Tässä moduulissa käsitellään keskeisiä käsitteitä ja tekniikoita tehokkaiden kehotteiden luomiseksi generatiivisissa tekoälymalleissa. Tapa, jolla kirjoitat kehotteesi LLM:lle, on myös tärkeä. Huolellisesti laadittu kehotus voi parantaa vastausten laatua. Mutta mitä tarkalleen ottaen tarkoittavat termit kehotus ja kehotussuunnittelu? Ja miten voin parantaa LLM:lle lähettämääni kehotteen sisältöä? Näihin kysymyksiin pyrimme vastaamaan tässä ja seuraavassa luvussa.
Generatiivinen tekoäly kykenee luomaan uutta sisältöä (esim. tekstiä, kuvia, ääntä, koodia jne.) käyttäjän pyyntöjen perusteella. Tämä saavutetaan laajojen kielimallien avulla, kuten OpenAI:n GPT-sarjan ("Generative Pre-trained Transformer") avulla, jotka on koulutettu käyttämään luonnollista kieltä ja koodia.
Käyttäjät voivat nyt olla vuorovaikutuksessa näiden mallien kanssa tutuilla tavoilla, kuten chatin avulla, ilman teknistä osaamista tai koulutusta. Mallit ovat kehotuspohjaisia - käyttäjät lähettävät tekstisyötteen (kehotus) ja saavat takaisin tekoälyn vastauksen (täydentäminen). He voivat sitten "keskustella tekoälyn kanssa" iteratiivisesti, monikierroksisissa keskusteluissa, hienosäätäen kehotettaan, kunnes vastaus vastaa heidän odotuksiaan.
"Kehotteet" ovat nyt ensisijainen ohjelmointirajapinta generatiivisille tekoälysovelluksille, kertoen malleille, mitä tehdä ja vaikuttaen palautettujen vastausten laatuun. "Kehotussuunnittelu" on nopeasti kasvava tutkimusalue, joka keskittyy kehotteiden suunnitteluun ja optimointiin tuottamaan johdonmukaisia ja laadukkaita vastauksia laajassa mittakaavassa.
Tässä oppitunnissa opimme, mitä kehotussuunnittelu on, miksi se on tärkeää ja miten voimme luoda tehokkaampia kehotteita tietylle mallille ja sovellustavoitteelle. Ymmärrämme kehotussuunnittelun keskeiset käsitteet ja parhaat käytännöt - ja opimme interaktiivisesta Jupyter Notebooks -"hiekkalaatikko" -ympäristöstä, jossa voimme nähdä nämä käsitteet sovellettuna todellisiin esimerkkeihin.
Oppitunnin lopussa pystymme:
- Selittämään, mitä kehotussuunnittelu on ja miksi se on tärkeää.
- Kuvailemaan kehotteen osat ja niiden käyttötavat.
- Oppimaan parhaat käytännöt ja tekniikat kehotussuunnitteluun.
- Soveltamaan opittuja tekniikoita todellisiin esimerkkeihin käyttäen OpenAI-päätepistettä.
Kehotussuunnittelu: Käytäntö suunnitella ja hienosäätää syötteitä ohjaamaan tekoälymalleja tuottamaan haluttuja tuloksia. Tokenisointi: Prosessi, jossa teksti muunnetaan pienemmiksi yksiköiksi, joita kutsutaan tokeneiksi, joita malli voi ymmärtää ja käsitellä. Ohjeistuksella hienosäädetyt LLM:t: Laajennetut kielimallit (LLM:t), joita on hienosäädetty erityisillä ohjeilla parantamaan niiden vastausten tarkkuutta ja merkityksellisyyttä.
Kehotussuunnittelu on tällä hetkellä enemmän taidetta kuin tiedettä. Paras tapa parantaa intuitiotamme siitä on harjoitella enemmän ja omaksua kokeilu- ja erehdyslähestymistapa, joka yhdistää sovellusalueen asiantuntemuksen suositeltuihin tekniikoihin ja mallikohtaisiin optimointeihin.
Tämän oppitunnin mukana tuleva Jupyter Notebook tarjoaa hiekkalaatikko -ympäristön, jossa voit kokeilla oppimaasi - joko matkan varrella tai osana koodin haasteita lopussa. Harjoitusten suorittamiseen tarvitset:
- Azure OpenAI API -avain - palvelupäätepiste käyttöönotetulle LLM:lle.
