತು. ಸಾರಾಂಶ ಮಾಡಿ ನಾವು ಕಲಿತದ್ದು ಎಂದರೆ ಜ್ಯುಪಿಟರ್ |
ಸೂರ್ಯನಿಂದ ಐದನೇ ಗ್ರಹ ಮತ್ತು ಸೌರಮಂಡಲದ ಅತ್ಯಂತ ದೊಡ್ಡ ಗ್ರಹವಾಗಿದೆ. ಇದು ಒಂದು ಅನಿಲ ದೈತ್ಯವಾಗಿದ್ದು ಸೂರ್ಯನ ತೂಕದಲ್ಲಿ 1/1000 ಭಾಗ ಮಾತ್ರ ಆದರೆ ಇತರ ಎಲ್ಲಾ ಗ್ರಹಗಳ ಒಟ್ಟುಗೂಡಿದ ತೂಕದ ಎರಡು ಮತ್ತು ಅರ್ಧ ಭಾಗಗಳಷ್ಟು ತೂಕವಿದೆ. ಇದು ಸುಲಭವಾಗಿ ನಗ್ನ ಕಣ್ಣು ಕಾಣಬಹುದಾಗಿದೆ ಮತ್ತು ಪ್ರಾಚೀನ ಕಾಲದಿಂದ ತಿಳಿದಿದೆ. |
| 2 | ಯೂಪಿಟರ್ ಸೂರ್ಯನಿಂದ ಐದನೇ ಗ್ರಹ ಮತ್ತು ಸೌರಮಂಡಲದ ಅತಿ ದೊಡ್ಡ ಗ್ರಹವಾಗಿದೆ. ಇದು ಗಾಳಿ ಭಾರೀ ಗ್ರಹವಾಗಿದ್ದು, ಸೂರ್ಯನ ಭಾರದ ಒಂದು ಸಾವಿರೂ ಭಾಗ ಮಾತ್ರ ಇರುವುದಾಗ್ಯೂ, ಸೌರಮಂಡಲದಲ್ಲಿನ ಉಳಿದ ಎಲ್ಲ ಗ್ರಹಗಳ ಒಟ್ಟು ಭಾರದ ಎರಡು ಮತ್ತು ಅರ್ಧ ಭಾಗಗಳಷ್ಟು ಭಾರವಾಗಿದೆ. ಯೂಪಿಟರ್ ರಾತ್ರಿ ಗಗನದಲ್ಲಿ ನಂಗляд್ಡಿ ಕಣ್ಣುಗಳಿಂದ ಕಾಣಿಸಬಹುದಾದ ಅತ್ಯಂತ ಪ್ರಕಾಶಮಾನ ವಸ್ತುಗಳಲ್ಲಿ ಒಂದು ಮತ್ತು ಪ್ರಸಿದ್ಧಿಗಳಿಂದ ಮುಂಚೆ ಕಾಲದಿಂದ ಅನೇಕ ಪುರಾತನ ನಾಗರಿಕತೆಗಳಿಗೆ ಪರಿಚಿತವಾಗಿದೆ. ಇದನ್ನು ಸಾರಾಂಶ ಮಾಡಿ ನಾವು ಕಲಿತ ಟಾಪ್ 3 ವಾಸ್ತವಗಳು: |
1. ಯೂಪಿಟರ್ ಸೂರ್ಯನಿಂದ ಐದನೇ ಗ್ರಹ ಮತ್ತು ಸೌರಮಂಡಲದ ಅತಿ ದೊಡ್ಡ ಗ್ರಹವಾಗಿದೆ. 2. ಇದು ಗಾಳಿ ಭಾರೀ ಗ್ರಹವಾಗಿದ್ದು, ಸೂರ್ಯನ ಭಾರದ ಒಂದು ಸಾವಿರೂ ಭಾಗ ಮಾತ್ರ ಇರುವುದಾಗ್ಯೂ... 3. ಯೂಪಿಟರ್ ಪ್ರಾಚೀನ ಕಾಲದಿಂದ ನಂಗляд ಡಿ ಕಣ್ಣುಗಳಿಂದ ಕಾಣಿಸಿಕೊಂಡಿದೆ... |
ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೇಟು ಎಂದರೆ ಮುಂದೆ ಬಳಸಲು ಸಂಗ್ರಹಿಸಬಹುದಾದ ಮತ್ತು ಮತ್ತೆ ಬಳಸಬಹುದಾದ ಪೂರ್ವನಿರ್ದಿಷ್ಟಿ ಪ್ರಾಂಪ್ಟ್ ವಿಧಾನ ಆಗಿದ್ದು, ಇದು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಹೆಚ್ಚು ಸुस Taykit್ರ ಬಳಕೆದಾರ ಅನುಭವಗಳನ್ನು ಚಲಿಸಿದ್ದಾರೆ. ಸರಳ ರೂಪದಲ್ಲಿ, ಇದು OpenAI ನ ಈ ಉದಾಹರಣೆ ಹೋಲಿಕೆಯ ಪ್ರಾಂಪ್ಟ್ ಹಾದಿಗಳ ಸಂಗ್ರಹವಾಗಿದ್ದು, ಇದರಲ್ಲಿ ಪರಸ್ಪರ ಕ್ರಿಯಾತ್ಮಕ ಪ್ರಾಂಪ್ಟ್ ಅಂಶಗಳು (ಬಳಕೆದಾರ ಮತ್ತು ವ್ಯವಸ್ಥೆ ಸಂದೇಶಗಳು) ಮತ್ತು API ಚಾಲಿತ ವಿನಂತಿ ಸ್ವರೂಪವನ್ನು ಒದಗಿಸುತ್ತದೆ - ಮತ್ತೆ ಬಳಸಲು ಬೆಂಬಲ ನೀಡುತ್ತದೆ.
