ಈ මොඩ್ಯೂಲ್ ಜನರೇಟಿವ್ AI ಮಾದರಿಗಳಲ್ಲಿ ಪರಿಣಾಮಕಾರಿ ಪ್ರಾಂಪ್ಟ್ ಗಳ ರಚನೆಗೆ ಅಗತ್ಯವಾಗಿರುವ ಮೂಲ ತತ್ವಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ನೀವು LLM ಗೆ ಪ್ರಾಂಪ್ಟ್ ಬರೆಯುವ ರೀತಿಯೂ ಕೂಡ ಮಹತ್ವದಾಗಿದೆ. ಜಾಗರೂಕವಾಗಿ ರೂಪುಗೊಂಡ ಪ್ರಾಂಪ್ಟ್ ಉತ್ತಮ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸಾಧಿಸಬಹುದು. ಆದರೆ ಪ್ರಾಂಪ್ಟ್ ಮತ್ತು ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಎಂಬ ಪದಗಳು ಅರ್ಥವೇನು? ಮತ್ತು ನಾನು LLM ಗೆ ಕಳುಹಿಸುವ ಪ್ರಾಂಪ್ಟ್ ಇನ್ಪುಟ್ ಅನ್ನು ಹೇಗೆ ಸುಧಾರಿಸಬಹುದು? ಈ ಅಧ್ಯಾಯ ಮತ್ತು ಮುಂದಿನ ಅಧ್ಯಾಯದಲ್ಲಿ ನಾವು ಈ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರ ಹುಡುಕುತ್ತೇವೆ.
ಜನರೇಟಿವ್ AI ಬಳಕೆದಾರರ ವಿನಂತಿಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುವಂತೆ ಹೊಸ ವಿಷಯಗಳನ್ನು (ಉದಾಹರಣೆಗೆ, ಪಠ್ಯ, ಚಿತ್ರಗಳು, ಧ್ವನಿ, ಕೋಡ್ ಇತ್ಯಾದಿ) ಸೃಷ್ಟಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ. ಇದು OpenAI ಯ GPT ("ಜನರೇಟಿವ್ ಪ್ರಿ-ಟ್ರೇಂಡ್ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್") ಸರಣಿಯಂತೆ ಬಹುಭಾಷಾ ಮತ್ತೊಂದು ಮಾದರಿಗಳನ್ನು ಬಳಸುವ ಮೂಲಕ ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ಬಳಕೆದಾರರು ಈಗ ಯಾವುದೇ ತಂತ್ರಜ್ಞಾನ ಜ್ಞಾನ ಅಥವಾ ತರಬೇತಿ ಬೇಕು ಇಲ್ಲದೆ, ಚಾಟ್ ಮೊದಲಾದ ಸಾನ್ನಿಧ್ಯ ವಿಧಾನಗಳನ್ನು ಉಪಯೋಗಿಸಿ ಈ ಮಾದರಿಗಳೊಂದಿಗೆ ಸಂವಹನ ಮಾಡಬಹುದು. ಮಾದರಿಗಳು ಪ್ರಾಂಪ್ಟ್ ಆಧಾರಿತ ಆಗಿವೆ - ಬಳಕೆದಾರರು ಪಠ್ಯ ಇನ್ಪುಟ್ (ಪ್ರಾಂಪ್ಟ್) ಕಳುಹಿಸಿ AI ಪ್ರತಿಕ್ರಿಯೆ (ಪೂರ್ಣತೆ) ಪಡೆಯುತ್ತಾರೆ. ಅವುಗಳು ನಂತರ "AI ಜೊತೆಗೆ ಚಾಟ್" ಮಾಡುವ ಮೂಲಕ, ಬಹುಮುಖ ಸಂವಾದಗಳಲ್ಲಿ ತಮ್ಮ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಮರುಪರಿಷ್ಕರಿಸಿ ಪ್ರತಿಕ್ರಿಯೆ ಅವರ ನಿರೀಕ್ಷೆಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವವರೆಗೆ ಮುಂದುವರಿಯಬಹುದು.
"ಪ್ರಾಂಪ್ಟ್ಗಳು" ಈಗ ಜನರೇಟಿವ್ AI ಆ್ಯಪ್ಗಳಿಗೆ ಮುಖ್ಯ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಇಂಟರ್ಫೇಸ್ ಆಗಿದ್ದು, ಮಾದರಿಗಳಿಗೆ ಏನು ಮಾಡಲು ಹೇಳಿ ಮತ್ತು ಮರಳಿ ಬರುವ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಗುಣಮಟ್ಟವನ್ನು ಪ್ರಭಾವಿತ ಮಾಡುತ್ತದೆ. "ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್" ಹೃದ್ಯವಾಗಿ ಬೆಳೆದಿರುವ ಅಧ್ಯಯನ ಕ್ಷೇತ್ರವಾಗಿದ್ದು ಪ್ರಾಂಪ್ಟ್ಗಳ ರಚನೆ ಮತ್ತು ಅತ್ಯುತ್ತಮೀಕರಣ ಮೇಲೆ ಗಮನ ಹರಿಸುತ್ತದೆ, ಜೊತೆಗೆ ಸಾಂದರ್ಭಿಕವಾಗಿ ಶ್ರೇಣೀಕೃತ ಗುಣಮಟ್ಟದ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
ಈ ಪಾಠದಲ್ಲಿ, ನಾವು ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಎಂದರೇನು, ಅದು ಏಕೆ ಮುಖ್ಯ, ಮತ್ತು ಉಪಯುಕ್ತ ಮಾದರಿಗೂ ಅಪ್ಲಿಕೇಶನ್ ಉದ್ದೇಶಕ್ಕೂ ಸೂಕ್ತವಾದ ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನು ಹೇಗೆ ರಚಿಸುವುದು ಎಂಬುದನ್ನು ತಿಳಿಯುತ್ತೇವೆ. ನಾವು ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ನ ಮೂಲ ತತ್ವಗಳು ಮತ್ತು ಉತ್ತಮ ಪಂಗಡಗಳನ್ನು ತಿಳಿದುಕೊಳ್ಳುವವರೆಗೂ - ಮತ್ತು ಪರಸ್ಪರ ಕ್ರಿಯಾಶೀಲ Jupyter ನೋಟ್ಬುಕ್ಗಳ "Sandbox" ಪರಿಸರವನ್ನು ನೋಡುತ್ತೇವೆ, ಇದರಲ್ಲಿ ನಾವು ಈ ತತ್ವಗಳನ್ನು ನಿಜವಾದ ಉದಾಹರಣೆಗಳಿಗೆ ಅನ್ವಯಿಸುವುದನ್ನು ಕಾಣಬಹುದು.
ಈ ಪಾಠದ ಅಂತ್ಯಕ್ಕೆ ನಾವು ಮಾಡಲು ಸಾದ್ಯವಾಗುವುದು:
- ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಎಂದರೇನು ಮತ್ತು ಅದು ಏಕೆ ಮುಖ್ಯ ಎಂದು ವಿವರಿಸಲು.
- ಪ್ರಾಂಪ್ಟ್ನ ಸಂರಚನೆ ಹಾಗೂ ಅವುಗಳ ಉಪಯೋಗವನ್ನು ವರ್ಣಿಸಲು.
- ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ಗೆ ಉತ್ತಮ ವಿಧಾನಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ಕಲಿಯಲು.
- ಕಲಿತ ತಂತ್ರಗಳನ್ನು ನಿಜವಾದ ಉದಾಹರಣೆಗಳಿಗೆ OpenAI ಎಂಡ್ಪಾಯಿಂಟ್ ಬಳಸಿ ಅನ್ವಯಿಸಲು.
ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್: AI ಮಾದರಿಗಳು ಬಯಸಿದ ಔಟ್ಪುಟ್ಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ದಿಕ್ಕು ಸೂಚಿಸುವ ಮತ್ತು ಸುಧಾರಿಸುವ ಇನ್ಪುಟ್ಗಳನ್ನು ರೂಪಿಸುವ ಅಭ್ಯಾಸ.
ಟೋಕನೈಜೆಷನ್: ಪಠ್ಯವನ್ನು ಸರಳ ಘಟಕಗಳಾಗಿ (ಟೋಕನ್ಗಳಾಗಿ) ಪರಿವರ್ತಿಸುವ ಪ್ರಕ್ರಿಯೆ, ಇದನ್ನು ಮಾದರಿ ಆಗಗಲೇ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು.
ನಿರ್ದೇಶನ-ಟ್ಯೂನ್ಡ್ LLMಗಳು: ಸ್ಪಷ್ಟ ನಿರ್ದೇಶನಗಳೊಂದಿಗೆ ಉತ್ತಮ ಪ್ರತ್ಯುತ್ತರದ ಖಚಿತತೆ ಮತ್ತು ಸಾದೃಶ್ಯಕ್ಕಾಗಿ ವಿಶೇಷವಾಗಿ ಟ್ಯೂನಿಂಗ್ ಮಾಡಿದ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು.
ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಪ್ರಸ್ತುತ ಶಾಸ್ತ್ರಕ್ಕಿಂತ ಕಲೆಯಂತಾಗಿದೆ. ಅದರ ಬಗ್ಗೆ ನಮ್ಮ ಅಂತರ್ನಿಹಿತ ಮನೋಭಾವವನ್ನು ಸುಧಾರಿಸುವ ಅತ್ಯುತ್ತಮ ವಿಧಾನ ಅತಿಕ್ರಮಣ ಮತ್ತು ದೋಷಪೂರಣೆಯ ಪ್ರಯೋಗವಾಗಿದೆ, ಅದು ಅನ್ವಯ ಕ್ಷೇತ್ರ ಪರಿಣತಿಯನ್ನು ಶಿಫಾರಸು ಮಾಡಿದ ತಂತ್ರಗಳಿಂದ ಮತ್ತು ಮಾದರಿ-ನಿರ್ದಿಷ್ಟ ಅತ್ಯುತ್ತಮೀಕರಣಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ.
ಈ ಪಾಠದ ಜೊತೆಗೆ ನೀಡಲಾದ Jupyter ನೋಟ್ಬುಕ್ "Sandbox" ಪರಿಸರವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಇಲ್ಲಿ ನೀವು ಕಲಿತದ್ದನ್ನು ಪ್ರಯೋಗಿಸಬಹುದು - ನೀವು ಹೋಗುತ್ತಾ ಅಥವಾ ಪಾಠದ ಕೊನೆಯಲ್ಲಿ ಇರುವ ಕೋಡ್ ಸವಾಲಿನ ಭಾಗವಾಗಿ. ವ್ಯಾಯಾಮಗಳನ್ನು ನಡಿಸಲು ಅವಶ್ಯವಾಗಿರುವವು:
- ಒಂದು Azure OpenAI API ಕೀ - ಬಾಹು-ಪ್ರಯೋಗಿಸಲಾದ LLMಗೆ ಸರ್ವೀಸ್ ಎಂಡ್ಪಾಯಿಂಟ್.
- Python ರನ್ನಟೈಮ್ - ಯಲ್ಲಿ ನೋಟ್ಬುಕ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದಾಗಿದೆ.
- ಸ್ಥಳೀಯ ಸುತ್ತು ಬದಲಾವಣೆಗಳು - ಈಗಲೇ SETUP ಹಂತಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿ ಸಿದ್ಧರಾಗಿ.
ನೋಟ್ಬುಕ್ವು ಪ್ರಾರಂಭಿಕ ವ್ಯಾಯಾಮಗಳನ್ನು ಒಳಗೊಂಡಿದೆ - ಆದರೆ ನಿಮ್ಮ ಸ್ವಂತ Markdown (ವಿವರಣೆ) ಮತ್ತು Code (ಪ್ರಾಂಪ್ಟ್ ವಿನಂತಿಗಳು) ವಿಭಾಗಗಳನ್ನು ಸೇರಿಸುವುದಕ್ಕೆ ಪ್ರೇರೇಪಿಸಲಾಗುತ್ತದೆ - ಹೆಚ್ಚು ಉದಾಹರಣೆಗಳು ಅಥವಾ ಇಡಿಯಾಸ್ ಪ್ರಯತ್ನಿಸಿ ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್ ವಿನ್ಯಾಸದ ಅಂತರ್ನಿಹಿತತೆಯನ್ನು ಬೆಳೆಸಲು.
ಈ ಪಾಠವು ಏನು ಒಳಗೊಂಡಿದೆ ಎಂಬುದರ ಒಟ್ಟು ದೃಶ್ಯವನ್ನು ಪಡೆಯಲು ಬಯಸುವಿರಾ? ಈ ಚಿತ್ರಣಾತ್ಮಕ ಮಾರ್ಗದರ್ಶನವನ್ನು ಪರಿಶೀಲಿಸಿ, ಇದು ಮುಖ್ಯ ವಿಷಯಗಳ ಸುತ್ತಲೂ ನಿಮಗೆ ಖಚಿತ ಮನೋಭಾವವನ್ನು ನೀಡಲು ಮತ್ತು ಪ್ರತಿಯೊಂದು ವಿಷಯದ ಪ್ರಮುಖ ಅಂಶಗಳನ್ನು ಚಿಂತಿಸಲು ಸಹಾಯಮಾಡುತ್ತದೆ. ಈ ಪಾಠದ ರಸ್ತೆ ನಕ್ಷೆ ಕ್ರಿಯಾತ್ಮಕ ತತ್ವಗಳನ್ನು ಮತ್ತು ಸವಾಲುಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡು ಹಿನ್ನೆಲೆಯಲ್ಲಿ ಸಂಬಂಧಪಟ್ಟ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ತಂತ್ರಗಳು ಮತ್ತು ಉತ್ತಮ ಕ್ರಮಗಳನ್ನು ಉಪಯೋಗಿಸುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ. ಗಮನಿಸಿ, ಈ ಮಾರ್ಗದರ್ಶನದಲ್ಲಿನ "ಅಧಿಕೃತ ತಂತ್ರಗಳು" ಭಾಗವು ಈ ಪಠ್ಯದ ಮುಂದಿನ ಅಧ್ಯಾಯದ ವಿಷಯಸೂಚಿ.