- Python-ajonaika - jossa Notebook voidaan suorittaa.
- Paikalliset ympäristömuuttujat - suorita SETUP vaiheet nyt valmistautuaksesi.
Notebook sisältää aloitus -harjoituksia - mutta sinua kannustetaan lisäämään omia Markdown (kuvaus) ja Code (kehotuspyynnöt) osioita kokeillaksesi enemmän esimerkkejä tai ideoita - ja kehittääksesi intuitiotasi kehotussuunnittelussa.
Haluatko saada yleiskuvan siitä, mitä tämä oppitunti kattaa ennen kuin sukellat sisään? Tutustu tähän kuvitettuun oppaaseen, joka antaa sinulle käsityksen tärkeimmistä aiheista, joita käsitellään, ja keskeisistä havainnoista, joita sinun tulisi pohtia kussakin niistä. Oppitunnin tiekartta vie sinut ydinajatusten ja haasteiden ymmärtämisestä niiden käsittelyyn asiaankuuluvilla kehotussuunnittelutekniikoilla ja parhailla käytännöillä. Huomaa, että tämän oppaan "Edistyneet tekniikat" -osio viittaa seuraavan luvun sisältöön tässä opetussuunnitelmassa.
Keskustellaan nyt siitä, miten tämä aihe liittyy startup-yrityksemme tehtävään tuoda tekoälyinnovaatioita koulutukseen. Haluamme rakentaa tekoälypohjaisia sovelluksia henkilökohtaiseen oppimiseen - joten mietitään, miten eri käyttäjät sovelluksessamme saattavat "suunnitella" kehotteita:
- Ylläpitäjät saattavat pyytää tekoälyä analysoimaan opetussuunnitelman tietoja katvealueiden tunnistamiseksi. Tekoäly voi tiivistää tulokset tai visualisoida ne koodin avulla.
- Opettajat saattavat pyytää tekoälyä luomaan oppituntisuunnitelman kohdeyleisölle ja aiheelle. Tekoäly voi rakentaa henkilökohtaisen suunnitelman määritellyssä muodossa.
- Oppilaat saattavat pyytää tekoälyä opettamaan heitä vaikeassa aiheessa. Tekoäly voi nyt opastaa oppilaita oppitunneilla, vihjeillä ja esimerkeillä, jotka on räätälöity heidän tasolleen.
Tämä on vain jäävuoren huippu. Tutustu Prompts For Education - avoimen lähdekoodin kehotekirjastoon, jonka ovat kuratoineet koulutuksen asiantuntijat - saadaksesi laajemman käsityksen mahdollisuuksista! Kokeile ajaa joitain näistä kehotteista hiekkalaatikossa tai käyttämällä OpenAI Playgroundia nähdäksesi, mitä tapahtuu!
Aloitimme tämän oppitunnin määrittelemällä kehotussuunnittelun prosessiksi, jossa suunnitellaan ja optimoidaan tekstisyötteitä (kehotteita) tuottamaan johdonmukaisia ja laadukkaita vastauksia (täydentämisiä) tietylle sovellustavoitteelle ja mallille. Voimme ajatella tätä kaksivaiheisena prosessina:
- suunnitellaan alkuperäinen kehotus tietylle mallille ja tavoitteelle
- hienosäädetään kehotusta iteratiivisesti parantamaan vastauksen laatua
Tämä on välttämättä kokeilu- ja erehdysprosessi, joka vaatii käyttäjän intuitiota ja vaivannäköä optimaalisten tulosten saavuttamiseksi. Miksi se sitten on tärkeää? Vastaamme tähän kysymykseen ymmärtämällä ensin kolme käsitettä:
- Tokenisointi = miten malli "näkee" kehotteen
- Perus-LLM:t = miten perusmalli "käsittelee" kehotteen
- Ohjeistuksella hienosäädetyt LLM:t = miten malli voi nyt nähdä "tehtävät"
LLM näkee kehotteet tokenien sarjana, jossa eri mallit (tai mallin versiot) voivat tokenisoida saman kehotteen eri tavoin. Koska LLM:t on koulutettu tokeneilla (eikä raakatekstillä), kehotteiden tokenisoinnin tapa vaikuttaa suoraan tuotetun vastauksen laatuun.
