ចង់បញ្ជាក់ម្តងទៀតអំពីអ្វីដែលបានរៀនពីជំពូកមុន៖
ការរចនាប្រធានបទ engineering គឺជាលទ្ធផលដែលយើង ណែនាំម៉ូដែលឲ្យបានចម្លើយដែលមានការតភ្ជាប់សមរម្យ ដោយផ្តល់នូវសេចក្តីណែនាំឬបរិបទដែលមានប្រយោជន៍ជាងមុន។
ក៏មានជំហានពីរដើម្បីសរសេរប្រធានបទ៖ ការសង់សង់ប្រធានបទ ដោយផ្តល់បរិបទដែលពាក់ព័ន្ធ និង optimization គឺជាវិធីសាស្រ្តធ្វើឲ្យប្រធានបទកាន់តែប្រសើរយ៉ាងណាណា។
នៅចំណុចនេះយើងមានការយល់ដឹងមូលដ្ឋានពីរបៀបសរសេរប្រធានបទហើយ ប៉ុន្តែយើងត្រូវចូលជ្រៅជាងនេះ។ ក្នុងជំពូកនេះ អ្នកនឹងឆ្លងកាត់ពីការព្យាយាមប្រើប្រាស់ប្រធានបទផ្សេងៗ ទៅរកការយល់ដឹងថាហេតុអ្វីប្រធានបទមួយល្អជាងមួយផ្សេងទៀត។ អ្នកនឹងរៀនពីរបៀបសាងសង់ប្រធានបទដោយអនុវត្តវិធីសាស្រ្តមូលដ្ឋានមួយចំនួនដែលអាចប្រើបាននៅលើ LLM មួយណាក៏ដោយ។
ក្នុងជំពូកនេះ យើងនឹងគ្របដណ្តប់លើប្រធានបទខាងក្រោម៖
- ពង្រឹងចំណេះដឹងរបស់អ្នកអំពីការរចនាប្រធានបទដោយប្រើវិធីសាស្រ្តផ្សេងៗទៅលើប្រធានបទរបស់អ្នក។
- កំណត់ប្រធានបទរបស់អ្នកដើម្បីប្រែប្រួលលទ្ធផលចេញ។
បន្ទាប់ពីបញ្ចប់មេរៀននេះ អ្នកនឹងអាច៖
- អនុវត្តវិធីសាស្រ្តរចនាប្រធានបទដែលធ្វើឲ្យលទ្ធផលរបស់ប្រធានបទអ្នកកាន់តែប្រសើរ។
- ធ្វើការបង្ហាញ (prompting) ដែលអាចមានការប្រែប្រួល ឬក៏មានលទ្ធផលជាការបញ្ជាក់ជាក់លាក់។
ការរចនាប្រធានបទគឺជាដំណើរការបង្កើតប្រធានបទដែលនឹងបង្កើតលទ្ធផលដែលចង់បាន។ មានច្រើនជាងតែសរសេរប្រធានបទមួយទេ។ ការរចនាប្រធានបទមិនមែនជាវិស្វកម្មជាក់លាក់ទេ ប៉ុន្តែជាវិធីសាស្រ្តមួយចំនួនដែលអ្នកអាចអនុវត្តដើម្បីទទួលបានលទ្ធផលដែលចង់បាន។
យើងលេងប្រធានបទមូលដ្ឋានមួយដូចនេះ៖
បង្កើតសំណួរចំនួន ១០ អំពីភូមិសាស្ត្រ។
ក្នុងប្រធានបទនេះ អ្នកកំពុងអនុវត្តវិធីសាស្រ្តប្រធានបទនានា។
យើងអាចបំបែកបាន៖
- បរិបទ អ្នកបញ្ជាក់ថាត្រូវមានពាក់ព័ន្ធ "ភូមិសាស្ត្រ"។
- ការកំណត់លទ្ធផល អ្នកចង់បានមិនលើស ១០ សំណួរ។
អ្នកអាចនឹងទទួលបានលទ្ធផលដែលចង់បាន ឬអត់ក៏បាន។ អ្នកនឹងទទួលបានសំណួររបស់អ្នក ប៉ុន្តែភូមិសាស្ត្រជាប្រធានបទធំ ហើយអ្នកអាចមិនទទួលបានអ្វីដែលអ្នកចង់បានដោយហេតុផលដូចខាងក្រោម៖
- ប្រធានបទធំ អ្នកមិនដឹងថាតើវានឹងពាក់ព័ន្ធជាមួយប្រទេស ទីរាជធានី ទន្លេ ឬព្រឹត្តិការណ៍ផ្សេងទៀត។
- ទ្រង់ទ្រាយ តើតើអ្នកចង់បានសំណួរដែលត្រូវបានរៀបចំជាទ្រង់ទ្រាយណាមួយឬ?
