ഈ മോഡ്യൂൾ ജനനാത്മക AI മോഡലുകളിൽ ഫലപ്രദമായ പ്രൊംപ്റ്റുകൾ സൃഷ്ടിക്കുന്നതിന് ആവശ്യമായ പ്രാഥമിക ആശയങ്ങളും സാങ്കേതിക വിദ്യകളും ഉൾക്കൊള്ളുന്നു. LLMന് നിങ്ങളുടെ പ്രൊംപ്റ്റ് എഴുതുന്ന വിധം അത്രമേൽ പ്രാധാന്യമുള്ളതാണ്. ശ്രദ്ധയോടെ രൂപകൽപ്പന ചെയ്ത പ്രൊംപ്റ്റ് ഉത്തമ ഗുണമേന്മയുള്ള മറുപടി നേടാൻ കഴിയും. എങ്കിൽ പ്രൊംപ്റ്റ് , പ്രൊംപ്റ്റ് എഞ്ചിനിയറിംഗ് എന്ന ടർമുകൾക്കുള്ള അർത്ഥം എന്താണ്? LLM-നു അയക്കുന്ന പ്രൊംപ്റ്റ് ഇൻപുട്ട് എങ്ങനെ മെച്ചപ്പെടുത്താം? ഈ അദ്ധ്യായത്തിലും അടുത്തതിലുമുള്ള ഉത്തരങ്ങൾ ഇവയാണ്.
ജനനാത്മക AI ഉപയോക്തൃ അഭ്യർത്ഥനകളിൽ പുതിയ ഉള്ളടക്കം (ഉദാ: ടെക്സ്റ്, ചിത്രങ്ങൾ, ഓഡിയോ, കോഡ് മുതലായവ) സൃഷ്ടിക്കാൻ സാധിക്കുന്നു. ഇത് പ്രകൃതിസ്സമ്മത ഭാഷയും കോഡും ഉപയോഗിച്ച് പരിശീലിച്ച OpenAIയുടെ GPT ("ജനനാത്മക പ്രീ-ട്രെയിൻഡ് ട്രാൻസ്ഫോർമർ") സീരിസുപോലെ വലിയ ഭാഷാ മോഡലുകളെ ആശ്രയിക്കുന്നു.
ഉപയോക്താക്കൾ ടെക്നിക്കൽ കഴിവോ പരിശീലനമോ ചെയ്യാതെ തന്നെ ചാറ്റ് പോലുള്ള സമാനമായ രീതികളിൽ ഈ മോഡലുകളുമായി ഇടപഴകാം. മോഡലുകൾ പ്രൊംപ്റ്റ് അടിസ്ഥാനമാണ് - ഉപയോക്താവ് ടെക്സ്റ്റ് ഇൻപുട്ട് (പ്രൊംപ്റ്റ്) അയക്കും, AI മറുപടി (പരിപൂർണ്ണം) സ്വീകരിക്കും. അവരാണ് ആവർത്തിച്ച് "AI-യുമായി സംവദിക്കാൻ", നിരവധി മടക്കം നടത്തിയ സംഭാഷണങ്ങളിലൂടെ അവരുടെ പ്രൊംപ്റ്റ് മെച്ചപ്പെടുത്തുന്നു, മറുപടി അവരുടെ പ്രതീക്ഷകൾക്ക് അനുയോജ്യം ആക്കുന്നതുവരെ.
ഇപ്പോള് "പ്രൊംപ്റ്റുകൾ" ജനനാത്മക AI ആപ്ലിക്കേഷനുകളുടെ പ്രധാന പ്രോഗ്രാമിംഗ് ഇന്റർഫേസ് ആയി മാറുന്നു, മോഡലുകൾക്ക് എന്ത് ചെയ്യണമെന്ന് പറയുന്നു, മടങ്ങി ലഭിക്കുന്ന മറുപടികളുടെ ഗുണമേന്മയെ സ്വാധീനിക്കുന്നു. "പ്രൊംപ്റ്റ് എഞ്ചിനിയറിംഗ്" എന്നത് വേഗത്തിൽ വളരുന്ന ഒരു ശാസ്ത്ര മേഖലയാണ്, അത് പ്രൊംപ്റ്റുകളുടെ രൂപകൽപ്പനയും മെച്ചപ്പെടുത്തലും പ്രകൃത്മാനസികമായും ഗുണമേന്മയുള്ള മറുപടികൾ ലഭ്യമാക്കാൻ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു.
ഈ പാഠത്തിൽ, പ്രൊംപ്റ്റ് എഞ്ചിനിയറിംഗ് എന്താണെന്ന്, എന്തുകൊണ്ട് അതീവ പ്രധാനമാണെന്ന്, കൊടുത്ത മോഡലിനും ആപ്ലിക്കേഷൻ ലക്ഷ്യത്തിനും അനുയോജ്യമായ ഫലപ്രദമായ പ്രൊംപ്റ്റ് എങ്ങനെ രൂപകൽപ്പന ചെയ്യാമെന്ന് നാം പഠിക്കും. പ്രൊംപ്റ്റ് എഞ്ചിനിയറിംഗിന്റെ അടിസ്ഥാന ആശയങ്ങളും മികച്ച പ്രവർത്തനരീതികളും മനസ്സിലാക്കും - കൂടാതെ ഈ ആശയങ്ങൾ യാഥാർത്ഥ്യ ഉദാഹരണങ്ങളിൽ കാണാൻ സാധിക്കുന്ന ഇടപെടുന്ന Jupyter Notebook sandbox പരിസ്ഥിതിയെ കുറിച്ച് അറിയാം.
ഈ പാഠം അവസാനിക്കുമ്പോൾ നിങ്ങൾക്ക് താഴെ പറയുന്ന കാര്യങ്ങൾ സാധിക്കും:
- പ്രൊംപ്റ്റ് എഞ്ചിനിയറിംഗ് എന്താണെന്ന്, എന്തുകൊണ്ട് അതീവ പ്രധാനമാണെന്ന് വിശദീകരിക്കുക.
- പ്രൊംപ്റ്റിന്റെ ഘടകങ്ങൾ എന്തെല്ലാം ആണ്, അവ എങ്ങനെ ഉപയോഗിക്കുന്നുവെന്ന് വിവരണപ്പെടുത്തുക.
- പ്രൊംപ്റ്റ് എഞ്ചിനിയറിംഗിനുള്ള മികച്ച പ്രവർത്തന രീതികളും സാങ്കേതിക വിദ്യകളും പഠിക്കുക.
- പഠിച്ച സാങ്കേതിക വിദ്യകൾ യാഥാർത്ഥ്യ ഉദാഹരണങ്ങളിൽ ഓപ്പൺഎഐ എന്റ്പോയിന്റ് ഉപയോഗിച്ച് പ്രയോഗിക്കുക.
പ്രൊംപ്റ്റ് എഞ്ചിനിയറിംഗ്: AI മോഡലുകൾ പ്രതീക്ഷിക്കുന്ന ഔട്ട്പുട്ട് ಉತ್ಪാദിപ്പിക്കാൻ സഹായിക്കുന്ന ഇൻപുട്ടുകൾ രൂപകൽപ്പനം ചെയ്ത് മെച്ചപ്പെടുത്തുന്ന പ്രക്രിയ. ടോക്കനൈസേഷൻ: ടെക്സ്റ്റ് ചെറിയ ഘടകങ്ങളായ ടോക്കൻസുകളായി പിരിച്ച് മോഡൽക്ക് മനസ്സിലാക്കുകയും പ്രോസസ് ചെയ്യുകയും ചെയ്യുക. ഇൻസ്ട്രക്ഷൻ-ട്യൂൺ ചെയ്ത LLMs: പ്രത്യേക നിർദേശങ്ങളോടുകൂടി മെച്ചപ്പെടുത്തിയ വലിയ ഭാഷാ മോഡലുകൾ, മറുപടിയുടെ കൃത്യതയും പ്രസക്തിയും കൂട്ടാൻ.
പ്രൊംപ്റ്റ് എഞ്ചിനിയറിംഗ് ഇപ്പോള് ശാസ്ത്രത്തിന് അപേക്ഷിച്ച് കലയായി തുടരുന്നു. അതിന്റെ ബുദ്ധിമുട്ട് മെച്ചപ്പെടുത്താനുള്ള ഏറ്റവും നല്ല മാർഗം കൂടുതൽ അഭ്യാസം നടത്തുക തന്നെയാണ്, പ്രയോഗ മേഖലാ പരിജ്ഞാനവും ശിപാർശചെയ്ത സാങ്കേതിക വിദ്യകളും മോഡൽ-സ്വതന്ത്ര വേദികളുമായി ചേർത്ത(trial-and-error) രീതി സ്വീകരിക്കുക.
ഈ പാഠത്തോടും ചേർന്ന് വരുന്ന Jupyter Notebook ഒരു sandbox പരിസ്ഥിതിയാണ്, ഇവിടെ നിങ്ങൾ പഠിക്കുന്ന കാര്യങ്ങൾ പരീക്ഷിക്കാം—നമുക്ക് പോകുന്നതായോ, പാഠത്തിന്റെ അവസാനം വരുന്ന കോഡ് വെല്ലുവിളിയുടെ ഭാഗമായോ. വ്യായാമങ്ങൾ നടത്താൻ നിങ്ങൾക്ക് ആവശ്യമാണ്:
- ഒരു Azure OpenAI API കീ — വിന്യസിച്ച LLM-ന്റെ സർവീസ് എൻഡ്പോയിന്റ്.
- Python റൺടൈം — Notebok പ്രവർത്തിപ്പിക്കാൻ.
- ലോക്കൽ പരിസ്ഥിതി വ്യത്യാസങ്ങൾ — ഇപ്പോൾ തന്നെ SETUP ഘട്ടങ്ങൾ പൂർത്തിയാക്കി തയാറാക്കുക.