ಇದೀಗ, ಈ ವಿಷಯ ನಮ್ಮ ಸ್ಟಾರ್ಟ್ಅಪ್ ಗುರಿಯೊಂದಿಗೆ ಶಿಕ್ಷಣದಲ್ಲಿ AI ನವೀನತೆಯನ್ನು ತರಲು ಹೇಗೆ ತಾಳಮೇಳ ಹೊಂದುತ್ತದೆ ಎಂಬುದನ್ನು ಚರ್ಚಿಸೋಣ. ನಾವು ವೈಯಕ್ತಿಕೀಕೃತ ಕಲಿಕೆಗೆ ಆಗುವ AI ಚಾಲಿತ ಆ್ಯಪ್ಗಳ ನಿರ್ಮಾಣ ಮಾಡಲು ಬಯಸುತ್ತೇವೆ - ಆದ್ದರಿಂದ ನಮ್ಮ ಅಪ್ಲಿಕೇಶನ್ ವಿವಿಧ ಬಳಕೆದಾರರು ಹೇಗೆ ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನು "ಡಿಸೈನ್" ಮಾಡಬಹುದು ಎಂದು ಯೋಚಿಸೋಣ:
- ನಿರ್ವಹಕರು AI ಅನ್ನು ಪಾಠ್ಯಕ್ರಮದ ಮಾಹಿತಿಯನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಕುಸುಮಿತತೆಗಳನ್ನು ಗುರುತಿಸಲು ಕೇಳಬಹುದು. AI ಫಲಿತಾಂಶಗಳನ್ನು ಸಾರಾಂಶಗೊಳಿಸುವುದು ಅಥವಾ ಕೋಡ್ ಮೂಲಕ ವೀಕ್ಷಣೀಯಗೊಳಿಸಬಹುದು.
- ಶಿಕ್ಷಕರು AI ಅನ್ನು ಗುರಿ ಪ್ರೇಕ್ಷಣಿಕರಿಗೂ ವಿಷಯಕ್ಕೂ ಪಾಠ ಯೋಜನೆಯನ್ನು ರಚಿಸಲು ಕೇಳಬಹುದು. AI ನಿರ್ದಿಷ್ಟ ಸ್ವರೂಪದಲ್ಲಿ ವೈಯಕ್ತಿಕೀಕೃತ ಯೋಜನೆಯನ್ನು ನಿರ್ಮಿಸಬಹುದು.
- ವಿದ್ಯಾರ್ಥಿಗಳು AI ಅನ್ನು ಕಷ್ಟಕರ ವಿಷಯದ ಟ್ಯುಟರ್ಗಾಗಿ ಕೇಳಬಹುದು. AI ಈಗ ಉಪಾಧ್ಯಾಯ, ಸೂಚನೆಗಳು ಮತ್ತು ಉದಾಹರಣೆಗಳನ್ನು ಅವರ ಮಟ್ಟಕ್ಕೆ ಹೊಂದಿಕೊಳ್ಳುವಂತೆ ಮಾರ್ಗದರ್ಶನ ಮಾಡಬಹುದು.
ಇದು ಕೇವಲ ಬಿಂದುವಿನ ಮೇಲ್ಭಾಗ ಮಾತ್ರ. Prompts For Education ಅನ್ನು ಪರಿಶీలಿಸಿ - ಇದು ಶಿಕ್ಷಣ ತಜ್ಞರ ಮೂಲಕ ಸಂಗ್ರಹಿಸಲ್ಪಟ್ಟ ಮುಕ್ತ ಮೂಲ ಪ್ರಾಂಪ್ಟ್ ಗ್ರಂಥಾಲಯ - ಸಾಧ್ಯತೆಗಳ ವ್ಯಾಪಕ ದೃಷ್ಟಿಕೋಣವನ್ನು ಪಡೆಯಲು! Sandbox ನಲ್ಲಿ ಈ ಕೆಲವು ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿ ಅಥವಾ OpenAI Playground ಬಳಸಿಕೊಂಡು ಪ್ರಯತ್ನಿಸಿ ನೋಡುವಿರಿ!
ನಾವು ಈ ಪಾಠವನ್ನು ಪ್ರಾರಂಭಿಸಿ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಅನ್ನು ನಮೂದಿಸಿದ್ದೇವೆ - ಕಾಣಿಕೆ ಮತ್ತು ಗುಣಮಟ್ಟದ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು(ಪೂರ್ಣತೆಗಳನ್ನು) ಒದಗಿಸಲು ಪಠ್ಯ ಇನ್ಪುಟ್ಗಳನ್ನು (ಪ್ರಾಂಪ್ಟ್ಗಳು) ವಿನ್ಯಾಸಮಾಡುವುದು ಮತ್ತು ಸುಧಾರಿಸುವ ಪ್ರಕ್ರಿಯೆ ಎಂದು. ಇದನ್ನು ನಾವು 2 ಹಂತಗಳ ಪ್ರಕ್ರಿಯೆಯಾಗಿ ಪರಿಗಣಿಸಬಹುದು:
- ನೀಡಲಾದ ಮಾದರಿ ಹಾಗೂ ಉದ್ದೇಶಕ್ಕೆ ಪ್ರಾಥಮಿಕ ಪ್ರಾಂಪ್ಟ್ ವಿನ್ಯಾಸ ಮಾಡುವುದು
- ಪ್ರತಿಕ್ರಿಯೆಯ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸುವ ಸಂಕೀರ್ಣ ಬಳಕೆ ಯಲ್ಲು ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಮುಂದುವರಿಸು ಕ್ರಮ ಬದಲಾವಣೆಯಾಗಿ ಮರುಪರಿಷ್ಕರಿಸುವುದು
ಇದು ಹೊರತಾಗಿ ಪ್ರಯೋಗಮೂಲಕ ಪ್ರಯೋಗವಾಗಿದ್ದು ಉತ್ತಮ ಫಲಿತಾಂಶ ಪಡೆಯಲು ಬಳಕೆದಾರದ ಮನೋಭಾವ ಮತ್ತು ಶ್ರಮವನ್ನು ಅಗತ್ಯವೂ ಆಗಿದೆ. ಆದ್ದರಿಂದ ಇದು ಏಕೆ ಮುಖ್ಯ? ಆ ಪ್ರಶ್ನೆೆಗೆ ಉತ್ತರಿಸಲು ನಾವು ಮೊದಲು ಮೂರು ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು:
- ಟೋಕನೈಜೆಷನ್ = ಮಾದರಿ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಹೇಗೆ "ನೋಡುತ್ತದೆ"
- ಮೂಲ LLM = ಆಧಾರ ಮಾದರಿ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಹೇಗೆ "ಪ್ರಕ್ರಿಯೆ ಮಾಡುತ್ತದೆ"
- ನಿರ್ದೇಶನ-ಟ್ಯೂನ್ಡ್ LLM = ಮಾದರಿ ಈಗ "ಕಾರ್ಯಗಳು" (tasks) ಅನ್ನು ಹೇಗೆ ನೋಡಿ ಕಲಿತುಕೊಳ್ಳುತ್ತದೆ
ಒಂದು LLM ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನು ಟೋಕನ್ಗಳ ಸರಣಿಯಂತೆ ನೋಡುತ್ತದೆ, ಇಲ್ಲಿ ಒಂದು ಮಾದರಿಯ ಹಲವಾರು ಆವೃತ್ತಿಗಳು ಒಂದೇ ಪ್ರಾಂಪ್ಟ್ನ್ನು ವಿಭಿನ್ನ ರೀತಿಯಲ್ಲಿ ಟೋಕನೈಸ್ ಮಾಡಬಹುದು. LLMಗಳು ಟೋಕನ್ಗಳ ಮೇಲೆ ತರಬೇತಿಯಾಗಿವೆ (ಮುಗಿದ ಪಠ್ಯ ಪರಿಗಣನೆ ಅಲ್ಲ), ಆದ್ದರಿಂದ ಪ್ರಾಂಪ್ಟ್ಗಳು ಹೇಗೆ ಟೋಕನೈಸ್ ಆಗುತ್ತವೆ ಎಂಬುದು ಉತ್ಪನ್ನದ ಗುಣಮಟ್ಟವನ್ನು ನೇರವಾಗಿ ಪ್ರಭಾವಿಸುತ್ತದೆ.
ಟೋಕನೈಜೆಷನ್ ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬ ಅಂತರ್ನಿಹಿತ ಮನೋಭಾವ ಪಡೆಯಲು, ಕೆಳಗಿನಂತೆ OpenAI Tokenizer ಉಪಕರಣಗಳನ್ನು ಪ್ರಯೋಗಿಸಿ ನೋಡಿ. ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ನಕಲಿಸಿ ಹಾಕಿ ನೋಡಿ ಅದು ಟೋಕನ್ಗಳಾಗಿ ಹೇಗೆ ಬದಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ, ಖಾಲಿ ಜಾಗಗಳು ಮತ್ತು ವ್ಯಾಕರಣ ಚಿಹ್ನೆಗಳ ಹೇಗೆ ನಿರ್ವಹಿಸಲ್ಪಡುತ್ತವೆ ಎಂಬುವದು ವಿಶೇಷ ಗಮನಾರ್ಹ. ಈ ಉದಾಹರಣೆ ಪ್ರಾಚೀನ LLM (GPT-3) ಅನ್ನು ತೋರಿಸುತ್ತದೆ - ಆದ್ದರಿಂದ ಹೊಸ ಮಾದರಿಗಾಗಿ ಪ್ರಯೋಗಿಸುವುದು ಬೇರೆ ಫಲಿತಾಂಶ ನೀಡಬಹುದು.
ಒಮ್ಮೆ ಪ್ರಾಂಪ್ಟ್ ಟೋಕನೈಸ್ ಆದ ಬಳಿಕ, "ಮೂಲ LLM" (ಅಥವಾ ಆಧಾರ ಮಾದರಿ) ಯ ಪ್ರಮುಖ ಕಾರ್ಯ ಆ ಸರಣಿಯ ಟೋಕನ್ ಅನ್ನು ಮುಂಬರುವ ಟೋಕನ್ನಾಗಿ ಊಹಿಸಲು ಪ್ರಯತ್ನಿಸುವುದು. LLMಗಳು ಮಹಾರ್ಜಿತ ಪಠ್ಯ ಡೇಟಾ ಸೆಟ್ಗಳ ಮೇಲೆ ತರಬೇತಿಯಾಗಿರುವುದರಿಂದ, ಅವು ಟೋಕನ್ಗಳ ಗಣಿತೀಯ ಸಂಬಂಧಗಳನ್ನು ಬೆರೆಯುವ ಸದೃಢ ಅರ್ಥವನ್ನು ಹೊಂದಿರುತ್ತವೆ ಮತ್ತು ನ್ಯಾಯದರ್ಶಕತೆಯೊಂದಿಗೆ ಊಹೆ ಮಾಡಬಹುದು. ಪ್ರಾಂಪ್ಟ್ ಅಥವಾ ಟೋಕನ್ಗಳ ಅರ್ಥ ಅಥವಾ ಪದಗಳ ಅರ್ಥವನ್ನು ಅವುಗಳ ಪಾರುಗಳಿದ್ದೀಬೇಕು ಅದರ ಹಾದಿಯನ್ನು ಅವು ಕಾಣುತ್ತಿಲ್ಲ; ಅವುಗಳು ಮುಂದಿನ ಊಹೆಗೆ ಪೂರಕ ಮಾದರಿಯನ್ನು "ಪೂರ್ಣಗೊಳಿಸುವ" ಮಾದರಿಯೇಕ ಪರಿಗಣಿಸುತ್ತವೆ. ಬಳಕೆದಾರ ಮೂಲಕ ಸ್ಥಗಿತಗೊಳಿಸಲ್ಪಡದಿದ್ದರೆ ಅಥವಾ ಪೂರ್ವನಿರ್ದಿಷ್ಟ ಸ್ಥಿತಿಗೆ ತಲುಪಿದರೆ ಇವು ಸರಣಿಯನ್ನು ಮುಂದುವರಿಸುತ್ತವೆ.
ಪ್ರಾಂಪ್ಟ್ ಆಧಾರಿತ ಪೂರ್ಣತೆಯನ್ನು ಹೇಗೆ ಕಾರ್ಯೋತ್ಪಾದಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನೋಡಲು ಬಯಸದಾಗ? ಮೇಲಿನ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು Azure OpenAI Studio ಚಾಟ್ ಪ್ಲೇಗ್ರೌಂಡ್ ನ_DEFAULT_ ಸೆಟ್ಟಿಂಗ್ಸ್ನಲ್ಲಿ ಹಾಕಿ ನೋಡಿ. ವ್ಯವಸ್ಥೆ ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನು ಮಾಹಿತಿ ವಿನಂತಿ ಎಂದು ಪರಿಗಣಿಸುವ ಮೂಲಕರೂಪಗೊಂಡಿದೆ - ಆದ್ದರಿಂದ ನೀವು ಈ ಸಾಂದರ್ಭಿಕತೆಗೆ ಮಟ್ಟಿಯೊಂದಿಗೆ ಪೂರೈಸುವ ಪೂರ್ಣತೆಯನ್ನು ನೋಡಬಹುದು.