ដូចដែលអ្នកឃើញ មានច្រើនបញ្ហាត្រូវគិតពិចារណា នៅពេលបង្កើតប្រធានបទ។
ដល់ពេលនេះ យើងបានឃើញឧទាហរណ៍ប្រធានបទសាមញ្ញមួយ ប៉ុន្តែក្នុង AI បង្កើត ថ្ងៃនេះកាន់តែមានសមត្ថភាពជួយមនុស្សក្នុងតួនាទីនិងឧស្សាហកម្មផ្សេងៗ។ យើងនឹងស្វែងយល់វិធីសាស្រ្តមូលដ្ឋានខាងក្រោម។
ដំបូង យើងត្រូវយល់ថាបង្ហាញប្រធានបទគឺជាគុណលក្ខណៈ emergent នៃ LLM មានន័យថា វាមិនមែនជាលក្ខណៈដែលបានបង្កើតនៅក្នុងម៉ូដែលដោយផ្ទាល់ទេ ប៉ុន្តែជារឿងដែលយើងស្វែងរកបាននៅពេលប្រើម៉ូដែល។
មានវិធីសាស្រ្តសាមញ្ញជាច្រើនសម្រាប់បង្ហាញប្រធានបទលើ LLM។ យើងនឹងបញ្ជាក់ខាងក្រោម។
- Zero-shot prompting វាជារបៀបបង្ហាញប្រធានបទសាមញ្ញបំផុត។ ជាប្រធានបទតែមួយដែលស្នើសុំចម្លើយពី LLM ដោយផ្អែកលើទិន្នន័យបណ្តុំនោះ។
- Few-shot prompting ប្រភេទនេះណែនាំ LLM ដោយផ្តល់ឧទាហរណ៍មួយ ឬច្រើនសម្រាប់ឱ្យទុកចិត្តដោយវាអាចផ្គត់ផ្គង់ចម្លើយបានល្អ។
- Chain-of-thought ប្រភេទនេះប្រាប់ LLM ថាតើធ្វើដូចម្ដេចដើម្បីបំបែកបញ្ហាជាជំហានៗ។
- Generated knowledge ដើម្បីបង្កើនលទ្ធផលនៃប្រធានបទ អ្នកអាចផ្តល់បានពត៌មាន ឬចំណេះដឹងបន្ថែមជាមួយនឹងប្រធានបទរបស់អ្នក។
- Least to most ដូចជា chain-of-thought វិធីសាស្រ្តនេះទាក់ទងនឹងការបំបែកបញ្ហាជាចំណុចតូចៗ ហើយបន្ទាប់មកស្នើឲ្យអនុវត្តជាលំដាប់។
- Self-refine វិធីសាស្រ្តនេះត្រូវបានអនុវត្តដោយពិនិត្យកំហុសពីលទ្ធផលរបស់ LLM ហើយស្នើឲ្យវាប្រសើរឡើងវិញ។
- Maieutic prompting អ្វីដែលអ្នកចង់បានគឺធ្វើឲ្យប្រាកដថាចម្លើយល្អហើយស្នើឲ្យវាអធិប្បាយបណ្តាផ្នែកនៃចម្លើយ។ វាជារបៀបមួយនៃ self-refine។
របៀបបង្ហាញប្រធានបទនេះសាមញ្ញខ្លាំង មានតែប្រធានបទតែមួយ។ វាគឺអាចជារបៀបដែលអ្នកកំពុងប្រើនៅពេលថ្មីៗនេះ រៀនអំពី LLM។ ឧទាហរណ៍៖
- ប្រធានបទ៖ "Algebra គឺជាអ្វី?"
- ចម្លើយ៖ "Algebra គឺជាខ្នះផ្នែកមួយនៃគណិតវិទ្យាដែលសិក្សាសញ្ញាគណិតវិទ្យា និងច្បាប់សម្រាប់ប្រើប្រាស់សញ្ញាទាំងនេះ។"
របៀបនេះជួយម៉ូដែលដោយផ្តល់ឧទាហរណ៍មួយចំនួនជាមួយសំណើ។ វាមានប្រធានបទតែមួយដែលមានទិន្នន័យពិសេសបន្ថែម។ ឧទាហរណ៍៖
- ប្រធានបទ៖ "សរសេរលექსវិភាគតាមរចនាបថ Shakespeare។ នៅទីនេះមានឧទាហរណ៍របស់សូនេត Shakespeare: Sonnet 18: 'តើខ្ញុំនឹងប្រៀបធៀបអ្នកជាមួយថ្ងៃរដូវក្ដៅមែនទេ? អ្នកមានភាពស្រស់បំព្រង និងសីតុណ្ហភាពត្រឹមត្រូវ...' Sonnet 116: 'អោយខ្ញុំមិនបដិសេធការចង្វាក់នៃមនសិការពិតប្រាកដទេ។ ស្រលាញ់មិនមែនជាស្រលាញ់ លើកលែងតែវាប្រែប្រួលបានពេលមានការប្រែប្រួល...' Sonnet 132: 'ភ្នែករបស់អ្នកខ្ញុំស្រលាញ់ ហើយពួកវាស្មោះត្រង់ជាមួយខ្ញុំ ជ្រាបថបេះដូងអ្នកធ្វើឲ្យខ្ញុំរងទុក្ខដោយការមិនពេញចិត្ត,...' ឥឡូវនេះ សរសេរសូនេតមួយអំពីសោភ័ណភាពនៃព្រះច័ន្ទ។"
- ចម្លើយ៖ "លើមេឃ ព្រះច័ន្ទបញ្ចាំងពន្លឺទន់ភ្លឺ ជាលំដាប់លំដោយក្នុងពន្លឺប្រាក់ដែលប្រែផ្តល់សេចក្តីមេត្តា,..."