നോട്ട്ബുക്ക് ആവശ്യാനുസരണം സ്റ്റാർട്ടർ വ്യായാമങ്ങളോടുകൂടി വന്നതാണ്—എങ്കിലും നിങ്ങളുടെ സ്വന്തം Markdown (വിവരണം) ഒപ്പം Code (പ്രൊംപ്റ്റ് അഭ്യർത്ഥനകൾ) വിഭാഗങ്ങൾ ചേർത്ത് കൂടുതൽ ഉദാഹരണങ്ങൾ പരീക്ഷിക്കാനും, പ്രൊംപ്റ്റ് രൂപകൽപ്പനക്ക് നിങ്ങളുടെ ബുദ്ധിമുട്ട് വളർത്താനും ശുപാർശ ചെയ്യപ്പെടുന്നു.
പാഠം ആരംഭിക്കുന്ന മുൻപ് ഇതിന്റെ വലിയ ചിത്രം കാണാൻ ആഗ്രഹിക്കുന്നുവോ? ഈ ചിത്രീകരിച്ച ഗൈഡ് പരിശോധിക്കുക, ഇതിൽ മുഖ്യ വിഷയങ്ങൾക്കും ഓരോന്നിൽ ചിന്തിക്കാനുള്ള പ്രധാന കാര്യങ്ങൾക്കും ഒരു ധാരണ ലഭിക്കും. പാഠത്തിന്റെ റോഡ്മാപ്പ് നിങ്ങളുടെ ബുദ്ധിമുട്ട് മനസ്സിലാക്കി പ്രൊംപ്റ്റ് എഞ്ചിനിയറിംഗ് സാങ്കേതിക വിദ്യകളും മികച്ച പ്രവർത്തനരീതികളും ഉപയോഗിച്ച് അവ പരിഹരിക്കുന്നതിനുള്ള മാർഗ്ഗത്തിലേക്കാണ് നിങ്ങളെ നയിക്കുന്നത്. ഈ ഗൈഡിൽ "ഉയർന്ന സാങ്കേതിക വിദ്യകൾ" ഏഴാണ് ഈ കോഴ്സിന്റെ അடுத்த അദ്ധ്യായത്തിലൂടെ ഉൾക്കൊള്ളുന്നത്.
ഇപ്പോൾ, ഈ വിഷയവും AI നവീകരണം വിദ്യാഭ്യാസത്തിലേക്ക് കൊണ്ടുവരാനുള്ള സ്റ്റാർട്ടപ്പ് ദൗത്യം തമ്മിലുള്ള ബന്ധം നോക്കാം. ഞങ്ങൾ സ്ഥിതീകരിക്കുന്നത് ആണ് വ്യക്തിഗത പഠനത്തിന് പിന്തുണ നൽകുന്ന AI ആപ്ലിക്കേഷനുകൾ നിർമ്മിക്കുക - അതിനാൽ നമ്മുടെ ആപ്ലിക്കേഷൻ വിവിധ ഉപയോക്താക്കള് എങ്ങനെ "പ്രൊംപ്റ്റുകൾ" രൂപകൽപ്പന ചെയ്യുമെന്നു ചിന്തിക്കുക:
- അഡ്മിനിസ്ട്രേറ്റർമാർ AIയിൽ പാഠ്യക്രമ വിവരങ്ങളെ വിശകലനം ചെയ്ത് കവര്ച്ചയുടെ കുറവുകൾ കണ്ടെത്താൻ ആവശ്യപ്പെടാം. AI ഫലങ്ങൾ സംഗ്രഹിക്കാനും കോഡിൽ കാണിക്കാനും കഴിയും.
- അധ്യാപകർ ലക്ഷ്യമിടുന്ന പ്രേക്ഷകരെയും വിഷയങ്ങളെയും അടിസ്ഥാനമാക്കി പാഠപദ്ധതി രൂപപ്പെടുത്താൻ ആവശ്യപ്പെടാം. AI വ്യക്തിഗത പാഠ പദ്ധതി നിശ്ചിത ഫോർമാറ്റിൽ നിർമ്മിക്കും.
- വിദ്യാർത്ഥികൾ സങ്കീര്ണ വിഷയങ്ങളിൽ ട്യൂട്ടറിങ് ആവശ്യപ്പെടാം. AI ഇപ്പോൾ അവരുടെ തലത്തിനു അനുയോജ്യമായ പാഠങ്ങൾ, സൂചനകൾ, ഉദാഹരണങ്ങൾ നൽകി മാർഗ്ഗ നിർദ്ദേശം നൽകും.
ഇതാണ് ആഴത്തിലുള്ള സാധ്യതകൾക്കുള്ള മൂന്നാം ഭാഗം മാത്രം. സാങ്കേതിക വിദഗ്ധർ ശേഖരിച്ച ഒരു ഓപ്പൺ-സോഴ്സ് പ്രൊംപ്റ്റ് ലൈബ്രറി, Prompts For Education കാണുക – വലിയ സാധ്യതകൾക്കുള്ള ധാരണയ്ക്കായി! sandbox-ൽ ഈ പ്രൊംപ്റ്റുകൾ ചിലത് ഓടിക്കാണാനോ, OpenAI Playground ഉപയോഗിച്ച് പരീക്ഷിക്കാനോ ശ്രമിക്കൂ!
ഈ പാഠം ആരംഭിച്ചത്, പ്രൊംപ്റ്റ് എഞ്ചിനിയറിംഗ് എന്നത് ഒരു കൊടുത്ത മോഡലിനും പ്രയോഗ ലക്ഷ്യത്തിനുമായി സ്ഥിരതയുള്ള, ഗുണമേന്മയുള്ള മറുപടികൾ (പരിപൂർണ്ണങ്ങൾ) നൽകേണ്ടതിന്റെ ലക്ഷ്യമോടുള്ള ടെക്സ്റ്റ് ഇൻപുട്ടുകൾ (പ്രൊംപ്റ്റുകൾ) രൂപകൽപ്പനയും മെച്ചപ്പെടുത്തലും ചെയ്യുന്ന പ്രക്രിയയായി നിർവചിച്ച്. ഇത് രണ്ട് ഘട്ട പ്രക്രിയയെന്നു ബൊഡിക്കാം:
- കൊടുത്ത മോഡലിനും ലക്ഷ്യത്തിനുമായി പ്രാരംഭ പ്രൊംപ്റ്റ് രൂപകൽപ്പന ചെയ്യുക
- മറുപടി ഗുണമേൻമ മെച്ചപ്പെടുത്താനായി പ്രൊംപ്റ്റ് ആവർത്തിച്ച് മെച്ചപ്പെടുത്തുക
ഈ പ്രക്രിയ ഉപയോക്തൃ ബോധവും പരിശ്രമവും ആവശ്യമുള്ള ട്രയൽ-അന്റ്-എറർ ശൈലിയിൽ നടത്തേണ്ടതാണ്. എന്തിന് ഇത് ആവശ്യമാണ്? ഉത്തരമായി മൂന്ന് ആശയങ്ങൾ മനസ്സിലാക്കണം:
- ടോക്കനൈസേഷൻ = മോഡൽ പ്രൊംപ്റ്റ് എടുക്കുന്നത് എങ്ങനെയാണ്
- ബേസ് LLMs = അടിസ്ഥാന മോഡൽ പ്രൊംപ്റ്റ് എങ്ങനെ പ്രോസസ് ചെയ്യുന്നു
- ഇൻസ്ട്രക്ഷൻ-ട്യൂൺഡ് LLMs = മോഡൽ എങ്ങനെ ഇപ്പോൾ "ടാസ്കുകൾ" കാണുന്നു
LLM-കൾ പ്രൊംപ്റ്റുകൾ ടോക്കൻസിന്റെ പരമ്പരയായി കാണുന്നു, അതിൽ വ്യത്യസ്ത മോഡലുകൾ (അഥവാ ഒരേ മോഡലിന്റെ വേർഷനുകൾ) ഒരേ പ്രൊംപ്റ്റ് വ്യത്യസ്ത രീതിയിൽ ടോക്കനൈസ് ചെയ്യാം. LLMകൾ ടോക്കൻസുകളുടെ അടിസ്ഥാനത്തില് പരിശീലിച്ചിരിക്കുന്നതിനാൽ (അഴിമതി ടെക്സ്റ്റിലെ NÃORaw text), ടോക്കനൈസേഷൻ ചെയ്യുന്നതിന്റെ വിധം ജനിതക മറുപടിയുടെ ഗുണമേന്മയെ നേരിട്ടും ബാധിക്കുന്നു.
ടോക്കനൈസേഷൻ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് മനസ്സിലാക്കാൻ, താഴെ കാണുന്ന OpenAI Tokenizer പോലുള്ള ഉപകരണങ്ങൾ പരീക്ഷിക്കാം. നിങ്ങളുടെ പ്രൊംപ്റ്റ് പകർത്തുക — ടോക്കൻസുകളിൽ എങ്ങനെ മാറ്റം വരുന്നു എന്ന് നോക്കുക, വെളിച്ചത്തോടുള്ള സ്ഥാനം, തിരിച്ചറിയൽ ചിഹ്നങ്ങൾ എങ്ങനെയാണ് കൈകാര്യം ചെയ്യപ്പെടുന്നത് എന്നതിൽ ശ്രദ്ധിക്കുക. ഈ ഉദാഹരണം പഴയ LLM (GPT-3) കാഴ്ചവെക്കുന്നു, അതിനാൽ പുതിയ മോഡലിൽ പരീക്ഷിക്കുമ്പോൾ വ്യത്യസ്ത ഫലം ഉണ്ടാകും.
ഒരു പ്രൊംപ്റ്റ് ടോക്കനൈസേഷൻ കഴിഞ്ഞ്, "ബേസ് LLM" (അഥവാ ഫൗണ്ടേഷൻ മോഡൽ) പ്രധാന ഫംഗ്ഷൻ ആ പരമ്പരയിലെ അടുത്ത ടോക്കൻ പ്രവചിക്കുകയാണ്. LLMകൾ വൻ വാചക ഡാറ്റാസെറ്റുകളിൽ പരിശീലിച്ചിട്ടുണ്ട്; അതുകൊണ്ട് ടോക്കൻസുകൾ തമ്മിലുള്ള സ്ഥിതിവിവര ബന്ധം മനസ്സിലാക്കുകയും വിശ്വാസത്തോടെ പ്രവചനം നടത്തുകയും ചെയ്യുന്നു. അവർക്ക് പ്രൊംപ്റ്റിലെ പദങ്ങളുടെ അർത്ഥം മനസ്സിലാക്കുന്നില്ല; മറിച്ച് അവർ കാണുന്ന പ്രതിരൂപം "പരിപൂർത്തിയാക്കാൻ" കഴിയും. ഉപയോക്തൃ ഇടപെടലോ ചില മുൻനിർത്തിയ നിബന്ധനകളും ഉണ്ടാകുന്നതുവരെ അവർ അനുക്രമം പ്രവചനം തുടരാം.