ಆದರೆ ಬಳಕೆದಾರನು ವಿಶೇಷವಾಗಿ ಬಯಸುವ ಅಥವಾ ಕಾರ್ಯದ ಉದ್ದೇಶಗಳನ್ನು ಪೂರೈಸುವಂತಹದಾಗ؟ ಈ ಸಂಧರ್ಭದಲ್ಲಿ ನಿರ್ದೇಶನ-ಟ್ಯೂನ್ಡ್ LLMಗಳು ಬರುವುದಾಗಿದೆ.
ನಿರ್ದೇಶನ ಟ್ಯೂನ್ಡ್ LLM ಆಧಾರ ಮಾದರಿಯಿಂದ ಪ್ರಾರಂಭಿಸಿ, ಉದಾಹರಣೆಗಳು ಅಥವಾ ಇನ್ಪುಟ್/ಔಟ್ಪುಟ್ ಜೋಡಿಗಳೊಂದಿಗೆ ಫೈನ್-ಟ್ಯೂನಿಂಗ್ ಮಾಡುತ್ತದೆ (ಉದಾಹರಣೆಗೆ, ಬಹುಮುಖ "ಸಂದೇಶಗಳು") ಕಾರ್ಯಗಳಿಗೆ ಸ್ಪಷ್ಟ ನಿರ್ದೇಶನಗಳನ್ನು ಹೊಂದಿರಬಹುದು - ಮತ್ತು AI ತಿದ್ದುಪಡಿಯಂತಹ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪ್ರಯತ್ನಿಸುತ್ತದೆ.
ಇದು Reinforcement Learning with Human Feedback (RLHF) ಎಂಬ ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತದೆ, ಇದರಿಂದ ಮಾದರಿ ನಿರ್ದೇಶನಗಳನ್ನು ಅನುಸರಿಸಲು ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಯಿಂದ ಕಲಿಯಲು ತರಬೇತಿಗೊಳ್ಳುತ್ತದೆ, ಹೀಗೆ ಅದು ಪ್ರಾಯೋಗಿಕ ಅಪ್ಲಿಕೇಶನ್ಗಳಿಗೆ ಉತ್ತಮವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವಂತೆ ಮತ್ತು ಬಳಕೆದಾರರ ಗುರಿಗಳಿಗೆ ಹೆಚ್ಚು ಸಂಬಂಧಪಟ್ಟ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನೀಡುತ್ತದೆ.
ಅದನ್ನು ಪ್ರಯತ್ನಿಸಿ ನೋಡೋಣ - ಮೇಲಿನ ಪ್ರಾಂಪ್ಟ್ಗೆ ಮರಳಿ ಬರುವುದಾದ ನಂತರ, ಸಿಸ್ಟಮ್ ಸಂದೇಶ ಅನ್ನು ಕೆಳಗಿನ ನಿರ್ದೇಶನೆಯನ್ನು ಹೀಗಾಗಿ ಬದಲಿಸಿ:
ನೀವು ಒದಗಿಸುವ ವಿಷಯವನ್ನು ಎರಡನೇ ತರಗತಿಯ ವಿದ್ಯಾರ್ಥಿಗೆ ಸಾರಾಂಶಗೊಳಿಸಿ. ಫಲಿತಾಂಶವನ್ನು ಒಂದು ಪ್ಯಾರಾಗ್ರಾಫ್ ಹಾಗೂ 3-5 ಬುಲೆಟ್ ಪಾಯಿಂಟ್ಗಳಲ್ಲಿ ಇರಲಿ.
ಈ ಫಲಿತಾಂಶ ಈಗ ಬಯಸಿದ ಗುರಿ ಮತ್ತು ಸ್ವರೂಪಕ್ಕೆ ಹೊಂದಿಕೊಂಡಿರುವುದನ್ನು ನೋಡುತ್ತೀರಿ? ಒಂದು ಶಿಕ್ಷಕ ಈ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ತತ್ತ್ವಾಗಿಯೇ ಆ ತರಗತಿಗೆ ಅವರ ಸ್ಲೈಡ್ಗಳಲ್ಲಿ ಬಳಸಬಹುದು.
ಈಗ ನಾವು ಪ್ರಾಂಪ್ಟ್ಗಳು LLMಗಳ ಮೂಲಕ ಹೇಗೆ ಪ್ರಕ್ರಿಯೆಗೊಳ್ಳುತ್ತವೆ ಎಂಬುದನ್ನು ಗ್ರಹಿಸಿದ್ದೇವೆ, ಈಗ ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಯಾಕೆ ಮುಖ್ಯ ಎಂಬುದನ್ನು ನೋಡೋಣ. ಉತ್ತರವು ಇವತ್ತಿನ LLMಗಳು ಎದುರಿಸುವ ಕೆಲವು ಸವಾಲುಗಳಲ್ಲಿ ಇದೆ, ಇವು ನಿರಂತರ ಮತ್ತು ನಂಬಿಗಷ್ಟಾರವಾದ ಪೂರ್ಣತೆಗಳನ್ನು ಸಾಧ್ಯವಿಲ್ಲದೆ ಮಾಡೋ ಸಂದರ್ಭಗಳಲ್ಲಿ ಬಳಸುವ ಶ್ರದ್ಧೆ ಮತ್ತು ಅತ್ಯುತ್ತಮೀಕರಣ ಅಗತ್ಯವಿರುತ್ತದೆ. ಉದಾಹರಣೆಗೆ:
-
ಮಾದರಿ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಯಾದೃಚ್ಛಿಕವಾಗಿರುತ್ತವೆ. ಆದೇ ಪ್ರಾಂಪ್ಟ್ ಬೇರೊಬ್ಬ ಮಾದರಿ ಅಥವಾ ಅವುಗಳ ಆವೃತ್ತಿಗಳಲ್ಲಿ ವಿಭಿನ್ನ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಉತ್ಪಾದಿಸಬಹುದು. ಹಾಗೆಯೇ ಆದೇ ಮಾದರಿಯನ್ನು ಬಿಭಿನ್ನ ಸಮಯಗಳಲ್ಲಿ ಬಳಸಿದರೆ ಬೇರೆ ಫಲಿತಾಂಶಗಳಾಗಬಹುದು. ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ತಂತ್ರಗಳು ಈ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಕನಿಷ್ಠಮಾಡಲು ಉತ್ತಮ ಗಾರ್ಡ್ರೇಲ್ಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ.
-
ಮಾದರಿಗಳು ಉತ್ತರಗಳನ್ನು ರಚಿಸಬಹುದು. ಮಾದರಿಗಳು ದೊಡ್ಡ ಆದರೆ ಸೀಮಿತ ಡೇಟಾಸೆಟ್ಗಳ ಮೇಲೆ ಪೂರ್ವಭಾಗವಾಗಿ ತರಬೇತಿಯಾಗಿರುವುದರಿಂದ, ತರಬೇತಿ ವ್ಯಾಪ್ತಿಯ ಹೊರಗಿನ ಕಲ್ಪನೆಗಳ ಕುರಿತಾಗಿ ಜ್ಞಾನವಿಲ್ಲ. ಪರಿಣಾಮವಾಗಿ, ಅವು ತಪ್ಪು, ಕಲ್ಪಿತ ಅಥವಾ ನೆನಪಿನಲ್ಲಿದ್ದ ತತ್ವಗಳಿಗಾಗಿಯೇ ವಿರುದ್ಧವಾಗಿರುವ ಪೂರ್ಣತೆಗಳನ್ನು ನೀಡಬಹುದು. ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ತಂತ್ರಗಳು ಬಳಕೆದಾರರು ಇಂತಹ ರಚನೆಗಳನ್ನು ಗುರುತಿಸಿ ತಡೆಹಿಡಿಯಲು ಸಹಾಯ ಮಾಡಬಹುದು, ಉದಾಹರಣೆಗೆ AIಗೆ ಉಲ್ಲೇಖಗಳನ್ನು ಕೇಳಿ ಅಥವಾ ಯುಕ್ತಿವಂತಿಕೆ ನೀಡಿಸುವಂತೆ ಕೇಳುವುದು.
-
ಮಾದರಿಗಳ ಸಾಮರ್ಥ್ಯಗಳು ಬದಲಾಗುತ್ತವೆ. ಹೊಸ ಮಾದರಿಗಳು ಅಥವಾ ಮಾದರಿ ಅವತಾರಗಳು ಸಮೃದ್ಧ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ ಆದರೆ ಖಾಸಗಿ ವೈಶಿಷ್ಟ್ಯಗಳು ಮತ್ತು ವೆಚ್ಚ & ಸಂಕೀರ್ಣತೆಗೆ ಅನನ್ಯ ವ್ಯತ್ಯಾಸಗಳನ್ನು ತರಬೆರೆಯುತ್ತವೆ. ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ನಮಗೆ ಉತ್ತಮ ಅಭ್ಯಾಸಗಳು ಮತ್ತು ವರ್ಕ್ಫ್ಲೋಗಳನ್ನು ರೂಪಿಸಲು ಸಹಾಯಕವಾಗುತ್ತದೆ, ಅವು ವಿಭಿನ್ನತೆಗಳನ್ನು ಅಡಗಿಸಿ ಮಾದರಿ-ನಿರ್ದಿಷ್ಟ ಅವಶ್ಯಕತೆಗಳಿಗೆ ಸಡಿಲವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವಂತಿರುತ್ತವೆ.
ಈ ಕಾರ್ಯವನ್ನು OpenAI ಅಥವಾ Azure OpenAI ಪ್ಲೇಗ್ರೌಂಡ್ನಲ್ಲಿ ನೋಡೋಣ:
- ವಿವಿಧ LLM ನಿಯೋಜನೆಗಳೊಂದಿಗೆ (ಉದಾ: OpenAI, Azure OpenAI, Hugging Face) ಅದೇ ಪ್ರಾಂಪ್ಟ್ ಬಳಸೊ - ವ್ಯತ್ಯಾಸಗಳನ್ನು ನೋಡಿದೀರಾ?
- ಆದೇ LLM ನಿಯೋಜನೆಯಲ್ಲಿ (ಉದಾ: Azure OpenAI ಪ್ಲೇಗ್ರೌಂಡ್) ಅದೇ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಪುನರಾವರ್ತಿಸಿ ಬಳಸು - ವ್ಯತ್ಯಾಸಗಳು ಹೇಗಿದ್ದವು?
ಈ ಕೋರ್ಸ್ನಲ್ಲಿ, ನಾವು "ರಚನೆ" ಎಂಬ ಪದವನ್ನು ಬಳಸುತ್ತೇವೆ - ಇದು LLMಗಳು ತರಬೇತಿಯಲ್ಲಿ ಸೀಮಿತತೆಗಳು ಅಥವಾ ಇತರ ಅಡ್ಡಿಗೊಡೆಗಳಿಂದ ಸಂದರ್ಭಕ್ಕಿಂತ ತಪ್ಪು ಮಾಹಿತಿ ಸೃಷ್ಟಿಸುವ ಸಂದರ್ಭವನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಜನಪ್ರಿಯ ಲೇಖನಗಳು ಅಥವಾ ಸಂಶೋಧನಾ ಪತ್ರಗಳಲ್ಲಿ ಇದನ್ನು "ಹಾಲುಸಿನೇಷನ್" ಎಂದು ಕರೆಯಬಹುದು. ಆದಾಗ್ಯೂ, ನಾವು "ರಚನೆ" ಪದವನ್ನು ಬಳಸಲು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ, ಇದರಿಂದ ನಾವು ಈ ವರ್ತನೆಯನ್ನು ಮಾನವ-ತತ್ವ ಸಂಬಂಧಿತ ಲಕ್ಷಣವೆಂದು ತಪ್ಪಾಗಿ ಪರಿಗಣಿಸುವುದನ್ನು ತಪ್ಪಿಸಬಹುದು. ಇದರಿಂದ ನೇಮಾನೀಯ AI ಮಾರ್ಗಸೂಚಿಗಳು ನ ಪ್ರಕಾರವೂ ಸಹ Terminologyಯಲ್ಲಿ ಸಮಸ್ಯೆಕರ ಅಥವಾ ಅಸಾಮೆತಿಕ ಪದಗಳನ್ನು ഒഴിവುಗೊಳಿಸಿ ಜವಾಬ್ದಾರಿಯುತ ಪ್ರಯೋಗಗಳಿಗೆ ಒತ್ತು ನೀಡಲಾಗುತ್ತದೆ.
ರಚನೆಗಳು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂಬುದಕ್ಕೆ ಸ್ಪಷ್ಟತೆ ಪಡೆಯಲು, AIಗೆ ತರಬೇತಿ ಡೇಟಾಸೆಟ್ನಲ್ಲಿ ಇಲ್ಲದಂತಹ不存在 ವಿಷಯದ ವಿಷಯವನ್ನು ರಚಿಸಲು ಹೇಳುವ ಪ್ರಾಂಪ್ಟ್ ಯೋಚಿಸಿ ನೋಡಿರಿ. ಉದಾಹರಣೆಗೆ - ನಾನು ಈ ಪ್ರಾಂಪ್ಟ್ ಪ್ರಯತ್ನಿಸಿದೆ:
ಪ್ರಾಂಪ್ಟ್: ಮಾರ್ಷಿಯನ್ ಯುದ್ಧ 2076 ರ ಮೇಲೆ ಪಾಠ ಯೋಜನೆಯನ್ನು ರಚಿಸಿ. ವೆಬ್ ಹುಡುಕಾಟ ನನ್ನಿಗೆ ತೋರಿಸಿತು 2076 ರಲ್ಲಿ ಮಾರ್ಷಿಯನ್ ಯುದ್ಧಗಳ ಬಗ್ಗೆ ಕಲ್ಪನೆ ಆಧಾರಿತ ವರ್ಣನೆಗಳು (ಉದಾಹರಣೆಗೆ, ಟೆಲಿವಿಷನ್ ಸರಣಿಗಳು ಅಥವಾ ಪುಸ್ತಕಗಳು) ಇದ್ದವು - ಆದರೆ 2076 ರಲ್ಲಿ ಯಾವುದೂ ಇರಲಿಲ್ಲ. ಸಾಮಾನ್ಯ ಬುದ್ಧಿ ನಮಗೆ ತಿಳಿಸುತ್ತದೆ 2076 ಭವಿಷ್ಯದಲ್ಲಿ ಇದೆ ಮತ್ತು ಆದ್ದರಿಂದ, ಅದು ನಿಜವಾದ ಘಟನೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಇರಲು ಸಾಧ್ಯವಿಲ್ಲ.
