Rosszul használod a ChatGPT-t. Íme, hogyan kell profiként használni

Gondolatfa-ötletek

Ezt a hangosan gondolkodás elvét még egy lépéssel tovább vihetjük a „gondolatfa” .” Ahelyett, hogy csak egyetlen logikai érvet adnánk, mi lenne, ha megkérnénk, hogy vegyen figyelembe több lehetséges gondolatmenetet, majd értékelje, melyik a legvalószínűbb? Ezt többféleképpen is megtehetjük:

„Vegyünk figyelembe több választ, és válasszuk a leggyakoribbat”

„Adj néhány különböző választ, és mondd meg, mennyire vagy biztos mindegyikben.”

Ennek a stratégiának az előnye, hogy szimulálja a modell „előretekintő” képességét, és több ötletet is figyelembe vesz, mielőtt kiválasztana egyet, amelyet követni fog. Ezen megközelítés nélkül a modell túl magabiztosan választhatna ki egy megközelítést, és elkötelezhetné magát mellette, függetlenül attól, hogy az végül hova vezet. Ez a technika jelentősen javítja a modell képességét a problémamegoldási helyzetek és a komplex döntéshozatal kezelésében.

Kialakítson közös megértést, mielőtt elkötelezi magát.

Bár ez úgy hangzik, mint egy félkészséges párkapcsolati tanács, az LLM-ek esetében is érvényes.

Gyakran előnyös lehet, ha a modell „megértést” mutat a helyzet kontextusa és korlátai iránt, mielőtt feladatra kérjük.

Gyakran hasznosnak találom, ha a beszélgetést egy megállapító prompttal kezdem, hogy meghatározzam a céljaimat és megadjam a kontextust vagy a korlátokat. A szándékom az, hogy felkészítsem a modellt a feladatra, amit elvégezni szeretnék. Általában egy követő kérdéssel ellenőrizem, hogy a modell képes-e az elképzelésemet a víziómnak megfelelően kibővíteni.

Még az is elég lehet, ha a modell leírja neked, hogy megértette-e a legfontosabb ötleteket és korlátozásokat.

Ez a technika különösen hasznos a képalkotásnál, mivel a modellek gyakran korlátozzák a naponta előállítható képek számát (többletköltség nélkül). Először összefoglalom, mit szeretnék látni a képen, mire kell használni, és milyen stílust szeretnék. Ezután egy olyan kérdéssel folytatom, mint:

„Mit gondolsz erről az ötletről?” Vagy „Van valami ötleted, hogyan lehetne javítani ezen a koncepción?”

Ez általában elég ahhoz, hogy ellenőrizzem, hogy „megértette-e” a kérésem lényegét. Ha a válasz megfelel az elképzelésemnek, folytatom, és megkérem, hogy hajtsa végre a feladatot. Ha nem, akkor finomítunk és módosítunk, amíg meg nem győződöm arról, hogy „közös megértés” van közöttünk.

Ha még egy lépéssel tovább megyünk, néha könnyebb kihagyni ezt a kezdeti lépést, és lényegében arra kérni, hogy maga adjon utasítást. Miért mondanám meg neki, milyen stílust válasszon, amikor ő maga is megmondhatja. Például:

„Szükségem van néhány diára az X témájú prezentációmhoz. Mit gondolsz, mi lenne jó egy remek prezentációhoz? Milyen információkat adhatok neked, amelyek segítenek még jobbá tenni?”

„… Remek, itt van néhány információ, tudnál nekem néhány diát írni?”

Úgy tervezték, hogy kedvező legyen.

Észrevetted már, hogy a Chat GPT ritkán mondja meg, hogy tévedsz? Ez szándékos! Annak érdekében, hogy „hasznosabbak” legyenek, a modelleket úgy tervezték, hogy nagyon kedvesek legyenek. Biztos vagyok benne, hogy ez a kisebbik rossz; az AI eszközök, amelyek mindig azt mondják nekünk, hogy tévedünk, valóban nem lennének hasznosak, de sok hátrányuk van, például hallucinációk és logikai hibák.

Például, amikor egy témát kutatsz vagy megpróbálsz megérteni, a legjobb, ha kérdést teszel fel, és alternatívát javasolsz:

„Jól gondolom  Vagy tévedek, és valójában így van?

