ਪਿਛਲੇ ਅਧਿਆਇ ਤੋਂ ਕੁਝ ਸਿੱਖਿਆਵਾਂ ਨੂੰ ਦੁਹਰਾਈਏ:
ਪ੍ਰੋੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਉਹ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜਿਸ ਦੁਆਰਾ ਅਸੀਂ ਮਾਡਲ ਨੂੰ ਵਧੇਰੇ ਸਬੰਧਤ ਜਵਾਬਾਂ ਵੱਲ ਦਿਸ਼ਾ ਦਿੰਦੇ ਹਾਂ ਜਦੋਂ ਅਸੀਂ ਵਧੇਰੇ ਉਪਯੋਗੀ ਹਦਾਇਤਾਂ ਜਾਂ ਸੰਦਰਭ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਾਂ।
ਪ੍ਰੋੰਪਟ ਲਿਖਣ ਦੇ ਦੋ ਕਦਮ ਵੀ ਹਨ: ਪ੍ਰੋੰਪਟ ਬਣਾਉਣਾ, ਸੰਦਰਭ ਪ੍ਰਦਾਨ ਕਰਕੇ, ਅਤੇ ਆਪਟੀਮਾਈਜ਼ੇਸ਼ਨ, ਪ੍ਰੋੰਪਟ ਨੂੰ ਕਿਵੇਂ ਧੀਰੇ-ਧੀਰੇ ਸੁਧਾਰਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਇਸ ਪੜਾਅ 'ਤੇ, ਸਾਨੂੰ ਪ੍ਰੋੰਪਟ ਲਿਖਣ ਦੇ ਬੁਨਿਆਦੀ ਸਮਝ ਹੈ, ਪਰ ਸਾਨੂੰ ਹੋਰ ਗਹਿਰਾਈ ਵਿੱਚ ਜਾਣ ਦੀ ਲੋੜ ਹੈ। ਇਸ ਅਧਿਆਇ ਵਿੱਚ, ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਪ੍ਰੋੰਪਟਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਤੋਂ ਲੈ ਕੇ ਇਹ ਸਮਝਣ ਤੱਕ ਜਾਓਗੇ ਕਿ ਇੱਕ ਪ੍ਰੋੰਪਟ ਦੂਜੇ ਨਾਲੋਂ ਕਿਉਂ ਵਧੀਆ ਹੈ। ਤੁਸੀਂ ਕੁਝ ਬੁਨਿਆਦੀ ਤਕਨੀਕਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹੋਏ ਪ੍ਰੋੰਪਟ ਬਣਾਉਣ ਦੇ ਤਰੀਕੇ ਸਿੱਖੋਗੇ ਜੋ ਕਿਸੇ ਵੀ LLM 'ਤੇ ਲਾਗੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
ਇਸ ਅਧਿਆਇ ਵਿੱਚ, ਅਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਵਿਸ਼ਿਆਂ ਨੂੰ ਕਵਰ ਕਰਾਂਗੇ:
- ਵੱਖ-ਵੱਖ ਤਕਨੀਕਾਂ ਨੂੰ ਆਪਣੇ ਪ੍ਰੋੰਪਟਾਂ 'ਤੇ ਲਾਗੂ ਕਰਕੇ ਪ੍ਰੋੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਦਾ ਗਿਆਨ ਵਧਾਓ।
- ਆਪਣੇ ਪ੍ਰੋੰਪਟਾਂ ਨੂੰ ਆਉਟਪੁੱਟ ਵਿੱਚ ਵੱਖ-ਵੱਖਤਾ ਲਿਆਉਣ ਲਈ ਸੰਰਚਿਤ ਕਰੋ।
ਇਹ ਪਾਠ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਤੁਸੀਂ ਇਹ ਕਰਨ ਦੇ ਯੋਗ ਹੋਵੋਗੇ:
- ਪ੍ਰੋੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਤਕਨੀਕਾਂ ਨੂੰ ਲਾਗੂ ਕਰੋ ਜੋ ਤੁਹਾਡੇ ਪ੍ਰੋੰਪਟਾਂ ਦੇ ਨਤੀਜੇ ਨੂੰ ਸੁਧਾਰਦੇ ਹਨ।
- ਪ੍ਰੋੰਪਟਿੰਗ ਕਰੋ ਜੋ ਵੱਖ-ਵੱਖ ਜਾਂ ਨਿਰਧਾਰਿਤ ਹੋਵੇ।
ਪ੍ਰੋੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਉਹ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜੋ ਇੱਛਿਤ ਨਤੀਜੇ ਪੈਦਾ ਕਰਨ ਵਾਲੇ ਪ੍ਰੋੰਪਟ ਬਣਾਉਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਪ੍ਰੋੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਸਿਰਫ ਇੱਕ ਟੈਕਸਟ ਪ੍ਰੋੰਪਟ ਲਿਖਣ ਤੋਂ ਕਾਫ਼ੀ ਵੱਧ ਹੈ। ਪ੍ਰੋੰਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਇੱਕ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿਭਾਗ ਨਹੀਂ ਹੈ, ਇਹ ਤਕਨੀਕਾਂ ਦਾ ਇੱਕ ਸੈੱਟ ਹੈ ਜੋ ਤੁਸੀਂ ਇੱਛਿਤ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹੋ।
ਆਓ ਇੱਕ ਬੁਨਿਆਦੀ ਪ੍ਰੋੰਪਟ ਲਵੋ ਜਿਵੇਂ ਕਿ ਇਹ:
ਭੂਗੋਲ 'ਤੇ 10 ਪ੍ਰਸ਼ਨ ਤਿਆਰ ਕਰੋ।
ਇਸ ਪ੍ਰੋੰਪਟ ਵਿੱਚ, ਤੁਸੀਂ ਵਾਸਤਵ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਪ੍ਰੋੰਪਟ ਤਕਨੀਕਾਂ ਦੇ ਇੱਕ ਸੈੱਟ ਨੂੰ ਲਾਗੂ ਕਰ ਰਹੇ ਹੋ।
ਆਓ ਇਸ ਨੂੰ ਤੋੜ ਕੇ ਵੇਖੀਏ।
- ਸੰਦਰਭ, ਤੁਸੀਂ ਨਿਰਧਾਰਤ ਕੀਤਾ ਕਿ ਇਹ "ਭੂਗੋਲ" ਬਾਰੇ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਆਉਟਪੁੱਟ ਨੂੰ ਸੀਮਿਤ ਕਰਨਾ, ਤੁਸੀਂ 10 ਤੋਂ ਵੱਧ ਪ੍ਰਸ਼ਨ ਨਹੀਂ ਚਾਹੁੰਦੇ।
ਤੁਹਾਨੂੰ ਇੱਛਿਤ ਨਤੀਜਾ ਮਿਲੇ ਜਾਂ ਨਾ ਮਿਲੇ। ਤੁਹਾਨੂੰ ਆਪਣੇ ਪ੍ਰਸ਼ਨ ਤਿਆਰ ਹੋਏ ਮਿਲ ਜਾਣਗੇ, ਪਰ ਭੂਗੋਲ ਇੱਕ ਵੱਡਾ ਵਿਸ਼ਾ ਹੈ ਅਤੇ ਤੁਹਾਨੂੰ ਜੋ ਚਾਹੀਦਾ ਹੈ ਉਹ ਨਹੀਂ ਮਿਲ ਸਕਦਾ ਹੇਠਾਂ ਦਿੱਤੇ ਕਾਰਨਾਂ ਕਰਕੇ:
- ਵੱਡਾ ਵਿਸ਼ਾ, ਤੁਹਾਨੂੰ ਨਹੀਂ ਪਤਾ ਕਿ ਇਹ ਦੇਸ਼ਾਂ, ਰਾਜਧਾਨੀਆਂ, ਦਰਿਆਵਾਂ ਆਦਿ ਬਾਰੇ ਹੋਵੇਗਾ।
- ਫਾਰਮੈਟ, ਜੇ ਤੁਸੀਂ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਪ੍ਰਸ਼ਨ ਕਿਸੇ ਵਿਸ਼ੇਸ਼ ਢੰਗ ਵਿੱਚ ਫਾਰਮੈਟ ਕੀਤੇ ਜਾਣ।
ਜਿਵੇਂ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ, ਪ੍ਰੋੰਪਟ ਬਣਾਉਣ ਸਮੇਂ ਬਹੁਤ ਕੁਝ ਵਿਚਾਰ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।
ਅਜੇ ਤੱਕ, ਅਸੀਂ ਇੱਕ ਸਧਾਰਨ ਪ੍ਰੋੰਪਟ ਉਦਾਹਰਨ ਦੇਖੀ ਹੈ, ਪਰ ਜਨਰੇਟਿਵ AI ਲੋਕਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਭੂਮਿਕਾਵਾਂ ਅਤੇ ਉਦਯੋਗਾਂ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਵੱਧ ਯੋਗ ਹੈ। ਆਓ ਅਗਲੇ ਕੁਝ ਬੁਨਿਆਦੀ ਤਕਨੀਕਾਂ ਦੀ ਖੋਜ ਕਰੀਏ।
ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਸਾਨੂੰ ਸਮਝਣ ਦੀ ਲੋੜ ਹੈ ਕਿ ਪ੍ਰੋੰਪਟਿੰਗ ਇੱਕ ਉਭਰਦੀ ਗੁਣਵੱਤਾ ਹੈ ਜੋ LLM ਦੀ ਹੈ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਹ ਮਾਡਲ ਵਿੱਚ ਬਣਾਈ ਗਈ ਵਿਸ਼ੇਸ਼ਤਾ ਨਹੀਂ ਹੈ ਪਰ ਇਹ ਕੁਝ ਹੈ ਜੋ ਅਸੀਂ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਖੋਜਦੇ ਹਾਂ।
ਕੁਝ ਬੁਨਿਆਦੀ ਤਕਨੀਕਾਂ ਹਨ ਜੋ ਅਸੀਂ LLM ਨੂੰ ਪ੍ਰੋੰਪਟ ਕਰਨ ਲਈ ਵਰਤ ਸਕਦੇ ਹਾਂ। ਆਓ ਉਨ੍ਹਾਂ ਦੀ ਖੋਜ ਕਰੀਏ।
- ਜ਼ੀਰੋ-ਸ਼ਾਟ ਪ੍ਰੋੰਪਟਿੰਗ, ਇਹ ਪ੍ਰੋੰਪਟਿੰਗ ਦਾ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਰੂਪ ਹੈ। ਇਹ ਇੱਕ ਸਿੰਗਲ ਪ੍ਰੋੰਪਟ ਹੈ ਜੋ ਸਿਰਫ਼ LLM ਦੇ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਜਵਾਬ ਦੀ ਬੇਨਤੀ ਕਰਦਾ ਹੈ।
- ਫਿਊ-ਸ਼ਾਟ ਪ੍ਰੋੰਪਟਿੰਗ, ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਪ੍ਰੋੰਪਟਿੰਗ LLM ਨੂੰ 1 ਜਾਂ ਵੱਧ ਉਦਾਹਰਨ ਪ੍ਰਦਾਨ ਕਰਕੇ ਦਿਸ਼ਾ ਦਿੰਦੀ ਹੈ ਜਿਸ 'ਤੇ ਇਹ ਆਪਣੇ ਜਵਾਬ ਨੂੰ ਪੈਦਾ ਕਰਨ ਲਈ ਨਿਰਭਰ ਕਰ ਸਕਦੀ ਹੈ।