ಆಗ ಈ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ವಿವಿಧ LLM ಪೂರೈಕೆದಾರರೊಂದಿಗೆ ನಡೆಸಿದಾಗ ಏನು ಸಂಭವಿಸುತ್ತದೆ?
ಪ್ರತಿಕ್ರಿಯೆ 1: OpenAI Playground (GPT-35)
ಪ್ರತಿಕ್ರಿಯೆ 2: Azure OpenAI Playground (GPT-35)
ಪ್ರತಿಕ್ರಿಯೆ 3: : Hugging Face Chat Playground (LLama-2)
ನಿರೀಕ್ಷಿಸಿದಂತೆ, ಪ್ರತಿ ಮಾದರಿ (ಅಥವಾ ಮಾದರಿ ಆವೃತ್ತಿ) ಸಾಂಖ್ಯಿಕ ವರ್ತನೆ ಮತ್ತು ಮಾದರಿ ಸಾಮರ್ಥ್ಯದ ವ್ಯತ್ಯಾಸಗಳಿಗಾಗಿ ಸ್ವಲ್ಪ ವಿಭಿನ್ನ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನೀಡುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಒಂಬತ್ತುಗೊಳಿಸಿದ ಒಂದು ಮಾದರಿ 8 ನೇ ತರಗತಿಯ ಶ್ರೋತೃಗಳಿಗಾಗಿ ಗುರಿಯಾಗಿರುತ್ತದೆಯಾದರೆ, ಇನ್ನೊಂದು ಮಾದರಿ ಮಧ್ಯಮ ಶಾಲೆಯ ವಿದ್ಯಾರ್ಥಿ ಎಂದು ಊಹಿಸಿದೆ. ಆದರೆ ಮೂರು ಮಾದರಿಯು ಎಲ್ಲಾ uninformed ಬಳಕೆದಾರನಿಗೆ ಆ ಘಟನೆ ನಿಜ ಎಂದು ನಂಬಿಸುವಂತೆ ಮಾಡಬಹುದಾದ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಉಂಟುಮಾಡಿವೆ.
ಮೆಟಾಪ್ರಾಂಪ್ಟಿಂಗ್ ಮತ್ತು ತಾಪಮಾನ ಸಂರಚನೆ వంటి ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್ ತಂತ್ರಗಳು ಕೆಲವು ಮಟ್ಟಿಗೆ ಮಾದರಿ ತಯಾರಿಕೆಯ ತಪ್ಪುಗಳಲ್ಲಿ ಕಡಿತ ಮಾಡಬಹುದು. ಹೊಸ ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್ ವ್ಯಾಸ್ತುಹಗಳು ಹೊಸ ಉಪಕರಣಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ಸೌಮ್ಯವಾಗಿ ಪ್ರಾಂಪ್ಟ್ ಹರಿವುದಲ್ಲಿ ಜೊತೆಗೆ ಸೇರಿಸಿಕೊಳ್ಳುತ್ತವೆ, ಇವು ಈ ಪರಿಣಾಮಗಳನ್ನು ತಡೆಗಟ್ಟಲು ಅಥವಾ ಕಡಿಮೆ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ನಾವು ಇದೇ ವಿಭಾಗವನ್ನು GitHub Copilot ಬಗ್ಗೆ ಒಂದು ಪ್ರಕರಣ ಅಧ್ಯಯನವನ್ನು ನೋಡಿಕೊಂಡು ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್ ನೈಪುಣ್ಯಗಳು ವಾಸ್ತವ ಶ್ರೇಣಿಗಳಲ್ಲಿ ಹೇಗೆ ಬಳಸಲಾಗುತ್ತವೆ ಎಂಬ ತಿಳಿವಳಿಕೆಯನ್ನು ಪಡೆದು ಮುಕ್ತಾಯಗೊಳಿಸೋಣ: GitHub Copilot.
GitHub Copilot ನಿಮ್ಮ "AI ಜೋಡಿ ಪ್ರೋಗ್ರಾಮರ್" ಆಗಿದ್ದು - ಅದು ಪಠ್ಯದ ಪ್ರಾಂಪ್ಟ್ ಗಳನ್ನು ಕೋಡ್ ಪೂರ್ಣಗೊಳಿಸುವಿಕಿಗೆ ಪರಿವರ್ತಿಸುತ್ತದೆ ಮತ್ತು ನಿಮ್ಮ ಅಭಿವೃದ್ಧಿ ಪರಿಸರದಲ್ಲಿ (ಉದಾ: Visual Studio Code) ಅವಿಚ್ಛಿನ್ನ ಬಳಕೆದಾರ ಅನುಭವಕ್ಕಾಗಿ ಪ್ರೇರಿತವಾಗಿದೆ. ಕೆಳಗಿನ ಬ್ಲಾಗ್ ಸರಣಿಯಲ್ಲಿ ದಾಖಲಿಸಿರುವಂತೆ, ಪ್ರಾರಂಭಿಕ ಆವೃತ್ತಿಯು OpenAI Codex ಮಾದರಿಯ ಆಧಾರಿತವಾಗಿತ್ತು - ಎಂಜಿನಿಯರ್ ಗಳು ಶೀಘ್ರವೇ ಮಾದರಿಯನ್ನು ಸೂಕ್ಷ್ಮೀಕರಿಸುವ ಅಗತ್ಯವಿದೆ ಮತ್ತು ಉತ್ತಮ ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್ ತಂತ್ರಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಅಗತ್ಯವಿದೆ ಎಂದು ಅರಿತುಕೊಂಡರು, ಆದರಿಂದ ಕೋಡ್ ಗುಣಮಟ್ಟ ಸುಧಾರಿಸಬಹುದು. ಜುಲೈ ತಿಂಗಳಲ್ಲಿ ಅವರು Codex ತಜ್ಞತೆಯನ್ನು ಮೀರಿ ಸುಧಾರಿತ AI ಮಾದರಿಯನ್ನು ಪ್ರಾರಂಭಿಸಿದರು, ಇನ್ನಷ್ಟು ವೇಗವಾದ ಸಲಹೆಗಳಿಗೆ.
ಅವರ ಕಲಿಕೆಯ ಪಥವನ್ನು ಅನುಸರಿಸಲು ಪೋಸ್ಟ್ ಗಳನ್ನು ಕ್ರಮದಿಂದ ಓದಿ.
- ಮೇ 2023 | GitHub Copilot ನಿಮ್ಮ ಕೋಡ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಬಿಸಲಾಗುತ್ತಿದೆ
- ಮೇ 2023 | GitHub ಒಳಗಿನ ವಿಷಯ: GitHub Copilot ಹಿಂದೆ ಇರುವ LLM ಗಳೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಣೆ.
- ಜೂನ್ 2023 | GitHub Copilot ಗೆ ಉತ್ತಮ ಪ್ರಾಂಪ್ಟ್ ಹೇಗೆ ಬರೆಯುವುದು.
- ಜುಲೈ 2023 | .. GitHub Copilot Codex ನಿಗೆಯ ಮೀರಿದ ಸುಧಾರಿತ AI ಮಾದರಿಯೊಂದಿಗೆ
- ಜುಲೈ 2023 | ಡವಲಪರ್ ಗಾಗಿ ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು LLM ಗಳ ಮಾರ್ಗದರ್ಶಿ
- ಸೆಪ್ಟೆಂಬರ್ 2023 | ಕಾರ್ಪೊರೇಟ್ LLM ಅಪ್ಲಿಕೇಶನ್ ನಿರ್ಮಿಸುವ ವಿಧಾನ: GitHub Copilot ನಿಂದ ಪಾಠಗಳು
ನೀವು ಅವರ ಅತಿಥಿ ಬ್ಲಾಗ್ ಅನ್ನು ಸಹ ಇನ್ನಷ್ಟು ಪೋಸ್ಟ್ ಗಳಿಗಾಗಿ ವೀಕ್ಷಿಸಬಹುದು, ಉದಾಹರಣೆಗೆ ಇದೊಂದು ಇದು ಈ ಮಾದರಿಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ವಾಸ್ತವಿಕ ವಿನ್ಯಾಸಗಳನ್ನು ನಡೆಸುವುದಕ್ಕೆ ಅನ್ವಯಿಸುವುದನ್ನು ತೋರಿಸುತ್ತದೆ.
ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್ ಮಹತ್ವವನ್ನು ನಾವು ನೋಡಿದ್ದೇವೆ - ಈಗ ಪ್ರಾಂಪ್ಟ್ ಗಳನ್ನು ಹೇಗೆ ರಚಿಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ತಿಳಿದುಕೊಂಡು ವಿವಿಧ ತಂತ್ರಗಳನ್ನು ಅವಲೋಕಿಸಿ ಪರಿಣಾಮಕಾರಿ ಪ್ರಾಂಪ್ಟ್ ವಿನ್ಯಾಸಕ್ಕೊಂದು ಮೌಲ್ಯಾಂಕನ ಮಾಡೋಣ.
ಮೂಲಭೂತ ಪ್ರಾಂಪ್ಟ್ ಹೀಗಿದೆ: ಮಾದರಿಗೆ ಯಾವುದೇ ಇತರ ಸಂಧರ್ಭವಿಲ್ಲದೆ ಕೇವಲ ಪಠ್ಯ ಇನ್ಪುಟ್ ಕಳುಹಿಸುವುದು. ಉದಾಹರಣೆಗೆ - ನಾವು US ರಾಷ್ಟ್ರೀಯ ಗಾನದ ಮೊದಲ ಕೆಲವು ಪದಗಳನ್ನು OpenAI Completion API ಗೆ ಕಳುಹಿಸುವಾಗ ಇದು ತಕ್ಷಣವೇ ಮುಂದಿನ ಕೆಲವು ಸಾಲುಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸುತ್ತದೆ, ಇದು ಮೂಲ ಭವಿಷ್ಯಾದರ್ಶಿ ವರ್ತನೆ ಸಹಿ ಹೇಗಿದೆ ಎಂಬುದನ್ನು ಸ್ಪಷ್ಟಪಡಿಸುತ್ತದೆ.
| ಪ್ರಾಂಪ್ಟ್ (ಇನ್ಪುಟ್) | ಪೂರ್ಣಗೊಳಿಸುವಿಕೆ (ಔಟ್ಪುಟ್) |
|---|---|
| ಓಹ್ ಸೇ_CAN YOU SEE | ನೀವು "ದಿ ಸ್ಟಾರ್-ಸ್ಪ್ಯಾಂಗಲ್ ಬ್ಯಾನರ್," ಅಮೇರಿಕಾದ ರಾಷ್ಟ್ರೀಯ ಗಾನದ ಪದಗಳನ್ನು ಪ್ರಾರಂಭಿಸುತ್ತಿರುವಂತೆ ಕಾಣುತ್ತದೆ. ಸಂಪೂರ್ಣ ಪದಗಳು ಇವು: ... |
ಈಗ ಆ ಮೂಲಭೂತ ಪ್ರಾಂಪ್ಟ್ ಗೆ ಸಂಧರ್ಭ ಮತ್ತು ಸೂಚನೆಗಳನ್ನು ಸೇರಿಸೋಣ. ಚಾಟ್ ಪೂರ್ಣಗೊಳಿಸುವಿಕೆ API ನಮಗೆ ಒಂದು ಸಂಕೀರ್ಣ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಸಂದೇಶಗಳು ಗಳ ಸಂಗ್ರಹವಾಗಿ ನಿರ್ಮಿಸಲು ಅನುಮತಿಸುತ್ತದೆ:
- ಇನ್ಪುಟ್ / ಔಟ್ ಪುಟ್ ಜೋಡಿಗಳು ಬಳಕೆದಾರ ಇನ್ಪುಟ್ ಮತ್ತು ಸಹಾಯಕ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವಂತೆ.
- ವ್ಯವಸ್ಥೆ ಸಂದೇಶವು ಸಹಾಯಕನ ವರ್ತನೆ ಅಥವಾ ವ್ಯಕ್ತಿತ್ವದ ಸಂಧರ್ಭವನ್ನು ಹೊಂದಿಸಲು.
ಈ ವಿನಂತಿಯನ್ನು ಈಗ ಕೆಳಗಿನ ರೂಪದಲ್ಲಿ ಇಡಿ, ಅಲ್ಲಿ ಟೋಕನೀಕರಣ ಸಂಧರ್ಭ ಮತ್ತು ಸಂವಾದದಿಂದ ಪ್ರಾಸಕ್ತ ಮಾಹಿತಿಯನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಸೆರೆಹಿಡಿಯುತ್ತದೆ. ವ್ಯವಸ್ಥೆಯ ಸಂಧರ್ಭ ಬದಲಾವಣೆ ಕೋಡ್ ಪೂರಕ ಫಲಿತಾಂಶದ ಗುಣಮಟ್ಟಕ್ಕೆ ಕೂಡ ಹೆಚ್ಚಿನ ಪ್ರಭಾವ ಬೀರುತ್ತದೆ, ಸಹಾಯಕ್ಕೆ ನೀಡಲಾದ ಬಳಕೆದಾರ ಇನ್ಪುಟ್ ಗಳಂತೆ.