ឧទាហរណ៍នានាជួយ LLM ឲ្យយល់ពីបរិបទ ទ្រង់ទ្រាយ ឬរចនាបថនៃលទ្ធផលដែលចង់បាន។ វាជួយម៉ូដែលយល់ពីភារកិច្ចពិសេស ហើយបង្កើតចម្លើយដែលត្រឹមត្រូវ និងពាក់ព័ន្ធជាងមុន។
Chain-of-thought ជាវិធីសាស្រ្តគួរឱ្យចាប់អារម្មណ៍ណាស់ ពីព្រោះវាបំបែកបញ្ហាទៅជាជំហានៗសម្រាប់ LLM។ គំនិតគឺបញ្ជλαម LLM ដើម្បីឲ្យវាអាចដោះស្រាយកិច្ចការដោយលំដាប់ជំហាន។ ពិនិត្យឧទាហរណ៍ខាងក្រោម៖
- ប្រធានបទ៖ "Alice មានផ្លែប៉ោម ៥ ផ្លែ បោះ ៣ ផ្លែ ផ្ដល់ ២ ផ្លែទៅ Bob ហើយ Bob ផ្ដល់មួយត្រឡប់ប្រគល់ តើ Alice មានប៉ុន្មានផ្លែប៉ោម?"
- ចម្លើយ៖ ៥
LLM ឆ្លើយថា ៥ ដែលខុស។ ចម្លើយត្រឹមត្រូវគឺ ១ ផ្លែ ដែលគណនាដូចជា (5 -3 -2 + 1 = 1)។
តើរបៀបណាអាចបង្រៀន LLM ឲ្យធ្វើឲ្យត្រឹមត្រូវ?
ចង់ព្យាយាម chain-of-thought។ ការអនុវត្តគឺ៖
- ផ្ដល់ឧទាហរណ៍ដូចគ្នាឲ្យ LLM។
- បង្ហាញការគណនា ហើយរបៀបគណនាត្រឹមត្រូវ។
- ផ្ដល់ប្រធានបទដើមវិញ។
របៀបនេះ៖
- ប្រធានបទ៖ "Lisa មានផ្លែប៉ោម ៧ ផ្លែ បោះ ១ ផ្លែ ផ្ដល់ ៤ ផ្លែទៅ Bart ហើយ Bart ផ្ដល់មួយត្រឡប់៖
7 -1 = 6
6 -4 = 2
2 +1 = 3
Alice មានផ្លែប៉ោម ៥ ផ្លែ បោះ ៣ ផ្លែ ផ្ដល់ ២ ទៅ Bob ហើយ Bob ផ្ដល់មួយត្រឡប់ តើ Alice មានប៉ុន្មានផ្លែ?" ចម្លើយ៖ ១
សូមមើលអ្វីដែលយើងសរសេរប្រធានបទវែងជាងមុន មានឧទាហរណ៍ផ្សេងទៀត ការគណនា ហើយបន្ទាប់មកប្រធានបទដើម ហើយយើងទទួលបានចម្លើយត្រឹមត្រូវ ១។
ដូចដែលអ្នកឃើញ chain-of-thought ជាវិធីសាស្រ្តមានអំណាចខ្លាំងណាស់។
ជាច្រើនដងពេលអ្នកចង់សាងសង់ប្រធានបទ អ្នកចង់ប្រើទិន្នន័យរបស់ក្រុមហ៊ុនខ្លួនឯង។ អ្នកចង់ឲ្យបរិបទមួយនៃប្រធានបទមកពីក្រុមហ៊ុន ហើយផ្នែកផ្សេងគឺប្រធានបទដែលអ្នកចាប់អារម្មណ៍។
ឧទាហរណ៍ នេះជារបៀបប្រធានបទរបស់អ្នកបើអ្នកស្ថិតក្នុងវិស័យធានារ៉ាប់រង៖
{{company}}: {{company_name}}
{{products}}:
{{products_list}}
Please suggest an insurance given the following budget and requirements:
Budget: {{budget}}
Requirements: {{requirements}}
ខាងលើ អ្នកឃើញរបៀបសង់ប្រធានបទដោយប្រើទ្រង់ទ្រាយមួយនៅក្នុងព្រំទំហំមួយ។ នៅក្នុងទ្រង់ទ្រាយ មានអថេរច្រើន ដែលតំណាងដោយ {{variable}} ដែលនឹងត្រូវបានជំនួសដោយតម្លៃពិតពី API របស់ក្រុមហ៊ុន។
នេះជាឧទាហរណ៍របៀបប្រធានបទក្រោយពេលអថេរបានផ្លាស់ប្តូរជាមួយខ្លឹមសារពីក្រុមហ៊ុនរបស់អ្នក៖
Insurance company: ACME Insurance
Insurance products (cost per month):
- Car, cheap, 500 USD
- Car, expensive, 1100 USD
- Home, cheap, 600 USD
- Home, expensive, 1200 USD
- Life, cheap, 100 USD
Please suggest an insurance given the following budget and requirements:
Budget: $1000
Requirements: Car, Home, and Life insurance
ការបង្ហាញប្រធានបទនេះត្រូវបញ្ចូលទៅក្នុង LLM នឹងផ្តល់ចម្លើយដូចខាងក្រោម៖
Given the budget and requirements, we suggest the following insurance package from ACME Insurance:
- Car, cheap, 500 USD
- Home, cheap, 600 USD
- Life, cheap, 100 USD
