یہ ماڈیول تخلیقی AI ماڈلز میں مؤثر پرامپٹس بنانے کے لیے ضروری تصورات اور تکنیکوں کا احاطہ کرتا ہے۔ جس طرح آپ LLM کو اپنا پرامپٹ لکھتے ہیں، وہ بھی اہمیت رکھتا ہے۔ ایک احتیاط سے تیار کردہ پرامپٹ بہتر معیار کے جواب حاصل کر سکتا ہے۔ لیکن پرامپٹ اور پرامپٹ انجینئرنگ جیسے اصطلاحات کا مطلب کیا ہے؟ اور میں LLM کو بھیجے جانے والے پرامپٹ ان پٹ کو کیسے بہتر بنا سکتا ہوں؟ یہ وہ سوالات ہیں جن کے جوابات ہم اس باب اور اگلے باب میں تلاش کریں گے۔
تخلیقی AI صارف کی درخواستوں کے جواب میں نیا مواد (جیسے متن، تصاویر، آڈیو، کوڈ وغیرہ) تخلیق کرنے کی صلاحیت رکھتا ہے۔ یہ بڑے زبان کے ماڈلز جیسے OpenAI کے GPT ("Generative Pre-trained Transformer") سیریز کا استعمال کرتے ہوئے حاصل کرتا ہے جو قدرتی زبان اور کوڈ کے استعمال کے لیے تربیت یافتہ ہیں۔
صارفین اب ان ماڈلز کے ساتھ چیٹ جیسے مانوس طریقوں کا استعمال کرتے ہوئے بات چیت کر سکتے ہیں، بغیر کسی تکنیکی مہارت یا تربیت کی ضرورت کے۔ ماڈلز پرامپٹ پر مبنی ہیں - صارفین ایک متن ان پٹ (پرامپٹ) بھیجتے ہیں اور AI جواب (تکمیل) واپس حاصل کرتے ہیں۔ وہ پھر "AI کے ساتھ چیٹ" کر سکتے ہیں، کثیر موڑ کی گفتگو میں، اپنے پرامپٹ کو اس وقت تک بہتر بنا سکتے ہیں جب تک کہ جواب ان کی توقعات سے میل نہ کھائے۔
"پرامپٹس" اب تخلیقی AI ایپس کے لیے بنیادی پروگرامنگ انٹرفیس بن گئے ہیں، ماڈلز کو بتاتے ہیں کہ کیا کرنا ہے اور واپس کیے گئے جوابات کے معیار کو متاثر کرتے ہیں۔ "پرامپٹ انجینئرنگ" مطالعہ کا ایک تیزی سے بڑھتا ہوا میدان ہے جو پرامپٹس کے ڈیزائن اور اصلاح پر توجہ مرکوز کرتا ہے تاکہ پیمانے پر مستقل اور معیاری جوابات فراہم کیے جا سکیں۔
اس سبق میں، ہم سیکھیں گے کہ پرامپٹ انجینئرنگ کیا ہے، یہ کیوں اہم ہے، اور ہم کسی دیے گئے ماڈل اور ایپلیکیشن کے مقصد کے لیے زیادہ مؤثر پرامپٹس کیسے بنا سکتے ہیں۔ ہم پرامپٹ انجینئرنگ کے بنیادی تصورات اور بہترین طریقوں کو سمجھیں گے - اور ایک انٹرایکٹو Jupyter Notebooks "sandbox" ماحول کے بارے میں جانیں گے جہاں ہم ان تصورات کو حقیقی مثالوں پر لاگو ہوتے دیکھ سکتے ہیں۔
اس سبق کے اختتام تک ہم قابل ہوں گے:
- وضاحت کریں کہ پرامپٹ انجینئرنگ کیا ہے اور یہ کیوں اہم ہے۔
- پرامپٹ کے اجزاء کی وضاحت کریں اور وہ کیسے استعمال ہوتے ہیں۔
- پرامپٹ انجینئرنگ کے بہترین طریقے اور تکنیک سیکھیں۔
- سیکھے گئے تکنیکوں کو حقیقی مثالوں پر لاگو کریں، OpenAI endpoint کا استعمال کرتے ہوئے۔
پرامپٹ انجینئرنگ: AI ماڈلز کو مطلوبہ نتائج پیدا کرنے کی طرف رہنمائی کرنے کے لیے ان پٹ کو ڈیزائن اور بہتر بنانے کا عمل۔ ٹوکینائزیشن: متن کو چھوٹے یونٹس میں تبدیل کرنے کا عمل، جنہیں ٹوکن کہا جاتا ہے، جنہیں ماڈل سمجھ اور پروسیس کر سکتا ہے۔ انسٹرکشن-ٹیونڈ LLMs: بڑے زبان کے ماڈلز (LLMs) جو مخصوص ہدایات کے ساتھ بہتر کیے گئے ہیں تاکہ ان کے جواب کی درستگی اور مطابقت کو بہتر بنایا جا سکے۔
پرامپٹ انجینئرنگ فی الحال سائنس سے زیادہ آرٹ ہے۔ اس کے لیے ہماری بصیرت کو بہتر بنانے کا بہترین طریقہ یہ ہے کہ زیادہ مشق کریں اور آزمائش اور غلطی کے طریقہ کار کو اپنائیں جو ایپلیکیشن ڈومین کی مہارت کو تجویز کردہ تکنیکوں اور ماڈل کے مخصوص اصلاحات کے ساتھ جوڑتا ہے۔
اس سبق کے ساتھ آنے والا Jupyter Notebook ایک sandbox ماحول فراہم کرتا ہے جہاں آپ جو کچھ سیکھتے ہیں اسے آزما سکتے ہیں - جیسے آپ جاتے ہیں یا آخر میں کوڈ چیلنج کے حصے کے طور پر۔ مشقوں کو انجام دینے کے لیے، آپ کو ضرورت ہوگی:
- Azure OpenAI API key - ایک تعینات LLM کے لیے سروس endpoint۔
- Python Runtime - جس میں Notebook کو چلایا جا سکتا ہے۔
- مقامی ماحول کے متغیرات - اب SETUP کے مراحل مکمل کریں تاکہ تیار ہو سکیں۔
Notebook starter مشقوں کے ساتھ آتا ہے - لیکن آپ کو اپنی Markdown (تفصیل) اور Code (پرامپٹ درخواستیں) سیکشنز شامل کرنے کی ترغیب دی جاتی ہے تاکہ مزید مثالیں یا خیالات آزما سکیں - اور پرامپٹ ڈیزائن کے لیے اپنی بصیرت بنائیں۔
کیا آپ اس سبق کے احاطہ کردہ بڑے موضوعات کو سمجھنا چاہتے ہیں اس سے پہلے کہ آپ گہرائی میں جائیں؟ اس تصویری گائیڈ کو دیکھیں، جو آپ کو ان اہم موضوعات کا احساس دیتا ہے جن کا احاطہ کیا گیا ہے اور ہر ایک میں سوچنے کے لیے اہم نکات۔ سبق کا روڈ میپ آپ کو بنیادی تصورات اور چیلنجز کو سمجھنے سے لے کر متعلقہ پرامپٹ انجینئرنگ تکنیکوں اور بہترین طریقوں کے ساتھ ان سے نمٹنے تک لے جاتا ہے۔ نوٹ کریں کہ اس گائیڈ میں "ایڈوانسڈ تکنیکیں" سیکشن اس نصاب کے اگلے باب میں شامل مواد کا حوالہ دیتا ہے۔