- ਚੇਨ-ਆਫ-ਥੌਟ, ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਪ੍ਰੋੰਪਟਿੰਗ LLM ਨੂੰ ਦੱਸਦੀ ਹੈ ਕਿ ਸਮੱਸਿਆ ਨੂੰ ਕਦਮਾਂ ਵਿੱਚ ਕਿਵੇਂ ਤੋੜਨਾ ਹੈ।
- ਜਨਰੇਟ ਕੀਤੀ ਗਿਆਨ, ਪ੍ਰੋੰਪਟ ਦੇ ਜਵਾਬ ਨੂੰ ਸੁਧਾਰਨ ਲਈ, ਤੁਸੀਂ ਆਪਣੇ ਪ੍ਰੋੰਪਟ ਵਿੱਚ ਵਾਧੂ ਤੱਥ ਜਾਂ ਗਿਆਨ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹੋ।
- ਲੀਸਟ ਤੋਂ ਮੋਸਟ, ਚੇਨ-ਆਫ-ਥੌਟ ਵਾਂਗ, ਇਹ ਤਕਨੀਕ ਇੱਕ ਸਮੱਸਿਆ ਨੂੰ ਕਦਮਾਂ ਦੀ ਲੜੀ ਵਿੱਚ ਤੋੜਨ ਬਾਰੇ ਹੈ ਅਤੇ ਫਿਰ ਇਹ ਕਦਮ ਕ੍ਰਮ ਵਿੱਚ ਕਰਨ ਲਈ ਕਹਿੰਦੀ ਹੈ।
- ਸੈਲਫ-ਰਿਫਾਈਨ, ਇਹ ਤਕਨੀਕ LLM ਦੇ ਆਉਟਪੁੱਟ ਦੀ ਆਲੋਚਨਾ ਕਰਨ ਅਤੇ ਫਿਰ ਇਸ ਨੂੰ ਸੁਧਾਰਨ ਲਈ ਕਹਿਣ ਬਾਰੇ ਹੈ।
- ਮਾਇਯੂਟਿਕ ਪ੍ਰੋੰਪਟਿੰਗ। ਤੁਸੀਂ ਇੱਥੇ ਜੋ ਚਾਹੁੰਦੇ ਹੋ ਉਹ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੈ ਕਿ LLM ਦਾ ਜਵਾਬ ਸਹੀ ਹੈ ਅਤੇ ਤੁਸੀਂ ਇਸ ਨੂੰ ਜਵਾਬ ਦੇ ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਨੂੰ ਸਮਝਾਉਣ ਲਈ ਕਹਿੰਦੇ ਹੋ। ਇਹ ਸੈਲਫ-ਰਿਫਾਈਨ ਦਾ ਇੱਕ ਰੂਪ ਹੈ।
ਪ੍ਰੋੰਪਟਿੰਗ ਦੀ ਇਹ ਸ਼ੈਲੀ ਬਹੁਤ ਸਧਾਰਨ ਹੈ, ਇਹ ਇੱਕ ਸਿੰਗਲ ਪ੍ਰੋੰਪਟ 'ਤੇ ਮੁਸ਼ਤਮਿਲ ਹੈ। ਇਹ ਤਕਨੀਕ ਸ਼ਾਇਦ ਉਹ ਹੈ ਜੋ ਤੁਸੀਂ LLMs ਬਾਰੇ ਸਿੱਖਣ ਦੀ ਸ਼ੁਰੂਆਤ ਕਰਦੇ ਹੋ। ਇੱਥੇ ਇੱਕ ਉਦਾਹਰਨ ਹੈ:
- ਪ੍ਰੋੰਪਟ: "ਅਲਜਬਰਾ ਕੀ ਹੈ?"
- ਜਵਾਬ: "ਅਲਜਬਰਾ ਗਣਿਤ ਦਾ ਇੱਕ ਸ਼ਾਖਾ ਹੈ ਜੋ ਗਣਿਤਕ ਚਿੰਨ੍ਹਾਂ ਅਤੇ ਇਨ੍ਹਾਂ ਚਿੰਨ੍ਹਾਂ ਨੂੰ ਮੈਨਿਪੁਲੇਟ ਕਰਨ ਦੇ ਨਿਯਮਾਂ ਦਾ ਅਧਿਐਨ ਕਰਦੀ ਹੈ।"
ਪ੍ਰੋੰਪਟਿੰਗ ਦੀ ਇਹ ਸ਼ੈਲੀ ਮਾਡਲ ਦੀ ਮਦਦ ਕਰਦੀ ਹੈ ਜਦੋਂ ਬੇਨਤੀ ਦੇ ਨਾਲ ਕੁਝ ਉਦਾਹਰਨ ਪ੍ਰਦਾਨ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਇਹ ਇੱਕ ਸਿੰਗਲ ਪ੍ਰੋੰਪਟ 'ਤੇ ਮੁਸ਼ਤਮਿਲ ਹੈ ਜਿਸ ਵਿੱਚ ਵਾਧੂ ਟਾਸਕ-ਸਪੈਸਿਫਿਕ ਡੇਟਾ ਹੁੰਦਾ ਹੈ। ਇੱਥੇ ਇੱਕ ਉਦਾਹਰਨ ਹੈ:
- ਪ੍ਰੋੰਪਟ: "ਸ਼ੇਕਸਪੀਅਰ ਦੇ ਅੰਦਾਜ਼ ਵਿੱਚ ਇੱਕ ਕਵਿਤਾ ਲਿਖੋ। ਇੱਥੇ ਕੁਝ ਸ਼ੇਕਸਪੀਅਰੀ ਸਨੈਟ ਦੇ ਉਦਾਹਰਨ ਹਨ: ਸਨੈਟ 18: 'ਕੀ ਮੈਂ ਤੁਹਾਨੂੰ ਗਰਮੀ ਦੇ ਦਿਨ ਨਾਲ ਤੁਲਨਾ ਕਰਾਂ? ਤੁਸੀਂ ਹੋਰ ਸੁੰਦਰ ਅਤੇ ਹੋਰ ਸੰਤੁਲਿਤ ਹੋ...' ਸਨੈਟ 116: 'ਸੱਚੇ ਮਨਾਂ ਦੇ ਵਿਆਹ ਵਿੱਚ ਰੁਕਾਵਟਾਂ ਨੂੰ ਸਵੀਕਾਰ ਨਾ ਕਰੋ। ਪਿਆਰ ਪਿਆਰ ਨਹੀਂ ਹੈ ਜੋ ਬਦਲਣ 'ਤੇ ਬਦਲ ਜਾਂਦਾ ਹੈ...' ਸਨੈਟ 132: 'ਤੁਹਾਡੇ ਅੱਖਾਂ ਨੂੰ ਮੈਂ ਪਿਆਰ ਕਰਦਾ ਹਾਂ, ਅਤੇ ਉਹ, ਜਿਵੇਂ ਕਿ ਮੈਨੂੰ ਦਇਆ ਕਰਦੇ ਹਨ, ਤੁਹਾਡੇ ਦਿਲ ਨੂੰ ਤਰਸਦੇ ਹਨ...' ਹੁਣ, ਚੰਦ ਦੀ ਸੁੰਦਰਤਾ ਬਾਰੇ ਇੱਕ ਸਨੈਟ ਲਿਖੋ।"
- ਜਵਾਬ: "ਆਸਮਾਨ 'ਤੇ, ਚੰਦ ਹੌਲੀ ਹੌਲੀ ਚਮਕਦਾ ਹੈ, ਚਾਂਦੀ ਦੀ ਰੋਸ਼ਨੀ ਜੋ ਆਪਣੀ ਨਰਮ ਕਿਰਪਾ ਦਿੰਦੀ ਹੈ,..."
ਉਦਾਹਰਨਾਂ LLM ਨੂੰ ਸੰਦਰਭ, ਫਾਰਮੈਟ ਜਾਂ ਇੱਛਿਤ ਆਉਟਪੁੱਟ ਦੀ ਸ਼ੈਲੀ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ। ਇਹ ਮਾਡਲ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਟਾਸਕ ਨੂੰ ਸਮਝਣ ਅਤੇ ਵਧੇਰੇ ਸਹੀ ਅਤੇ ਸਬੰਧਤ ਜਵਾਬ ਪੈਦਾ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।
ਚੇਨ-ਆਫ-ਥੌਟ ਇੱਕ ਬਹੁਤ ਦਿਲਚਸਪ ਤਕਨੀਕ ਹੈ ਕਿਉਂਕਿ ਇਹ LLM ਨੂੰ ਕਦਮਾਂ ਦੀ ਲੜੀ ਦੇ ਰਾਹੀਂ ਲੈਣ ਬਾਰੇ ਹੈ। ਵਿਚਾਰ ਇਹ ਹੈ ਕਿ LLM ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਹਦਾਇਤ ਦਿੱਤੀ ਜਾਵੇ ਕਿ ਇਹ ਕੁਝ ਕਰਨ ਦਾ ਤਰੀਕਾ ਸਮਝ ਸਕੇ। ਹੇਠਾਂ ਦਿੱਤੇ ਉਦਾਹਰਨ 'ਤੇ ਵਿਚਾਰ ਕਰੋ, ਚੇਨ-ਆਫ-ਥੌਟ ਦੇ ਨਾਲ ਅਤੇ ਬਿਨਾਂ:
- ਪ੍ਰੋੰਪਟ: "ਐਲਿਸ ਕੋਲ 5 ਸੇਬ ਹਨ, 3 ਸੇਬ ਸੁੱਟ ਦਿੰਦੀ ਹੈ, 2 ਬੌਬ ਨੂੰ ਦੇ ਦਿੰਦੀ ਹੈ ਅਤੇ ਬੌਬ ਇੱਕ ਵਾਪਸ ਦਿੰਦਾ ਹੈ, ਐਲਿਸ ਕੋਲ ਕਿੰਨੇ ਸੇਬ ਹਨ?"