Total cost: $1,200 USD
ដូចដែលអ្នកឃើញ វាក៏ស្នើធានារ៉ាប់រយជីវិតដែលមិនគួរឲ្យមានផងដែរ។ លទ្ធផលនេះបង្ហាញថាយើងត្រូវគ្រប់គ្រងប្រធានបទដោយប្តូរវាទៅជាប្រធានបទច្បាស់លាស់អំពីអ្វីដែលអាចអនុញ្ញាតបាន។ បន្ទាប់ពី ព្យាយាមនិងកំហុស យើងបានប្រធានបទដូចខាងក្រោម៖
Insurance company: ACME Insurance
Insurance products (cost per month):
- type: Car, cheap, cost: 500 USD
- type: Car, expensive, cost: 1100 USD
- type: Home, cheap, cost: 600 USD
- type: Home, expensive, cost: 1200 USD
- type: Life, cheap, cost: 100 USD
Please suggest an insurance given the following budget and requirements:
Budget: $1000 restrict choice to types: Car, Home
សូមមើលថា ការបន្ថែម type និង cost ហើយប្រើពាក្យគន្លឹះ restrict ជួយឲ្យ LLM យល់ថាតើយើងចង់បានអ្វី។
ឥឡូវយើងទទួលបានចម្លើយដូចខាងក្រោម៖
Given the budget and requirements, we suggest the Car, Cheap insurance product which costs 500 USD per month.
គោលបំណងនៃឧទាហរណ៍នេះ គឺបង្ហាញថា ទោះបីជាយើងប្រើវិធីសាស្រ្តមូលដ្ឋានដូចជា generated knowledge ក៏ដោយ យើងត្រូវតែធ្វើឲ្យប្រធានបទកាន់តែប្រសើរឡើងក្នុងករណីភាគច្រើន។
គំនិតនៃ Least-to-most prompting គឺបំបែកបញ្ហាធំទៅជាចំណុចតូចៗ។ ដូច្នេះ អ្នកជួយណែនាំ LLM ឲ្យ "កាន់តែយកឈ្នះ" បញ្ហាមួយដែលធំជាង។ ឧទាហរណ៍ល្អសម្រាប់វិទ្យាសាស្រ្តទិន្នន័យដែលអ្នកអាចស្នើរឲ្យ LLM ចែកបញ្ហាតាមដូចខាងក្រោម៖
ប្រធានបទ៖ តើធ្វើវិទ្យាសាស្រ្តទិន្នន័យក្នុង ៥ ជំហានដូចម្ដេច?
ជាមួយជំនួយ AI របស់អ្នក ដែលឆ្លើយតបជាមួយ៖
- ប្រមូលទិន្នន័យ
- សំអាតទិន្នន័យ
- វិភាគទិន្នន័យ
- គូសតារាងទិន្នន័យ
- ដាក់បង្ហាញទិន្នន័យ
ជាមួយ AI បង្កើត និង LLM អ្នកមិនអាចទុកចិត្តលទ្ធផលបានទេ។ អ្នកត្រូវត្រួតពិនិត្យវា។ បន្ទាប់ពីសព្វថ្ងៃ LLM គ្រាន់តែបង្ហាញអ្វីដែលមិនពិតជាក្នុងចិត្តនោះទេ ប្រសើរតែស្នើឲ្យវាពិនិត្យខ្លួនឯង ហើយនេះហៅថាវិធីសាស្រ្ត self-refine។
វិធីសាស្រ្តដំណើរការមានដូចជា៖
- ប្រធានបទដើមស្នើឲ្យ LLM ដោះស្រាយបញ្ហា
- LLM ឆ្លើយ
- អ្នកប្រើប្រាស់វាយតម្លៃចម្លើយនៅលើ និងស្នើឲ្យវាប្រសើរឡើងវិញ
- LLM ឆ្លើយវិញ ដែលគិតគូរជាមួយវាយតម្លៃនោះ និងផ្ដល់ដំណោះស្រាយ
អ្នកអាចធ្វើវិធីនេះបន្តជាច្រើនដងតាមចិត្ត។
នេះជាឧទាហរណ៍ប្រើវិធីសាស្រ្តនេះ៖
ប្រធានបទ៖ "បង្កើត Python Web API មានផ្លូវ routes ទី្រកទំនិញ និងអតិថិជន"
ចម្លើយ AI:
import flask
app = Flask(__name__)
@app.route('/products')
def products():
return 'Products'
@app.route('/customers')
def customers():
return 'Customers'ប្រធានបទ៖ សូមផ្ដល់សំណើផ្លាស់ប្ដូរចំនួន ៣ សម្រាប់កូដខាងលើ
ចម្លើយ AI:
Sure, here are three suggestions to improve the code:
Import the correct module: The first line should import Flask instead of flask. The correct import statement should be from flask import Flask.