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?"}
]
)ಮೇಲಿನ ಉದಾಹರಣೆಗಳಲ್ಲಿ, ಬಳಕೆದಾರ ಪ್ರಾಂಪ್ಟ್ ಸರಳ ಪಠ್ಯ ಪ್ರಶ್ನೆಯಾಗಿದ್ದು ಮಾಹಿತಿ ಕೋರುವ ವಿನಂತಿಯಾಗಿ ಅರ್ಥೈಸಬಹುದಾಗಿದೆ. ಸೂಚನಾ ಪ್ರಾಂಪ್ಟ್ ಗಳೊಂದಿಗೆ, ನಾವು ಆ ಪಠ್ಯವನ್ನು ಕಾರ್ಯವಿವರಣೆ ಮಾಡುವುದಕ್ಕೆ ಹೆಚ್ಚು ವಿವರವಾಗಿ ಬಳಸಬಹುದು, AI ಗೆ ಉತ್ತಮ ಮಾರ್ಗದರ್ಶನ ನೀಡುತ್ತೇವೆ. ಉದಾಹರಣೆಯಾಗಿ:
| ಪ್ರಾಂಪ್ಟ್ (ಇನ್ಪುಟ್) | ಪೂರ್ಣಗೊಳಿಸುವಿಕೆ (ಔಟ್ಪುಟ್) | ಸೂಚನಾ ಪ್ರಕಾರ |
|---|---|---|
| ಸಿವಿಲ್ ವಾರಿನ ಒಂದು ವಿವರಣೆ ಬರೆಸಿ | ಸರಳ ಪ್ಯಾರಾಗ್ರಾಫ್ ಹಿಂತಿರುಗಿಸಿತು | ಸರಳ |
| ಸಿವಿಲ್ ವಾರಿನ ಒಂದು ವಿವರಣೆ ಬರೆಸಿ. ಪ್ರಮುಖ ದಿನಾಂಕಗಳು ಮತ್ತು ಘಟನೆಗಳನ್ನು ನೀಡಿ ಮತ್ತು ಅವುಗಳ ಮಹತ್ವವನ್ನು ವಿವರಿಸಿ | ಪ್ಯಾರಾಗ್ರಾಫ್ ಹಿಂತಿರುಗಿಸಿ ನಂತರ ಪ್ರಮುಖ ಘಟನೆಗಳ ದಿನಾಂಕಗಳ ಪಟ್ಟಿ ಮತ್ತು ವಿವರಣೆಗಳು | ಸಂಕೀರ್ಣ |
| ಸಿವಿಲ್ ವಾರಿನ ವಿವರಣೆ ಒಂದು ಪ್ಯಾರಾಗ್ರಾಫಿನಲ್ಲಿ ಬರೆಸಿ. ಪ್ರಮುಖ ದಿನಾಂಕಗಳು ಮತ್ತು ಅವುಗಳ ಮಹತ್ವವನ್ನು 3 ಬುಲೆಟ್ ಪಾಯಿಂಟ್ ಗಳಲ್ಲಿ ಕೊಡಿಸಿ. ಪ್ರಮುಖ ಐತಿಹಾಸಿಕ ವ್ಯಕ್ತಿಗಳ ಹಾಗೂ ಅವರ ಕೊಡುಗೆಗಳ ಪಟ್ಟಿ 3 ಬುಲೆಟ್ ಪಾಯಿಂಟ್ಗಳಲ್ಲಿ ಕೊಡಿಸಿ. ಔಟ್ಪುಟ್ JSON ಫೈಲ್ ಆಗಿ ಹಿಂತಿರುಗಿಸಿ | ಹೆಚ್ಹು ವಿವರಗಳುಳ್ಳ JSON ಫಾರ್ಮ್ಯಾಟ್ ನಲ್ಲಿ ಪಠ್ಯ ಪೆಟ್ಟಿಗೆಯಲ್ಲಿ ನೀಡಿ, ಅದನ್ನು ನಕಲಿಸಿ ಅಂತೆ ಪರಿಶೀಲಿಸಬಹುದು | ಸಂಕೀರ್ಣ. ಸ್ವರೂಪಿತ. |
ಮೇಲಿನ ಉದಾಹರಣೆಗಳಲ್ಲಿ, ಪ್ರಾಂಪ್ಟ್ ಇನ್ನೂ ಬಹುಮಟ್ಟಿಗೆ ಮುಕ್ತ, LLM ತನ್ನ ಪೂರ್ವ-ತರಬೇತಿಯ ಡೇಟಾ ಸೆಟ್ ನಲ್ಲಿ ಯಾವ ಭಾಗ ಪ್ರಾಸಕ್ತ ಎಂದು ತೀರ್ಮಾನಿಸಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ. ಪ್ರಾಥಮಿಕ ವಿಷಯ ವಿನ್ಯಾಸ ಮಾದರಿ, ಇನ್ಪುಟ್ ಪಠ್ಯವನ್ನು ಎರಡು ಭಾಗಗಳಾಗಿ ವಿಭಜಿಸುತ್ತದೆ:
- ಒಂದು ಸೂಚನೆ (ಕ್ರಿಯೆ)
- ಸಂಬಂಧಿತ ವಿಷಯ (ಅದು ಕ್ರಿಯೆಯನ್ನು ಪ್ರಭಾವಿಸುತ್ತದೆ)
ಉದಾಹರಣೆಗೆ, ಸೂಚನೆ "ಇದರ ಸಾರಾಂಶವನ್ನು 2 ವಾಕ್ಯಗಳಲ್ಲಿ ಮಾಡಿ" ಎಂದು ಇರುತ್ತದೆ.
| ಪ್ರಾಂಪ್ಟ್ (ಇನ್ಪುಟ್) | ಪೂರ್ಣಗೊಳಿಸುವಿಕೆ (ಔಟ್ಪುಟ್) |
|---|---|
| ಜ್ಯೂಪಿಟರ್ ಸೂರ್ಯನಿಂದ ಐದನೇ ಗ್ರಹ ಮತ್ತು ಸೌರಮಂಡಲದ ದೊಡ್ಡದು. ಇದು ಒಂದು ಅನಿಲ ದೇಗುಲ, ಇದರ ದ್ರವ್ಯಮಾನವು ಸೂರ್ಯನ ಒಂದು ಸಾವಿರ ಭಾಗದ ಒಂದು ಭಾಗ, ಆದರೆ ಸೌರಮಂಡಲದ ಇತರೆ ಎಲ್ಲಾ ಗ್ರಹಗಳಿಗಿಂತ ಎರಡು ಮತ್ತು ಅರ್ಧ ಪಟ್ಟು ಹೆಚ್ಚು. ಜ್ಯೂಪಿಟರ್ ಜಾಗ್ರತ ಕಣ್ಣು ನೋಡಬಹುದಾದ ಅತ್ಯಂತ ಹೊಳಪಿನ ವಸ್ತುಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ ಮತ್ತು ಇದು ದಾಖಲೆಯ ದಿಗಂತದ ಮೊದಲೆದ ಜ್ಞಾನದಿಂದ ಪ್ರಾಚೀನ ನಾಗರಿಕತೆಯಲ್ಲೇ ಪಲ್ಟಿದಾಗಿದೆ. ಇದು ರೋಮನ್ ದೇವರಾದ ಜ್ಯೂಪಿಟರ್ ಹೆಸರಾನ್ನೆ ಪಡೆದಿದೆ.[19] ಭೂಮಿಯಿಂದ ನೋಡುವಾಗ, ಜ್ಯೂಪಿಟರ್ ತನ್ನ ಪ್ರತಿಬಿಂಬಿಸುವ ಬೆಳಕಿನಿಂದ ಗೋರುವ ನೆರಳುಗಳನ್ನು ಉಂಟುಮಾಡಬಹುದು,[20] ಮತ್ತು ಸರಾಸರಿ ಮೂರನೇ ಬೆಳಕು ಬರುವ ಪ್ರಕೃತಿಸ್ಥ ವಸ್ತುಗಳಿಗಿಂತ ಹಾದಿ ಚಂದ್ರ ಮತ್ತು ಶುಕ್ರನಂತರ. ಇದನ್ನು 2 ಚಿಕ್ಕ ವಾಕ್ಯಗಳಲ್ಲಿ ಸಾರಾಂಶ ಮಾಡಿ |
ಜ್ಯೂಪಿಟರ್, ಸೂರ್ಯನ ಐದನೇ ಗ್ರಹ, ಸೌರಮಂಡಲದಲ್ಲಿ ದೊಡ್ಡದಾಗಿದೆ ಮತ್ತು ರಾತ್ರಿ ಆಕಾಶದಲ್ಲಿ ಅತ್ಯಂತ ಹೊಳಪಾಗಿರುವ ವಸ್ತುಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಇದು ರೋಮನ್ ದೇವರಾದ ಜ್ಯೂಪಿಟರ್ ಹೆಸರಿನಿಂದ ಕರೆಯಲ್ಪಡುವ ಅನಿಲ ದೇಗುಲ ಮತ್ತು ಸೌರಮಂಡಲದ ಇತರೆ ಎಲ್ಲಾ ಗ್ರಹಗಳಿಗಿಂತ ಎರಡು ಮತ್ತು ಅರ್ಧ ಪಟ್ಟು ಹೆಚ್ಚು ದ್ರವ್ಯಮಾನದಾಗಿದೆ. |
ಪ್ರಾಥಮಿಕ ವಿಷಯ ವಿಭಾಗವನ್ನು ಪರಿಣಾಮಕಾರಿ ಸೂಚನೆಗಳು ನೀಡಲು ವಿವಿಧ ರೀತಿಗಳಲ್ಲಿ ಬಳಸಬಹುದು:
- ಉದಾಹರಣೆಗಳು - ಮಾದರಿಯನ್ನು ಏನು ಮಾಡಬೇಕೆಂದೇ ಹೇಳುವುದು ಬದಲು ಬೇಕಾದ ಮಾದರಿಯ ಹದದಿಂದ ಕೆಲವು ಉದಾಹರಣೆಗಳನ್ನು ನೀಡಿ ಅದರಿಂದ ಮಾದರಿ ವಿನ್ಯಾಸವನ್ನು ಊಹಿಸಲು ಅವಕಾಶ ಕೊಡುವುದು.
- ಸೂಚನೆಗಳು - ಸೂಚನೆಗೆ "ಸೂಚನೆ" ಒಂದು ಪ್ರಾಂಪ್ಟ್ ಗಾಗಿ ಪೂರ್ಣಗೊಳಿಸುವಿಕೆಗೆ ಮುಂದೆ ಒಂದಿಷ್ಟು ಸೂಚನೆ ಕೊಡುವುದಕ್ಕಾಗಿ.
- ಟೆಂಪ್ಲೇಟ್ಗಳು - ಇವು ಪುನರಾವರ್ತನೀಯ 'ವಿಧಾನಗಳು', ಪ್ರಾಂಪ್ಟ್ಗಳಿಗೆ ಪ್ಲೇಸ್ಹೋಲ್ಡರ್ಗಳು (ಚರಗಳು) ಇರುತ್ತವೆ, ಅದನ್ನು ನಿರ್ದಿಷ್ಟ ಉಪಯೋಗಗಳಿಗೆ ಮಾಹಿತಿ ಹೊಂದಿಸಿ ಕಸ್ಟಮೈಸ್ ಮಾಡಬಹುದು.
ಇವುಗಳನ್ನು ಕ್ರಿಯೆಯಲ್ಲಿ ಅನ್ವೇಷಿಸೋಣ.
ಪ್ರಾಥಮಿಕ ವಿಷಯವನ್ನು ಬಳಸುವ ಒಂದು ವಿಧಾನ, ನಿರ್ದಿಷ್ಟ ಸೂಚನೆಗಾಗಿ ಬೇಕಾದ ಔಟ್ಪುಟ್ನ ಕೆಲವು ಉದಾಹರಣೆಗಳನ್ನು ಮಾದರಿಗೆ "ಕೊಡುವುದು" ಮತ್ತು ಮಾದರಿ ಆ ಔಟ್ಪುಟ್ ಮಾದರಿಯನ್ನು ಊಹಿಸಿಕೊಳ್ಳುತ್ತದೆ. ಉದಾಹರಣೆಯ ಸಂಖ್ಯೆ ಆಧಾರವಾಗಿರುತ್ತದೆ, ನಾವು ಶೂನ್ಯ-ಶಾಟ್, ಒನ್-ಶಾಟ್, ಫ್ಯೂ-ಶಾಟ್ ಪ್ರಾಂಪ್ಟಿಂಗ್ ಗಳನ್ನು ಹೊಂದಬಹುದು.