- ਜਵਾਬ: 5
LLM 5 ਨਾਲ ਜਵਾਬ ਦਿੰਦਾ ਹੈ, ਜੋ ਗਲਤ ਹੈ। ਸਹੀ ਜਵਾਬ 1 ਸੇਬ ਹੈ, ਦਿੱਤੇ ਗਏ ਹਿਸਾਬ (5 -3 -2 + 1 = 1) ਦੇ ਅਨੁਸਾਰ।
ਤਾਂ ਅਸੀਂ LLM ਨੂੰ ਇਹ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਕਿਵੇਂ ਸਿਖਾ ਸਕਦੇ ਹਾਂ?
ਆਓ ਚੇਨ-ਆਫ-ਥੌਟ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੀਏ। ਚੇਨ-ਆਫ-ਥੌਟ ਲਾਗੂ ਕਰਨ ਦਾ ਮਤਲਬ ਹੈ:
- LLM ਨੂੰ ਇੱਕ ਸਮਾਨ ਉਦਾਹਰਨ ਦਿਓ।
- ਹਿਸਾਬ ਦਿਖਾਓ, ਅਤੇ ਇਸ ਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਕਿਵੇਂ ਗਿਣਨਾ ਕਰਨੀ ਹੈ।
- ਅਸਲ ਪ੍ਰੋੰਪਟ ਪ੍ਰਦਾਨ ਕਰੋ।
ਇਹ ਹੈ ਕਿ ਕਿਵੇਂ:
- ਪ੍ਰੋੰਪਟ: "ਲੀਸਾ ਕੋਲ 7 ਸੇਬ ਹਨ, 1 ਸੇਬ ਸੁੱਟ ਦਿੰਦੀ ਹੈ, 4 ਸੇਬ ਬਾਰਟ ਨੂੰ ਦੇ ਦਿੰਦੀ ਹੈ ਅਤੇ ਬਾਰਟ ਇੱਕ ਵਾਪਸ ਦਿੰਦਾ ਹੈ:
7 -1 = 6
6 -4 = 2
2 +1 = 3
ਐਲਿਸ ਕੋ ਜਿਵੇਂ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ, ਨਤੀਜੇ ਬਹੁਤ ਵੱਖ-ਵੱਖ ਹਨ।
Note, ਕਿ ਹੋਰ ਪੈਰਾਮੀਟਰ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਸੀਂ ਨਤੀਜੇ ਨੂੰ ਵੱਖ-ਵੱਖ ਕਰਨ ਲਈ ਬਦਲ ਸਕਦੇ ਹੋ, ਜਿਵੇਂ top-k, top-p, repetition penalty, length penalty ਅਤੇ diversity penalty, ਪਰ ਇਹ ਇਸ ਪਾਠਕ੍ਰਮ ਦੇ ਦਾਇਰੇ ਤੋਂ ਬਾਹਰ ਹਨ।
ਕਈ ਅਭਿਆਸ ਹਨ ਜੋ ਤੁਸੀਂ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹੋ ਤਾਂ ਜੋ ਤੁਸੀਂ ਆਪਣੀ ਇੱਛਾ ਅਨੁਸਾਰ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰ ਸਕੋ। ਜਿਵੇਂ ਤੁਸੀਂ prompting ਨੂੰ ਵਧੇਰੇ ਵਰਤਦੇ ਹੋ, ਤੁਸੀਂ ਆਪਣਾ ਖੁਦ ਦਾ ਅੰਦਾਜ਼ ਵਿਕਸਿਤ ਕਰ ਲਵੋਗੇ।
ਜਿਨ੍ਹਾਂ ਤਕਨੀਕਾਂ ਨੂੰ ਅਸੀਂ ਕਵਰ ਕੀਤਾ ਹੈ, ਉਨ੍ਹਾਂ ਦੇ ਇਲਾਵਾ, ਕੁਝ ਚੰਗੇ ਅਭਿਆਸ ਹਨ ਜੋ LLM ਨੂੰ prompt ਕਰਨ ਵੇਲੇ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣੇ ਚਾਹੀਦੇ ਹਨ।