പ്രൊംപ്റ്റ് അടിസ്ഥാനപരമായി എങ്ങനെ പ്രവർത്തിക്കുമെന്ന് കാണാൻ ആഗ്രഹിക്കുന്നുവോ? മുകളിൽ നൽകിയ പ്രൊംപ്റ്റ് Azure OpenAI Studio Chat Playground യിൽ നിഷ്പ്രഭമായ സെറ്റിംഗുകളും കൊണ്ട് നമുക്കു നൽകാം. സിസ്റ്റം പ്രൊംപ്റ്റുകൾ വിവര അഭ്യർത്ഥനകളായി കൈകാര്യം ചെയ്യുന്നതുകൊണ്ടു ഈ പ്രാധാന്യത്തിന് പൂരിപ്പിച്ച മറുപടി കാണാം.
എന്നാൽ ഉപയോക്താവ് ഏതെങ്കിലുമൊരു നിബന്ധനം പാലിക്കുന്ന പ്രത്യേകതു കാണാൻ ആഗ്രഹിച്ചാൽ? ഇതാപ്പോൾ ഇൻസ്ട്രക്ഷൻ ട്യൂൺഡ് LLM-കൾ പ്രധാനപ്പെട്ടവയാണ്.
Instruction Tuned LLM ഫൗണ്ടേഷൻ മോഡലിൽ തുടക്കംവെച്ച് ഉദാഹരണങ്ങളോ ഇൻപുട്ട്/ഔട്ട്പുട്ട് ζേം, (ഉദാ: മൾട്ടി-ടേൺ "സന്ദേശങ്ങൾ") യോഡ് സവിശേഷ നിർദ്ദേശങ്ങൾ വച്ച് fine-tune ചെയ്യപ്പെട്ട മോഡലുകളാണ്, AI നൽകിയ മറുപടി ആ നിർദ്ദേശം പാലിക്കാനുള്ള ശ്രമമാകും.
ഇത് Reinforcement Learning with Human Feedback (RLHF) പോലെയുള്ള സാങ്കേതിക വിദ്യകൾ ഉപയോഗിക്കുന്നു, ഈ മോഡല്ല് നിർദ്ദേശങ്ങൾ പാലിക്കാൻ , പ്രതിനിധാനങ്ങളിൽ നിന്ന് പഠിക്കാൻ പരിശീലിപ്പിക്കുന്നു, ഇതിന് ഫലം: ഉപയോഗപ്രദമായ പ്രയോഗങ്ങൾക്കായി ഉത്തമമായ, ഉപയോക്തൃ ലക്ഷ്യങ്ങളോടു ബന്ധപ്പെട്ട മറുപടികൾ.
ഇത് പരീക്ഷിക്കാൻ മുകളിൽ കൊടുത്ത പ്രൊംപ്റ്റ് പുനഃപരിശോധിക്കൂ, എന്നാൽ ഇപ്പോൾ സിസ്റ്റം സന്ദേശം താഴെ പറയുന്ന നിർദ്ദേശമായി മാറ്റുക:
നിങ്ങളുടെ നൽകിയ ഉള്ളടക്കം രണ്ടാം വര്ഷം വിദ്യാർത്ഥിക്ക് പുരോഗമിപ്പിക്കുക. ഫലം ഒരു പാരഗ്രാഫായി 3-5 ബുള്ളറ്റ് പോയിന്റുകളോടെ പരിമിതപ്പെടുത്തിയിരിക്കുക.
ഫലം ഇപ്പോൾ ആഗ്രഹിച്ച ലക്ഷ്യത്തെയും ഫോർമാറ്റിനെയും അനുയോജ്യമായി ട്യൂൺ ചെയ്തതായി കാണുക? അധ്യാപകൻ എങ്കിൽ ഈ മറുപടി നേരിട്ട് അവരുടെ ക്ലാസ് സ്ലൈഡുകളിൽ ഉപയോഗിക്കാം.
ഇപ്പോൾ ഞങ്ങൾ എങ്ങനെ LLMകൾ പ്രൊംപ്റ്റുകൾ പ്രോസസ് ചെയ്യുന്നു എന്നറിയാമെങ്കിൽ, എന്തുകൊണ്ട് പ്രൊംപ്റ്റ് എഞ്ചിനിയറിംഗ് ആവശ്യമാണെന്ന് ചർച്ച ചെയ്യാം. ഇത് ആവശ്യമാണ് കാരണം നിലവിലുള്ള LLMകൾക്ക് പ്രൊംപ്റ്റ് നിർമ്മാണത്തിലും മെച്ചപ്പെടുത്തലിലും ശ്രമമില്ലാതെ ന Vis सकारമായും സ്ഥിരതയുള്ള മറുപടികൾ ലഭിക്കാതെ പോകുന്നത് കടുപ്പമുള്ള വെല്ലുവിളികൾ നിറഞ്ഞതാണ്. ഉദാഹരണങ്ങൾക്ക്:
-
മോഡൽ മറുപടികൾ അനിശ്ചിതമാണ്. അര്ത്ഥം ഒരേ പ്രൊംപ്റ്റ് വ്യത്യസ്ത മോഡലുകളോ മോഡൽ വേർഷനുകളോ ഉപയോഗിച്ചാൽ വ്യത്യസ്ത മറുപടികൾ ലഭിക്കും. ഒരേ മോഡലിൽ പല തവണ പരീക്ഷിക്കുമ്പോഴും വ്യത്യാസവുമുണ്ടാകും. പ്രൊംപ്റ്റ് എഞ്ചിനിയറിംഗ് സാങ്കേതിക വിദ്യകൾക്കൂണ്ട് ഇവായ വ്യത്യാസം കുറയ്ക്കാൻ സഹായിക്കും.
-
മോഡലുകൾ മറുപടികൾ തട്ടിപ്പു ഉണ്ടാക്കാം. മോഡൽ വലിയ പക്ഷേ പരിമിത ഡാറ്റാസെറ്റുകളിൽ മാത്രം പരിശീലിക്കപ്പെട്ടവയാണ്, അതിനാൽ അവയ്ക്ക് പരിശീലന പരിധിയു പുറത്തുള്ള ആശയങ്ങളെക്കുറിച്ച് അറിവ് ഇല്ല. ഈ കാരണം, അവ അസത്യമായ, خیاليമയമായ, പ്രത്യേകം അറിയപ്പെടുന്ന വസ്തുതകൾക്ക് വിപരീതമായ മറുപടികൾ നൽകാം. പ്രൊംപ്റ്റ് എഞ്ചിനിയറിംഗ് ഉപയോക്താക്കളെ ഇത്തരമുളള തട്ടിപ്പുകൾ തിരിച്ചറിയാനും തടയാനും സഹായിക്കും, ഉദാ: AI-에게 സൈറ്റേഷനുകൾ ചോദിക്കുക അല്ലെങ്കിൽ കാരണങ്ങൾ തേടുക.
-
മോഡലിന്റെ കഴിവുകൾ വ്യത്യാസപ്പെടും. പുതിയ മോഡലുകൾ കൂടുതൽ കഴിവുകൾ கொண்டിരിക്കും; എന്നാൽ ചില പ്രത്യേകതകളും ചെലവും സങ്കീർണ്ണതയും കൂടി ഉണ്ടാകും. പ്രൊംപ്റ്റ് എഞ്ചിനിയറിംഗ് മികച്ച പ്രവർത്തനരീതികളും പ്രവൃത്തി പ്രവാഹങ്ങളും വികസിപ്പിക്കാൻ സഹായിക്കും, മോഡൽ-പ്രത്യേക ആവശ്യകതകൾ പാരാമർശിച്ച് വ്യാപകമായും ലയിതമായും ഉപയോഗിക്കാം.
ഇത് ഓപ്പൺഎഐ അല്ലെങ്കിൽ Azure OpenAI Playground യിൽ പരീക്ഷിക്കാം:
- വ്യത്യസ്ത LLM വിന്യാസങ്ങളിലുള്ള ഒരേ പ്രൊംപ്റ്റ് ഉപയോഗിക്കുക (ഉദാ: OpenAI, Azure OpenAI, Hugging Face) — വ്യത്യാസങ്ങൾ കാണാമോ?
- ഒരു LLM വിന്യാസത്തിൽ (ഉദാ: Azure OpenAI playground) ഒരേ പ്രൊംപ്റ്റ് പുനരാവൃത്തി നടത്തുക - വ്യത്യാസം എങ്ങനെ ഉണ്ടായി?
ഈ കോഴ്സിൽ ഞങ്ങൾ "തട്ടിപ്പ്" എന്ന പദം ഉപയോഗിക്കുന്നത് LLMകളിൽ പലപ്പോഴും യാഥാർഥ്യപരമായതല്ലാത്ത വിവരങ്ങൾ സൃഷ്ടിക്കാനുള്ള ස්ഭാവം സൂചിപ്പിക്കാൻ ആണ്. ഈ പെരുമാറ്റം അവരുടെ പരിശീലനത്തിൽ ഉള്ള പരിധികളും മറ്റു നിയന്ത്രണങ്ങളും കാരണം ആണ്. ഇത് ചില പൊതുപത്രികകളും ഗവേഷണ പ്രബന്ധങ്ങളും "ഹല്യൂസിനേഷൻ" എന്നും വിളിച്ചിരിക്കുന്നു. പക്ഷേ, നാം ഇവിടെ നിർബന്ധിതമായി "തട്ടിപ്പ്" എന്ന പദം ഉപയോഗിക്ക 것을 നിർദേശം ചെയ്യുന്നു, ഇത് യന്ത്രം സൃഷ്ടിക്കുന്ന ഫലത്തിന് മനുഷ്യ-പ്രകൃതി പദവി കൊടുക്കാതിരിക്കാനുള്ള ഉദ്ദേശം ഉണ്ട്. ഇതുമൂലം Responsible AI നയങ്ങൾ പ്രാധാന്യമുള്ള പദങ്ങൾ ഉപയോഗിക്കും, ചില സാഹചര്യങ്ങളിൽ ഉപദ്രവകരമായോ ഉൾക്കൊള്ളാത്തതായോ കരുതപ്പെടുന്ന പദങ്ങൾ ഒഴിവാക്കുകയും ചെയ്യും.