Add a main function: Add a if __name__ == '__main__': block to the end of the file to run the application when the file is executed.
Use f-strings: Use f-strings to format the return statements in the route functions. For example, return 'Products' can be changed to return f'This is the {request.path} page'.
from flask import Flask, request
app = Flask(__name__)
@app.route('/products')
def products():
return f'This is the {request.path} page'
@app.route('/customers')
def customers():
return f'This is the {request.path} page'
if __name__ == '__main__':
app.run()ដូចដែលអ្នកឃើញ ចម្លើយ AI ខាងលើកំពុងធ្វើអោយកូដដំបូងកាន់តែល្អឡើង ពីការវាយតម្លៃលើចម្លើយដំបូង។
Maieutic prompting គឺជាវិធីសាស្រ្តដែលស្រដៀងនឹង self-refine ប៉ុន្តែវាជាចំណុចស្នើឲ្យ LLM ពន្យល់ខ្លួនឯង។ គោលបំណងគឺកាត់បន្ថយភាពមិនស៊ាំស្អាត ឲ្យ LLM ទៅដល់ចម្លើយត្រឹមត្រូវ។ ដំណើរការត្រូវធ្វើដូចខាងក្រោម៖
- សំណើឲ្យ LLM ឆ្លើយសំណួរ
- សម្រាប់រាល់ផ្នែកនៃចម្លើយ ស្នើឲ្យ LLM ពន្យល់រំលឹកបន្ថែម។
- ប្រសិនបើមានកំហុស អោយច្រានចោលផ្នែកដែលមិនស្រប។
ធ្វើជាដើមចំនួន ២ និង ៣ រហូតដល់ពេញចិត្តនឹងចម្លើយ។
នេះជាឧទាហរណ៍ប្រធានបទ៖
ប្រធានបទ៖ តើធ្វើម៉េចដើម្បីបង្កើតផែនការប្រឈមមុខការរីករាលដាលជំងឺក្នុង៥ជំហាន? LLM ចម្លើយ៖
1. Identify the risks
1. Identify the stakeholders
1. Identify the resources
1. Identify the actions
1. Identify the communication channels
វាបញ្ជាក់ចំនួន ៥ ជំហាន ប៉ុន្តែតើយើងអាចបញ្ជាក់ថាតើវាត្រឹមត្រូវឬទេ? តើសូមស្នើឲ្យ LLM ពន្យល់រាល់ជំហាន៖
ប្រធានបទ៖ ពន្យល់ជំហានដំបូងក្នុងលម្អិត តើមានហានិភ័យអ្វីខ្លះនៅក្នុងការរីករាលដាលជំងឺ?
The risks are the following:
- Loss of life
- Loss of business
- Loss of reputation
- Loss of customers
- Loss of employees
នៅពេលនេះ យើងចង់ធ្វើឲ្យប្រាកដថា LLM ត្រឹមត្រូវ ដូច្នេះស្នើឲ្យវាពន្យល់ហានិភ័យដំបូងក្នុងលម្អិត ហើយសង្ឃឹមថាវាស្របនឹងចម្លើយខាងលើ៖
ប្រធានបទ៖ ក្នុងការរីករាលដាលជំងឺ ហានិភ័យធំជាងគេគឺអ្វី ហើយហេតុអ្វី?
The biggest risk is loss of life because it's the most important thing to protect.
ហានិភ័យធំជាងគេពីរដូចម្ដេចនៅក្នុងការរីករាលដាលជំងឺ?
The two biggest risks are loss of life and loss of business.
នៅជុំវិញចំណុចនេះ LLM មានភាពស្របគ្នា ហើយបានចុះបញ្ជីថា "ជីវិត" និង "អាជីវកម្ម" ជាហានិភ័យធំជាងគេពីរគត់។ យើងអាចបន្តទៅជំហានបន្ទាប់បាន ហើយមានសេចក្ដីជឿជាក់ខ្លាំង។ ទោះជាយ៉ាងណា យើងមិនគួរដាក់ទុកចិត្តលើ LLM ដោយមិនពិនិត្យទេ ត្រូវត្រួតពិនិត្យសេចក្ដីបញ្ចេញពិតជានឹងត្រឹមត្រូវជានិច្ច។
LLM មានលក្ខណៈមិនកំណត់ទេ (nondeterministic) មានន័យថា អ្នកនឹងទទួលបានលទ្ធផលផ្សេងគ្នារៀងរាល់ពេល អ្នកបើកប្រធានបទដដែលម្តងទៀត។ ឧទាហរណ៍សាកល្បងប្រធានបទខាងក្រោម៖
"បង្កើតកូដសម្រាប់ Python Web API"
# នាំចូលម៉ូឌុលដែលចាំបាច់
import flask
from flask import request, jsonify
# បង្កើតកម្មវិធី Flask
app = flask.Flask(__name__)