اب، آئیے بات کرتے ہیں کہ یہ موضوع ہمارے اسٹارٹ اپ مشن سے کیسے متعلق ہے تعلیم میں AI جدت لانے کے لیے۔ ہم ذاتی تعلیم کے AI سے چلنے والے ایپلیکیشنز بنانا چاہتے ہیں - تو آئیے سوچتے ہیں کہ ہمارے ایپلیکیشن کے مختلف صارفین پرامپٹس کو کیسے "ڈیزائن" کر سکتے ہیں:
- ایڈمنسٹریٹرز AI سے نصاب کے ڈیٹا کا تجزیہ کرنے کے لیے کہہ سکتے ہیں تاکہ کوریج میں خلا کی نشاندہی کی جا سکے۔ AI نتائج کا خلاصہ کر سکتا ہے یا انہیں کوڈ کے ساتھ بصری بنا سکتا ہے۔
- تعلیم دینے والے AI سے ایک ہدف کے سامعین اور موضوع کے لیے سبق کا منصوبہ تیار کرنے کے لیے کہہ سکتے ہیں۔ AI مخصوص فارمیٹ میں ذاتی منصوبہ بنا سکتا ہے۔
- طلباء AI سے مشکل مضمون میں ان کی رہنمائی کرنے کے لیے کہہ سکتے ہیں۔ AI اب طلباء کو ان کے سطح کے مطابق سبق، اشارے اور مثالوں کے ساتھ رہنمائی کر سکتا ہے۔
یہ تو صرف شروعات ہے۔ تعلیم کے لیے پرامپٹس کو دیکھیں - ایک اوپن سورس پرامپٹس لائبریری جو تعلیم کے ماہرین نے تیار کی ہے - امکانات کا وسیع تر احساس حاصل کرنے کے لیے! ان پرامپٹس کو سینڈ باکس میں یا OpenAI Playground میں چلانے کی کوشش کریں اور دیکھیں کیا ہوتا ہے!
ہم نے اس سبق کا آغاز پرامپٹ انجینئرنگ کو متن ان پٹ (پرامپٹس) کو ڈیزائن اور بہتر بنانے کے عمل کے طور پر بیان کرتے ہوئے کیا تاکہ دیے گئے ایپلیکیشن کے مقصد اور ماڈل کے لیے مستقل اور معیاری جوابات (تکمیل) فراہم کیے جا سکیں۔ ہم اسے ایک 2-مرحلہ عمل کے طور پر سوچ سکتے ہیں:
- دیے گئے ماڈل اور مقصد کے لیے ابتدائی پرامپٹ کو ڈیزائن کرنا
- جواب کے معیار کو بہتر بنانے کے لیے پرامپٹ کو بار بار بہتر بنانا
یہ لازمی طور پر ایک آزمائش اور غلطی کا عمل ہے جس کے لیے صارف کی بصیرت اور بہترین نتائج حاصل کرنے کی کوشش کی ضرورت ہوتی ہے۔ تو یہ کیوں اہم ہے؟ اس سوال کا جواب دینے کے لیے، ہمیں پہلے تین تصورات کو سمجھنے کی ضرورت ہے:
- ٹوکینائزیشن = ماڈل پرامپٹ کو کیسے "دیکھتا" ہے
- بیس LLMs = بنیاد ماڈل پرامپٹ کو کیسے "پروسیس" کرتا ہے
- انسٹرکشن-ٹیونڈ LLMs = ماڈل اب "کاموں" کو کیسے دیکھ سکتا ہے
ایک LLM پرامپٹس کو ٹوکنز کی ترتیب کے طور پر دیکھتا ہے جہاں مختلف ماڈلز (یا ماڈل کے ورژنز) ایک ہی پرامپٹ کو مختلف طریقوں سے ٹوکینائز کر سکتے ہیں۔ چونکہ LLMs ٹوکنز پر تربیت یافتہ ہیں (اور خام متن پر نہیں)، پرامپٹس کے ٹوکینائز ہونے کا طریقہ پیدا شدہ جواب کے معیار پر براہ راست اثر ڈالتا ہے۔
ٹوکینائزیشن کے کام کرنے کا اندازہ حاصل کرنے کے لیے، OpenAI Tokenizer جیسے ٹولز آزمائیں۔ اپنے پرامپٹ کو کاپی کریں - اور دیکھیں کہ وہ ٹوکنز میں کیسے تبدیل ہوتا ہے، اس بات پر توجہ دیتے ہوئے کہ سفید جگہ کے کردار اور اوقاف کے نشانات کو کیسے ہینڈل کیا جاتا ہے۔ نوٹ کریں کہ یہ مثال ایک پرانے LLM (GPT-3) کو دکھاتی ہے - لہذا اسے ایک نئے ماڈل کے ساتھ آزمانے سے مختلف نتیجہ پیدا ہو سکتا ہے۔
ایک بار جب پرامپٹ ٹوکینائز ہو جاتا ہے، "بیس LLM" (یا بنیاد ماڈل) کا بنیادی کام اس ترتیب میں ٹوکن کی پیش گوئی کرنا ہے۔ چونکہ LLMs بڑے متن کے ڈیٹا سیٹس پر تربیت یافتہ ہیں، انہیں ٹوکنز کے درمیان شماریاتی تعلقات کا اچھا احساس ہوتا ہے اور وہ اس پیش گوئی کو کچھ اعتماد کے ساتھ کر سکتے ہیں۔ نوٹ کریں کہ وہ پرامپٹ یا ٹوکن میں الفاظ کے معنی کو نہیں سمجھتے؛ وہ صرف ایک نمونہ دیکھتے ہیں جسے وہ اپنی اگلی پیش گوئی کے ساتھ "مکمل" کر سکتے ہیں۔ وہ صارف کی مداخلت یا کسی پہلے سے قائم شرط کے ذریعے ختم ہونے تک ترتیب کی پیش گوئی جاری رکھ سکتے ہیں۔
کیا آپ دیکھنا چاہتے ہیں کہ پرامپٹ پر مبنی تکمیل کیسے کام کرتی ہے؟ اوپر دیے گئے پرامپٹ کو Azure OpenAI Studio Chat Playground میں ڈیفالٹ سیٹنگز کے ساتھ درج کریں۔ سسٹم پرامپٹس کو معلومات کی درخواستوں کے طور پر برتنے کے لیے ترتیب دیا گیا ہے - لہذا آپ کو ایک تکمیل دیکھنی چاہیے جو اس سیاق و سباق کو پورا کرتی ہے۔
لیکن اگر صارف کچھ مخصوص دیکھنا چاہتا تھا جو کچھ معیار یا کام کے مقصد کو پورا کرتا ہو؟ یہ وہ جگہ ہے جہاں انسٹرکشن-ٹیونڈ LLMs تصویر میں آتے ہیں۔