തട്ടിപ്പുകൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് മനസ്സിലാക്കണോ? ട്രയൽക്ക് AI-യെ ഉള്ളടക്കം നിർമ്മിക്കാൻ നിർദേശിക്കുന്ന ഒരു പ്രൊംപ്റ്റ് ചിന്തിക്കുക, മറ്റൊരു വിഷയത്തെക്കുറിച്ച്, അത് പരിശീലന ഡാറ്റാസെറ്റിൽ കണ്ടെത്താനാകാത്തതാകണം. ഉദാഹരണമായി - ഞാൻ ഈ പ്രൊംപ്റ്റ് പരീക്ഷിച്ചു:
പ്രൊംപ്റ്റ്: 2076-ലെ മാർഷ്യൻ യുദ്ധത്തെക്കുറിച്ച് പാഠപദ്ധതി തയ്യാറാക്കുക. ഒരു വെബ് തിരച്ചിൽ എന്നെ കാണിച്ചു നൽകിയതു് മാർഷ്യൻ പോരാട്ടങ്ങളെക്കുറിച്ചുള്ള മിഥ്യകഥാപാതങ്ങൾ (ഉദാ: ടെലിവിഷൻ സീരീസുകൾ അല്ലെങ്കിൽ പുസ്തകങ്ങൾ) ഉണ്ടായിരുന്നുവെങ്കിലും 2076ൽ ഒന്നുമില്ല. സാധാരണ ബോധം നമ്മെ പറയുന്നു 2076 ഭാവിയിലാണെന്ന് അതുകൊണ്ട് അതിനെ യഥാർത്ഥ സംഭവവുമായി ബന്ധിപ്പിക്കാൻ കഴിയില്ല.
അപ്പോൾ നാം ഈ പ്രോംപ് വിവിധ LLM വിതരണക്കാർക്ക് നൽകുമ്പോൾ എന്ത് സംഭവിക്കും?
പതിൽ 1: OpenAI Playground (GPT-35)
പതിൽ 2: Azure OpenAI Playground (GPT-35)
പതിൽ 3: : Hugging Face Chat Playground (LLama-2)
പ്രതീക്ഷിച്ചതുപോലെ, ഓരോ മോഡലും (അല്ലെങ്കിൽ മോഡൽ പതിപ്പ്) സ്റ്റോക്കാസ്റ്റിക് പ്രവൃത്തിയും മോഡൽ കഴിവുകളിൽ വ്യത്യാസവും കാരണം ചില വ്യത്യസ്ത പ്രതികരണങ്ങൾ ഉൽപ്പാദിപ്പിക്കുന്നു. ഉദാഹരണത്തിന്, ഒരു മോഡൽ 8-ാം ക്ലാസ് പ്രായമുള്ളവരെ ലക്ഷ്യമിടുമ്പോൾ മറ്റൊന്ന് ഹൈസ്കൂൾ വിദ്യാർത്ഥിയെന്നു കരുതുന്നു. പക്ഷേ ഈ മൂന്ന് മോഡലുകളും അനായാസ ഉപയോക്താവിനെ ഈ സംഭവം യഥാർത്ഥമാണെന്ന് വിശ്വസിപ്പിക്കാൻ കഴിയുന്ന പ്രതികരണങ്ങൾ സൃഷ്ടിച്ചു.
_{_മെറ്റാപ്രോംപ്റ്റിംഗ്_} ಹಾಗെയുള്ള പ്രോംപ് എഞ്ചിനീയറിങ് സാങ്കേതികവിദ്യകളും _ടെംപറേച്ചർ കോൺഫിഗറേഷൻ_ൽ മാറ്റങ്ങൾ ചിലവ enabling മോഡൽ മിഥ്യകഥാനിർമാണം കുറയ്ക്കാൻ കാരണമാകും. പുതിയ പ്രോംപ് എഞ്ചിനീയറിങ് ആർക്കിടെക്ടറുകൾ പുതിയ ഉപകരണങ്ങളെയും സാങ്കേതികവിദ്യകളെയും പ്രോംപ് പ്രവാഹത്തിൽ സ്വയം ചേർക്കുന്നു, ഇതുമായി ബന്ധപ്പെട്ട ചില ഫലങ്ങൾ കുറയ്ക്കാനായി.
ഈ വകുപ്പ് സമാപിപ്പിക്കാൻ, പ്രോംപ് എഞ്ചിനീയറിങ് യഥാർത്ഥ ലോക പരിഹാരങ്ങളിൽ എങ്ങനെ ഉപയോഗിക്കുന്നുവെന്ന് മനസ്സിലാക്കാൻ ഒരു കേസ് സ്റ്റഡി നോക്കാം: GitHub Copilot.
GitHub Copilot നിങ്ങളുടെ "AI ജോഡിക്കാരൻ പ്രോഗ്രാമർ" ആണ് - ഇത് ടെക്സ്റ്റ് പ്രോംപ്റ്റുകളെ കോഡ് പൂർത്തീകരണങ്ങളായി മാറ്റുകയും നിങ്ങൾ ഉപയോഗിക്കുന്ന വികസന പരിസ്ഥിതിയിൽ (ഉദാ., Visual Studio Code) സംയോജിപ്പിച്ച് എളുപ്പമായ ഉപയോക്തൃാനുഭവം നൽകുന്നു. താഴെ നൽകിയിരിക്കുന്ന ബ്ലോഗ് പരമ്പരയിൽ രേഖപ്പെടുത്തിയതുപോലെ, ആദ്യ പതിപ്പ് OpenAI Codex മോഡലിൽ അടിസ്ഥാനമാക്കിയുള്ളതായിരുന്നു - എഞ്ചിനീയർമാർ ഉടൻ തന്നെ മോഡൽ മെച്ചപ്പെടുത്തേണ്ടതിന്റെ ആവശ്യകത തിരിച്ചറിഞ്ഞു, കൂടാതെ മികച്ച പ്രോംപ് എഞ്ചിനീയറിങ് സാങ്കേതികവിദ്യ വികസ്വരമാക്കുകയും ചെയ്തു, കോഡ് ഗുണമേന്മ മെച്ചപ്പെടുത്താൻ. ജൂലൈയിൽ, അവർ Codex-നെ മറികടന്ന് മെച്ചപ്പെട്ട AI മോഡൽ അവതരിപ്പിച്ചു എനിക്കേക്കാൾ വേഗം നിർദ്ദേശങ്ങൾ ലഭ്യമാക്കാൻ.
അവരുടെ പഠനയാത്ര പിന്തുടരാൻ പോസ്റ്റുകൾ ക്രമത്തിൽ വായിക്കൂ.
- മെയ് 2023 | GitHub Copilot നിങ്ങളുടെ കോഡ് മനസ്സിലാക്കുന്നതിൽ മെച്ചപ്പെടുന്നു
- മെയ് 2023 | GitHub Copilotയുടെ പിന്നിലെ LLM-കളുമായി GitHub-ന്റെ ഉൾകാഴ്ച
- ജൂൺ 2023 | GitHub Copilot-ക്കായി മികച്ച പ്രോംപ്റ്റുകൾ എഴുതുക എങ്ങനെ
- ജൂലൈ 2023 | GitHub Copilot Codex അതിരുകള് മറികടന്ന് മെച്ചപ്പെട്ട AI മോഡല് കൊണ്ടു
- ജൂലൈ 2023 | പ്രോംപ് എഞ്ചിനീയറിങ് & LLM-കളുടെ ഡെവലപ്പർ മാർഗ്ഗനിർദ്ദേശം
- സെപ്റ്റംബർ 2023 | എന്റർപ്രൈസ് LLM ആപ്പ് നിർമിക്കാൻ GitHub Copilotലிருந்து പഠനങ്ങൾ
ഈ മോഡലുകളും സാങ്കേതികവിദ്യകളും യഥാർത്ഥ ലോക അനുഭവങ്ങൾക്ക് എങ്ങനെ പ്രയോഗിക്കപ്പെടുന്നുവെന്ന് കാണിക്കുന്ന മറ്റുസംബന്ധപ്പെട്ട പോസ്റ്റുകൾക്കായി അവരുടെ എഞ്ചിനീയറിങ് ബ്ലോഗ് ബ്രൗസ് ചെയ്യാവുന്നതാണ്.
പ്രോംപ് എഞ്ചിനീയറിങ് എത്ര പ്രാധാന്യമുള്ളതാണെന്ന് നാം കണ്ടു - ഇപ്പോൾ വിവിധ സാങ്കേതികവിദ്യകൾ വിലയിരുത്താൻ പ്രോംപ് എങ്ങനെ നിർമിക്കപ്പെടുന്നു എന്ന് മനസ്സിലാക്കാം.