ಹೆಚ್ಚಿನ ಸಂಕೀರ್ಣ ರೂಪದಲ್ಲಿ ಲಾಂಗ್‌ಚೈನ್ ನ ಈ ಉದಾಹರಣೆ ಇವು _ಸ್ಥಾನಮಾನಚಿಹ್ನೆಗಳ_ನ್ನೂ ಹೊಂದಿವೆ, ಅವು ಬಳಕೆದಾರ ಬಾಹ್ಯ ಮಾಹಿತಿಯ ಪ್ರಮಾಣದಿಂದ data ಪೂರ್ವಭಾವಿಯಾಗಿ ಪಡೆಯಬಹುದು (ಬಳಕೆದಾರ ದಾಖಲೆ, ವ್ಯವಸ್ಥೆ ಸನ್ನಿವೇಶ, ಬಾಹ್ಯ ಡೇಟಾ ಮೂಲಗಳು ಮೊದಲಾದವು) ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಗತಿಯುತವಾಗಿ ರಚಿಸಲು. ಇದು ನಮಗೆ ಪುನಃಬಳಕೆ ಮಾಡಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್ಗಳ ಗ್ರಂಥಾಲಯವನ್ನು ರಚಿಸುವ ಅವಕಾಶವನ್ನು ನೀಡುತ್ತದೆ, ಇದು ಸಾಂದರ್ಭಿಕವಾಗಿ ಕಾರ್ಯಕ್ರಮಾಪೂರ್ತಿಯಾಗಿ ಸತತ ಬಳಕೆದಾರ ಅನುಭವಗಳನ್ನು ಚಾಲನೆ ಮಾಡಲು.
ಕೊನೆಗೆ, ಟೆಂಪ್ಲೇಟ್ಗಳ ನಿಖರ ಮೌಲ್ಯ, ಘಟಕ ಸುಧಾರಿತ ಜಾಹೀರಾತುಗಳನ್ನು ರಚಿಸುತ್ತ ಮತ್ತು ಪ್ರಕಟಿಸಲು ಸಾಮರ್ಥ್ಯದಲ್ಲಿದೆ - ಅಲ್ಲಿ ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೇಟು ಈಗ ಆಪ್ಲಿಕೇಶನ್-ನಿರ್ದಿಷ್ಟ ಸನ್ನಿವೇಶಗಳು ಅಥವಾ ಉದಾಹರಣೆಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವಂತೆ ಹೊಂದಿಸಲಾಗಿದೆ ಆಗುತ್ತದೆ, ಇದು ಗುರಿಯಾಗಿರುವ ಬಳಕೆದಾರರಿಗೆ ಹೆಚ್ಚು ಪ್ರಾಸಂಗಿಕ ಮತ್ತು ಖಚಿತ ಉತ್ತರಗಳನ್ನು ನೀಡುತ್ತದೆ. Prompts For Edu ರೆಪೊಸಿಟರಿ ಈ ಧೋರಣೆಯ ಉತ್ತಮ ಉದಾಹರಣೆ, ಶಾಲಾ ಕ್ಷೇತ್ರಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಪ್ರಾಂಪ್ಟ್ ಗ್ರಂಥಾಲಯವನ್ನು ಸಂಗ್ರಹಿಸುವುದರಲ್ಲಿ முக்கிய ಉದ್ದೇಶಗಳು ಕಲಿಕೆ ಯೋಜನೆ, ಪಠ್ಯಕ್ರಮ ವಿನ್ಯಾಸ, ವಿದ್ಯಾರ್ಥಿ ಉಪದೇಶ ಮೊದಲಾದವುಗಳು.