ایک انسٹرکشن-ٹیونڈ LLM بنیاد ماڈل سے شروع ہوتا ہے اور اسے مثالوں یا ان پٹ/آؤٹ پٹ جوڑوں (جیسے، کثیر موڑ "پیغامات") کے ساتھ بہتر بناتا ہے جو واضح ہدایات پر مشتمل ہو سکتے ہیں - اور AI کی کوشش سے جواب اس ہدایت کی پیروی کرتا ہے۔
یہ تکنیکوں جیسے Reinforcement Learning with Human Feedback (RLHF) کا استعمال کرتا ہے جو ماڈل کو ہدایات پر عمل کرنے اور فیڈبیک سے سیکھنے کی تربیت دے سکتا ہے تاکہ یہ جوابات پیدا کرے جو عملی ایپلیکیشنز کے لیے زیادہ موزوں اور صارف کے مقاصد کے لیے زیادہ متعلقہ ہوں۔
آئیے اسے آزماتے ہیں - اوپر دیے گئے پرامپٹ پر دوبارہ جائیں، لیکن اب سسٹم میسج کو درج ذیل ہدایت کے طور پر سیاق و سباق فراہم کرنے کے لیے تبدیل کریں:
آپ کو فراہم کردہ مواد کو دوسرے درجے کے طالب علم کے لیے خلاصہ کریں۔ نتیجہ کو ایک پیراگراف میں 3-5 بلٹ پوائنٹس کے ساتھ رکھیں۔
دیکھیں کہ نتیجہ اب مطلوبہ مقصد اور فارمیٹ کو ظاہر کرنے کے لیے کیسے ٹیون کیا گیا ہے؟ ایک معلم اب اس جواب کو براہ راست اس کلاس کے لیے اپنی سلائیڈز میں استعمال کر سکتا ہے۔
اب جب کہ ہم جانتے ہیں کہ LLMs پرامپٹس کو کیسے پروسیس کرتے ہیں، آئیے بات کرتے ہیں کہ ہمیں پرامپٹ انجینئرنگ کی ضرورت کیوں ہے۔ جواب اس حقیقت میں ہے کہ موجودہ LLMs کئی چیلنجز پیش کرتے ہیں جو قابل اعتماد اور مستقل تکمیل کو حاصل کرنے کو زیادہ مشکل بناتے ہیں بغیر پرامپٹ کی تعمیر اور اصلاح میں کوشش ڈالے۔ مثال کے طور پر:
-
ماڈل کے جوابات اتفاقی ہیں۔ ایک ہی پرامپٹ ممکنہ طور پر مختلف ماڈلز یا ماڈل ورژنز کے ساتھ مختلف جوابات پیدا کرے گا۔ اور یہ ایک ہی ماڈل کے ساتھ مختلف اوقات میں بھی مختلف نتائج پیدا کر سکتا ہے۔ پرامپٹ انجینئرنگ تکنیکیں ہمیں ان تغیرات کو کم کرنے میں مدد کر سکتی ہیں بہتر گارڈریل فراہم کر کے۔
-
ماڈلز جوابات بنا سکتے ہیں۔ ماڈلز بڑے لیکن محدود ڈیٹا سیٹس کے ساتھ پہلے سے تربیت یافتہ ہیں، مطلب یہ ہے کہ ان کے پاس تربیت کے دائرہ کار سے باہر کے تصورات کے بارے میں علم کی کمی ہے۔ نتیجے کے طور پر، وہ تکمیل پیدا کر سکتے ہیں جو غلط، خیالی، یا معلوم حقائق کے ساتھ براہ راست متضاد ہوں۔ پرامپٹ انجینئرنگ تکنیکیں صارفین کو ایسی تخلیقات کی شناخت اور تخفیف میں مدد کرتی ہیں، جیسے AI سے حوالہ جات یا استدلال طلب کرنا۔
-
ماڈلز کی صلاحیتیں مختلف ہوں گی۔ نئے ماڈلز یا ماڈل جنریشنز میں زیادہ صلاحیتیں ہوں گی لیکن لاگت اور پیچیدگی میں منفرد خصوصیات اور سمجھوتے بھی لائیں گے۔ پرامپٹ انجینئرنگ ہمیں بہترین طریقے اور ورک فلو تیار کرنے میں مدد کر سکتی ہے جو اختلافات کو ختم کرتے ہیں اور ماڈل کے مخصوص تقاضوں کے مطابق پیمانے پر، ہموار طریقوں سے ڈھال لیتے ہیں۔
آئیے اسے OpenAI یا Azure OpenAI Playground میں عمل میں دیکھتے ہیں:
- مختلف LLM تعیناتیوں (جیسے، OpenAI، Azure OpenAI، Hugging Face) کے ساتھ ایک ہی پرامپٹ استعمال کریں - کیا آپ نے تغیرات دیکھے؟
- ایک ہی LLM تعیناتی (جیسے، Azure OpenAI Playground) کے ساتھ بار بار ایک ہی پرامپٹ استعمال کریں - یہ تغیرات کیسے مختلف تھے؟
اس کورس میں، ہم اصطلاح "تخلیق" کا استعمال کرتے ہیں تاکہ اس مظہر کا حوالہ دیا جا سکے جہاں LLMs کبھی کبھار حقیقتاً غلط معلومات پیدا کرتے ہیں تربیت میں ان کی حدود یا دیگر پابندیوں کی وجہ سے۔ آپ نے اسے مقبول مضامین یا تحقیقی مقالوں میں "ہیلوسینیشنز" کے طور پر بھی سنا ہو گا۔ تاہم، ہم "تخلیق" کو اصطلاح کے طور پر استعمال کرنے کی سختی سے سفارش کرتے ہیں تاکہ ہم انسانی جیسی خصوصیت کو مشین سے چلنے والے نتیجے سے منسوب کر کے رویے کو غلط طور پر انسانیت نہ دیں۔ یہ [ذمہ دار AI رہنما اصولوں ایک ویب تلاش نے مجھے دکھایا کہ مریخی جنگوں پر خیالی کہانیاں (جیسے ٹیلیویژن سیریز یا کتابیں) موجود ہیں - لیکن 2076 میں کوئی نہیں۔ عام فہم بھی ہمیں بتاتی ہے کہ 2076 مستقبل میں ہے اور اس لیے اسے کسی حقیقی واقعے سے منسلک نہیں کیا جا سکتا۔
تو کیا ہوتا ہے جب ہم یہ پرامپٹ مختلف LLM فراہم کنندگان کے ساتھ چلاتے ہیں؟
جواب 1: OpenAI Playground (GPT-35)
جواب 2: Azure OpenAI Playground (GPT-35)
جواب 3: Hugging Face Chat Playground (LLama-2)