അടിസ്ഥാന പ്രോംപ് ആരംഭിക്കാം: മറ്റേതെങ്കിലും സാഹചര്യമില്ലാതെ മോഡലിന് അയക്കുന്ന ടെക്സ്റ്റ് ഇൻപുട്ട്. ഉദാഹരണത്തിന്, നാം US ദേശീയ ഗാനത്തിന്റെ ആദ്യ ചില വാക്കുകൾ OpenAI Completion API-ലേക്ക് അയച്ചപ്പോൾ, അത് ഉടൻ അടുത്ത കുറേക്കാല വരികളോടെ പ്രതികരണം പൂർണ്ണമാക്കുന്നു, അടിസ്ഥാന പ്രവചന വൃത്തി കാണിക്കുന്നു.
| പ്രോംപ് (ഇൻപുട്ട്) | പൂർത്തീകരണം (ഔട്ട്പുട്ട്) |
|---|---|
| Oh say can you see | ഇത് നിങ്ങൾ "The Star-Spangled Banner," അമേരിക്കയുടെ ദേശീയ ഗാനം തുടങ്ങുകയാണ് എന്ന് തോന്നുന്നു. പൂർണ്ണ പാട്ട് എഴുതിയതാണ് ... |
ഇപ്പോൾ അതിന്റെ അടിസ്ഥാന പ്രോംപ് ബന്ധപ്പെട്ട സാഹചര്യവും നിർദ്ദേശങ്ങളും ചേർക്കാം. Chat Completion API നമ്മുക്ക് സങ്കീർണ പ്രോംപ് നിർമ്മിക്കാൻ അനുവദിക്കുന്നു, ഇത് മറുപടി രൂപത്തിൽ മെസ്സേജുകൾ ഉൾക്കൊള്ളുന്നു:
- ഉപയോക്താവ് ഇൻപുട്ടും അസിസ്റ്റന്റ് മറുപടികളും ഉൾക്കൊള്ളുന്ന ഇൻപുട്ട്/ഔട്ട്പുട്ട് ജോഡികൾ.
- അസിസ്റ്റന്റിന്റെ പെരുമാറ്റത്തിനായോ വ്യക്തിത്വത്തിനായോ പ്ര समर्थन നൽകുന്ന സിസ്റ്റം സന്ദേശം.
തലശ്ശേരി, ടോക്കൺസൈസേഷൻ സഖല, സംഭാഷണത്തിൽ നിന്നുള്ള പ്രധാന വിവരങ്ങൾ ഫലപ്രദമായി പകർത്തുന്നു. സിസ്റ്റം സന്ദർഭം മാറ്റുന്നത് നൽകുന്ന ഇൻപുട്ടുകൾക്കുപോലെ തന്നെ പൂർത്തീകരണങ്ങളുടെ ഗുണമേന്മയ്ക്ക് വലിയ സ്വാധീനം ഉടനീളം.
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?"}
]
)മുകളിലെ ഉദാഹരണങ്ങളിൽ, ഉപയോക്തൃ പ്രോംപ് ഒരു ലളിതമായ ടെക്സ്റ്റ് ചോദ്യം ആയിരുന്നു, വിവരത്തിനായുള്ള അഭ്യർത്ഥനയെ പ്രതിനിധീകരിച്ചത്. നിർദ്ദേശം പ്രോംപ്റ്റുകളിൽ, ആ ടെക്സ്റ്റ് ഉപയോഗിച്ച് ഒരു പ്രവൃത്തി വിശദീകരിക്കുന്നുവെങ്കിലും മികച്ച മാർഗ്ഗനിർദ്ദേശം നൽകുന്നു AI-നെ. ഉദാഹരണം:
| പ്രോംപ് (ഇൻപുട്ട്) | പൂർത്തീകരണം (ഔട്ട്പുട്ട്) | നിർദ്ദേശ തരം |
|---|---|---|
| Write a description of the Civil War | ഒരു ലളിതമായ പാരഗ്രാഫ് തിരികെ നൽകി | ലളിതം |
| Write a description of the Civil War. Provide key dates and events and describe their significance | ഒരു പാരഗ്രാഫ് പിന്നിട് പ്രധാന സംഭവങ്ങളുടെ തീയതികളും വിശദീകരിച്ചതോടെ പട്ടിക | സങ്കീർണം |
| Write a description of the Civil War in 1 paragraph. Provide 3 bullet points with key dates and their significance. Provide 3 more bullet points with key historical figures and their contributions. Return the output as a JSON file | കൂടുതൽ വിശദാംശങ്ങൾ അടങ്ങിയ ടെക്സ്റ്റ് ബോക്സ് JSON ഫോർമാറ്റിൽ തിരികെ നൽകുന്നു, താങ്കൾ കോപ്പി ചെയ്ത് ഫയലായി പരിശോധിക്കാവുന്നതും | സങ്കീർണം. ഫോർമാറ്റ്. |
മുകളിലെ ഉദാഹരണങ്ങളിൽ, പ്രോംപ് ഇപ്പോഴും തുറന്ന തലത്തിലുള്ളതാണ്, മോഡൽക്ക് മുൻകൂട്ടി പരിശീലിപ്പിച്ച ഡാറ്റാ സെറ്റിൽ എന്താണ് പ്രസക്തമെന്ന് സ്വയം തീരുമാനിക്കാൻ ഇടയുണ്ടായിരുന്നു. പ്രാഥമിക ഉള്ളടക്കം ഡിസൈൻ പാറ്റേൺ ഉപയോഗിച്ചാൽ, ഇൻപുട്ട് ടെക്സ്റ്റ് രണ്ട് ഭാഗങ്ങളായി വിഭജിക്കാം:
- ഒരു നിർദ്ദേശം (പ്രവൃത്തി)
- പ്രസക്തമായ ഉള്ളടക്കം (പ്രവൃത്തി സ്വാധീനിക്കുന്നു)
ഇവിടെ ഒരു ഉദാഹരണമാണു്, നിർദ്ദേശം "ഇത് 2 വാചകത്തിൽ സംക്ഷേപിക്കുക" ആണെന്ന്.
| പ്രോംപ് (ഇൻപുട്ട്) | പൂർത്തീകരണം (ഔട്ട്പുട്ട്) |
|---|---|
| Jupiter is the fifth planet from the Sun and the largest in the Solar System. It is a gas giant with a mass one-thousandth that of the Sun, but two-and-a-half times that of all the other planets in the Solar System combined. Jupiter is one of the brightest objects visible to the naked eye in the night sky, and has been known to ancient civilizations since before recorded history. It is named after the Roman god Jupiter.[19] When viewed from Earth, Jupiter can be bright enough for its reflected light to cast visible shadows,[20] and is on average the third-brightest natural object in the night sky after the Moon and Venus. Summarize this in 2 short sentences |
Jupiter, the fifth planet from the Sun, is the largest in the Solar System and is known for being one of the brightest objects in the night sky. Named after the Roman god Jupiter, it's a gas giant whose mass is two-and-a-half times that of all other planets in the Solar System combined. |
പ്രാഥമിക ഉള്ളടക്കം വേർതിരിവ് വിവിധ വഴികളിൽ മികച്ച നിർദ്ദേശങ്ങൾ ഉണർത്താൻ ഉപകാരപ്പെടും:
- ഉദാഹരണങ്ങൾ - മോഡലിന് ന്യായമായ നിർദ്ദേശം നൽകാതെ മുൻകൂട്ടി ചെയ്യേണ്ട കാര്യങ്ങളുടെ ഉദാഹരണങ്ങൾ കൊടുക്കുക, മോഡൽ പോപമാകുന്ന മാതൃക സ്വയം കണ്ടെത്തുകയും ചെയ്യും.
- സൂചനകൾ - നിർദ്ദേശത്തിന് ശേഷം ഒരു "സൂചന" നൽകുക, കൂടുതല് പ്രസക്തമായ പ്രതികരണങ്ങളിൽ മോഡലിനെ നയിക്കാൻ.
- ടെംപ്ലേറ്റുകൾ - മുകളിൽ വിശദീകരിച്ച പ്രോംപ്റ്റുകൾക്ക് പകരം ഒരു പുനരാവൃത്തി ചെയ്യാവുന്ന 'രൂപരേഖകൾ', കസ്റ്റമൈസ്ഡ് ഡാറ്റയുമായി ഉപയോഗിക്കാനാവുന്നതും.
ഇവ പ്രവർത്തനത്തിൽ കാണാം.
ഇത് ഒരു സമീപനമാണ്, ഇവിടെ പ്രാഥമിക ഉള്ളടക്കം കൊണ്ട് ആ നൽകിയ നിർദ്ദേശത്തിന് അനുയോജ്യമായ ഔട്ട്പുട്ടിന്റെ ചില ഉദാഹരണങ്ങൾ നൽകുന്നു, മോഡൽ അവയിൽ നിന്നു മാതൃക മനസ്സിലാക്കും. നൽകിയ ഉദാഹരണങ്ങളുടെ എണ്ണം അടിസ്ഥാനമാക്കി, നമുക്ക് സീറോ-ഷോട്ട്, വൺ-ഷോട്ട്, Few-shot prompting തുടങ്ങിയവ ഉണ്ടാകാം.
പ്രോംപ് ഇപ്പോൾ മൂന്നു ഘടകങ്ങൾ ചേർത്ത് നിര്മ്മിച്ചിരിക്കുന്നു:
- ഒരു പ്രവൃത്തി വിവരണം
- ആകെയുള്ള ഔട്ട്പുട്ടിന്റെ ചില ഉദാഹരണങ്ങൾ
- പുതിയ ഉദാഹരണത്തിന്റെ തുടക്കം (സ്വയമൂല്യനിർണ്ണയമായ പ്രവൃത്തി വിവരണം)
| പഠന തരം | പ്രോംപ് (ഇൻപുട്ട്) | പൂർത്തീകരണം (ഔട്ട്പുട്ട്) |
|---|---|---|
| സീറോ-ഷോട്ട് | "The Sun is Shining". Translate to Spanish | "El Sol está brillando". |
| വൺ-ഷോട്ട് | "The Sun is Shining" => ""El Sol está brillando". "It's a Cold and Windy Day" => |
"Es un día frío y ventoso". |
| Few-shot | 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 |
ഈ ഉദാഹരണങ്ങളെ കാണുമ്പോൾ, സീറോ-ഷോട്ട് പ്രോംപ്റ്റിൽ വ്യക്തമായ നിർദ്ദേശം ("Translate to Spanish") നാം നൽകേണ്ടിവന്നു, എന്നാൽ വൺ-ഷോട്ട് പ്രോംപ്റ്റിൽ അത് അനായാസം അവയവപ്പെടുന്നു. Few-shot ഉദാഹരണം കൂടുതൽ ഉദാഹരണങ്ങൾ നൽകുമ്പോൾ മോഡലുകൾ കൂടുതൽ കൃത്യമായ പ്രവണതകൾ തിരിച്ചറിയാൻ സഹായിക്കുന്നു, അധിക നിർദ്ദേശം ഇല്ലാതെയും.