Jos haluat saada käsityksen tokenisoinnin toiminnasta, kokeile työkaluja, kuten OpenAI Tokenizer. Kopioi kehotteesi - ja katso, miten se muunnetaan tokeneiksi, kiinnittäen huomiota siihen, miten välilyönnit ja välimerkit käsitellään. Huomaa, että tämä esimerkki näyttää vanhemman LLM:n (GPT-3) - joten kokeilemalla tätä uudemmalla mallilla voi tuottaa erilaisen tuloksen.
Kun kehotus on tokenisoitu, "Perus-LLM":n (tai perusmallin) ensisijainen tehtävä on ennustaa token kyseisessä sarjassa. Koska LLM:t on koulutettu massiivisilla tekstidatakoosteilla, niillä on hyvä käsitys tokenien välisistä tilastollisista suhteista ja ne voivat tehdä ennusteen luottavaisesti. Huomaa, että ne eivät ymmärrä sanojen merkitystä kehotteessa tai tokenissa; ne vain näkevät kuvion, jonka ne voivat "täydentää" seuraavalla ennusteellaan. Ne voivat jatkaa ennustamista, kunnes käyttäjä keskeyttää ne tai jokin ennalta määritelty ehto täyttyy.
Haluatko nähdä, miten kehotepohjainen täydentäminen toimii? Syötä yllä oleva kehotus Azure OpenAI Studion Chat Playground oletusasetuksilla. Järjestelmä on konfiguroitu käsittelemään kehotteita tiedonpyyntöinä - joten sinun pitäisi nähdä täydentäminen, joka täyttää tämän kontekstin.
Mutta entä jos käyttäjä halusi nähdä jotain erityistä, joka täyttää jonkin kriteerin tai tehtävän tavoitteen? Tässä kohtaa ohjeistuksella hienosäädetyt LLM:t tulevat kuvaan.
Ohjeistuksella hienosäädetty LLM alkaa perusmallista ja hienosäätää sitä esimerkkien tai syöte/vastausparien (esim. monikierroksisten "viestien") avulla, jotka voivat sisältää selkeitä ohjeita - ja tekoälyn vastaus yrittää noudattaa kyseistä ohjetta.
Tämä käyttää tekniikoita, kuten vahvistusoppimista ihmisen palautteen avulla (RLHF), jotka voivat kouluttaa mallia seuraamaan ohjeita ja oppimaan palautteesta, jotta se tuottaa vastauksia, jotka soveltuvat paremmin käytännön sovelluksiin ja ovat merkityksellisempiä käyttäjän tavoitteille.
Kokeillaan sitä - palataan yllä olevaan kehotteeseen, mutta nyt muutetaan järjestelmäviesti antamaan seuraava ohje kontekstina:
Tiivistä sinulle annettu sisältö toisen luokan oppilaalle. Pidä tulos yhdessä kappaleessa, jossa on 3-5 kohtaa.
Näetkö, miten tulos on nyt hienosäädetty heijastamaan haluttua tavoitetta ja muotoa? Opettaja voi nyt suoraan käyttää tätä vastausta kyseisen luokan dioissa.
Nyt kun tiedämme, miten LLM:t käsittelevät kehotteita, keskustellaan miksi tarvitsemme kehotussuunnittelua. Vastaus löytyy siitä, että nykyiset LLM:t aiheuttavat useita haasteita, jotka tekevät luotettavien ja johdonmukaisten täydennysten saavuttamisesta haastavampaa ilman kehotteen rakentamiseen ja optimointiin panostamista. Esimerkiksi:
-
Mallien vastaukset ovat stokastisia. Sama kehotus tuottaa todennäköisesti erilaisia vastauksia eri malleilla tai malliversioilla. Ja se voi jopa tuottaa erilaisia tuloksia samalla mallilla eri aikoina. Kehotussuunnittelutekniikoilla voimme minimoida näitä vaihteluita tarjoamalla parempia suojakaiteita.
-
Mallit voivat sepittää vastauksia. Mallit on esikoulutettu laajoilla mutta rajallisilla tietokokonaisuuksilla, mikä tarkoittaa, että niiltä puuttuu tietämys koulutuksen ulkopuolisista käsitteistä. Tämän seurauksena ne voivat tuottaa täydennyksiä, jotka ovat epätarkkoja, kuvitteellisia tai suoraan ristiriidassa tunnettujen faktojen kanssa. Kehotussuunnittelutekniikoilla autamme käyttäjiä tunnistamaan ja lieventämään tällaisia sepityksiä esim. pyytämällä tekoälyltä viittauksia tai perusteluja.