جیسا کہ توقع کی گئی تھی، ہر ماڈل (یا ماڈل ورژن) مختلف جوابات پیدا کرتا ہے، جو اسٹاکاسٹک رویے اور ماڈل کی صلاحیتوں میں فرق کی وجہ سے ہوتا ہے۔ مثال کے طور پر، ایک ماڈل آٹھویں جماعت کے طلباء کو ہدف بناتا ہے جبکہ دوسرا ہائی اسکول کے طلباء کو مدنظر رکھتا ہے۔ لیکن تینوں ماڈلز نے ایسے جوابات دیے جو ایک غیر مطلع صارف کو قائل کر سکتے ہیں کہ یہ واقعہ حقیقی ہے۔
پرامپٹ انجینئرنگ کی تکنیکیں جیسے میٹا پرامپٹنگ اور ٹیمپریچر کنفیگریشن ماڈل کی غلط بیانی کو کسی حد تک کم کر سکتی ہیں۔ نئی پرامپٹ انجینئرنگ آرکیٹیکچرز بھی پرامپٹ فلو میں نئے ٹولز اور تکنیکوں کو بغیر کسی رکاوٹ کے شامل کرتے ہیں تاکہ ان اثرات کو کم یا ختم کیا جا سکے۔
آئیے اس سیکشن کو ختم کرتے ہیں اور دیکھتے ہیں کہ پرامپٹ انجینئرنگ حقیقی دنیا کے حل میں کیسے استعمال ہوتی ہے، ایک کیس اسٹڈی کے ذریعے: GitHub Copilot۔
GitHub Copilot آپ کا "AI جوڑی پروگرامر" ہے - یہ ٹیکسٹ پرامپٹس کو کوڈ کمپلیشنز میں تبدیل کرتا ہے اور آپ کے ترقیاتی ماحول (جیسے Visual Studio Code) میں بغیر کسی رکاوٹ کے صارف کے تجربے کے لیے ضم ہوتا ہے۔ جیسا کہ نیچے دی گئی بلاگز کی سیریز میں دستاویزی ہے، ابتدائی ورژن OpenAI Codex ماڈل پر مبنی تھا - انجینئرز نے جلد ہی ماڈل کو بہتر بنانے اور کوڈ کے معیار کو بہتر بنانے کے لیے بہتر پرامپٹ انجینئرنگ تکنیکوں کو تیار کرنے کی ضرورت کو محسوس کیا۔ جولائی میں، انہوں نے ایک بہتر AI ماڈل کا آغاز کیا جو Codex سے آگے جاتا ہے اور تیز تجاویز فراہم کرتا ہے۔
ان کی سیکھنے کی سفر کو فالو کرنے کے لیے پوسٹس کو ترتیب وار پڑھیں۔
- مئی 2023 | GitHub Copilot آپ کے کوڈ کو بہتر سمجھنے میں بہتر ہو رہا ہے
- مئی 2023 | GitHub کے اندر: GitHub Copilot کے پیچھے LLMs کے ساتھ کام کرنا.
- جون 2023 | GitHub Copilot کے لیے بہتر پرامپٹس کیسے لکھیں.
- جولائی 2023 | .. GitHub Copilot بہتر AI ماڈل کے ساتھ Codex سے آگے جاتا ہے
- جولائی 2023 | پرامپٹ انجینئرنگ اور LLMs کے لیے ایک ڈویلپر کی گائیڈ
- ستمبر 2023 | ایک انٹرپرائز LLM ایپ کیسے بنائیں: GitHub Copilot سے سبق
آپ ان کے انجینئرنگ بلاگ کو مزید پوسٹس کے لیے بھی براؤز کر سکتے ہیں جیسے یہ ایک جو دکھاتا ہے کہ یہ ماڈلز اور تکنیکیں حقیقی دنیا کی ایپلیکیشنز کو چلانے کے لیے کیسے لاگو کی جاتی ہیں۔
ہم نے دیکھا کہ پرامپٹ انجینئرنگ کیوں اہم ہے - اب آئیے سمجھتے ہیں کہ پرامپٹس کیسے تعمیر کیے جاتے ہیں تاکہ ہم زیادہ مؤثر پرامپٹ ڈیزائن کے لیے مختلف تکنیکوں کا جائزہ لے سکیں۔
آئیے بنیادی پرامپٹ سے شروع کرتے ہیں: ایک ٹیکسٹ ان پٹ جو ماڈل کو بغیر کسی دوسرے سیاق و سباق کے بھیجا جاتا ہے۔ یہاں ایک مثال ہے - جب ہم امریکی قومی ترانے کے پہلے چند الفاظ OpenAI Completion API کو بھیجتے ہیں، تو یہ فوری طور پر جواب کو اگلی چند لائنوں کے ساتھ مکمل کرتا ہے، جو بنیادی پیش گوئی کے رویے کو ظاہر کرتا ہے۔
| پرامپٹ (ان پٹ) | کمپلیشن (آؤٹ پٹ) |
|---|---|
| Oh say can you see | ایسا لگتا ہے کہ آپ "The Star-Spangled Banner"، جو کہ ریاستہائے متحدہ کا قومی ترانہ ہے، کے بول شروع کر رہے ہیں۔ مکمل بول ہیں ... |
اب آئیے اس بنیادی پرامپٹ میں سیاق و سباق اور ہدایات شامل کریں۔ Chat Completion API ہمیں ایک پیچیدہ پرامپٹ کو پیغامات کے مجموعے کے طور پر تعمیر کرنے کی اجازت دیتا ہے، جس میں:
- ان پٹ/آؤٹ پٹ جوڑے جو صارف ان پٹ اور اسسٹنٹ کے جواب کی عکاسی کرتے ہیں۔
- سسٹم پیغام جو اسسٹنٹ کے رویے یا شخصیت کے لیے سیاق و سباق ترتیب دیتا ہے۔
درخواست اب نیچے دی گئی شکل میں ہے، جہاں ٹوکینائزیشن مؤثر طریقے سے سیاق و سباق اور گفتگو سے متعلق معلومات کو حاصل کرتی ہے۔ اب، سسٹم سیاق و سباق کو تبدیل کرنا کمپلیشنز کے معیار پر اتنا ہی اثر انداز ہو سکتا ہے جتنا کہ فراہم کردہ صارف ان پٹ۔
response = openai.chat.completions.create(
model="gpt-3.5-turbo",
messages=[
{"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?"}
]
)اوپر دی گئی مثالوں میں، صارف کا پرامپٹ ایک سادہ ٹیکسٹ سوال تھا جسے معلومات کی درخواست کے طور پر سمجھا جا سکتا ہے۔ ہدایتی پرامپٹس کے ساتھ، ہم اس متن کو زیادہ تفصیل سے کام کی وضاحت کرنے کے لیے استعمال کر سکتے ہیں، AI کو بہتر رہنمائی فراہم کرتے ہوئے۔ یہاں ایک مثال ہے:
| پرامپٹ (ان پٹ) | کمپلیشن (آؤٹ پٹ) | ہدایتی قسم |
|---|---|---|
| سول وار کی وضاحت لکھیں | ایک سادہ پیراگراف واپس کیا گیا | سادہ |