# បង្កើតផ្លូវសម្រាប់ API
@app.route('/api', methods=['GET'])
def api():
# ទទួលយកទិន្នន័យពីការស្នើសុំ
data = request.args
# ដំណើរការទិន្នន័យ
result = process_data(data)
# ត្រឡប់លទ្ធផលជារूप JSON
return jsonify(result)
# មុខងារដើម្បីដំណើរការទិន្នន័យ
def process_data(data):
# ធ្វើអ្វីមួយជាមួយទិន្នន័យ
result = data + 1
# ត្រឡប់លទ្ធផល
return result
# សារប្រតិបត្តិការ កម្មវិធី
if __name__ == '__main__':
app.run()វិញម្តងទៀត ការរត់ប្រធានបទដូចគ្នាពីរបង្កើតចម្លើយខុសគ្នាបន្តិច៖
#នាំចូលកញ្ចប់ដែលចាំបាច់
import flask
from flask import request, jsonify
#សូមបង្កើតកម្មវិធី Flask
app = flask.Flask(__name__)
app.config["DEBUG"] = True
#បង្កើតបញ្ជីសៀវភៅ
books = [
{'id': 0,
'title': 'A Fire Upon the Deep',
'author': 'Vernor Vinge',
'first_sentence': 'The coldsleep itself was dreamless.',
'year_published': '1992'},
{'id': 1,
'title': 'The Ones Who Walk Away From Omelas',
'author': 'Ursula K. Le Guin',
'first_sentence': 'With a clamor of bells that set the swallows soaring, the Festival of Summer came to the city Omelas, bright-towered by the sea.',
'published': '1973'},
{'id': 2,
'title': 'Dhalgren',
'author': 'Samuel R. Delany',
'first_sentence': 'to wound the autumnal city.',
'published': '1975'}
]
#បង្កើតច្រកចេញសម្រាប់ API
@app.route('/', methods=['GET'])
def home():
return '''<h1>Books API</h1>
<p>A prototype API for retrieving books.</p>'''
#បង្កើតច្រកចេញដើម្បីបញ្ចូនសៀវភៅទាំងអស់
@app.route('/api/v1/resources/books/all', methods=['GET'])
def api_all():
return jsonify(books)
#បង្កើតច្រកចេញដើម្បីបញ្ចូនសៀវភៅតែមួយ
@app.route('/api/v1/resources/books', methods=['GET'])
def api_id():
#ពិនិត្យមើលថាតើមាន ID ត្រូវផ្តល់ជាផ្នែកនៃ URL ដែរឬទេ
#ប្រសិនបើមាន ID ត្រូវផ្តល់ ជូនវាទៅខ្នាតមួយ
#ប្រសិនបើគ្មាន ID ត្រូវផ្តល់ បង្ហាញកំហុស
if 'id' in request.args:
id = int(request.args['id'])
else:
return "Error: No id field provided. Please specify an id."
#បង្កើតបញ្ជីទទេសម្រាប់លទ្ធផលរបស់យើង
results = []
#វិលជុំឆ្លងកាត់ទិន្នន័យ ហើយផ្គូផ្គងលទ្ធផលដែលសមរម្យនឹង ID ដែលបានស្នើ
#ID គឺមានតែមួយ តែវាលផ្សេងទៀតអាចបញ្ចូនលទ្ធផលជាច្រើន
for book in books:
if book['id'] == id:
results.append(book)
#ប្រើមុខងារ jsonify ពី Flask ដើម្បីបម្លែងបញ្ជីរបស់យើង
#ពាក្យកោណ Python ទៅជាទ្រង់ទ្រាយ JSON
return jsonify(results)
app.run()តើលទ្ធផលប្រែប្រួលនេះមានបញ្ហាទេ?
វាអាស្រ័យលើអ្វីដែលអ្នកចង់បាន។ ប្រសិនបើអ្នកចង់បានចម្លើយជាក់លាក់ វាជាបញ្ហា។ ប្រសិនបើអ្នកមិនបារម្ភលទ្ធផលផ្សេងៗដូចជា "បង្កើតសំណួរចំនួន ៣ អំពីភូមិសាស្ត្រ" នោះវាមានបញ្ហាឃងទេ។
ល្អ! រួចរាល់ យើងបានសម្រេចថាចង់កំណត់លទ្ធផលឲ្យអាចទាយទាស់ បានច្បាស់លាស់ ហើយមានលទ្ធផលដែលងាយទាក់ទង។ តើយើងធ្វើដូចម្តេច?