-
Mallien kyvyt vaihtelevat. Uudemmilla malleilla tai mallisukupolvilla on rikkaampia kykyjä, mutta ne tuovat myös ainutlaatuisia omituisuuksia ja kompromisseja kustannuksissa ja monimutkaisuudessa. Kehotussuunnittelulla voimme kehittää parhaita käytäntöjä ja työnkulkuja, jotka abstrahoivat erot ja mukautuvat mallikohtaisiin vaatimuksiin skaalautuvalla, saumattomalla tavalla.
Katsotaanpa tätä toiminnassa OpenAI:n tai Azure OpenAI:n Playgroundissa:
- Käytä samaa kehotetta eri LLM-järjestelmissä (esim. OpenAI, Azure OpenAI, Hugging Face) - näitkö vaihteluita?
- Käytä samaa kehotetta toistuvasti samassa LLM-järjestelmässä (esim. Azure OpenAI Playground) - miten nämä vaihtelut erosivat?
Tässä kurssissa käytämme termiä "sepitys" viittaamaan ilmiöön, jossa LLM:t joskus tuottavat tosiasiallisesti virheellistä tietoa koulutuksen rajoitusten tai muiden rajoitteiden vuoksi. Saatat myös olla kuullut tätä kutsuttavan "hallusinaatioiksi" suosituissa artikkeleissa tai tutkimuspapereissa. Suosittelemme kuitenkin vahvasti käyttämään termiä "sepitys" niin, ettemme vahingossa inhimillistäisi käyttäytymistä antamalla koneohjatulle tulokselle ihmismäistä ominaisuutta. Tämä myös vahvistaa Vastuullisen tekoälyn ohjeita terminologian näkökulmasta, poistamalla termejä, joita saatetaan pitää loukkaavina tai epäinklusiivisina joissakin yhteyksissä.
Haluatko saada käsityksen siitä, miten sepitykset toimivat? Mieti kehotetta, joka ohjeistaa tekoälyä tuottamaan sisältöä olemattomasta aiheesta (jotta se ei löydy koulutusaineistosta). Esimerkiksi - kokeilin tätä kehotetta:
Kehotus: luo oppituntisuunnitelma Marsin sodasta vuodelta 2076.
Verkkohaku näytti minulle, että oli olemassa fiktiivisiä kertomuksia (esim. televisiosarjoja tai kirjoja) Marsin sodista - mutta ei vuodelta 2076. Järki myös kertoo meille, että vuosi 2076 on tulevaisuudessa ja siten, sitä ei voida liittää todelliseen tapahtumaan.
Mitä tapahtuu, kun ajamme tämän kehotteen eri LLM-tarjoajilla?
Vastaus 1: OpenAI Playground (GPT-35)
Vastaus 2: Azure OpenAI Playground (GPT-35)
Vastaus 3: Hugging Face Chat Playground (LLama-2)
Kuten odotettiin, jokainen malli ( Lopulta mallipohjien todellinen arvo piilee kyvyssä luoda ja julkaista kehotekirjastoja vertikaalisille sovellusalueille - joissa kehotemalli on nyt optimoitu heijastamaan sovelluskohtaisia konteksteja tai esimerkkejä, jotka tekevät vastauksista käyttäjäyleisölle osuvampia ja tarkempia. Prompts For Edu -tietovarasto on hyvä esimerkki tästä lähestymistavasta, kuratoiden kirjaston kehotteita koulutusalueelle, keskittyen keskeisiin tavoitteisiin kuten oppituntien suunnittelu, opetussuunnitelman suunnittelu, opiskelijoiden ohjaus jne.
Jos ajattelemme kehotteen rakentamista sisältävän ohjeen (tehtävä) ja kohteen (ensisijainen sisältö), niin toissijainen sisältö on kuin lisäkonteksti, jonka annamme vaikuttaaksemme jollain tavalla tulokseen. Se voi olla säätöparametreja, muotoiluohjeita, aiheluokituksia jne., jotka voivat auttaa mallia räätälöimään vastauksensa vastaamaan haluttuja käyttäjän tavoitteita tai odotuksia.