ಪ್ರಾಂಪ್ಟ್ ಈಗ ಮೂರು ಅಂಶಗಳಿಂದ ಕೂಡಿದೆ:
- ಕಾರ್ಯ ವಿವರಣೆ
- ಕೈಗೊಂಡ ಔಟ್ಪುಟ್ನ ಕೆಲವು ಉದಾಹರಣೆಗಳು
- ಒಂದು ಹೊಸ ಉದಾಹರಣೆಯ ಆರಂಭ (ಇದು ಅಪ್ರತ್ಯಕ್ಷ ಕಾರ್ಯ ವಿವರಣೆ ಆಗುತ್ತದೆ)
| ಕಲಿಕೆ ಪ್ರಕಾರ | ಪ್ರಾಂಪ್ಟ್ (ಇನ್ಪುಟ್) | ಪೂರ್ಣಗೊಳಿಸುವಿಕೆ (ಔಟ್ಪುಟ್) |
|---|---|---|
| ಶೂನ್ಯ-ಶಾಟ್ | "ಸೂರ್ಯನು ಪ್ರಕಾಶಮಾನವಾಗಿದೆ". ಸ್ಪ್ಯಾನಿಷ್ ಗೆ ಅನುವಾದಿಸಿ | "ಎಲ್ ಸೋಲ್ ಎಸ್ಟಾ ಬ್ರಿಲ್ಲಾಂಡೋ". |
| ಒನ್-ಶಾಟ್ | "ಸೂರ್ಯನು ಪ್ರಕಾಶಮಾನವಾಗಿದೆ" => "ಎಲ್ ಸೋಲ್ ಎಸ್ಟಾ ಬ್ರಿಲ್ಲಾಂಡೋ". "ಇದು ಶೀತ ಮತ್ತು ಗಾಳಿಚಲುವಿನ ದಿನ" => |
"ಐಸ್ ಉನ್ ಡಿಯಾ ಫ್ರಿಯೋ ಯುವೆಂಟೋಸೋ". |
| ಫ್ಯೂ-ಶಾಟ್ | ಆಟಗಾರನು ಬೇಸ್ಬಾಲ್ ಆಡುತ್ತಿದ್ದಾನೆ => ಬೇಸ್ಬಾಲ್ ಆಟಗಾರನು ಯಾವುದೋ ಏಸ್ ಹೊಡೆದನು => ಟೆನಿಸ್ ಆಟಗಾರನು ಸಿಕ್ಸ್ ಹಾಕಿದನು => ಕ್ರಿಕೆಟ್ ಆಟಗಾರನ ಸ್ಲಾಮ್-ಡಂಕ್ ಮಾಡಿದನು => |
ಬಾಸ್ಕೆಟ್ಬಾಲ್ |
ನಾವು ಸ್ಪಷ್ಟ ಸೂಚನೆ ("ಸ್ಪ್ಯಾನಿಷ್ ಗೆ ಅನುವಾದಿಸಿ") ನೀಡಬೇಕಾಯಿತು ಶೂನ್ಯ-ಶಾಟ್ ಪ್ರಾಂಪ್ಟ್ ನಲ್ಲಿ, ಆದರೆ ಒನ್-ಶಾಟ್ ಉದಾಹರಣೆಯಲ್ಲೇ ಅದು ಅರ್ಥವಾಗುತ್ತದೆ. ಫ್ಯೂ-ಶಾಟ್ ಉದಾಹರಣೆ ಹೆಚ್ಚು ಉದಾಹರಣೆಗಳನ್ನು ನೀಡುವುದರಿಂದ ಯಾವುದೇ ಹೆಚ್ಚು ಸೂಚನೆಗಳಿಲ್ಲದೇ ಮಾದರಿ ಇನ್ನಷ್ಟು ನಿಖರ ಊಹಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ಪ್ರಾಥಮಿಕ ವಿಷಯವನ್ನು ಬಳಸುವ ಮತ್ತೊಂದು ತಂತ್ರ ಸೂಚನೆಗಳು. ಇದರಲ್ಲಿಯೂ, ನಾವು ಮಾದರಿಯ ದಿಕ್ಕಿನಲ್ಲಿ ಒಂದು ನಡತೆಗೊಂಪು ನೀಡುತ್ತೇವೆ, ಬೇಕಾದ ಪ್ರತಿಕ್ರിയಾವು ಹೇಗಿರಬೇಕು ಎನ್ನುವ ನಿದರ್ಶನದ ತುಣುಕುಗಳಿಂದ ಪ್ರಾರಂಭಿಸುತ್ತೇವೆ. ಆಗ ಮಾದರಿ ಆ "ಸೂಚನೆಯನ್ನು ಹಿಡಿದು" ಆ ಹಾದಿಯಲ್ಲಿ ಮುಂದುವರೆಸುತ್ತದೆ.
| ಸೂಚನೆಗಳ ಸಂಖ್ಯೆ | ಪ್ರಾಂಪ್ಟ್ (ಇನ್ಪುಟ್) | ಪೂರ್ಣಗೊಳಿಸುವಿಕೆ (ಔಟ್ಪುಟ್) |
|---|---|---|
| 0 | ಜ್ಯೂಪಿಟರ್ ಸೂರ್ಯನಿಂದ ಐದನೇ ಗ್ರಹ ಮತ್ತು ಸೌರಮಂಡಲದ ದೊಡ್ಡದು. ಇದು ಒಂದು ಅನಿಲ ದೇಗುಲ, ಅದರ ದ್ರವ್ಯಮಾನವು ಸೂರ್ಯನ ಒಂದು ಸಾವಿರ ಭಾಗದ ಒಂದು ಭಾಗ, ಆದರೆ ಸೌರಮಂಡಲದ ಇತರೆ ಎಲ್ಲಾ ಗ್ರಹಗಳಿಗಿಂತ ಎರಡು ಮತ್ತು ಅರ್ಧ ಪಟ್ಟು ಹೆಚ್ಚು. ಜ್ಯೂಪಿಟರ್ ಇದೆರಾತ್ರಿ ಹಗಲಿನಲ್ಲಿ ನೇರಕ್ಕೇಳ್ಳುವ ಬೆಳಕುಗಳಿಂದ ಗೋರುವ ನೆರಳುಗಳನ್ನು ಸೃಷ್ಟಿಸಬಲ್ಲದು ಮತ್ತು ಇದನ್ನು ಪ್ರಾಚೀನ ನಾಗರಿಕತೆಗಳಿಂದಲೇ ತಿಳಿದಿವೆ. ಇದರ ಸಾರಾಂಶ ಮಾಡಿ |
ಜ್ಯೂಪಿಟರ್ ಸೌರಮಂಡಲದ ದೊಡ್ಡಗ್ರಹ ಮತ್ತು ಸೂರ್ಯನಿಂದ ಐದನೇ ಗ್ರಹ. ಇದು ಅನಿಲ ದೇಗುಲ, ಇದರ ದ್ರವ್ಯಮಾನ ಸೂರ್ಯನ 1/1000 ಭಾಗ ಆದರೆ ಎಲ್ಲಾ ಇತರೆ ಗ್ರಹಗಳ ಜೊತೆಗೆ ಹೋಲಿಸಿದರೆ ಭಾರವಾದದ್ದು. ಪ್ರಾಚೀನ ನಾಗರಿಕತೆಗಳಿಂದ ತಿಳಿದಿದೆ ಮತ್ತು ರಾತ್ರಿ ಆಕಾಶದಲ್ಲಿ ಸ್ಪಷ್ಟವಾಗಿ ಕಾಣಿಸುತ್ತದೆ. |
| 1 | ಜುಪಿಟರ್ ಸೂರ್ಯನಿಂದ ಐದನೇ ಗ್ರಹವಾಗಿದ್ದು, ಸೌರಮಂಡಲದ ಅತಿ ದೊಡ್ಡ ಗ್ರಹವಾಗಿದೆ. ಇದು ಸೂರ್ಯನ ಭಾರದ ಸಾವಿರನೇ ಭಾಗದಷ್ಟು ಭಾರವಿರುವ ಅನಿಲ ಮಹಾಗ್ರಹ, ಆದರೆ ಸೌರಮಂಡಲದ ಉಳಿದ ಎಲ್ಲಾ ಗ್ರಹಗಳ ಒಟ್ಟು ಭಾರದ ಎರಡು-ಮೂವರು ಭಾಗಗಳಷ್ಟು ಭಾರದಾಗಿದೆ. ಜುಪಿಟರ್ ರಾತ್ರಿ ಆಕಾಶದಲ್ಲಿ ದೃಷ್ಟಿಗೆ ಕಾಣಸಿಗುವ ಪ್ರಸಿದ್ಧವಾದ ಆಕಾಶವಸ್ತುಗಳಲ್ಲೊಂದು, ಮತ್ತು ದಾಖಲೆಗೊಂಡ ಇತಿಹಾಸಕ್ಕೂ ಮುಂಚೆಯೇ ಪ್ರಾಚೀನ ನಾಗರಿಕತೆಗಳಿಗೆ ಪರಿಚಿತವಾಗಿದೆ. ಇದನ್ನು ಸಾರಾಂಶ ಮಾಡಿ ನಾವು ಕಲಿತುದೇನು ಎಂದರೆ ಜುಪಿಟರ್ |
ಸೂರ್ಯನಿಂದ ಐದನೇ ಗ್ರಹವಾಗಿದ್ದು, ಸೌರಮಂಡಲದ ಅತಿ ದೊಡ್ಡ ಗ್ರಹವಾಗಿದೆ. ಇದು ಸೂರ್ಯನ ಭಾರದ ಸಾವಿರನೇ ಭಾಗದಷ್ಟು ಭಾರವಿರುವ ಅನಿಲ ಮಹಾಗ್ರಹ, ಆದರೆ ಉಳಿದ ಎಲ್ಲಾ ಒಟ್ಟೂ ಗ್ರಹಗಳ ಭಾರದ ಎರಡು-ಮೂವರು ಭಾಗಗಳಷ್ಟು ಭಾರದಾಗಿದೆ. ಇದು ಸುಲಭವಾಗಿ ಪ್ರತ್ಯಕ್ಷ ದೃಷ್ಟಿಗೆ ಕಾಣಸಿಗುತ್ತದೆ ಮತ್ತು ಪ್ರಾಚೀನ ಕಾಲದಿಂದ ಪರಿಚಿತವಾಗಿದೆ. |
| 2 | ಜುಪಿಟರ್ ಸೂರ್ಯನಿಂದ ಐದನೇ ಗ್ರಹವಾಗಿದ್ದು, ಸೌರಮಂಡಲದ ಅತಿ ದೊಡ್ಡ ಗ್ರಹವಾಗಿದೆ. ಇದು ಸೂರ್ಯನ ಭಾರದ ಸಾವಿರನೇ ಭಾಗದಷ್ಟು ಭಾರವಿರುವ ಅನಿಲ ಮಹಾಗ್ರಹ, ಆದರೆ ಸೌರಮಂಡಲದ ಉಳಿದ ಎಲ್ಲಾ ಗ್ರಹಗಳ ಒಟ್ಟು ಭಾರದ ಎರಡು-ಮೂವರು ಭಾಗಗಳಷ್ಟು ಭಾರದಾಗಿದೆ. ಜುಪಿಟರ್ ರಾತ್ರಿ ಆಕಾಶದಲ್ಲಿ ದೃಷ್ಟಿಗೆ ಕಾಣಸಿಗುವ ಪ್ರಸಿದ್ಧವಾದ ಆಕಾಶವಸ್ತುಗಳಲ್ಲೊಂದು, ಮತ್ತು ದಾಖಲೆಗೊಂಡ ಇತಿಹಾಸಕ್ಕೂ ಮುಂಚೆಯೇ ಪ್ರಾಚೀನ ನಾಗರಿಕತೆಗಳಿಗೆ ಪರಿಚಿತವಾಗಿದೆ. ಇದನ್ನು ಸಾರಾಂಶ ಮಾಡಿ ನಾವು ಕಲಿತ ಮೂರು ಪ್ರಮುಖ ವಿಚಾರಗಳು: |
1. ಜುಪಿಟರ್ ಸೂರ್ಯನಿಂದ ಐದನೇ ಗ್ರಹ ಮತ್ತು ಸೌರಮಂಡಲದ ಅತಿ ದೊಡ್ಡ ಗ್ರಹ. 2. ಇದು ಸೂರ್ಯನ ಭಾರದ ಸಾವಿರನೇ ಭಾಗದಷ್ಟು ಭಾರವಿರುವ ಅನಿಲ ಮಹಾಗ್ರಹ... 3. ಪ್ರಾಚೀನ ಕಾಲದಿಂದ ಜುಪಿಟರ್ ದೃಷ್ಯಮಾನವಾಗಿದೆ ... |
ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೇಟೆ ಎಂದರೆ ಮೂರ್ತಿ ರೂಪದಲ್ಲಿ ಸಂಗ್ರಹಿಸಿ ಮರುಬಳಕೆ ಮಾಡಲು ಆಗುವ ಪ್ರಾಂಪ್ಟ್ಗೆ ಪೂರ್ವನಿರ್ಧರಿತ ರೆಸಿಪಿ. ಸರಳ ರೂಪದಲ್ಲಿ ಇದು ಪ್ರಾಂಪ್ಟ್ ಉದಾಹರಣೆಗಳ ಸಂಗ್ರಹವಾಗಿದ್ದು ಆನ್ಲೈನ್ನಲ್ಲಿ ಮರುಬಳಕೆ ಮಾಡಲು ಉಪಯೋಗವಾಗುತ್ತದೆ. ಇದು OpenAI ಇಂದ ಈ ಉದಾಹರಣೆಯಂತೆ ಜೊತೆಗೆ ಸಂವಾದ ಹೊಂದಿದ ಪ್ರಾಂಪ್ಟ್ ಭಾಗಗಳು ಮತ್ತು API ಮೂಲಕ ವಿನಂತಿ ರೂಪವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ - ಇದರಿಂದ ಮರುಬಳಕೆಯನ್ನು ಸಹಾಯಕವಾಗಿಸುತ್ತದೆ.
ಇನ್ನು ಲಾಂಗ್ಚೈನ್ನಂತಹ ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಉದಾಹರಣೆಯಲ್ಲಿ ನೀವು ಭೇಟಿಯಾಗುವ ಟೆಂಪ್ಲೇಟುಗಳು ಹಲವಾರು ಮೂಲಗಳಿಂದ (ಬಳಕೆದಾರ ಇನ್ಪುಟ್, ಸಿಸ್ಟಂ ಸಂದರ್ಭ, ಬಾಹ್ಯ ದತ್ತಾಂಶ) ಮಾಹಿತಿ ಪಡೆದು ಚಲಿತ ಪ್ರಾಂಪ್ಟ್ ತಯಾರಿಸಲು ಸ್ಥಾನಾಪನಗಳು ಹೊಂದಿರುತ್ತವೆ. ಇವು ನಮಗೆ ನಿರಂತರ ಸಮಾನ ಅನುಭವ ನೀಡಲು ಪ್ರೋಗ್ರಾಮ್ಯಾಟಿಕೋಡಾಗಿ ಕೆಲಸ ಮಾಡುವ ಮರುಬಳಕೆ ಮಾಡಲು ಆಗುವ ಟೆಂಪ್ಲೇಟುಗಳ ಪಾಠಶಾಲೆಯನ್ನು ಸೃಷ್ಟಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ.