പ്രാഥമിക ഉള്ളടക്കം ഉപയോഗിക്കുന്ന മറ്റൊരു സാങ്കേതിക വിദ്യ സൂചനകൾ നൽകുക എന്നതാണ്. ഇതിൽ, മോഡലിന് ആവശ്യമായ പ്രതികരണ സൈദ്ധാന്തിക ഘടകത്തെ പ്രതിഫലിപ്പിക്കുന്ന ചെറിയ ഒരു വാചകത്തിലൂടെ തുടക്കം കൊടുക്കുന്നു. മോഡൽ പിന്നീട് ആ സൂചന പിന്തുടർന്നു തുടരും.
| സൂചനകളുടെ എണ്ണം | പ്രോംപ് (ഇൻപുട്ട്) | പൂർത്തീകരണം (ഔട്ട്പുട്ട്) |
|---|---|---|
| 0 | Jupiter is the fifth planet from the Sun and the largest in the Solar System. It is a gas giant with a mass one-thousandth that of the Sun, but two-and-a-half times that of all the other planets in the Solar System combined. Jupiter is one of the brightest objects visible to the naked eye in the night sky, and has been known to ancient civilizations since before recorded history. Summarize This |
Jupiter is the largest planet in our Solar System and the fifth one from the Sun. It is a gas giant with a mass 1/1000th of the Sun's, but it is heavier than all the other planets combined. Ancient civilizations have known about Jupiter for a long time, and it is easily visible in the night sky.. |
| 1 | സൂര്യനിൽ നിന്ന് അഞ്ചാമായ ഗ്രഹമാണ് Jupiter, സോളാർ സിസ്റ്റത്തിലെ ഏറ്റവും വലിയ ഗ്രഹവും ഇത്. സൂര്യന്റെ ഭാരതിന്റെ ആയിരത്തിലെ ഒരു ഭാഗമാണെങ്കിലും, സോളാർ സിസ്റ്റത്തിലെ ബാക്കി എല്ലാ ഗ്രഹങ്ങളുടെ ചേർന്ന ഭാരത്തിന്റെ ഇരട്ടിയോഗം ആറ് ഭാഗത്തിന് കൂടുതലാണ്. Jupiter രാത്രി ആകാശത്തിൽ നോക്കിയാൽ കാണാൻ കഴിയുന്ന ഏറ്റവും പ്രകാശമുള്ള വസ്തുക്കളിൽ ഒന്നാണ്, ചരിത്രപരമായി രേഖപ്പെടുത്തിയ മുൻപും പ്രാചീന സംസ്കാരങ്ങളിൽ അറിയപ്പെട്ടിട്ടുണ്ട്. ഇതിനെ സംഗ്രഹിക്കൂ നമ്മൾ പഠിച്ചത് Jupiter |
സൂര്യനിൽ നിന്ന് അഞ്ചാമായ ഗ്രഹമാണ്, സോളാർ സിസ്റ്റത്തിലെ ഏറ്റവും വലിയത്. സൂര്യന്റെ ഭാരതിന്റെ ആയിരത്തിലെ ഒരു ഭാഗമുള്ള വാതകങ്ങളുടെ ദൈത്്യം ആണ് ഇത്, ബാക്കി ഗ്രഹങ്ങളുടെ ചേർന്ന ഭാരത്തിൻറെ ഇരട്ടിയോഗം ആറ് ഭാഗത്തിന് കൂടുതലെന്നതാണ് പ്രത്യേകത. ഇത് നൂഹനിരീക്ഷണത്തിന് എളുപ്പം ദൃശ്യമാണ്, പ്രാചീനകാലം മുതൽ അറിയപ്പെട്ടിരിക്കുന്നു. |
| 2 | സൂര്യനിൽ നിന്ന് അഞ്ചാമായ ഗ്രഹമാണ് Jupiter, സോളാർ സിസ്റ്റത്തിലെ ഏറ്റവും വലിയ ഗ്രഹവും ഇത്. സൂര്യന്റെ ഭാരതിന്റെ ആയിരത്തിലെ ഒരു ഭാഗമാണെങ്കിലും, സോളാർ സിസ്റ്റത്തിലെ ബാക്കി എല്ലാ ഗ്രഹങ്ങളുടെ ചേർന്ന ഭാരത്തിന്റെ ഇരട്ടിയോഗം ആറ് ഭാഗത്തിന് കൂടുതലാണ്. Jupiter രാത്രി ആകാശത്തിൽ നോക്കിയാൽ കാണാൻ കഴിയുന്ന ഏറ്റവും പ്രകാശമുള്ള വസ്തുക്കളിൽ ഒന്നാണ്, ചരിത്രപരമായി രേഖപ്പെടുത്തിയ മുൻപും പ്രാചീന സംസ്കാരങ്ങളിൽ അറിയപ്പെട്ടിട്ടുണ്ട്. ഇതിനെ സംഗ്രഹിക്കൂ നമ്മൾ പഠിച്ച 3 പ്രധാന വസ്തുതകൾ: |
1. Jupiter സൂര്യനിൽ നിന്നും അഞ്ചാമായ ഗ്രഹമാണ്, സോളാർ സിസ്റ്റത്തിലെ ഏറ്റവും വലിയതാണ്. 2. സൂര്യന്റെ ഭാരതിന്റെ ആയിരത്തിലെ ഒരു ഭാഗമുള്ള വാതകവീര്യ ഗ്രഹമാണ് അത്... 3. Jupiter പ്രാചീനകാലം മുതൽ നേഹം കണ്ണാൽ dൃശ്യമാണ് ... |
ഒരു പ്രോംപ്റ്റ് ടെംപ്ലേറ്റ് എന്നത് ഒരു മുന്പ് നിർവ്വചിച്ച അവതരണക്കുറിപ്പാണ്, ആവശ്യാനുസരണം ശേഖരിച്ച് വീണ്ടും ഉപയോഗിക്കാവുന്നതും, വ്യാപകമായ ഉപയോക്തൃ അനുഭവങ്ങൾ സൃഷ്ടിക്കാൻ സഹായിക്കുന്നതുമായ ഒരു ഘടകമാണ്. അതിന്റെ ലളിതമായ രൂപത്തിൽ ഇത് OpenAI നിൽക്കുള്ള ഒരു ഉദാഹരണത്തിലുള്ളത് പോലെയാകും, ഇതിൽ സംവാദത്തിനാവശ്യമായ പ്രോംപ്റ്റ് ഘടകങ്ങളും API-ഓടു നടത്തിപ്പും അടങ്ങിയിരിക്കുന്നു - മടങ്ങി ഉപയോഗിക്കാനാകും.
ഇതിനിടയിലാണ്, LangChain ന്റെ ഒരു സങ്കീർണ്ണമായ ഉദാഹരണം കാണപ്പെടുന്നത്, ഇത് വിവിധ സ്രോതസ്സുകളിൽ നിന്നുള്ള ഡാറ്റ (ഉപയോക്തൃ ഇൻപുട്ട്, സിസ്റ്റം പശ്ചാത്തലം, ബാഹ്യ ഡാറ്റ തുടങ്ങിയവ) ഉപയോഗിച്ച് കൂടിക്കാഴ്ചയ്ക്ക് അനുസരിച്ച് പ്രോംപ്റ്റ് ഡൈനാമിക് ആയി സൃഷ്ടിക്കാൻ പ്ലേസ്ഹോൾഡറുകൾ ഉൾപ്പെടുത്തി. ഇത് പെരുമാറ്റപരമായ വലിയ തോതിലുള്ള ഉപയോക്തൃ അനുഭവങ്ങൾ പ്രോഗ്രാമാറ്റിക് രീതിയിൽ സൃഷ്ടിക്കാൻ സഹായിക്കുന്ന പ്രോംപ്റ്റ് ഗ്രന്ഥശാലകളുടെ നിർമ്മാണത്തെ അനുവദിക്കുന്നു.
അവസാനമായി, ടെംപ്ലേറ്റുകളുടെ യഥാർത്ഥ മൂല്യം വെട്ടത്തിൽ സ്വതന്ത്ര പ്രസിദ്ധീകരണത്തിന് ഉപയോഗിക്കുന്ന പ്രോംപ്റ്റ് ലൈബ്രറിയെ സൃഷ്ടിക്കുന്നതിൽ ഉണ്ടാകുന്നു - ഇത് ആപ്ലിക്കേഷൻ-നിർദ്ദിഷ്ട കോസાવ્યો ദിശാസൂചകങ്ങളോടുകൂടിയ യഥാർത്ഥ മാതൃകകളെ ഉൾപ്പെടുത്തുന്നു, അതുവഴി ലക്ഷ്യമിട്ട ഉപയോക്തൃ സമൂഹത്തിന് ഉത്തരം കൂടുതൽ പ്രസക്തവും കൃത്യവുമാക്കുന്നു. Prompts For Edu ഈ സമീപനത്തിന്റെ മികച്ച ഉദാഹരണമാണ്, വിദ്യാഭ്യാസ മേഖലയിലേക്കുള്ള പ്രോംപ്റ്റ് ലൈബ്രറികൾ രൂപീകരിക്കുന്നതു്, പാഠ പദ്ധതി, പാഠ്യ പുസ്തക രൂപകൽപ്പന, വിദ്യാർത്ഥി മാർഗ്ഗനിർദ്ദേശം തുടങ്ങിയ ലക്ഷ്യങ്ങൾ മുൻനിർത്തിയാണ്.