ਇੱਥੇ ਕੁਝ ਚੰਗੇ ਅਭਿਆਸ ਹਨ ਜੋ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣੇ ਚਾਹੀਦੇ ਹਨ:
- ਸੰਦੇਸ਼ ਦਾ ਸੰਦਰਭ ਦਿਓ। ਸੰਦਰਭ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਤੁਸੀਂ ਡੋਮੇਨ, ਵਿਸ਼ਾ ਆਦਿ ਵਰਗੇ ਸੰਦਰਭ ਦੱਸ ਸਕਦੇ ਹੋ, ਉਨਾ ਹੀ ਵਧੀਆ।
- ਨਤੀਜੇ ਦੀ ਸੀਮਾ ਰੱਖੋ। ਜੇ ਤੁਸੀਂ ਨਿਰਧਾਰਿਤ ਗਿਣਤੀ ਦੇ ਆਈਟਮ ਜਾਂ ਨਿਰਧਾਰਿਤ ਲੰਬਾਈ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਇਸਨੂੰ ਸਪਸ਼ਟ ਕਰੋ।
- ਕੀ ਅਤੇ ਕਿਵੇਂ ਦੱਸੋ। ਯਾਦ ਰੱਖੋ ਕਿ ਤੁਸੀਂ ਕੀ ਚਾਹੁੰਦੇ ਹੋ ਅਤੇ ਕਿਵੇਂ ਚਾਹੁੰਦੇ ਹੋ, ਦੋਵੇਂ ਦੱਸੋ, ਉਦਾਹਰਨ ਲਈ "Python Web API ਬਣਾਓ ਜਿਸ ਵਿੱਚ routes products ਅਤੇ customers ਹੋਣ, ਇਸਨੂੰ 3 ਫਾਈਲਾਂ ਵਿੱਚ ਵੰਡੋ"।
- ਟੈਂਪਲੇਟ ਵਰਤੋ। ਅਕਸਰ, ਤੁਸੀਂ ਆਪਣੇ ਕੰਪਨੀ ਦੇ ਡਾਟਾ ਨਾਲ ਆਪਣੇ prompts ਨੂੰ enrich ਕਰਨਾ ਚਾਹੋਗੇ। ਇਸ ਲਈ ਟੈਂਪਲੇਟ ਵਰਤੋ। ਟੈਂਪਲੇਟ ਵਿੱਚ variables ਹੋ ਸਕਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਸੀਂ ਅਸਲ ਡਾਟਾ ਨਾਲ ਬਦਲ ਸਕਦੇ ਹੋ।
- ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਲਿਖੋ। LLMs ਤੁਹਾਨੂੰ ਸਹੀ ਜਵਾਬ ਦੇ ਸਕਦੇ ਹਨ, ਪਰ ਜੇ ਤੁਸੀਂ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਲਿਖਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਵਧੀਆ ਜਵਾਬ ਮਿਲੇਗਾ।
ਇੱਥੇ Python ਵਿੱਚ ਇੱਕ ਸਧਾਰਨ API ਬਣਾਉਣ ਲਈ Flask ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਕੋਡ ਦਿੱਤਾ ਗਿਆ ਹੈ:
from flask import Flask, request
app = Flask(__name__)
@app.route('/')
def hello():
name = request.args.get('name', 'World')
return f'Hello, {name}!'