Esimerkiksi: Annetaan kurssiluettelo, jossa on laaja metatieto (nimi, kuvaus, taso, metatietotunnisteet, opettaja jne.) kaikista opetussuunnitelman kursseista:
- voimme määritellä ohjeen "tiivistää syksyn 2023 kurssiluettelo"
- voimme käyttää ensisijaista sisältöä antaaksemme muutamia esimerkkejä halutusta tuloksesta
- voimme käyttää toissijaista sisältöä tunnistaaksemme viisi kiinnostavinta "tunnistetta".
Nyt malli voi tarjota yhteenvedon muodossa, joka on esitetty muutamissa esimerkeissä - mutta jos tuloksessa on useita tunnisteita, se voi priorisoida toissijaisessa sisällössä tunnistetut viisi tunnistetta.
Nyt kun tiedämme, kuinka kehotteita voidaan rakentaa, voimme alkaa miettiä, kuinka suunnitella niitä heijastamaan parhaita käytäntöjä. Voimme ajatella tätä kahdessa osassa - oikean ajattelutavan omaksuminen ja oikeiden tekniikoiden soveltaminen.
Kehotetekniikka on kokeilu- ja erehdysprosessi, joten pidä mielessä kolme laajaa ohjaavaa tekijää:
-
Toimialan ymmärtäminen on tärkeää. Vastausten tarkkuus ja osuvuus ovat toimialan funktio, jossa sovellus tai käyttäjä toimii. Käytä intuitiotasi ja toimialaosaamistasi räätälöidäksesi tekniikoita edelleen. Määritä esimerkiksi toimialakohtaisia persoonallisuuksia järjestelmäkehotteissasi tai käytä toimialakohtaisia malleja käyttäjäkehotteissasi. Tarjoa toissijaista sisältöä, joka heijastaa toimialakohtaisia konteksteja, tai käytä toimialakohtaisia vihjeitä ja esimerkkejä ohjataksesi mallia kohti tuttuja käyttötapoja.
-
Mallin ymmärtäminen on tärkeää. Tiedämme, että mallit ovat luonteeltaan satunnaisia. Mutta mallien toteutukset voivat myös vaihdella käyttämänsä harjoitusdatan (ennalta koulutettu tieto), tarjoamiensa ominaisuuksien (esim. API:n tai SDK:n kautta) ja sen sisällön tyypin mukaan, johon ne on optimoitu (esim. koodi vs. kuvat vs. teksti). Ymmärrä käyttämäsi mallin vahvuudet ja rajoitukset, ja käytä tätä tietoa priorisoidaksesi tehtäviä tai rakentaaksesi räätälöityjä malleja, jotka on optimoitu mallin ominaisuuksille.
-
Iteraatio ja validointi ovat tärkeitä. Mallit kehittyvät nopeasti, ja niin kehittyvät myös kehotetekniikat. Toimiala-asiantuntijana sinulla voi olla muuta kontekstia tai kriteerejä sinun erityissovelluksellesi, joka ei välttämättä koske laajempaa yhteisöä. Käytä kehotetekniikkatyökaluja ja -menetelmiä "aloittaaksesi" kehotteen rakentamisen, sitten toista ja validoi tulokset käyttäen omaa intuitiotasi ja toimialaosaamistasi. Tallenna oivalluksesi ja luo tietokanta (esim. kehotekirjastot), jota muut voivat käyttää uutena lähtökohtana nopeampiin iterointeihin tulevaisuudessa.
Katsotaanpa nyt yleisiä parhaita käytäntöjä, joita OpenAI ja Azure OpenAI -käytännön harjoittajat suosittelevat.