សីតុណ្ហភាពគឺជាតម្លៃចន្លោះពី ០ ទៅ ១ ដែល ០ មានន័យថា លទ្ធផលកាន់តែច្បាស់លាស់ និង ១ មានន័យថា លទ្ធផលមានការផ្លាស់ប្តូរច្រើន។ តម្លៃលំនាំដើមគឺ ០.៧។ មើលអ្វីកើតឡើងនៅពេលចាប់ផ្តើមរត់ប្រធានបទពីរដងដោយកំណត់សីតុណ្ហភាព ០.១៖
"បង្កើតកូដសម្រាប់ Python Web API"
#នាំចូលបណ្ណាល័យដែលចាំបាច់
import flask
from flask import request, jsonify
#បង្កើតអង្គភាពមួយនៃថ្នាក់ Flask
app = flask.Flask(__name__)
#បង្កើតចំណុចបញ្ចូលសម្រាប់ API
@app.route('/api/v1/endpoint', methods=['GET'])
def api_endpoint():
#ទទួលបានទិន្នន័យសំណើ
data = request.get_json()
#ដំណើរការទិន្នន័យ
result = process_data(data)
#ត្រឡប់លទ្ធផល
return jsonify(result)
#មុខងារដើម្បីដំណើរការទិន្នន័យ
def process_data(data):
#ដំណើរការទិន្នន័យ
result = {'result': 'success'}
#ត្រឡប់លទ្ធផល
return result
#រត់កម្មវិធី Flask
if __name__ == '__main__':
app.run()រត់ប្រធានបទម្ដងទៀតផ្ដល់លទ្ធផលដូចទៅនឹងនេះ៖
#នាំចូលបណ្ណាល័យដែលចាំបាច់
import flask
from flask import request, jsonify
#បង្កើតកម្មវិធី Flask
app = flask.Flask(__name__)
#បង្កើតផ្លូវសម្រាប់ API
@app.route('/api', methods=['GET'])
def api_call():
#ទទួលបានទិន្នន័យពីការស្នើរសុំ
data = request.get_json()
#ដំណើរការទិន្នន័យ
result = process_data(data)
#ឆែកតបលទ្ធផល
return jsonify(result)
#កំណត់មុខងារ process_data
def process_data(data):
#ធ្វើអ្វីមួយជាមួយទិន្នន័យ
result = data + 1
#ត្រឡប់លទ្ធផល
return result
#ប្រតិបត្តិកម្មវិធី
if __name__ == '__main__':
app.run()មានភាពខុសគ្នាខ្លះតែតិចរវាងលទ្ធផលទាំងពីរ។ យើងអាចធ្វើវិញវិញទៀត ប៉ុន្តែនៅពេលនេះកំណត់សីតុណ្ហភាពទី ០.៩៖
# នាំចូលបណ្ណាល័យដែលចាំបាច់
import flask
from flask import request, jsonify
# បង្កើតកម្មវិធី Flask
app = flask.Flask(__name__)
# បង្កើតផ្លូវសម្រាប់ API
@app.route('/api', methods=['GET'])
def api_call():
# ទទួលបានទិន្នន័យពីសំណើ
data = request.args
# ប្រព្រឹត្តទៅលើទិន្នន័យ
result = process_data(data)
# ត្រឡប់លទ្ធផល
return jsonify(result)
# មុខងារដើម្បីប្រព្រឹត្តន៍ទិន្នន័យ
def process_data(data):
# ធ្វើអ្វីមួយជាមួយទិន្នន័យ
result = data + 1
# ត្រឡប់លទ្ធផល
return result
# រត់កម្មវិធី
if __name__ == '__main__':
app.run()និងព្យាយាមលើកទីពីរនៅកម្រិតសីតុណ្ហភាព ០.៩៖
import flask
from flask import request, jsonify
# បង្កើតកម្មវិធី Flask
app = flask.Flask(__name__)
app.config['DEBUG'] = True
# បង្កើតទិន្នន័យសាកល្បងខ្លះ
books = [
{'id': 0, 'title': 'A Fire Upon The Deep', 'author': 'Vernor Vinge', 'first_sentence': 'The coldsleep itself was dreamless.', 'year_published': '1992'},
{'id': 1, 'title': 'The Ones Who Walk Away From Omelas', 'author': 'Ursula K. Le Guin', 'first_sentence': 'With a clamor of bells that set the swallows soaring, the Festival of Summer came to the city Omelas, bright-towered by the sea.', 'published': '1973'},
{'id': 2, 'title': 'Dhalgren', 'author': 'Samuel R. Delany', 'first_sentence': 'to wound the autumnal city.', 'published': '1975'}
]
# បង្កើតចំណុចចេញ
@app.route('/', methods=['GET'])
def home():
return '''<h1>Welcome to our book API!</h1>'''
@app.route('/api/v1/resources/booksដូចដែលអ្នកឃើញ លទ្ធផលមានភាពខុសគ្នាខ្លាំងណាស់។