| سول وار کی وضاحت لکھیں۔ اہم تاریخوں اور واقعات فراہم کریں اور ان کی اہمیت بیان کریں | ایک پیراگراف واپس کیا گیا جس کے بعد اہم واقعات کی تاریخوں کی فہرست دی گئی | پیچیدہ |
| سول وار کی وضاحت ایک پیراگراف میں لکھیں۔ اہم تاریخوں اور ان کی اہمیت کے ساتھ 3 بلٹ پوائنٹس فراہم کریں۔ مزید 3 بلٹ پوائنٹس اہم تاریخی شخصیات اور ان کی شراکت کے ساتھ فراہم کریں۔ آؤٹ پٹ کو JSON فائل کے طور پر واپس کریں | زیادہ تفصیلی معلومات ایک ٹیکسٹ باکس میں واپس کی گئیں، JSON کے طور پر فارمیٹ کی گئی جسے آپ ضرورت کے مطابق فائل میں کاپی پیسٹ کر سکتے ہیں | پیچیدہ۔ فارمیٹ شدہ۔ |
اوپر دی گئی مثالوں میں، پرامپٹ ابھی بھی کافی کھلا تھا، جس سے LLM کو فیصلہ کرنے کی اجازت دی گئی کہ اس کے پری ٹرینڈ ڈیٹاسیٹ کا کون سا حصہ متعلقہ ہے۔ بنیادی مواد ڈیزائن پیٹرن کے ساتھ، ان پٹ ٹیکسٹ کو دو حصوں میں تقسیم کیا جاتا ہے:
- ایک ہدایت (عمل)
- متعلقہ مواد (جو عمل کو متاثر کرتا ہے)
یہاں ایک مثال ہے جہاں ہدایت "اسے 2 جملوں میں خلاصہ کریں" ہے۔
| پرامپٹ (ان پٹ) | کمپلیشن (آؤٹ پٹ) |
|---|---|
| مشتری سورج سے پانچواں سیارہ اور نظام شمسی کا سب سے بڑا سیارہ ہے۔ یہ ایک گیس دیو ہے جس کا ماس سورج کے ایک ہزارویں حصے کے برابر ہے، لیکن نظام شمسی کے تمام دوسرے سیاروں کے مجموعے سے دو گنا زیادہ ہے۔ مشتری رات کے آسمان میں ننگی آنکھ سے نظر آنے والی سب سے روشن اشیاء میں سے ایک ہے، اور قدیم تہذیبوں کو ریکارڈ شدہ تاریخ سے پہلے سے معلوم ہے۔ اس کا نام رومن دیوتا مشتری کے نام پر رکھا گیا ہے۔[19] زمین سے دیکھنے پر، مشتری اتنا روشن ہو سکتا ہے کہ اس کی منعکس روشنی نظر آنے والے سائے ڈال سکتی ہے،[20] اور اوسطاً چاند اور زہرہ کے بعد رات کے آسمان میں تیسری سب سے روشن قدرتی شے ہے۔ اسے 2 مختصر جملوں میں خلاصہ کریں |
مشتری، سورج سے پانچواں سیارہ، نظام شمسی کا سب سے بڑا سیارہ ہے اور رات کے آسمان میں سب سے روشن اشیاء میں سے ایک کے طور پر جانا جاتا ہے۔ رومن دیوتا مشتری کے نام پر رکھا گیا، یہ ایک گیس دیو ہے جس کا ماس نظام شمسی کے تمام دوسرے سیاروں کے مجموعے سے دو گنا زیادہ ہے۔ |
بنیادی مواد کے حصے کو زیادہ مؤثر ہدایات دینے کے لیے مختلف طریقوں سے استعمال کیا جا سکتا ہے:
- مثالیں - ماڈل کو واضح ہدایت دینے کے بجائے، اسے کچھ مثالیں دیں کہ کیا کرنا ہے اور اسے پیٹرن کا اندازہ لگانے دیں۔
- اشارے - ہدایت کے بعد ایک "اشارہ" دیں جو کمپلیشن کو پرائم کرے، ماڈل کو زیادہ متعلقہ جوابات کی طرف رہنمائی کرے۔
- ٹیمپلیٹس - یہ پرامپٹس کے قابل تکرار 'ریسپی' ہیں جن میں پلیس ہولڈرز (متغیرات) ہوتے ہیں جنہیں مخصوص استعمال کے معاملات کے لیے ڈیٹا کے ساتھ حسب ضرورت بنایا جا سکتا ہے۔
آئیے ان کو عملی طور پر دیکھتے ہیں۔
یہ ایک ایسا طریقہ ہے جہاں آپ بنیادی مواد کو "ماڈل کو کھلانے" کے لیے استعمال کرتے ہیں، مطلوبہ آؤٹ پٹ کی کچھ مثالیں دیتے ہیں اور اسے مطلوبہ آؤٹ پٹ کے پیٹرن کا اندازہ لگانے دیتے ہیں۔ فراہم کردہ مثالوں کی تعداد کی بنیاد پر، ہمارے پاس زیرو شاٹ پرامپٹنگ، ون شاٹ پرامپٹنگ، فیو شاٹ پرامپٹنگ وغیرہ ہو سکتی ہے۔
پرامپٹ اب تین اجزاء پر مشتمل ہے:
- کام کی وضاحت
- مطلوبہ آؤٹ پٹ کی چند مثالیں
- ایک نئی مثال کا آغاز (جو ایک مضمر کام کی وضاحت بن جاتا ہے)
| سیکھنے کی قسم | پرامپٹ (ان پٹ) | کمپلیشن (آؤٹ پٹ) |
|---|---|---|
| زیرو شاٹ | "The Sun is Shining". اسپینش میں ترجمہ کریں | "El Sol está brillando". |
| ون شاٹ | "The Sun is Shining" => ""El Sol está brillando". "It's a Cold and Windy Day" => |
"Es un día frío y ventoso". |
| فیو شاٹ | The player ran the bases => Baseball The player hit an ace => Tennis The player hit a six => Cricket The player made a slam-dunk => |
Basketball |
نوٹ کریں کہ ہمیں زیرو شاٹ پرامپٹنگ میں واضح ہدایت ("اسپینش میں ترجمہ کریں") فراہم کرنی پڑی، لیکن یہ ون شاٹ پرامپٹنگ کی مثال میں اخذ کی گئی ہے۔ فیو شاٹ کی مثال دکھاتی ہے کہ مزید مثالیں شامل کرنے سے ماڈلز کو زیادہ درست اندازے لگانے میں مدد ملتی ہے، بغیر کسی اضافی ہدایات کے۔
بنیادی مواد کو استعمال کرنے کا ایک اور طریقہ اشارے فراہم کرنا ہے بجائے اس کے کہ مثالیں دی جائیں۔ اس صورت میں، ہم ماڈل کو مطلوبہ جواب کے فارمیٹ کی عکاسی کرنے والے ایک ٹکڑے کے ساتھ شروع کر کے صحیح سمت میں دھکیل رہے ہیں۔ ماڈل پھر "اشارہ لیتا ہے" اور اسی انداز میں جاری رکھتا ہے۔