ನಾವು ಪ್ರಾಂಪ್ಟ್ ನಿರ್ಮಾಣವನ್ನು ನಿರ್ದೇಶನ (ಕಾರ್ಯ) ಮತ್ತು ಗುರಿ (ಪ್ರಾಥಮಿಕ ವಿಷಯ) ಹೊಂದಿರುವುದು ಎಂದು ಭಾವಿಸಿದರೆ, _ದ್ವಿತೀಯ ವಿಷಯ_ವು ಉತ್ಪನ್ನವನ್ನು ಹೇಮಂದಿಸಲು ನಾವು ನೀಡುವ ಹೆಚ್ಚಿನ ಸನ್ನಿವೇಶದಂತೆ ಇದೆ. ಇದು ಮಾದರಿಯನ್ನು ತನ್ನ ಉತ್ತರವನ್ನು ಬಳಕೆದಾರನ ಗುರಿಗಳು ಅಥವಾ ನಿರೀಕ್ಷೆಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವಂತೆ ತೈಯಾರಿಸಲು ಸಹಾಯ ಮಾಡುವ ತಿದ್ದುಪಡಿ ಪರಿಮಾಣಗಳು, ಸ್ವರೂಪ ಮಾರ್ಗದರ್ಶನಗಳು, ವಿಷಯ ವರ್ಗಗಳು ಇತ್ಯಾದಿಗಳನ್ನು ಒಳಗೊಂಡಿರಬಹುದು.
ಉದಾಹರಣೆಗೆ: ಒಂದು ಕೋರ್ಸ್ ಕ್ಯಾಟಲಾಗ್ ನಲ್ಲಿ ಯಾವುದೇ ಕೋರ್ಸ್‌ಗಳ ಬಗ್ಗೆ ವಿಸ್ತೃತ ಮೆಟಾದೇಟಾ (ಹೆಸರು, ವಿವರಣೆ, ಶಾಖಾ ಮಟ್ಟ, ಮೆಟಾದೇಟಾ ಟ್ಯಾಗ್‌ಗಳು, ಶಿಕ್ಷಕ ಇತ್ಯಾದಿ) ಇರುವಾಗ:
- "ಫಾಲ್ 2023 ಕ್ಕೆ ಕೋರ್ಸ್ ಕ್ಯಾಟಲಾಗ್ ಅನ್ನು ಸಾರಾಂಶಗೊಳಿಸಿ" ಎಂಬ ನಿರ್ದೇಶನವನ್ನು ನಾವು ನಿರ್ಧರಿಸಬಹುದು
- ಆದರ್ಶ ಕೆಲವು ಉದಾಹರಣೆಗಳಿಂದ ಗುರಿ ವಿಷಯವನ್ನು ಒದಗಿಸಬಹುದು
- ಪ್ರಮುಖ ವಿಷಯದಲ್ಲಿ ತಯಾರಿಸಿದ ಟಾಪ್ 5 "ಟ್ಯಾಗ್"ಗಳನ್ನು ಗುರುತಿಸಲು ದ್ವಿತೀಯ ವಿಷಯವನ್ನು ಬಳಸಬಹುದು
ಈಗ, ಮಾದರಿ ಕೆಲವು ಉದಾಹರಣೆಗಳಿಂದ ತೋರಿಸಿರುವ ಸ್ವರೂಪದಲ್ಲಿ ಸಾರಾಂಶ ನೀಡಬಹುದು - ಆದರೆ ಫಲಿತಾಂಶವು ಹಲವಾರು ಟ್ಯಾಗ್‌ಗಳನ್ನು ಹೊಂದಿದ್ದರೆ, ಅದು ದ್ವಿತೀಯ ವಿಷಯದಲ್ಲಿ ಗುರುತಿಸಲ್ಪಟ್ಟ 5 ಟ್ಯಾಗ್‌ಗಳನ್ನು ಪ್ರಾಥમિકತೆ ನೀಡಬಹುದು.
ನಾವು ಈಗ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಹೇಗೆ ರಚಿಸಬಹುದು ಎಂದು ತಿಳಿದುಕೊಂಡಿದ್ದೇವೆ, ಈಗ ಅವುಗಳನ್ನು ರೂಪರೇಖೆ ಮಾಡಲು ಹೇಗೆ ಕಲ್ಪಿಸಬಹುದು ಎಂದು ಯೋಚಿಸಬಹುದು. ಇದನ್ನು ಎರಡು ಭಾಗಗಳಲ್ಲಿ ಯೋಚಿಸಬಹುದು - ಸರಿಯಾದ ಮನಸ್ಥಿತಿ ಹೊಂದುವುದು ಮತ್ತು ಸರಿಯಾದ ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸುವುದು.
ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಒಂದು ಪ್ರಯತ್ನ-ತಪ್ಪು ಪ್ರಕ್ರಿಯೆಯಾಗಿದ್ದು, ಮೂರು ದೊಡ್ಡ ಮಾರ್ಗದರ್ಶಕ ಅಂಶಗಳನ್ನು ಮನಸ್ಸಿನಲ್ಲಿ ಇಡಿರಿ:
-
ಶೇಕಡಾ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮುಖ್ಯವಾಗಿದೆ. ಪ್ರತಿಕ್ರಿಯೆಯ ನಿಖರತೆ ಮತ್ತು ಪ್ರಾಸಂಗಿಕತೆ ಆ ಅಪ್ಲಿಕೇಶನ್ ಅಥವಾ ಬಳಕೆದಾರ ನಡೆಯುವ ಶೇತ್ರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ನಿಮ್ಮ ಕಲ್ಪನೆ ಮತ್ತು ಕ್ಷೇತ್ರ ಪರಿಣತಿಯನ್ನು ಬಳಸಿಕೊಂಡು ತಂತ್ರಗಳನ್ನು ಇನ್ನಷ್ಟು ಕಸ್ಟಮೈಸ್ ಮಾಡಿ. ಉದಾಹರಣೆಗೆ, ನಿಮ್ಮ ವ್ಯವಸ್ಥೆ ಪ್ರಾಂಪ್ಟ್‌ಗಳಲ್ಲಿ ಶೇತ್ರ-ನಿರ್ದಿಷ್ಟ ವ್ಯಕ್ತಿತ್ವಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ, ಅಥವಾ ಬಳಕೆದಾರ ಪ್ರಾಂಪ್ಟ್‌ಗಳಲ್ಲಿ ಶೇತ್ರ-ನಿರ್ದಿಷ್ಟ ಟೆಂಪ್ಲೇಟ್ಗಳನ್ನು ಬಳಸಿ. ಕ್ಷೇತ್ರ-ನಿರ್ದಿಷ್ಟ ಸನ್ನಿವೇಶಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ದ್ವಿತೀಯ ವಿಷಯವನ್ನು ಒದಗಿಸಿ, ಅಥವಾ ಮಾದರಿಯನ್ನು ಪರಿಚಿತ ಬಳಕೆಯ ಮಾದರಿಗಳ ಕಡೆಗೆ ಮಾರ್ಗದರ್ಶನ ಮಾಡಲು ಶೇತ್ರ-ನಿರ್ದಿಷ್ಟ ಸೂಚನೆಗಳು ಮತ್ತು ಉದಾಹರಣೆಗಳು ಬಳಸಿ.
-
ಮಾದರಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮುಖ್ಯವಾಗಿದೆ. ನಮಗೆ ಮಾದರಿಗಳು ಸ್ವಭಾವತಃ ಅಸ್ಪಷ್ಟವಾಗಿರುವುದು ಗೊತ್ತಿದೆ. ಆದರೆ ಮಾದರಿ ಅನುಷ್ಠಾನಗಳಲ್ಲಿಯೂ ಉಪಯೋಗಿಸಿರುವ ತರಬೇತಿ ಡೇಟಾಸೆಟ್ (ಪೂರ್ವ ತರಬೇತುಗೊಂಡ ಜ್ಞಾನ), ಒದಗಿಸುವ ಸಾಮರ್ಥ್ಯಗಳು (ಉದಾ., API ಅಥವಾ SDK ಮೂಲಕ) ಮತ್ತು ಶ್ರೇಯಸ್ಕರ ವಿಷಯ ಪ್ರಕಾರ (ಉದಾ., ಕೋಡ್ ವಿರುದ್ಧ ಚಿತ್ರಗಳು ವಿರುದ್ಧ ಪಠ್ಯ) ವೈವಿಧ್ಯವಾಗಿರಬಹುದು. ನೀವು ಉಪಯೋಗಿಸುವ ಮಾದರಿಯ ಶಕ್ತಿ ಮತ್ತು ಮಿತಿಗಳನ್ನೂ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ, ಮತ್ತು ಆ ಜ್ಞಾನದ ಮೂಲಕ ಕಾರ್ಯಗಳನ್ನು ಪ್ರಗಟಿಸಿ ಅಥವಾ ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯಗಳಿಗೆ ಕಸ್ಟಮೈಸ್ ಮಾಡಿದ ಟೆಂಪ್ಲೇಟ್ಗಳನ್ನು ರಚಿಸಿ.