ಕೊನೆಗೆ, ಟೆಂಪ್ಲೇಟುಗಳ ಪ್ರಾಮುಖ್ಯತೆ ಎಂದರೆ ಪ್ರಾಂಪ್ಟ್ ಲೈಬ್ರರಿಗಳನ್ನು ರಚಿಸಿ ಪ್ರಕಟಿಸುವಲ್ಲಿ ಇವು ಅನ್ವಯವಾಗುತ್ತವೆ — ಇಲ್ಲಿ ವಿಶೇಷ ಅನ್ವಯ ಕ್ಷೇತ್ರಗಳಿಗೆ ಈ ಟೆಂಪ್ಲೇಟ್ಗಳು ಹೆಚ್ಚು ಸೂಕ್ತ, ಸಂದರ್ಭ ನಿರ್ದಿಷ್ಟ ಮತ್ತು ಸ್ಪಷ್ಟ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡಲು ವಿನ್ಯಾಸಗೊಳ್ಳುತ್ತವೆ. Prompts For Edu ಸಂಗ್ರಹವು ಶಿಕ್ಷಣ ಕ್ಷೇತ್ರದ ಪ್ರಮುಖ ಗುರಿಗಳನ್ನು ಗಮನಿಸಿ ಪಾಠ ರೂಪರೇಷೆಗಳ, ಪಠ್ಯಕ್ರಮ ವಿನ್ಯಾಸ, ವಿದ್ಯಾರ್ಥಿ ಪಾಠನದಾಯಕತೆ ಮೊದಲಾದವುಗಳಿಗೆ ಉದಾಹರಣೆಯಾಗುತ್ತದೆ.
ಪ್ರಾಂಪ್ಟ್ ನಿರ್ಮಾಣವನ್ನು ಸೂಚನೆ (ಕಾರ್ಯ) ಮತ್ತು ಗುರಿ (ಪ್ರಾಥಮಿಕ ವಿಷಯ) ಇರಿಸುವುದಾಗಿ ಭಾವಿಸಿದರೆ, ಅತिरिक्त ವಿಷಯ ಅನ್ನು ನಮಗೆ ಉತ್ಪನ್ನವನ್ನು ಪ್ರಭಾವಿಸಲಿರುವ ಹೆಚ್ಚುವರಿ ಸಂದರ್ಭದಂತೆ ಪರಿಗಣಿಸಬಹುದು. ಇದು ಟ್ಯೂನಿಂಗ್ ನಿಯಂತ್ರಣಗಳು, ಸಂರಚನಾ ಸೂಚನೆಗಳು, ವಿಷಯ ವರ್ಗೀಕರಣ ಇತ್ಯಾದಿ ಆಗಿರಬಹುದು, ಏದುಮೇಲೆ ಮಾದರಿಯ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಕಸ್ಟಮೈಸ್ ಮಾಡುತ್ತವೆ.
ಉದಾಹರಣೆ: ಒಂದು ಕೋರ್ಸ್ ಕ್ಯಾಟಲಾಗ್ ಒಳಗೊಂಡ ವ್ಯಾಪಕ ಮೆಟಾಡೇಟಾ (ಹೆಸರು, ವಿವರಣೆ, ಮಟ್ಟ, ಟ್ಯಾಗ್ಗಳು, ಬೋಧಕ ಇತ್ಯಾದಿ)
- ನಾವು "2023ರ ಶರದೃತು ಕೋರ್ಸ್ ಕ್ಯಾಟಲಾಗ್ ಸಾರಾಂಶ" ಮಾಡಲು ಸೂಚಿಸಬಹುದು
- ಪ್ರಾಥಮಿಕ ವಿಷಯದಲ್ಲಿ ಬೇಕಾದ ಔಟ್ಪುಟ್ ಉದಾಹರಣೆಗಳನ್ನು ನೀಡಬಹುದು
- ಅತिरिक्त ವಿಷಯದಲ್ಲಿ ಮೈಲುಕಲ್ಲು 5 "ಟ್ಯಾಗ್ಗಳನ್ನು" ಗುರುತಿಸಬಹುದು
ಈಗ ಮಾದರಿ ಕೆಲವು ಉದಾಹರಣೆಗಳಿಂದ ನಿರೂಪಿತ ರೀತಿಯಲ್ಲಿ ಸಾರಾಂಶ ಕೊಡಬಹುದು — ಔಟ್ಪುಟ್ ಬಹುತೇಕ ಆಗ ಇದನ್ನು ಪ್ರಾಥಮಿಕ ವಿಷಯದಿಂದ ತೆಗೆದುಕೊಳ್ಳಬಹುದು — ಮತ್ತು ಒಂದು ಫಲಿತಾಂಶದಲ್ಲಿ ಹಲವು ಟ್ಯಾಗ್ಗಳಿದ್ದರೆ, ಅತريقية 5 ಟ್ಯಾಗ್ಗಳನ್ನು ಆದ್ಯತೆ ನೀಡಬಹುದು.
ನಾವು ಈಗ ಪ್ರಾಂಪ್ಟ್ ಗಳನ್ನು ರಚಿಸುವ ವಿಧಾನ ತಿಳಿದುಕೊಂಡಿದ್ದೇವೆ. ಮುಂದಾಗಿ ಅವುಗಳನ್ನು ರಚನೆ ಮಾಡಲು ಅವು ಯಾವ ರೀತಿಯಲ್ಲಿ ಉತ್ತಮವಾಗುವುವೋ ಆ ಮಾರ್ಗದರ್ಶನಗಳನ್ನು ಯೋಚಿಸೋಣ. ಇದಕ್ಕೆ ಎರಡು ಭಾಗಗಳನ್ನು ನಾವು ಕೈಗೊಳ್ಳಬಹುದು — ಸರಿಯಾದ ಮನೋಭಾವ ಮತ್ತು ಸರಿಯಾದ ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸುವುದು.
ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್ ಪ್ರಯೋಗ ಮತ್ತು ದೋಷ ಪರೀಕ್ಷೆಯ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ, ಆದಕಾರಣ ಕಡತದ ಮೂರು ದೊಡ್ಡ ಮಾರ್ಗದರ್ಶಕ ಅಂಶಗಳನ್ನು ಗಮನದಲ್ಲಿರಿಸಬೇಕು:
-
ವರ್ಗ ಎಂದಾಗ ಮಹತ್ವವೂ ಇದೆ. ಪ್ರತಿಕ್ರಿಯೆಯ ನಿಖರತೆ ಮತ್ತು ಸಾದೃಶ್ಯವು ಆ ಅನ್ವಯಿಸುವ ವರ್ಗ (ಡೊಮೇನ್) ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿವೆ. ನಿಮ್ಮ ಅನುಭವ ಮತ್ತು ವರ್ಗ ತಿಳಿವಳಿಕೆಯನ್ನು ಬಳಸಿ ಕಸ್ಟಮೈಸ್ ಮಾಡಿದ ತಂತ್ರಗಳನ್ನು ರೂಪಿಸಬೇಕು. ಉದಾಹರಣೆಗೆ, ಸಿಸ್ಟಂ ಪ್ರಾಂಪ್ಟ್ಗಳಲ್ಲಿ ವರ್ಗಸಂದರ್ಭದ ವ್ಯಕ್ತಿತ್ವಗಳನ್ನು ಅಳವಡಿಸಬಹುದು ಅಥವಾ ಬಳಕೆದಾರ ಪ್ರಾಂಪ್ಟ್ಗಳಲ್ಲಿ ವರ್ಗ ನಿಗದಿತ ಟೆಂಪ್ಲೇಟುಗಳನ್ನೂ ಬಳಸಬಹುದು. ಆ ವರ್ಗಕ್ಕೆ ನಿಖರವಾದ ಅತिरिक्त ವಿಷಯ ಮತ್ತು ಮಾದರಿಗೆ ಪರಿಚಿತ ರೀತಿಯ ಉದಾಹರಣೆಗಳನ್ನು ಒದಗಿಸಿ.
-
ಮಾದರಿ ತಿಳುವಳಿಕೆಯೂ ಮುಖ್ಯ. ಮಾದರಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಸ್ಟೊಕ್ಯಾಸ್ಟಿಕ್ ಆಗಿರುವುದರಿಂದ ತೀವ್ರತೆಯ ಜೊತೆಗೆ ತರಬೇತಿ ಡೇಟಾಸೆಟ್ (ಪೂರ್ವತರಬೇತಿಗೊಳಿಸಿರುವ ಜ್ಞಾನ), API ಅಥವಾ SDK ಮೂಲಕ ನೀಡುವ ಸಾಮರ್ಥ್ಯಗಳು, ಮತ್ತು ಸಾಧ್ಯವಾದ ವಿಷಯ ಪ್ರಕಾರ (ಕೋಡ್, ಚಿತ್ರ, ಪಠ್ಯ) ಮೂರು ಮುಖ್ಯ ಅಂಶಗಳನ್ನು ಗುರುತಿಸುವುದು. ನೀವು ಬಳಸುವ ಮಾದರಿಯ ಶಕ್ತಿ ಮತ್ತು ಮಿತಿ ತಿಳಿದುಕೊಳ್ಳಿ, ಮತ್ತು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಕಾರ್ಯಗಳನ್ನು ಆದ್ಯತೆ ನೀಡಿ ಅಥವಾ ಕಸ್ಟಮ್ ಟೆಂಪ್ಲೇಟುಗಳನ್ನು ರಚಿಸಿ.
-
ಪುನರಾವರ್ತನೆ ಮತ್ತು ಮಾನ್ಯತೆ ಮುಖ್ಯ. ಮಾದರಿಗಳು ಭಾರಿ ದ್ರುತ ಬೆಳವಣಿಗೆಯನ್ನು ಹೊಂದಿರುವುದರಿಂದ ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್ ತಂತ್ರಗಳು ಕೂಡ ಬೆಳೆಯುತ್ತವೆ. ನೀವು ಹೊರಗಿನ ಜಾಗತಿಕ ಸಮುದಾಯಕ್ಕೆ ಅನ್ವಯವಾಗದ ನಿಮಗೆ ವೈಯಕ್ತಿಕವಾಗಿರುವ ನಿರ್ದಿಷ್ಟ ಬಳಕೆದಾರ ಸನ್ನಿವೇಶ ಅಥವಾ ಮಾನದಂಡಗಳನ್ನು ಹೊಂದಿರಬಹುದು. ಇದಕ್ಕಾಗಿ ನಿಮ್ಮ ಜ್ಞಾನ ಹಾಗೂ ಅನುಭವದ ಆಧಾರದಲ್ಲಿ ಲಿಖಿತವಾದ ಜ್ಞಾನ ಭಂಡಾರ (ಉದಾ: ಪ್ರಾಂಪ್ಟ್ ಲೈಬ್ರರಿಗಳು) ರೂಪಿಸಿ, ವೇಗವಾಗಿ ಮುಂದುವರಿಯಲು ಉಪಯೋಗಿಸಿ.
ಇಲ್ಲಿ OpenAI ಮತ್ತು Azure OpenAI ನಿಂದ ಶಿಫಾರಸು ಮಾಡಿದ ಸಾಮಾನ್ಯ ಉತ್ತಮ ಅಭ್ಯಾಸಗಳಿವೆ.