if __name__ == '__main__':
app.run()GitHub Copilot ਜਾਂ ChatGPT ਵਰਗੇ AI ਸਹਾਇਕ ਦੀ ਵਰਤੋਂ ਕਰੋ ਅਤੇ "self-refine" ਤਕਨੀਕ ਲਾਗੂ ਕਰਕੇ ਕੋਡ ਨੂੰ ਬਿਹਤਰ ਬਣਾਓ।
ਕਿਰਪਾ ਕਰਕੇ ਕੋਡ ਵਿੱਚ ਉਚਿਤ prompts ਸ਼ਾਮਲ ਕਰਕੇ ਅਸਾਈਨਮੈਂਟ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।
Tip
ਇੱਕ prompt ਨੂੰ phrase ਕਰੋ ਤਾਂ ਜੋ ਇਹ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਪੁੱਛੇ। ਇਹ ਚੰਗੀ ਵਿਚਾਰ ਹੈ ਕਿ ਬਿਹਤਰ ਬਣਾਉਣ ਦੀ ਗਿਣਤੀ ਸੀਮਿਤ ਕਰੋ। ਤੁਸੀਂ ਇਹ ਵੀ ਪੁੱਛ ਸਕਦੇ ਹੋ ਕਿ ਇਸਨੂੰ ਕਿਸੇ ਨਿਰਧਾਰਿਤ ਤਰੀਕੇ ਨਾਲ ਬਿਹਤਰ ਬਣਾਓ, ਉਦਾਹਰਨ ਲਈ architecture, performance, security ਆਦਿ।
ਮੈਂ chain-of-thought prompting ਕਿਉਂ ਵਰਤਾਂਗਾ? ਮੈਨੂੰ 1 ਸਹੀ ਜਵਾਬ ਅਤੇ 2 ਗਲਤ ਜਵਾਬ ਦਿਖਾਓ।
- LLM ਨੂੰ ਸਮੱਸਿਆ ਹੱਲ ਕਰਨ ਦਾ ਤਰੀਕਾ ਸਿਖਾਉਣ ਲਈ।
- B, LLM ਨੂੰ ਕੋਡ ਵਿੱਚ ਗਲਤੀਆਂ ਲੱਭਣ ਲਈ ਸਿਖਾਉਣ ਲਈ।
- C, LLM ਨੂੰ ਵੱਖ-ਵੱਖ ਹੱਲ ਲੱਭਣ ਲਈ ਨਿਰਦੇਸ਼ ਦੇਣ ਲਈ।
A: 1, ਕਿਉਂਕਿ chain-of-thought ਦਾ ਮਕਸਦ LLM ਨੂੰ ਸਮੱਸਿਆ ਹੱਲ ਕਰਨ ਦਾ ਤਰੀਕਾ ਦਿਖਾਉਣਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਕਦਮ-ਦਰ-ਕਦਮ ਸਿਖਾਉਣਾ ਅਤੇ ਸਮਾਨ ਸਮੱਸਿਆਵਾਂ ਅਤੇ ਉਹਨਾਂ ਦੇ ਹੱਲ ਦਿਖਾਉਣਾ।
ਤੁਸੀਂ ਅਸਾਈਨਮੈਂਟ ਵਿੱਚ self-refine ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਕੋਈ ਵੀ ਪ੍ਰੋਗਰਾਮ ਜੋ ਤੁਸੀਂ ਬਣਾਇਆ ਹੈ, ਉਸਨੂੰ ਲਓ ਅਤੇ ਸੋਚੋ ਕਿ ਤੁਸੀਂ ਇਸ ਵਿੱਚ ਕਿਹੜੀਆਂ ਸੁਧਾਰ ਲਾਗੂ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ। ਹੁਣ self-refine ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਸਤਾਵਿਤ ਬਦਲਾਅ ਲਾਗੂ ਕਰੋ। ਤੁਹਾਨੂੰ ਨਤੀਜਾ ਕਿਵੇਂ ਲੱਗਿਆ, ਬਿਹਤਰ ਜਾਂ ਖਰਾਬ?
ਇਹ ਪਾਠ ਪੂਰਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਆਪਣਾ Generative AI ਗਿਆਨ ਵਧਾਉਣ ਲਈ ਸਾਡੇ Generative AI Learning collection ਨੂੰ ਚੈੱਕ ਕਰੋ!
Lesson 6 ਵੱਲ ਜਾਓ ਜਿੱਥੇ ਅਸੀਂ Prompt Engineering ਦੇ ਆਪਣੇ ਗਿਆਨ ਨੂੰ ਲਾਗੂ ਕਰਕੇ text generation apps ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਾਂਗੇ।
ਅਸਵੀਕਰਤਾ:
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁੱਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।