-
ಪರಿವರ್ತನೆ ಮತ್ತು ಪರಿಶೀಲನೆ ಮುಖ್ಯವಾಗಿದೆ. ಮಾದರಿಗಳು ವೇಗವಾಗಿ ಬೆಳೆಯುತ್ತಿವೆ, ಹಾಗೂ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ತಂತ್ರಗಳು ಕೂಡ ಕುಶಲವಾಗುತ್ತವೆ. ಕ್ಷೇತ್ರ ಪರಿಣಿತನಾಗಿ, ನಿಮ್ಮ ವಿಶೇಷ ಅಪ್ಲಿಕೇಶನ್ ಗೆ ಅನ್ವಯಿಸುವ ಬೇರೆ ಸಂದರ್ಭಗಳು ಅಥವಾ ಮಾನದಂಡಗಳು ಇರಬಹುದು, ಅವು ಸಾಮಾನ್ಯ ಸಮುದಾಯಕ್ಕೆ ಅನ್ವಯಿಸದಿರಬಹುದು. ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಉಪಕರಣಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ಬಳಸಿ "ಪ್ರಾಂಪ್ಟ್ ರಚನೆಯನ್ನು ಆರಂಭಿಸಿ", ನಂತರ ನಿಮ್ಮ ಸ್ವಂತ ಮನಸ್ಸಿನ ಶಕ್ತಿ ಮತ್ತು ಕ್ಷೇತ್ರ ತಜ್ಞತೆಯನ್ನು ಬಳಸಿ ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸಿ. ನಿಮ್ಮ ಮುಖಾಂತರ ತಿಳಿವಳಿಕೆಗಳನ್ನು ದಾಖಲಿಸಿ ಮತ್ತು ಇನ್ನು ಮುಂದೆ ಬೇರೆವರು ವೇಗದ ಪರಿವರ್ತನೆಗಳಿಗೆ ಬಳಸಬಹುದಾದ ಜ್ಞಾನಾಧಾರ (ಉದಾ., ಪ್ರಾಂಪ್ಟ್ ಗ್ರಂಥಾಲಯಗಳು) ರಚಿಸಿ.
ಈಗ ನಾವು OpenAI ಮತ್ತು Azure OpenAI ಪರಿಣಿತರಿಂದ ಶಿಫಾರಸು ಮಾಡಲಾದ ಸಾಮಾನ್ಯ ಉತ್ತಮ ಅಭ್ಯಾಸಗಳನ್ನು ನೋಡೋಣ.
| ಏನು | ಏಕೆ |
|---|---|
| ಹೊಸ ಮಾದರಿಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ. | ಹೊಸ ಮಾದರಿ ತಲೆಮಾರಿಗಳು ಸುಧಾರಿತ ಲಕ್ಷಣಗಳು ಮತ್ತು ಗುಣಮಟ್ಟವನ್ನು ಹೊಂದಿರಲಿವೆ - ಆದರೆ ಇದರಿಂದ ಹೆಚ್ಚುವರಿ ವೆಚ್ಚವೂ ಸಂಭವಿಸಬಹುದು. ಪರಿಣಾಮವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ, ನಂತರ ವರ್ಗಾವಣಾ ನಿರ್ಧಾರಗಳನ್ನು ಕೈಗೊಳ್ಳಿ. |
| ನಿರ್ದೇಶನಗಳು ಮತ್ತು ಸನ್ನಿವೇಶ ಬೇರ್ಪಡಿಸಿ | ನಿಮ್ಮ ಮಾದರಿ/ಸೇವಾ ಸರಬರಾಜುದಾರ ದ್ವಿತೀಯ ಮತ್ತು ಪ್ರಾಥಮಿಕ ವಿಷಯಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಗುರುತಿಸಲು ವಿಭಾಜಕಗಳು ನಿಗದಿಪಡಿಸುತ್ತಾರೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ. ಇದರಿಂದ ಮಾದರಿಗಳು ಟೋಕನ್‌ಗಳಿಗೆ ಹೆಚ್ಚು ನಿಖರವಾದ ತೂಕ ಹಂಚಿಕೆಯಲ್ಲಿ ಸಹಾಯವಾಗಬಹುದು. |
| ಸ್ಪಷ್ಟ ಮತ್ತು ವಿಶಿಷ್ಟವಾಗಿರಿರಿ | ಇಚ್ಛಿತ ಸನ್ನಿವೇಶ, ಫಲಿತಾಂಶ, ಉದ್ದ, ಸ್ವರೂಪ, ಶೈಲಿ ಮುಂತಾದ ವಿಚಾರಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ವಿವರ ನೀಡಿ. ಇದು ಪ್ರತಿಕ್ರಿಯೆಗಳ ಗುಣಮಟ್ಟ ಮತ್ತು ಪ್ರಮಾಣವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ. ಪುನಃಬಳಕೆ ಮಾಡಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್ಗಳಲ್ಲಿ ರೆಸಿಪಿಗಳನ್ನು 캡್ಚರ್ ಮಾಡಿ. |