សំគាល់ថា មានប៉ារ៉ាម៉ែត្រជាច្រើនទៀតដែលអ្នកអាចផ្លាស់ប្តូរដើម្បីផ្លាស់ប្ដូរចេញពីលទ្ធផល ដូចជា top-k, top-p, repetition penalty, length penalty និង diversity penalty ប៉ុន្តែវានៅពីក្រៅវដ្តសិក្សានេះ។
មានអនុវត្តិជាច្រើនដែលអ្នកអាចអនុវត្តដើម្បីព្យាយាមទទួលបានអ្វីដែលអ្នកចង់បាន។ អ្នកនឹងរកឃើញរចនាប័ទ្មផ្ទាល់ខ្លួនរបស់អ្នកនៅពេលដែលអ្នកប្រើ prompting ជាច្រើន។
បន្ថែមពីលើបច្ចេកទេសដែលយើងបានគ្របដណ្តប់ មានអនុវត្តិល្អខ្លះដែលគួរបញ្ជាក់ពេលដែលធ្វើ prompting ជាមួយ LLM។
នេះគឺជាអនុវត្តិល្អៗដែលគួរពិចារណា:
- បញ្ជាក់បរិបទ។ បរិបទមានសារៈសំខាន់ ច越ល្អបើអ្នកអាចបញ្ជាក់ដូចជា វិស័យ ប្រធានបទ ល។
- កំណត់ចេញ។ បើអ្នកចង់បានចំនួនធាតុជាក់លាក់ ឬប្រវែងជាក់លាក់ សូមបញ្ជាក់វា។
- បញ្ជាក់ទាំងអ្វី និង របៀប។ ចងចាំបញ្ជាក់ទាំងអ្វីដែលអ្នកចង់ និងរបៀបដែលអ្នកចង់បាន ក្នុងឧទាហរណ៍ "បង្កើត Python Web API មានផ្លូវ products និង customers ចែកវាចេញជា 3 ហ្វាយល៍"។
- ប្រើប្រាស់គំរូ។ ជាញឹកញាប់ អ្នកនឹងចង់បន្ថែមទិន្នន័យពីក្រុមហ៊ុនរបស់អ្នកទៅក្នុង prompt។ ប្រើប្រាស់គំរូសម្រាប់ធ្វើវា។ គំរូអាចមានអថេរដែលអ្នកប្តូរជាទិន្នន័យពិត។
- សរសេរត្រឹមត្រូវ។ LLM អាចផ្ដល់ចម្លើយត្រឹមត្រូវ ប៉ុន្តែបើអ្នកសរសេរត្រឹមត្រូវ អ្នកនឹងទទួលបានចម្លើយល្អជាង។
នេះគឺកូដ Python បង្ហាញពីរបៀបបង្កើត API ងាយៗដោយប្រើ Flask:
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()ប្រើជំនួយការស人工បញ្ញាដូចជា GitHub Copilot ឬ ChatGPT ហើយអនុវត្តបច្ចេកទេស "self-refine" ដើម្បីកែលម្អកូដ។
សូមព្យាយាមដោះស្រាយកិច្ចការដោយបន្ថែម prompt ដែលសមរម្យទៅកូដ។
Tip
បង្កើត prompt សុំឲ្យវាកែលម្អ វាជាគំនិតល្អក្នុងការកំណត់ចំនួនកែលម្អដែលចង់បាន។ អ្នកក៏អាចសុំឲ្យវាកែលម្អក្នុងរបៀបជាក់លាក់ ដូចជា ស្ថាបត្យកម្ម ប្រសិទ្ធភាព សុវត្ថិភាព ល។
ហេតុអ្វីបានជា ខ្ញុំគួរប្រើ chain-of-thought prompting? បង្ហាញខ្ញុំចម្លើយត្រឹមត្រូវ 1 និងចម្លើយខុស 2។
- ដើម្បីបង្រៀន LLM របៀបដោះស្រាយបញ្ហា។
- B, ដើម្បីបង្រៀន LLM រកកំហុសក្នុងកូដ។
- C, ដើម្បីណែនាំ LLM ផ្តល់ដំណោះស្រាយផ្សេងៗ។
A: 1, ព្រោះ chain-of-thought គឺអំពីបង្ហាញ LLM របៀបដោះស្រាយបញ្ហាដោយផ្ដល់វាជាជំហានៗ និងបញ្ហាដូចគ្នា និងរបៀបដែលវាត្រូវបានដោះស្រាយ។
អ្នកទើបតែប្រើបច្ចេកទេស self-refine ក្នុងកិច្ចការ។ សូមយកកម្មវិធីណាមួយដែលអ្នកបានបង្កើត ហើយពិចារណាថាតើអ្នកចង់កែលម្អអ្វីខ្លះទៅលើវា។ ឥឡូវនេះប្រើបច្ចេកទេស self-refine ដើម្បីអនុវត្តការផ្លាស់ប្ដូរដែលបានផ្ដល់អនុសាសន៍។ តើអ្នកមានគំនិតយ៉ាងដូចម្ដេច ចុងក្រោយលទ្ធផលល្អប្រសើរឬអាក្រក់?
បន្ទាប់ពីបញ្ចប់មេរៀននេះ សូមពិនិត្យអំពី ប្រមាណការសិក្សា Generative AI របស់យើង ដើម្បីបន្តធ្វើឲ្យចំណេះដឹង Generative AI របស់អ្នកកាន់តែខ្លាំង!
ចូលទៅមេរៀនទី 6 នៅពេលដែលយើងនឹងអនុវត្តចំណេះដឹង Prompt Engineering ដោយ បង្កើតកម្មវិធីផលិតអត្ថបទ។
ការបដិសេធ៖
ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាបកប្រែ AI Co-op Translator។ ខណៈពេលដែលយើងខិតខំផ្ដល់ភាពត្រឹមត្រូវ សូមចំណាំថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានការខុសឆ្គង ឬមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទាំងមូលគួរត្រូវបានដាក់ជាទ្រព្យសម្បត្តិសុទ្ធតែគោលដៅ។ សម្រាប់ព័ត៌មានសំខាន់ៗ ការបកប្រែដោយអ្នកជំនាញមនុស្សត្រូវបានណែនាំ។ យើងមិនមានភារកិច្ចចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសពីការប្រើប្រាស់ការបកប្រែនេះទេ។