| اشاروں کی تعداد | پرامپٹ (ان پٹ) | کمپلیشن (آؤٹ پٹ) |
|---|---|---|
| 0 | مشتری سورج سے پانچواں سیارہ اور نظام شمسی کا سب سے بڑا سیارہ ہے۔ یہ ایک گیس دیو ہے جس کا ماس سورج کے ایک ہزارویں حصے کے برابر ہے، لیکن نظام شمسی کے تمام دوسرے سیاروں کے مجموعے سے دو گنا زیادہ ہے۔ مشتری رات کے آسمان میں ننگی آنکھ سے نظر آنے والی سب سے روشن اشیاء میں سے ایک ہے، اور قدیم تہذیبوں کو ریکارڈ شدہ تاریخ سے پہلے سے معلوم ہے۔ اسے خلاصہ کریں |
مشتری نظام شمسی کا سب سے بڑا سیارہ ہے اور سورج سے پانچواں سیارہ ہے۔ یہ ایک گیس دیو ہے جس کا ماس سورج کے ایک ہزارویں حصے کے برابر ہے، لیکن یہ تمام دوسرے سیاروں کے مجموعے سے زیادہ بھاری ہے۔ قدیم تہذیبوں نے مشتری کو طویل عرصے سے جانا ہے، اور یہ رات کے آسمان میں آسانی سے نظر آتا ہے۔ |
| 1 | مشتری سورج سے پانچواں سیارہ ہے اور شمسی نظام میں سب سے بڑا ہے۔ یہ ایک گیس دیو ہے جس کا وزن سورج کے وزن کا ایک ہزارواں حصہ ہے، لیکن شمسی نظام کے تمام دوسرے سیاروں کے مجموعی وزن سے ڈھائی گنا زیادہ ہے۔ مشتری رات کے آسمان میں ننگی آنکھ سے نظر آنے والی سب سے روشن اشیاء میں سے ایک ہے، اور قدیم تہذیبوں کو اس کے بارے میں معلوم تھا جب تاریخ کو ریکارڈ نہیں کیا گیا تھا۔ خلاصہ کریں ہم نے یہ سیکھا کہ مشتری |
سورج سے پانچواں سیارہ ہے اور شمسی نظام میں سب سے بڑا ہے۔ یہ ایک گیس دیو ہے جس کا وزن سورج کے وزن کا ایک ہزارواں حصہ ہے، لیکن تمام دوسرے سیاروں کے مجموعی وزن سے ڈھائی گنا زیادہ ہے۔ یہ ننگی آنکھ سے آسانی سے نظر آتا ہے اور قدیم زمانے سے جانا جاتا ہے۔ |
| 2 | مشتری سورج سے پانچواں سیارہ ہے اور شمسی نظام میں سب سے بڑا ہے۔ یہ ایک گیس دیو ہے جس کا وزن سورج کے وزن کا ایک ہزارواں حصہ ہے، لیکن شمسی نظام کے تمام دوسرے سیاروں کے مجموعی وزن سے ڈھائی گنا زیادہ ہے۔ مشتری رات کے آسمان میں ننگی آنکھ سے نظر آنے والی سب سے روشن اشیاء میں سے ایک ہے، اور قدیم تہذیبوں کو اس کے بارے میں معلوم تھا جب تاریخ کو ریکارڈ نہیں کیا گیا تھا۔ خلاصہ کریں سیکھے گئے 3 اہم حقائق: |
1. مشتری سورج سے پانچواں سیارہ ہے اور شمسی نظام میں سب سے بڑا ہے۔ 2. یہ ایک گیس دیو ہے جس کا وزن سورج کے وزن کا ایک ہزارواں حصہ ہے... 3. مشتری قدیم زمانے سے ننگی آنکھ سے نظر آتا رہا ہے ... |
پرامپٹ ٹیمپلیٹ ایک پہلے سے طے شدہ نسخہ ہے جو پرامپٹ کے لیے محفوظ کیا جا سکتا ہے اور ضرورت کے مطابق دوبارہ استعمال کیا جا سکتا ہے، تاکہ بڑے پیمانے پر زیادہ مستقل صارف تجربات کو چلایا جا سکے۔ اس کی سب سے سادہ شکل میں، یہ صرف پرامپٹ مثالوں کا مجموعہ ہے جیسے یہ OpenAI کی مثال جو انٹرایکٹو پرامپٹ اجزاء (صارف اور سسٹم پیغامات) اور API سے چلنے والے درخواست فارمیٹ دونوں فراہم کرتی ہے - تاکہ دوبارہ استعمال کی حمایت کی جا سکے۔
اس کی زیادہ پیچیدہ شکل میں جیسے LangChain کی یہ مثال یہ پلیس ہولڈرز پر مشتمل ہے جنہیں مختلف ذرائع (صارف ان پٹ، سسٹم سیاق و سباق، بیرونی ڈیٹا ذرائع وغیرہ) سے ڈیٹا کے ساتھ تبدیل کیا جا سکتا ہے تاکہ پرامپٹ کو متحرک طور پر تیار کیا جا سکے۔ یہ ہمیں دوبارہ استعمال کے قابل پرامپٹس کی لائبریری بنانے کی اجازت دیتا ہے جو پروگراماتی طور پر بڑے پیمانے پر مستقل صارف تجربات کو چلانے کے لیے استعمال کی جا سکتی ہے۔
آخر میں، ٹیمپلیٹس کی اصل قدر پرامپٹ لائبریریاں بنانے اور شائع کرنے کی صلاحیت میں ہے مخصوص ایپلیکیشن ڈومینز کے لیے - جہاں پرامپٹ ٹیمپلیٹ اب ایپلیکیشن کے مخصوص سیاق و سباق یا مثالوں کو بہتر بناتا ہے جو جوابات کو ہدف شدہ صارفین کے لیے زیادہ متعلقہ اور درست بناتا ہے۔ Prompts For Edu ریپوزٹری اس نقطہ نظر کی ایک بہترین مثال ہے، جو تعلیم کے شعبے کے لیے پرامپٹس کی لائبریری کو اہم مقاصد جیسے سبق کی منصوبہ بندی، نصاب ڈیزائن، طلبہ کی رہنمائی وغیرہ پر زور دیتے ہوئے تیار کرتی ہے۔
اگر ہم پرامپٹ کی تعمیر کو ایک ہدایت (کام) اور ایک ہدف (بنیادی مواد) کے طور پر سوچیں، تو ثانوی مواد اضافی سیاق و سباق کی طرح ہے جو ہم فراہم کرتے ہیں تاکہ کسی طرح سے آؤٹ پٹ کو متاثر کریں۔ یہ ٹیوننگ پیرامیٹرز، فارمیٹنگ ہدایات، موضوع کی درجہ بندی وغیرہ ہو سکتا ہے جو ماڈل کو مطلوبہ صارف کے مقاصد یا توقعات کے مطابق جواب کو درست کرنے میں مدد دے سکتا ہے۔