| ವಿವರಿಸುವ ಮೂಲಕ ಉದಾಹರಣೆಗಳನ್ನು ಉಪಯೋಗಿಸಿ | ಮಾದರಿಗಳು "ತೋರ್ಪಡಿಸಿ ತಿಳಿಸು" ಎಂಬ ವಿಧಾನಕ್ಕೆ ಉತ್ತಮವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸಬಹುದು. ಪ್ರಥಮವಾಗಿ ಶೂನ್ಯ-ಶಾಟ್ ವಿಧಾನದಿಂದ ಪ್ರಾರಂಭಿಸಿ, ಅಲ್ಲಿ ನೀವು ಒಂದು ನಿರ್ದೇಶನವನ್ನು ನೀಡುತ್ತಿದ್ದೀರಿ (ಉದಾಹರಣೆ ಇಲ್ಲದೆ), ನಂತರ ಸ್ವಲ್ಪ-ಶಾಟ್ ಹೊಸದಾಗಿ ಪ್ರಯತ್ನಿಸಿ, ಇಚ್ಛಿತ ಫಲಿತಾಂಶದ ಕೆಲವು ಉದಾಹರಣೆಗಳನ್ನು ಒದಗಿಸಿ. ಉಪಮೆಗಳು ಬಳಸಿ. |
| ಪೂರ್ಣಗೊಳಿಸುವಿಕೆಯನ್ನು ಪ್ರಾರಂಭಿಸಲು ಸೂಚನೆಗಳನ್ನು ಬಳಸಿ | ನಿರ್ಬಂಧಿತ ಫಲಿತಾಂಶದ ಕಡೆಗೆ small ಪ್ರೇರಕ ಪದಗಳು ಅಥವಾ ಪದಗುಚ್ಛಗಳನ್ನು ನೀಡಿ, ಅದು ಪ್ರಾರಂಭ ಬಿಂದುವಾಗಿರಬಹುದು ಎಂದು ನೀಡುವುದು. |
| ಮೆರೆಯಿರಿ | ಕೆಲವೊಮ್ಮೆ ನೀವು ಮಾದರಿಗೆ ಮರುಹೊಂದಾಣಿಕೆ ನೀಡಬೇಕಾಗಬಹುದು. ಪ್ರಾಥಮಿಕ ವಿಷಯದ ಮುಂಚೂಣಿಯಲ್ಲಿ ಮತ್ತು ನಂತರ ನಿರ್ದೇಶನ ನೀಡಿ, ನಿರ್ದೇಶನ ಮತ್ತು ಸೂಚನೆಯನ್ನು ಬಳಸಿ, ಮುಂತಾದವು. ಪ್ರಯತ್ನಿಸಿ ಮತ್ತು ಪರಿಶೀಲಿಸಿ ಯಾವುದು ಪರಿಣಾಮಕಾರಿ ಎಂದು ಕಂಡುಕೊಳ್ಳಿ. |
| ಕ್ರಮ ಮುಖ್ಯವಾಗಿದೆ | ನೀವು ಮಾದರಿಯ ಮುಂದೆ ಮಾಹಿತಿಯನ್ನು ನೀಡುವ ಕ್ರಮವು ಫಲಿತಾಂಶ ಮೇಲೆ ಪ್ರಭಾವ ಬೀಬಹುದು, ಇಲ್ಲವೇ ಅತೀ ಇತ್ತೀಚಿನ biased ಆದರ್ಶನಗಳಿಗೆ. ಬೇರೆಯೊಂದು ಆಯ್ಕೆ ಪ್ರಯತ್ನಿಸಿ ಯಾವುದು ಉತ್ತಮ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ನೋಡಿರಿ. |
| ಮಾದರಿ ಗೆ "ಬಾಹಿರಹೋಗುವ" ಮಾರ್ಗ ನೀಡಿ | ಯಾವುದೇ ಕಾರಣಕ್ಕಾಗಿ ಕಾರ್ಯವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲಾಗದಿದ್ದರೆ, ಮಾದರಿಯು ಒದಗಿಸಬಹುದಾದ ಪೂರ್ಣಗೊಳ್ಳದ ಉತ್ತರ ಅನ್ನು ನೀಡಲು ಅವಕಾಶ ನೀಡಿ. ಇದರಿಂದ ಮಾದರಿಗಳು ತಪ್ಪು ಅಥವಾ ಕುತೂಹಲಕಾರಿ ಉತ್ತರಗಳನ್ನು ತೆಗೆಯುವ ಸಾಧ್ಯತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು. |
ಯಾವುದೇ ಉತ್ತಮ ಅಭ್ಯಾಸವನ್ನು ಹೋಲಿಸಿದರೆ, ನೀವು ಉಪಯೋಗಿಸುವ ಮಾದರಿ, ಕಾರ್ಯ ಮತ್ತು ಕ್ಷೇತ್ರ ಆಧಾರಿತವಾಗಿ ನಿಮ್ಮ ಅನುಭವ ಬದಲಾಗಬಹುದು ಎಂದು ನೆನಸಿಕೊಳ್ಳಿ. ಇದನ್ನು ಪ್ರಾರಂಭಿಕ ಬಿಂದುವಾಗಿ ಬಳಸಿ, ಮತ್ತು ನಿಮ್ಮ ಅನುಕೂಲಕ್ಕೆ ತಕ್ಕಂತೆ ಪ್ರಯತ್ನ.iterate ಮಾಡಿ. ಹೊಸ ಮಾದರಿಗಳು ಮತ್ತು ಉಪಕರಣಗಳು ಲಭ್ಯವಾಗುತ್ತಿದ್ದಂತೆ ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿರಂತರವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ, ಪ್ರಕ್ರಿಯೆ ಮಾಪನ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ ಗುಣಮಟ್ಟಕ್ಕೆ ಗಮನ ನೀಡುವುದರೊಂದಿಗೆ.