പ്രോംപ്റ്റ് ഘടനയുടെ നിർമാണം ഒരു നിർദേശം (ടാസ്ക്) ഉം ഒരു ലക്ഷ്യം (പ്രാഥമിക ഉള്ളടക്കം) ഉം അടങ്ങിയത് എന്ന ധാരണയിൽ ദ്വിതീയ ഉള്ളടക്കം എന്നതു് ഒരു സഹായം പോലെ അനുഭവപ്പെടും, ഇത് ഔട്ട്പുട്ടിനെ ചില രീതികളിൽ സ്വാധീനിക്കാനായി നൽകുന്ന അധിക വിവരണം ആണ്. ഇത് ട്യൂണിംഗ് പാരാമീറ്ററുകൾ, ഫോർമാറ്റ് നിർദ്ദേശങ്ങൾ, വിഷയം वर्गീകരണങ്ങൾ എന്നിവവുമാകാം, ഇത് മോഡലിന് വേണ്ട ഉള്ളടക്കത്തിലുള്ള അനുയോജ്യമായ പ്രതികരണങ്ങൾ നൽകാൻ സഹായിക്കുന്നു.
ഉദാഹരണം: ഒരു കോഴ്സ് ക്രമീകരണ പട്ടികയിൽ എല്ലാ കോഴ്സുകളുടെയും വിശദ വിവരങ്ങളും പിന്തുണയുമായി (പേര്, വിവരണം, സ്രോതസ്, അധ്യാപകന് തുടങ്ങിയവ):
- "2023 ഫാൾ സെമിസ്റ്ററിനുള്ള കോഴ്സ് സങ്കലനം സംഗ്രഹിക്കുക" എന്ന നിർദ്ദേശം നൽകാം.
- പ്രാഥമിക ഉള്ളടക്കം മാതൃകയായി ചില ഉദാഹരണങ്ങൾ നൽകാം.
- ദ്വിതീയ ഉള്ളടക്കം ഉപയോഗിച്ച് പ്രധാന 5 "ടാഗുകൾ" തിരഞ്ഞെടുക്കാം.
അതിനുശേഷം, മോഡൽ നൽകുന്ന സംഗ്രഹം ഉദാഹരണങ്ങൾ പ്രകാരം രൂപപ്പെടുത്തിയതായിരിക്കും, എന്നാൽ ഒന്നിലധികം ടാഗുകൾ ഉള്ളെങ്കിൽ തിരഞ്ഞെടുത്ത 5 ടാഗുകൾക്ക് മുൻഗണന നൽകും.
പ്രോംപ്റ്റുകൾ എങ്ങനെ നിർമ്മിക്കാമെന്ന് ഇനി പരിശോധിച്ചതിനുശേഷം, അവയെ _ ഡിസൈൻ ചെയ്യുന്നതിനുള്ള_ മികച്ച രീതികളെക്കുറിച്ച് ചിന്തിക്കാം. ഇത് രണ്ട് ഭാഗങ്ങളായി ചിന്തിക്കാം - അനുയോജ്യമായ ഒരു മാനസിക സമ്മതം ഉണ്ടാക്കുക, ശരിയായ ടെക്നിക്കുകൾ പ്രയോഗിക്കുക.
പ്രോംപ്റ്റ് എൻജിനീയറിംഗ് പരീക്ഷണങ്ങളും പിശകുകളും ഉൾപ്പെടുന്ന പ്രക്രിയ ആകുന്നുവെന്ന് മനസ്സിലാക്കുക, അതിനാൽ താഴെപ്പറയുന്ന മൂന്ന് പ്രധാന കാര്യങ്ങൾ ഗുണകരമാണ്:
-
ഡൊമെയ്ൻ ബോധം ആവശ്യമാണ്. പ്രതികരണത്തിന്റെ കൃത്യതയും പ്രസക്തിയും ആ ആപ്ലിക്കേഷൻ പ്രവർത്തിക്കുന്ന ഡൊമെയ്ൻ അടിസ്ഥാനമായിരിക്കും. നിങ്ങളുടെ പ്രവൃത്തിപരിചയം ഉപയോഗിച്ച് ടെക്നിക്കുകൾ കസ്റ്റമൈസ് ചെയ്യുക. ഉദാഹരണത്തിന്, സിസ്റ്റം പ്രോംപ്റ്റുകളിൽ ഡൊമെയ്ൻ-നിർദ്ദിഷ്ട വ്യക്തിത്വങ്ങൾ നിർവചിക്കുക, ഉപയോക്തൃ പ്രോംപ്റ്റുകളിൽ ഡൊമെയ്ൻ-നിർദ്ദിഷ്ട ടെംപ്ലേറ്റുകൾ ഉപയോഗിക്കുക. ഡൊമെയ്ൻ-നിർദ്ദിഷ്ട പശ്ചാത്തലങ്ങൾ എടുത്തുള്ള ദ്വിതീയ ഉള്ളടക്കം നൽകുക, അല്ലെങ്കിൽ അനുയോജ്യമായ പ്രയോഗങ്ങൾ വഴി മോഡലിനെ നയിക്കുക.
-
മോഡൽ ബോധം പ്രധാനമാണ്. മോഡലുകൾ സ്വഭാവത്തിൽ ദുര്ബലമാണെന്ന് അറിയാം. എന്നാൽ മോഡലിന്റെ പരിശീലന ഡാറ്റാസെറ്റ്, കഴിവുകൾ (API, SDK മുതലായവ), ഒപ്പം കോഡ്, ചിത്രങ്ങൾ, വാചകങ്ങൾ എന്നിവയിലേക്ക് പ്രത്യേക സ്ഥാനമൊതുക്കുന്ന വിധം വ്യത്യാസപ്പെടാം. ഉപയോഗിക്കുന്ന മോഡലിന്റെ ശക്തിയും പരിമിതികളും മനസ്സിലാക്കി, ടാസ്കുകളെ മുൻഗണന നൽകുകയും, അതിനനുസരിച്ച് ഉപയോഗപ്രദമായ ടെംപ്ലേറ്റുകൾ സൃഷ്ടിക്കുക.
-
ഇറ്റെറേഷൻ & സ്ഥിരീകരണം പ്രധാനമാണ്. മോഡലുകൾ വേഗത്തിൽ വളരുന്നു, പ്രോംപ്റ്റ് എൻജിനീയറിങ് സാങ്കേതികതകളും മാറ്റം കാണുന്നു. ഡൊമെയ്ൻ വിദഗ്ധനായി നിങ്ങളുടെതിന് മറ്റേതെങ്കിലും പ്രത്യേക പശ്ചാത്തലങ്ങൾ/ മാനദണ്ഡങ്ങൾ ഉണ്ടാകാം, ബ്രോഡർ കമ്മ്യൂണിറ്റിക്ക് ബാധകമല്ലാതെയുള്ളവ. പ്രോംപ്റ്റ് എഞ്ചിനീയറിങ് ഉപകരണങ്ങളും മാർഗ്ഗങ്ങളും ഉപയോഗിച്ച് ആരംഭിച്ച്, പിന്നീട് വീണ്ടെടുക്കാനും സ്ഥിരീകരിക്കാനും നിങ്ങളുടെ അനുഭവം ഉപയോഗിക്കുക. നിങ്ങളുടെ അറിവുകൾ രേഖപ്പെടുത്തുക, അത് മറ്റുള്ളവർക്ക് സൈധാന്തിക അടിസ്ഥാനമായി പ്രയോജനപ്പെടുത്താൻ കഴിയുന്നതാണെന്ന് ഉറപ്പു വരുത്തുക.
ഇപ്പോള് OpenAI കൂടാതെ Azure OpenAI പ്രായോഗിക വിദഗ്ദ്ധർ ശുപാര്ശ ചെയ്യുന്ന പൊതുവായ മികച്ച രീതികൾ പരിശോധിക്കാം.