مثال کے طور پر: ایک کورس کیٹلاگ دیا گیا جس میں تمام دستیاب کورسز کے نصاب میں وسیع میٹا ڈیٹا (نام، تفصیل، سطح، میٹا ڈیٹا ٹیگز، انسٹرکٹر وغیرہ) شامل ہے:
- ہم ایک ہدایت کی وضاحت کر سکتے ہیں "Fall 2023 کے لیے کورس کیٹلاگ کا خلاصہ کریں"
- ہم بنیادی مواد کو مطلوبہ آؤٹ پٹ کی چند مثالیں فراہم کرنے کے لیے استعمال کر سکتے ہیں
- ہم ثانوی مواد کو دلچسپی کے 5 "ٹیگز" کی شناخت کے لیے استعمال کر سکتے ہیں۔
اب، ماڈل چند مثالوں کے ذریعے دکھائے گئے فارمیٹ میں خلاصہ فراہم کر سکتا ہے - لیکن اگر کسی نتیجے میں متعدد ٹیگز ہوں، تو یہ ثانوی مواد میں شناخت کیے گئے 5 ٹیگز کو ترجیح دے سکتا ہے۔
اب جب کہ ہم جانتے ہیں کہ پرامپٹس کو تعمیر کیسے کیا جا سکتا ہے، ہم یہ سوچنا شروع کر سکتے ہیں کہ انہیں ڈیزائن کیسے کیا جائے تاکہ بہترین طریقوں کی عکاسی ہو۔ ہم اسے دو حصوں میں سوچ سکتے ہیں - صحیح ذہنیت رکھنا اور صحیح تکنیکیں لاگو کرنا۔
پرامپٹ انجینئرنگ ایک آزمائشی اور غلطی کا عمل ہے، لہذا تین وسیع رہنما عوامل کو ذہن میں رکھیں:
-
ڈومین کی سمجھ اہم ہے۔ جواب کی درستگی اور مطابقت اس ڈومین کا ایک فنکشن ہے جس میں وہ ایپلیکیشن یا صارف کام کرتا ہے۔ اپنی بصیرت اور ڈومین کی مہارت کو استعمال کریں تاکہ تکنیکوں کو مزید حسب ضرورت بنائیں۔ مثال کے طور پر، اپنے سسٹم پرامپٹس میں ڈومین مخصوص شخصیات کی وضاحت کریں، یا اپنے صارف پرامپٹس میں ڈومین مخصوص ٹیمپلیٹس استعمال کریں۔ ثانوی مواد فراہم کریں جو ڈومین مخصوص سیاق و سباق کی عکاسی کرتا ہو، یا ماڈل کو واقف استعمال کے نمونوں کی طرف رہنمائی کرنے کے لیے ڈومین مخصوص اشارے اور مثالیں استعمال کریں۔
-
ماڈل کی سمجھ اہم ہے۔ ہم جانتے ہیں کہ ماڈلز فطرتاً اتفاقی ہیں۔ لیکن ماڈل کے نفاذ اس ڈیٹا سیٹ کے لحاظ سے بھی مختلف ہو سکتے ہیں جو وہ استعمال کرتے ہیں (پہلے سے تربیت یافتہ علم)، وہ صلاحیتیں جو وہ فراہم کرتے ہیں (مثلاً، API یا SDK کے ذریعے) اور وہ مواد کی قسم جس کے لیے وہ بہتر بنائے گئے ہیں (مثلاً، کوڈ بمقابلہ تصاویر بمقابلہ متن)۔ آپ جو ماڈل استعمال کر رہے ہیں اس کی طاقتوں اور حدود کو سمجھیں، اور اس علم کو ترجیحات دینے والے کاموں یا حسب ضرورت ٹیمپلیٹس بنانے کے لیے استعمال کریں جو ماڈل کی صلاحیتوں کے لیے بہتر بنائے گئے ہیں۔
-
تکرار اور توثیق اہم ہے۔ ماڈلز تیزی سے ترقی کر رہے ہیں، اور پرامپٹ انجینئرنگ کی تکنیکیں بھی۔ ایک ڈومین ماہر کے طور پر، آپ کے پاس دیگر سیاق و سباق یا معیار ہو سکتا ہے جو آپ کی مخصوص ایپلیکیشن پر لاگو ہوتا ہے، جو وسیع تر کمیونٹی پر لاگو نہیں ہو سکتا۔ پرامپٹ انجینئرنگ ٹولز اور تکنیکوں کا استعمال کریں تاکہ پرامپٹ کی تعمیر کو "جمپ اسٹارٹ" کریں، پھر اپنے بصیرت اور ڈومین کی مہارت کا استعمال کرتے ہوئے نتائج کو دہرائیں اور توثیق کریں۔ اپنی بصیرت کو ریکارڈ کریں اور ایک علمی بنیاد (مثلاً، پرامپٹ لائبریریاں) بنائیں جو دوسروں کے لیے ایک نیا معیار کے طور پر استعمال کی جا سکتی ہے، مستقبل میں تیز تر تکرار کے لیے۔
اب آئیے عام بہترین طریقوں پر نظر ڈالیں جو OpenAI اور Azure OpenAI کے ماہرین کی طرف سے تجویز کیے گئے ہیں۔
| کیا | کیوں |
|---|---|
| تازہ ترین ماڈلز کا جائزہ لیں۔ | نئے ماڈل کی نسلیں ممکنہ طور پر بہتر خصوصیات اور معیار رکھتی ہیں - لیکن زیادہ اخراجات بھی ہو سکتے ہیں۔ ان کے اثرات کا جائزہ لیں، پھر منتقلی کے فیصلے کریں۔ |
| ہدایات اور سیاق و سباق کو الگ کریں | چیک کریں کہ آیا آپ کا ماڈل/فراہم کنندہ حدود کی وضاحت کرتا ہے تاکہ ہدایات، بنیادی اور ثانوی مواد کو زیادہ واضح طور پر الگ کیا جا سکے۔ یہ ماڈلز کو ٹوکنز کو زیادہ درست طریقے سے وزن دینے میں مدد دے سکتا ہے۔ |
| مخصوص اور واضح رہیں | مطلوبہ سیاق و سباق، نتیجہ، لمبائی، فارمیٹ، انداز وغیرہ کے بارے میں مزید تفصیلات دیں۔ یہ جوابات کے معیار اور مستقل مزاجی کو بہتر بنائے گا۔ نسخے کو دوبارہ استعمال کے قابل ٹیمپلیٹس میں محفوظ کریں۔ |
| وضاحتی بنیں، مثالیں استعمال کریں | ماڈلز "دکھائیں اور بتائیں" کے انداز میں بہتر جواب دے سکتے ہیں۔ زیرو شاٹ طریقہ سے شروع کریں جہاں آپ اسے ایک ہدایت دیتے ہیں (لیکن کوئی مثال نہیں) پھر فیو شاٹ کے طور پر بہتر کریں، مطلوبہ آؤٹ پٹ کی چند مثالیں فراہم کریں۔ تشبیہات استعمال کریں۔ |