ಅಭಿನಂದನೆಗಳು! ನೀವು ಪಾಠದ ಅಂತ್ಯಕ್ಕೆ ಬಂದಿದ್ದೀರಿ! ಇಸಗ some ಕೆಲವು ಸಂಜ್ಞೆಗಳ ಮತ್ತು ತಂತ್ರಗಳ ಅವಕಾಶವನ್ನು ವಾಸ್ತವ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಪರೀಕ್ಷಿಸುವ ಸಮಯ ಬಂದಿದೆ!
ನಮ್ಮ ಹಾಸುವ ಕಾರ್ಯಕ್ಕೆ ನಾವು ಜ್ಯೂಪಿಟರ್ ನೋಟ್ಬುಕ್ ಅನ್ನು ಉಪಯೋಗಿಸುತ್ತೇವೆ, ಅದರಲ್ಲಿ ನೀವು ಪರಸ್ಪರ ಕ್ರಿಯೆಯಿಂದ ಅಭ್ಯಾಸಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಬಹುದು. ನಿಮ್ಮ ಸ್ವಂತ ಐಡಿಯಾಗಳ ಮತ್ತು ತಂತ್ರಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ನೀವು ಮತ್ತಷ್ಟು Markdown ಮತ್ತು Code ಸೆಲ್‌ಗಳನ್ನು ನೋಟ್ಬುಕ್‌ಗೆ ಸೇರಿಸಬಹುದು.
- (ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ) GitHub ಕೋಡ್ಸ್ಪೇಸ್‌ಗಳನ್ನು ಪ್ರಾರಂಭಿಸಿ
- (ಅಥವಾ) ರೆಪೊವನ್ನು ನಿಮ್ಮ ಸ್ಥಳೀಯ ಸಾಧನಕ್ಕೆ ಕ್ಲೋನ್ ಮಾಡಿ ಮತ್ತು Docker ಡೆಸ್ಕ್‌ಟಾಪ್‌ನೊಂದಿಗೆ ಉಪಯೋಗಿಸಿ
- (ಅಥವಾ) ನಿಮ್ಮ ಇಷ್ಟದ ನೋಟ್ಬುಕ್ ರನ್‌ಟೈಮ್ ಪರಿಸರದೊಂದಿಗೆ ನೋಟ್ಬುಕ್ ತೆರೆಯಿರಿ.
- ರೆಪೊ ರೂಟ್‌ನಲ್ಲಿರುವ
.env.copyಫೈಲ್ ಅನ್ನು.envಗೆ ನಕಲಿಸಿ ಮತ್ತು ಅದುಳ್ಳದೇAZURE_OPENAI_API_KEY,AZURE_OPENAI_ENDPOINTಮತ್ತುAZURE_OPENAI_DEPLOYMENTಮೌಲ್ಯಗಳನ್ನು ಭರ್ತಿ ಮಾಡಿ. ಅದನ್ನು ಕಲಿಯುವುದಕ್ಕಾಗಿ Learning Sandbox ವಿಭಾಗಕ್ಕೆ ಮತ್ತೊಮ್ಮೆ ಬನ್ನಿ.
- ರನ್‌ಟೈಮ್ ಕರ್ಣಲ್ ಆಯ್ಕೆಮಾಡಿ. ಆಯ್ಕೆ 1 ಅಥವಾ 2 ಬಳಸಿದರೆ, ಡೆವ್ ಕಂಟೈನರ್ ನಿಂದ ಪೂರೈಸಲ್ಪಟ್ಟ ಡೀಫಾಲ್ಟ್ Python 3.10.x ಕERNEL ಅನ್ನು ಆಯ್ಕೆಮಾಡಿ.