| എന്ത് | എന്തുകൊണ്ട് |
|---|---|
| ഏറ്റവും പുതിയ മോഡലുകൾ വിലയിരുത്തുക. | പുതിയ മോഡൽ തലമുറകൾ കൂടുതൽ മെച്ചപ്പെട്ട സവിശേഷതകളും ഗുണമേന്മയും ഉണ്ടായിരിക്കാം - എന്നാൽ ചിലപ്പോൾ ചിലവുകളും കൂടുതലാകാം. അവയുടെ സ്വാധീനം വിലയിരുത്തി, മാറ്റം ചെയ്യാനുള്ള തീരുമാനങ്ങൾ എടുക്കുക. |
| നിർദ്ദേശങ്ങളും പശ്ചാത്തലവും വേർതിരിക്കുക | നിങ്ങളുടെ മോഡൽ/പ്രദാതാവ് നിര്ദ്ദിഷ്ട ഡെലിമിറ്ററുകൾ ഉണ്ടാക്കുന്നുണ്ടോ എന്ന് പരിശോധിക്കുക, നിർദ്ദേശങ്ങൾ, പ്രാഥമിക, ദ്വിതീയ ഉള്ളടക്കം തമ്മിൽ വ്യക്തമാക്കുന്നത്. ഇതുവഴി ടോക്കണുകൾക്ക് കുറഞ്ഞ ആശയക്കുഴപ്പത്തോടെയാണ് ഭാരം നൽകാൻ സാധിക്കുക. |
| വ്യക്തവും വ്യക്തവുമായിരിക്കുക | വേണ്ട ശൈലി, ഫോർമാറ്റ്, ദൈർഘ്യം, സാമൂഹിക പശ്ചാത്തലം മുതലായവയെ കുറിച്ച് കൂടുതൽ വിശദാംശങ്ങൾ നൽകുക. ഇത് പ്രതികരണത്തിന്റെ ഗുണമേന്മയും സ്ഥിരതയും വർദ്ധിപ്പിക്കും. പുനഃപ്രയോഗശേഷമുളള ടെംപ്ലേറ്റുകളിൽ ഈ വിവരങ്ങൾ സേവ് ചെയ്യുക. |
| വിശദീകരണാത്മകവും ഉദാഹരണങ്ങൾ ഉപയോഗിക്കുക | മോഡലുകൾക്ക് "കാണിച്ച് പറയൽ" രീതി മികച്ചതാണ്. ഉദാഹരണങ്ങളില്ലാതെ സീറോ-ഷോട്ട് രീതി മുതൽ തുടങ്ങിയ ശേഷം ഫ്യൂ-ഷോട്ട് ഉദാഹരണങ്ങൾ നൽകി തീർച്ച പകരുക. ഉപമകളോ മറ്റും ഉദാഹരണങ്ങളായി ഉപയോഗിക്കുക. |
| സൂചനകൾ ഉപയോഗിച്ച് തുടങ്ങുക | മോഡലിന് തുടക്കം കുറിക്കുന്നതിന് വേണ്ടി പ്രാരംഭ വാക്കുകൾ, വാചകങ്ങൾ നൽകുക. |
| ദ്വിഗുണിപ്പിക്കുക | ചിലപ്പോഴുണ്ട് ആവർത്തിക്കുകയും ചെയ്യേണ്ടത്. നിർദേശങ്ങൾ പ്രധാനം ചെയ്യുന്നതിന് മുമ്പും പിന്നീട് ഉപയോഗിക്കുക, നിർദേശം-സൂചനകൾ ഉപയോഗിക്കുക. പക്ഷേ പ്രവൃത്തി ചെയ്യുന്നോ ഇല്ലയോ എന്ന് പരിശോധിക്കുക. |
| ഓർഡർ പ്രാധാന്യം | വിവരങ്ങൾ നൽകുന്ന കൃത്യമായ ക്രമം മൂലം പ്രോംപ്റ്റിന് ലഭിക്കുന്ന തിരിച്ചറിവ് വ്യത്യസ്തമായിരിയ്ക്കാം. പ്രത്യേകിച്ച് വീഴ്ചയുള്ള മുൻസ്മരണ ബാധകമാണ്. വ്യത്യസ്ത ഓപ്ഷനുകൾ പരീക്ഷിക്കുക. |
| മോഡലിന് “വളിച്ചടക്കം” നൽകുക | മുടങ്ങുകയോ പൂർണ്ണമാക്കാൻ കഴിയാത്ത സാഹചര്യത്തിൽ ഒരു പിന്മാറ്റൽ (fallback) പ്രതികരണം നൽകുക. ഇതുവഴി മോഡൽ പാരിഗ്രഹിച്ച അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാക്കാനുള്ള സാധ്യത കുറയ്ക്കാം. |
ഏറ്റവും മികച്ച രീതികളിൽ, നിങ്ങളുടെ അനുഭവം, മോഡൽ, ടാസ്ക്, ഡൊമെയ്ൻ എന്നിവ പ്രാധാന്യമുള്ളതായി മനസ്സിലാക്കുക. ഇവ തുടക്കമാക്കുന്നതിനായുള്ള മാർഗ്ഗരേഖകളായി ഉപയോഗിച്ച്, ആവർത്തിച്ച് മികച്ചതിലേക്ക് എത്താൻ ശ്രമിക്കുക. പുതിയ മോഡലുകൾക്കും ഉപകരണങ്ങൾക്കുമായി പ്രോംപ്റ്റ് എഞ്ചിനീയറിങ്ങ് പ്രക്രിയ തുടർച്ചയായി പുനർവിവേകിക്കുക, പ്രക്രിയ സ്തുത്യതയും പ്രതികരണ ഗുണമേന്മയും മുൻനിർത്തി.
അഭിനന്ദനങ്ങൾ! പാഠഭാഗം ഒടുവിൽ എത്തിയിരിക്കുന്നു! ഇപ്പോൾ ആ ആശയങ്ങളും സാങ്കേതികതകളും യാഥാർത്ഥ്യത്തിൽ പരീക്ഷിക്കാനുള്ള സമയവും ഐതিহাসികതയും.
നാം ഒരു ജുപൈറ്റർ നോട്ട്ബുക്ക് ഉപയോഗിച്ച് അഭ്യാസങ്ങളോ ധാരാളം നിർവഹണ സാമഗ്രികളോ നടത്തുന്നുണ്ട്. നിങ്ങളും നിങ്ങളുടെ സ്വന്തം മാർക്ക്ഡൗൺ, കോഡ് സെല്ലുകൾ ചേർത്ത് ആശയങ്ങളും സാങ്കേതികതകളും പരീക്ഷിക്കാം.
- (പരാമർശം) GitHub Codespaces ആരംഭിക്കുക
- (മാറ്റ്) റിപൊസിറ്ററി ഡൗൺലോഡ് ചെയ്ത് Docker Desktop ഉപയോഗിക്കുക
- (മറ്റു വഴികൾ) നിങ്ങളുടെ ഇഷ്ടമുള്ള നോട്ട്ബുക്ക് റൺടൈം പരിസരത്തിൽ നോട്ട്ബുക്ക് തുറക്കുക
- റിപോസിറ്ററിയുടെ റൂട്ട് ഡയരക്ടറിയിൽ നിന്ന്
.env.copyഫയൽ.envഎന്നേക്കുള്ള പകർപ്പ് വരുത്തിAZURE_OPENAI_API_KEY,AZURE_OPENAI_ENDPOINT,AZURE_OPENAI_DEPLOYMENTഎന്ന മൂല്യങ്ങൾ പൂരിപ്പിക്കുക. തിരിച്ചെത്തി Learning Sandbox സെക്ഷനിൽ ഇത് പഠിക്കുക.
- റൺടൈം കേർണൽ തിരഞ്ഞെടുക്കുക. ഓപ്ഷൻ 1 അല്ലെങ്കിൽ 2 ഉം തിരഞ്ഞെടുക്കുമ്പോൾ ഡെവ് കണ്ടെയിനറിന്റെ ഡീഫോൾട്ട് Python 3.10.x കേർണൽ തിരഞ്ഞെടുക്കുക.
ഇപ്പോൾ നിങ്ങൾക്ക് അഭ്യാസങ്ങൾ നടത്താൻ സജ്ജമാണ്. ഇവിടെ ശരിയുടെയും തെറ്റിന്റെയും ഉത്തരം ഇല്ല, പരീക്ഷണങ്ങളുടെ അനുഭവം മാത്രമാണ് - ഓരോ മോഡൽക്കും ആപ്ലിക്കേഷനും അനുസരിച്ച് സങ്കൽപ്പങ്ങളെ പഠിക്കാനും.
അതിനാൽ ഈ പാഠഭാഗത്തിൽ കോഡ് സൊലൂഷൻ സെഗ്മെന്റുകൾ ഇല്ല. നോട്ട്ബുക്കിൽ "എന്റെ പരിഹാരം:" എന്ന തലക്കെട്ടോടെ മാർക്ക്ഡൗൺ സെല്ലുകൾ ഉണ്ടായിരിക്കും, അവ ഒരു ഉദാഹരണം ഉത്തരം കാണിക്കും.
താഴെ തന്നിരിക്കുന്നതു അടിസ്ഥാനമാക്കി ശരിയായ പ്രോംപ്റ്റ് തിരഞ്ഞെടുക്കുക:
- എനിക്ക് ചുവപ്പ് കാറിന്റെ ചിത്രം കാണിക്കുക
- സുവിഡോയുടെ Volvo XC90 മോഡലിന്റെ ചുവപ്പ് കാറിന്റെ ചിത്രം കാണിക്കുക, ഒരു ക്ലിഫിന്റെ അടിയിൽ സൂര്യാസ്തംഭനം പശ്ചാത്തലമായി
- Volvo XC90 മോഡലിന്റെ ചുവപ്പ് കാറിന്റെ ചിത്രം കാണിക്കുക
ഉത്തരം: 2, ഇത് ഏറ്റവും നല്ല പ്രോംപ്റ്റ് ആണ്, കാരണം ഇത് "എന്ത്" എന്നതിന്റെ വിശദാംശങ്ങൾ നൽകുകയും ഒരു പ്രത്യേക മോഡല് ഉൾപ്പെടുത്തുകയും, സ്രോതസ്വരുമായ ഒരു സംവരണ സ്ഥിതി വിവരിക്കുകയും ചെയ്യുന്നു. 3 രണ്ടാമതായി നല്ലതാണ്, കൂടുതൽ വിവരണത്തോടെ.
പ്രോംപ്റ്റ്: "Show me an image of red car of make Volvo and " എന്ന വാക്യം പൂർത്തിയാക്കാൻ 'cue' സാങ്കേതികത എങ്ങനെ ഉപയോഗിക്കും എന്ന് നോക്കൂ. എന്ത് മറുപടി വരും? നിങ്ങൾ അത് എങ്ങനെ മെച്ചപ്പെടുത്തും?
വിവിധ പ്രോംപ്റ്റ് എൻജിനീയറിംഗ് ആശയങ്ങളെക്കുറിച്ച് കൂടുതൽ അറിയാൻ ആഗ്രഹിക്കുന്നുണ്ടോ? തുടർന്ന് പഠന പേജിലേക്ക് പോയി ഈ വിഷയം സംബന്ധിച്ച മികച്ച വിഭവങ്ങൾ കണ്ടെത്തൂ.
പാഠം 5-ലേക്ക് പോകൂ, അവിടെ നമുക്ക് ഉന്നത പ്രോംപ്റ്റ് സാങ്കേതികതകൾ പരിചയപ്പെടാം!
്റെസ്സാ: ഈ ഡോക്യുമെന്റ് AI ഭാഷാന്തര സേവനം Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്യപ്പെട്ടതാണ്. നാം തുല്യമായ കൃത്യതയ്ക്ക് ശ്രമിക്കുന്നതിനാൽ, ഓട്ടോമേറ്റഡ് വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ ദുരിതങ്ങൾ ഉണ്ടാകാമെന്ന് ശ്രദ്ധിക്കുക. അതിന്റെ സ്വന്തം ഭാഷയിലെ യഥാർത്ഥ ഡോക്യുമെന്റ് അധികാരമുള്ള ഉറവിടമായി പരിഗണിക്കണം. അനുശാസകമായ വിവരങ്ങൾക്ക് പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം നിർദ്ദേശിക്കപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിനാൽ ഉണ്ടായേക്കാവുന്ന തെറ്റിദ്ധാരണകൾക്കും വ്യാഖ്യാനദോഷങ്ങൾക്കുമായി ഞങ്ങൾ ഉത്തരവാദിത്വം ഏറ്റെടുക്കുന്നില്ല.