| تکمیل کو شروع کرنے کے لیے اشارے استعمال کریں | مطلوبہ نتیجہ کی طرف اشارہ کریں، اسے کچھ ابتدائی الفاظ یا جملے دے کر جنہیں وہ جواب کے لیے نقطہ آغاز کے طور پر استعمال کر سکتا ہے۔ |
| دہرانا ضروری ہے | کبھی کبھی آپ کو ماڈل سے اپنی بات دہرانے کی ضرورت ہو سکتی ہے۔ بنیادی مواد سے پہلے اور بعد میں ہدایات دیں، ایک ہدایت اور ایک اشارہ استعمال کریں، وغیرہ۔ دہرائیں اور توثیق کریں کہ کیا کام کرتا ہے۔ |
| ترتیب اہم ہے | جس ترتیب میں آپ ماڈل کو معلومات پیش کرتے ہیں وہ آؤٹ پٹ کو متاثر کر سکتی ہے، یہاں تک کہ سیکھنے کی مثالوں میں، حالیہ تعصب کی وجہ سے۔ مختلف اختیارات آزمائیں کہ کیا بہترین کام کرتا ہے۔ |
| ماڈل کو "راستہ" دیں | ماڈل کو ایک بیک اپ تکمیل کا جواب دیں جو وہ کسی بھی وجہ سے کام مکمل نہ کر سکے تو فراہم کر سکتا ہے۔ یہ ماڈلز کے غلط یا من گھڑت جوابات پیدا کرنے کے امکانات کو کم کر سکتا ہے۔ |
کسی بھی بہترین طریقے کی طرح، یاد رکھیں کہ آپ کے نتائج مختلف ہو سکتے ہیں ماڈل، کام اور ڈومین کی بنیاد پر۔ انہیں ایک نقطہ آغاز کے طور پر استعمال کریں، اور یہ جاننے کے لیے دہرائیں کہ آپ کے لیے کیا بہترین کام کرتا ہے۔ جیسے جیسے نئے ماڈلز اور ٹولز دستیاب ہوتے ہیں، اپنے پرامپٹ انجینئرنگ کے عمل کا مسلسل جائزہ لیں، عمل کی توسیع پذیری اور جواب کے معیار پر توجہ مرکوز کرتے ہوئے۔
مبارک ہو! آپ سبق کے آخر تک پہنچ گئے! اب وقت ہے کہ ان تصورات اور تکنیکوں کو حقیقی مثالوں کے ساتھ آزمایا جائے!
ہمارے اسائنمنٹ کے لیے، ہم ایک Jupyter Notebook استعمال کریں گے جس میں آپ انٹرایکٹو طور پر مشقیں مکمل کر سکتے ہیں۔ آپ اپنے خیالات اور تکنیکوں کو خود دریافت کرنے کے لیے Notebook کو اپنے Markdown اور Code سیلز کے ساتھ بھی بڑھا سکتے ہیں۔
- (تجویز کردہ) GitHub Codespaces لانچ کریں
- (متبادل) ریپو کو اپنے مقامی ڈیوائس پر کلون کریں اور اسے Docker Desktop کے ساتھ استعمال کریں
- (متبادل) Notebook کو اپنے پسندیدہ Notebook رن ٹائم ماحول کے ساتھ کھولیں۔
- ریپو روٹ میں
.env.copyفائل کو.envمیں کاپی کریں اورAZURE_OPENAI_API_KEY,AZURE_OPENAI_ENDPOINTاورAZURE_OPENAI_DEPLOYMENTکی قدریں بھریں۔ Learning Sandbox سیکشن پر واپس آئیں تاکہ سیکھ سکیں۔
- رن ٹائم کرنل منتخب کریں۔ اگر آپ اختیارات 1 یا 2 استعمال کر رہے ہیں، تو بس ڈیولپمنٹ کنٹینر کے ذریعے فراہم کردہ ڈیفالٹ Python 3.10.x کرنل منتخب کریں۔
آپ مشقیں چلانے کے لیے تیار ہیں۔ نوٹ کریں کہ یہاں کوئی صحیح اور غلط جوابات نہیں ہیں - بس آزمائشی اور غلطی کے ذریعے اختیارات کو دریافت کرنا اور یہ سمجھنا کہ کسی دیے گئے ماڈل اور ایپلیکیشن ڈومین کے لیے کیا کام کرتا ہے۔
اسی وجہ سے اس سبق میں کوئی کوڈ حل کے حصے نہیں ہیں۔ اس کے بجائے، Notebook میں Markdown سیلز ہوں گے جن کا عنوان "My Solution:" ہوگا جو حوالہ کے لیے ایک مثال آؤٹپٹ دکھاتا ہے۔
مندرجہ ذیل میں سے کون سا پرامپٹ کچھ معقول بہترین طریقوں کے مطابق ہے؟
- مجھے ایک سرخ کار کی تصویر دکھائیں
- مجھے ایک سرخ کار کی تصویر دکھائیں جس کا میک Volvo اور ماڈل XC90 ہو، جو ایک چٹان کے کنارے پارک کی گئی ہو اور سورج غروب ہو رہا ہو
- مجھے ایک سرخ کار کی تصویر دکھائیں جس کا میک Volvo اور ماڈل XC90 ہو
A: 2، یہ بہترین پرامپٹ ہے کیونکہ یہ "کیا" پر تفصیلات فراہم کرتا ہے اور مخصوص چیزوں میں جاتا ہے (صرف کوئی کار نہیں بلکہ ایک مخصوص میک اور ماڈل) اور یہ مجموعی ترتیب کو بھی بیان کرتا ہے۔ 3 اگلا بہترین ہے کیونکہ اس میں بھی بہت سی وضاحت شامل ہے۔
دیکھیں کہ آپ "اشارہ" تکنیک کو پرامپٹ کے ساتھ کیسے استعمال کر سکتے ہیں: جملہ مکمل کریں "مجھے ایک سرخ کار کی تصویر دکھائیں جس کا میک Volvo اور "۔ یہ کیا جواب دیتا ہے، اور آپ اسے کیسے بہتر بنائیں گے؟
کیا آپ مختلف پرامپٹ انجینئرنگ تصورات کے بارے میں مزید سیکھنا چاہتے ہیں؟ جاری سیکھنے کے صفحے پر جائیں تاکہ اس موضوع پر دیگر بہترین وسائل تلاش کریں۔
سبق 5 پر جائیں جہاں ہم اعلی درجے کی پرامپٹنگ تکنیکوں کو دیکھیں گے!
ڈسکلیمر:
یہ دستاویز AI ترجمہ سروس Co-op Translator کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا غیر درستیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