ನೀವು ಅಭ್ಯಾಸಗಳನ್ನು ಓಡಿಸಲು ಸಜ್ಜಾಗಿದ್ದೀರಿ. ಇಲ್ಲಿ ಸರಿಯೂ ತಪ್ಪು ಕೂಡ ಉತ್ತರಗಳಿಲ್ಲ - ಪ್ರಯತ್ನ-ತಪ್ಪಿನಿಂದ ಆಯ್ಕೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿ ಮತ್ತು ನಿಮ್ಮ ಮಾದರಿ ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್ ಕ್ಷೇತ್ರಕ್ಕೆ ಯಾವುದು hiệuಕಾರಿಯೇಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ.
ಈ ಕಾರಣಕ್ಕಾಗಿ ಈ ಪಾಠದಲ್ಲಿ ಯಾವುದೇ ಕೋಡ್ ಪರಿಹಾರ ವಿಭಾಗಗಳಿಲ್ಲ. ಬದಲಿಗೆ, ನೋಟ್ಬುಕ್‌ನಲ್ಲಿ "ನನ್ನ ಪರಿಹಾರ:" ಶೀರ್ಷಿಕೆ ಇರುವ Markdown ಸೆಲ್‌ಗಳು ಇರುತ್ತವೆ, ಅವವು ಒಂದು ಉದಾಹರಣೆಯ ಫಲಿತಾಂಶವನ್ನು ಸೂಚಿಸುತ್ತವೆ.
ಕೆಳಕಂಡಲ್ಲಿ ಯಾವುದು ಸಮರ್ಪಕ ಉತ್ತಮ ಅಭ್ಯಾಸಗಳ ಅನುಸರಿಸುವ ಉತ್ತಮ ಪ್ರಾಂಪ್ಟ್?
- ನನಗೆ ಕೆಂಪು ಕಾರಿನ ಚಿತ್ರ ತೋರಿಸಿ
- ನನಗೆ ಭೂಮಿಯ ಬಳಿ ನಿಲ್ಲಿಸಿರುವ ಸೂರ್ಯನ ಅಸ್ತಮನೆಯೊಂದಿಗೆ ವೋಲ್ವೋ ಮೇಕ್ ಮತ್ತು XC90 ಮಾದರಿಯ ಕೆಂಪು ಕಾರಿನ ಚಿತ್ರ ತೋರಿಸಿ
- ನನಗೆ ವೋಲ್ವೋ ಮೇಕ್ ಮತ್ತು XC90 ಮಾದರಿಯ ಕೆಂಪು ಕಾರಿನ ಚಿತ್ರ ತೋರಿಸಿ
ಉತ್ತರ: 2, ಇದು ಉತ್ತಮ ಪ್ರಾಂಪ್ಟ್ ಏಕೆಂದರೆ ಇದು "ಏನು" ಎಂಬುದರ ಬಗ್ಗೆ ವಿವರ ನೀಡುತ್ತದೆ ಮತ್ತು ವಿಶೇಷವಾಗಿ ವಿವರಿಸುತ್ತದೆ (ಸಾಮಾನ್ಯ ಕಾರು ಅಲ್ಲದೇ ವಿಶೇಷ make ಮತ್ತು ಮಾದರಿ) ಮತ್ತು ಇದು ಒಟ್ಟು ಸನ್ನಿವೇಶವನ್ನು ವರ್ಣಿಸುತ್ತದೆ. 3 ಎರಡನೇ ಉತ್ತಮ, ಏಕೆಂದರೆ ಅದು ಸಹ ವಿಸ್ತೃತ ವಿವರಣೆ ಹೊಂದಿದೆ.
"cue" ತಂತ್ರವನ್ನು "Show me an image of red car of make Volvo and " ಎಂಬ ಪ್ರಾಂಪ್ಟ್ ಮೂಲಕ ಪ್ರಯತ್ನಿಸಿ. ಅದು ಏನನ್ನು ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ, ಮತ್ತು ನೀವು ಅದನ್ನು ಹೇಗೆ ಸುಧಾರಿಸಬಹುದು?
ವಿಭಿನ್ನ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಸಂಕಲ್ಪಗಳ ಬಗ್ಗೆ ಮತ್ತಷ್ಟು ತಿಳಿದುಕೊಳ್ಳಲು ಬಯಸುತ್ತೀರಾ? ಈ ವಿಷಯದ ಕುರಿತ ಉತ್ತಮ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಹುಡುಕಲು ಮುಂದುವರಿದ ಕಲಿಕೆಯ ಪುಟಕ್ಕೆ ಹೋಗಿ.
ಪಾಠ 5ಕ್ಕೆ ಹೋಗಿ ಅಲ್ಲಿ ನಾವು ಅಧಿಕೃತ ಪ್ರಾಂಪ್ಟಿಂಗ್ ತಂತ್ರಗಳು ನೋಡೋಣ!
ಅಸ್ವೀಕಾರ: ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ Co-op Translator ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸಡ್ಡೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಮಾಣಿಕ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸುವ ಮೂಲಕ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳ ಬಗ್ಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.