| Mitä | Miksi |
|---|---|
| Arvioi uusimmat mallit. | Uudet mallisukupolvet todennäköisesti tarjoavat parannettuja ominaisuuksia ja laatua - mutta voivat myös aiheuttaa korkeampia kustannuksia. Arvioi niiden vaikutus ja tee sitten siirtymäpäätökset. |
| Erottele ohjeet ja konteksti | Tarkista, määritteleekö mallisi/toimittajasi erottimia ohjeiden, ensisijaisen ja toissijaisen sisällön selkeämpään erottamiseen. Tämä voi auttaa malleja kohdistamaan painotukset tarkemmin tokeneihin. |
| Ole tarkka ja selkeä | Anna enemmän yksityiskohtia halutusta kontekstista, tuloksesta, pituudesta, muodosta, tyylistä jne. Tämä parantaa sekä vastausten laatua että johdonmukaisuutta. Tallenna reseptit uudelleenkäytettäviin malleihin. |
| Ole kuvaileva, käytä esimerkkejä | Mallit voivat vastata paremmin "näytä ja kerro" -lähestymistapaan. Aloita zero-shot approach where you give it an instruction (but no examples) then try few-shot as a refinement, providing a few examples of the desired output. Use analogies. |
| Use cues to jumpstart completions | Nudge it towards a desired outcome by giving it some leading words or phrases that it can use as a starting point for the response. |
| Double Down | Sometimes you may need to repeat yourself to the model. Give instructions before and after your primary content, use an instruction and a cue, etc. Iterate & validate to see what works. |
| Order Matters | The order in which you present information to the model may impact the output, even in the learning examples, thanks to recency bias. Try different options to see what works best. |
| Give the model an “out” | Give the model a fallback completion response it can provide if it cannot complete the task for any reason. This can reduce chances of models generating false or fabricated responses. |
As with any best practice, remember that your mileage may vary based on the model, the task and the domain. Use these as a starting point, and iterate to find what works best for you. Constantly re-evaluate your prompt engineering process as new models and tools become available, with a focus on process scalability and response quality.
Congratulations! You made it to the end of the lesson! It's time to put some of those concepts and techniques to the test with real examples!
For our assignment, we'll be using a Jupyter Notebook with exercises you can complete interactively. You can also extend the Notebook with your own Markdown and Code cells to explore ideas and techniques on your own.
- (Recommended) Launch GitHub Codespaces
- (Alternatively) Clone the repo to your local device and use it with Docker Desktop
- (Alternatively) Open the Notebook with your preferred Notebook runtime environment.
- Copy the
.env.copyfile in repo root to.envand fill in theAZURE_OPENAI_API_KEY,AZURE_OPENAI_ENDPOINTandAZURE_OPENAI_DEPLOYMENT-arvoilla. Palaa Learning Sandbox -osioon oppiaksesi lisää.
- Valitse ajonaikainen ydin. Jos käytät vaihtoehtoja 1 tai 2, valitse yksinkertaisesti oletusarvoinen Python 3.10.x -ydin, jonka dev-kontti tarjoaa.
Olet valmis suorittamaan harjoitukset. Huomaa, että täällä ei ole oikeita tai vääriä vastauksia - vain vaihtoehtojen tutkimista kokeilemalla ja erehdyksellä ja intuition rakentamista siitä, mikä toimii tietylle mallille ja sovellusalueelle.
Tästä syystä tässä oppitunnissa ei ole koodiratkaisuosuuksia. Sen sijaan Notebookissa on Markdown-soluja, jotka on otsikoitu "My Solution:", ja ne näyttävät yhden esimerkkituloksen viitteeksi.
Mikä seuraavista on hyvä kehotus, joka noudattaa kohtuullisia parhaita käytäntöjä?
- Näytä minulle kuva punaisesta autosta
- Näytä minulle kuva punaisesta autosta, merkiltään Volvo ja malliltaan XC90, joka on pysäköity jyrkänteen reunalle auringon laskiessa
- Näytä minulle kuva punaisesta autosta, merkiltään Volvo ja malliltaan XC90
A: 2, se on paras kehotus, koska se antaa yksityiskohtia "mistä" ja menee yksityiskohtiin (ei vain mikä tahansa auto, vaan tietty merkki ja malli) ja se myös kuvailee kokonaisasetelman. 3 on seuraavaksi paras, koska se sisältää myös paljon kuvailua.
Katso, voitko hyödyntää "vihje" -tekniikkaa kehotteella: Täydennä lause "Näytä minulle kuva punaisesta autosta, merkiltään Volvo ja ". Mitä se vastaa, ja miten parantaisit sitä?
Haluatko oppia lisää erilaisista kehotetekniikoista? Mene jatkuvan oppimisen sivulle löytääksesi muita hienoja resursseja tästä aiheesta.
Siirry oppituntiin 5, jossa tarkastelemme edistyneitä kehotetekniikoita!
Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset saattavat sisältää virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäisellä kielellä tulisi pitää auktoritatiivisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä johtuvista väärinkäsityksistä tai virheellisistä tulkinnoista.