| ಏನು | ಏಕೆ |
|---|---|
| ಇತ್ತೀಚಿನ ಮಾದರಿಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ | ಹೊಸ ಜನೆರೇಶನ್ ಮಾದರಿಗಳು ಉತ್ತಮ ಲಕ್ಷಣಗಳು ಮತ್ತು ಗುಣಮಟ್ಟ ನೀಡಬಹುದು - ಆದರೂ ಕೂಡ ಹೆಚ್ಚು ವೆಚ್ಚ ಉಂಟಾಗಬಹುದು. ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಅಳವಡಿಸಿ, ನಂತರ ಸ್ಥಳಾಂತರ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ. |
| ಸೂಚನೆಗಳು ಮತ್ತು ಸನ್ನಿವೇಶವನ್ನು ವಿಭಜಿಸಿ | ನಿಮ್ಮ ಮಾದರಿ ಅಥವಾ ಸೇವಾಪೂರೈಕೆದಾರ ಸೂಚನೆಗಳು ಮತ್ತು ಪ್ರಾಥಮಿಕ/ದ್ವಿತೀಯ ವಿಷಯವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಪ್ರತ್ಯೇಕಿಸಲು ಡಿಲಿಮಿಟರ್ಗಳು ಹೊಂದಿದ್ದರೆ ಪರಿಶೀಲಿಸಿ. ಇದು ಮಾದರಿಯು ಒಬ್ಬ ಟೋಕನ್ಗೆ ಮೇಲೆ ಹೆಚ್ಚು ತೂಕ ನೀಡುವುದರಲ್ಲಿ ಸಹಾಯಕ. |
| ಸ್ಪಷ್ಟ ಹಾಗೂ ನಿಖರವಾಗಿರಿ | ಇಚ್ಛಿತ ಸನ್ನಿವೇಶ, ಫಲಿತಾಂಶ, ಉದ್ದ, ಸ್ವರೂಪ, ಶೈಲಿ ಮುಂತಾದ ಕುರಿತು ಹೆಚ್ಚು ವಿವರ ಒದಗಿಸಿ. ಇದರಿಂದ ಪ್ರತಿಕ್ರಿಯೆಯ ಗುಣಮಟ್ಟ ಮತ್ತು ಸಧೃಡತೆ ಎರಡು ಹೆಚ್ಚಾಗುತ್ತದೆ. ಮರುಬಳಕೆ ಆಗುವ ಟೆಂಪ್ಲೇಟುಗಳಲ್ಲಿ ವ್ಯಾಖ್ಯಾನ ಮಾಡಿ. |
| ವಿವರಣೆಮಾಡಿ, ಉದಾಹರಣೆ ನೀಡಿ | ಮಾದರಿಗಳು "ತೋರಿಸಿ ಹೇಳಿ" ವಿಧಾನದ ಮೇಲೆ ಉತ್ತಮವಾಗಿ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡಬಲ್ಲವು. ಪ್ರಾರಂಭದಲ್ಲಿ ಶೂನ್ಯ-ಶಾಟ್ ವಿಧಾನದಿಂದ ಆರಂಭಿಸಿ (ಸೂಚನೆ ಮಾತ್ರ, ಉದಾಹರಣೆ ಇಲ್ಲದಂತೆ) ನಂತರ ಕೆಲವು-ಶಾಟ್ ಮೂಲಕ ಕ್ಷಿಪ್ರಗೊಳಿಸಿ, ಅಗತ್ಯವಾದ ಔಟ್ಪುಟ್ ಉದಾಹರಣೆಗಳನ್ನು ಒದಗಿಸಿ. ರೂಪಕ ಬಳಸಿ. |
| ಪ್ರಾಂಪ್ಟ್ ಪೂರ್ಣಗೊಳಿಸುವಿಕೆಗೆ ಸೂಚನೆಯನ್ನು ಬಳಸಿ | ಇಚ್ಛಿತ ಫಲಿತಾಂಶಕ್ಕೆ ತಲುಪಲು ಪ್ರಾರಂಭಿಕ ಪದಗಳು ಅಥವಾ ವಾಕ್ಯರಚನೆಯನ್ನು ನೀಡಿ, ಇದು ಅವನು ಪ್ರತಿಕ್ರಿಯೆ ಆರಂಭಿಸಲು ಸುವಿಧೆ. |
| ಮರುಬಾರದಿರುವುದು | ಕೆಲವೊಮ್ಮೆ ನಿಮ್ಮನ್ನು ಮಾದರಿಗೆ ಮರುಪಡೆಯಬೇಕಾಗಬಹುದು. ಪ್ರಾಥಮಿಕ ವಿಷಯಕ್ಕೆ ಮುಂಚೆ ಮತ್ತು ನಂತರ ಸೂಚನೆ ನೀಡಿ, ಸೂಚನೆ ಮತ್ತು ಸೂಚನೆಯನ್ನು ಜೋಡಿ ಇತ್ಯಾದಿ. ಪ್ರಯೋಗ ಮಾಡಿ ಯಾವುದು ಉತ್ತಮ ಎಂದು ಪರಿಶೀಲಿಸಿ. |
| ಕ್ರಮ ಮಹತ್ವವಿದೆ | ನೀವು ನೀಡುವ ಮಾಹಿತಿಯ ಕ್ರಮವು ಔಟ್ಪುಟ್ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ, ಆದರೆ ಕಲಿಕಾ ಉದಾಹರಣೆಗಳಲ್ಲಿಯೂ ಇದು ಪ್ರಸ್ತುತಮಾನಕ್ಕೆ ಅನುಬಂಧಿತವಾಗಿದೆ. ವಿಭಿನ್ನ ಆಯ್ಕೆಗಳನ್ನು ಪ್ರಯೋಗಿಸಿ ಯಾವುದು ಉತ್ತಮ ಎಂದು ನೋಡಿ. |
| “ಹೊರಟು ಹೋಗಲು” ಅವಕಾಶ ನೀಡಿ | ಯಾವುದೇ ಕಾರಣಕ್ಕಾಗಿ ಕಾರ್ಯ ಪೂರ್ಣಗೊಳಿಸಲು ಸಾಧ್ಯವಿಲ್ಲದಿದ್ದರೆ, ಮಾದರಿಗೆ ಒಂದು ಬಳಿಕೋಟು (fallback) ಉತ್ತರವನ್ನು ಕೊಡಿ. ಇದು ಮಿಥ್ಯ ಅಥವಾ ಸುಳ್ಳು ಉತ್ತರಗಳ ಪೊತಿಕೆ ಕಡಿಮೆಮಾಡುತ್ತದೆ. |
ಯಾವುದೇ ಉತ್ತಮ ಅಭ್ಯಾಸದಂತೆ, ನಿಮ್ಮ ಅನುಭವ ಮಾದರಿ, ಕಾರ್ಯ ಮತ್ತು ವರ್ಗನ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಬಹುದು. ಇವರನ್ನು ಆರಂಭಿಕ ತಳವಾಗಿ ಪರಿಗಣಿಸಿ, ಪ್ರಯೋಗ ಮಾಡಿ, ಸುಧಾರಣೆ ಮಾಡಿ. ಹೊಸ ಮಾದರಿ ಮತ್ತು ಪರಿಕರಗಳು ಬಂದಂತೆ ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಮರುಮೌಲ್ಯಮಾಪನ ಮಾಡಿ, ಪ್ರಕ್ರಿಯೆಯ ವ್ಯಾಪ್ತಿಯೂ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಯ ಗುಣಮಟ್ಟವೂ ಗಮನದಲ್ಲಿಡಿ.
ಹುಡುಗಾಟಕ್ಕೆ ಶುಭಾಶಯಗಳು! ಪಾಠದ ಕೊನೆಗೇರಿದ್ದೀರಿ! ಈಗ ಆ ಕಲಿತ ತತ್ವಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ನಿಜವಾದ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಪರಿಕ್ಷೆ ಹಾಕಲು ಸಮಯ.
ನಾವು ಜುಪಿಟರ್ ನೋಟ್ಬುಕ್ನೊಂದಿಗೆ ಸರಳ ಅನ್ವಯಗಳು ಮತ್ತು ವ್ಯಾಯಾಮಗಳನ್ನು ಕೊಡಲಿದ್ದೇವೆ. ನೀವು ನಿಮ್ಮದೇ ಮಾರ್ಕ್ಡೌನ್ ಮತ್ತು ಕೋಡ್ ಸೆಲ್ಗಳನ್ನು ಸೇರಿಸಿಕೊಂಡು ವೈಯಕ್ತಿಕವಾಗಿ ಅನ್ವೇಷಿಸಬಹುದು ಮತ್ತು ಅಭ್ಯಾಸ ಮಾಡಬಹುದು.
- (ಶಿಫಾರಸು) GitHub Codespaces ಶುರುಮಾಡಿ
- (ಪರ್ಯಾಯವಾಗಿ) ನಿಮ್ಮ ಸ್ಥಳೀಯ ಯಂತ್ರಕ್ಕೆ ರೆಪೋ ಕ್ಲೋನ್ ಮಾಡಿ ಮತ್ತು Docker Desktop ಬಳಸಿ
- (ಪರ್ಯಾಯವಾಗಿ) ನಿಮ್ಮ ಇಷ್ಟದ ನೋಟ್ಬುಕ್ ಸುತ್ತೋಲೆಣೆಯೊಂದಿಗೆ ನೋಟ್ಬುಕ್ ತೆರೆಯಿರಿ.
- ರೆಪೋ ಮೂಲದಲ್ಲಿರುವ
.env.copyಫೈಲ್ ಅನ್ನು.envಗೆ ನಕಲಿಸಿ ಮತ್ತುAZURE_OPENAI_API_KEY,AZURE_OPENAI_ENDPOINT,AZURE_OPENAI_DEPLOYMENTಮೌಲ್ಯಗಳನ್ನು ತುಂಬಿ. ಹೇಗೆ ಎಂಬುದನ್ನು ತಿಳಿದುಕೊಳ್ಳಲು Learning Sandbox ವಿಭಾಗಕ್ಕೆ ತೆರಳಿ.
- ರನ್-ಟೈಮ್ ಕಿಮ್ಮತ್ತು ಆಯ್ಕೆಮಾಡಿ. ಆಯ್ಕೆ 1 ಅಥವಾ 2 ಬಳಕೆದಾರರು ಸಾಮಾನ್ಯ Python 3.10.x ಕಿಮ್ಮತನ್ನು ಡೆವ್ ಕಂಟೇನರ್ ಮೂಲಕ ಆಯ್ಕೆಮಾಡಬಹುದು.
ನೀವು ವ್ಯಾಯಾಮಗಳನ್ನು ಚಲಾಯಿಸಲು ಸಿದ್ಧರಾದೀರಿ. ಇಲ್ಲಿ ಸರಿಯಾಗಿ ಅಥವಾ ತಪ್ಪಾಗಿ ಉತ್ತರ ಹೊಂದಿದ್ದು ಇಲ್ಲ — ಪ್ರಯೋಗ ಮಾಡಿಕೊಂಡು, ಆ ಮಾದರಿ ಅಥವಾ ಅನ್ವಯಕ್ಕೆ ಉತ್ತಮವನ್ನೇ ಕಂಡುಕೊಳ್ಳುವುದು ಉದ್ದೇಶ.
ಆ ಕಾರಣಕ್ಕಾಗಿ ಈ ಪಾಠದಲ್ಲಿ ಯಾವುದೇ ಕೋಡ್ ಪರಿಹಾರ ಭಾಗಗಳಿಲ್ಲ. ಬದಲಾಗಿ, ನೋಟ್ಬುಕ್ನಲ್ಲಿ “ನನ್ನ ಪರಿಹಾರ:” ಹೆಸರಿನ ಮಾರ್ಕ್ಡೌನ್ ಸೆಲ್ಗಳಿವೆ, ಅವು ಒಂದೊಂದು ಉದಾಹರಣೆಯ ಫಲಿತಾಂಶವನ್ನು ತೋರಿಸುತ್ತವೆ.
ಕೆಳಗಿನ ಪ್ರಾಂಪ್ಟ್ಗಳಲ್ಲಿ ಯಾವುದು ಸೂಕ್ತ ಹಾಗು ಸಹಜ ಉತ್ತಮ ಅಭ್ಯಾಸಗಳನ್ನು ಅನುಸರಿಸುತ್ತದೆ?
- ನನ್ನಿಗೆ ಕೆಂಪು ಕಾರಿನ ಚಿತ್ರ ತೋರಿಸಿ
- ನನ್ನಿಗೆ ಒಮ್ಮೆಲೆ ಇದ್ದ ಕೆಂಪು ಕಾರಿನ Volvo ಬರೆದ XC90 ಮಾದರಿಯ ಕಾರು ಆಗಿದ್ದು, ಬಂಡೆಯ ಬದಿಯಲ್ಲಿ ಸೂರ್ಯನು ಹತ್ತಿರುವುದು ಚಿತ್ರಿಸಿ
- ನನ್ನಿಗೆ Volvo ಬರೆದ XC90 ಮಾದರಿಯ ಕಾರಿನ ಕೆಂಪು ಚಿತ್ರ ತೋರಿಸಿ
ಉತ್ತರ: 2, ಇದಕ್ಕೆ "ಏನು" ಬಗ್ಗೆ ವಿವರ ನೀಡಿದ್ದು, ಮೂರು ಅಂಶಗಳಲ್ಲು ನಿಖರವಾಗಿದೆ (ಯಾವುದೇ ಕಾರು ಅಲ್ಲ, ನಿಗದಿತ ಮಾದರಿ ಮತ್ತು ತಯಾರಕರೂ ಹಾಗೂ ಸನ್ನಿವೇಶವಿದೆ). 3 ಎರಡನೇ ಉತ್ತಮ, ಅದು ಹೆಚ್ಚಿನ ವಿವರಣೆಯನ್ನು ಹೊಂದಿದೆ.
"ಶೋ ಮಿ ಆನ್ ಇಮೇಜ್ ಆಫ್ ರೆಡ್ ಕಾರ್ ಆಫ್ ಮೇಕ್ ವ್ಯಾಲ್ವೋ ಆಂಡ್ " ಎಂಬ ಪ್ರಾಂಪ್ಟ್ನೊಂದಿಗೆ "ಕ್ಯೂ" ತಂತ್ರವನ್ನು ಪ್ರಯೋಗಿಸಿ ನೋಡಿ. ಅದು ಯಾವ ರೀತಿಯಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ? ನೀವು ಅದನ್ನು ಹೇಗೆ ಸುಧಾರಿಸಬಹುದು?
ಭಿನ್ನ ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್ ತತ್ವಗಳ ಬಗ್ಗೆ ಇನ್ನಷ್ಟು ತಿಳಿದುಕೊಳ್ಳಬೇಕು? ತொடರಿದ ಅಧ್ಯಯನ ಪುಟಕ್ಕೆ ಹೋಗಿ ಈ ವಿಷಯದ ಬಗ್ಗೆ ಉತ್ತಮ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನೋಡಿ.
ನಾವು ಮುಂದಿನ ಪಾಠದಲ್ಲಿ ಮುಂದುನಡೆಯುವ ಪ್ರಾಂಪ್ಟ್ ತಂತ್ರಜ್ಞಾನ ಕುರಿತ ಅಧ್ಯಯನ ಮಾಡುತ್ತೇವೆ!
ಅस्वೀಕರಣ:
ಈ ದಾಖಲೆ AI ಅನುವಾದ ಸೇವೆ Co-op Translator ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ಶುದ್ದತೆಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ತಪ್ಪುಗಳು ಇರಬಹುದೆಂದು ಗಮನವಿಡಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿನ ಮೂಲ ದಾಖಲೆಆಧಾರಿತವಾಗಿರಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗೆ ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗ್ರಹಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.