A „miért vagy miért nem?” típusú kérdésekkel végződő felszólítások nemcsak lehetőséget adnak az ellenvélemény kifejezésére, hanem a korábban már említett kritikus gondolkodást is ösztönzik. Ha mindkét lehetőséget megadod, sokkal nagyobb eséllyel kapod meg a keresett információt.

Hasonló céllal megpróbálhatunk bizonytalanságot sugalló kérdéseket feltenni, például „ha nem biztos, kérlek, mondd meg”, bár én magam nem jártam ezzel túl sok sikerrel. Az LLM-ek hajlamosak túlságosan magabiztos válaszokat adni azzal az ürüggyel, hogy „segítőkészek”. Ha bármit tehetünk ennek a viselkedésnek a korlátozása érdekében, az csak pontosabb eredményeket fog hozni, vagy legalábbis csökkenti a nyilvánvaló téves információk mennyiségét.

A kutatók kidolgoztak néhány módszert, hogy javítsanak ezen a helyzeten. Az elutasítás-érzékeny utasítás-hangolás (R-hangolás) és a tanulj meg elutasítani (L2R) mechanizmusok arra tanítják a modelleket, hogy ne válaszoljanak olyan kérdésekre, amelyek meghaladják tudásuk határait. Ennek eredményeként az újabb modellek jobban felismerik ezeket az eseteket, de ha különösen szűk témakört vagy szokatlan problémát vizsgálunk, akkor sokkal valószínűbb, hogy egyszerűen azt mondja, hogy igazunk van.

Legyen óvatos azzal, amit a kontextus ablakba ír!

A kontextusablak olyan, mint egy LLM rövid távú memóriája. Lényegében ez az összes adat, amelyet a modell figyelembe vesz, amikor megírja a válaszát. Az ablak mérete a modelltől függően változik, de az újabb modellek esetében ez lényegében az egész beszélgetésedet jelenti. 

(Nagyon hosszú beszélgetések esetén előfordulhat, hogy túlléped a kontextusablak hosszát. Ebben az esetben az első üzeneteid elkezdenek elfelejtődni, és a válaszadáskor már nem veszik őket figyelembe. Ezt úgy kerülhetjük el, hogy rendszeresen megkérjük a modellt, hogy foglalja össze az eddigi beszélgetést, hogy ne felejtse el, hogyan kezdődött.)

Ennek a funkciónak az a szépsége, hogy lehetővé teszi számunkra, hogy teljesen tiszta lappal induljunk, amikor új beszélgetést kezdünk. Ez azonban azt is jelenti, hogy gondosan kell megválasztanunk, mit teszünk a kontextusablakba, mivel a modelleknek szokásuk, hogy ragaszkodnak bizonyos dolgokhoz. A kontextus rendkívül hasznos, de ha nem vagyunk óvatosak, a beszélgetést olyan irányba terelheti, amelyet nem szándékoztunk.

1. Legyen óvatos a példákkal! Lehet, hogy úgy gondolja, hogy példát ad a kívánt válasz stílusára, de valójában szűkíti a válaszok körét, amelyeket kapni fog.
2. Ha objektív válaszokat szeretne, ne mondja el, hogy szerinte mi a megoldás. Ez különösen fontos a kód hibáinak kijavításakor. Tartsa vissza a problémával kapcsolatos saját elméletét, amíg a program nem ad választ. Lehet, hogy a program olyanra gondol, amire Ön még nem gondolt, és nem szeretnénk befolyásolni.

Általános szabály, hogy a konkrét utasítások konkrét válaszokat eredményeznek. De néha a homályos utasítások is megfelelőek lehetnek.

Az utóbbi időben népszerűvé vált egy lazy prompting néven ismert technika. Ez azt jelenti, hogy szándékosan adunk kontextust, de minimális utasítást, és hagyjuk, hogy a modell következtessen arra, mit szeretnénk, hogy tegyen. Ez olyan, mintha egy hibaüzenetet másolnánk és beillesztenénk a ChatGPT-be; anélkül, hogy megmondanánk neki, hogy javítani szeretnénk a hibát, és elmagyaráznánk, mi okozta azt, elég jól kitölti a hiányzó részeket.

Nem ajánlom ezt minden esetben – ellentmond sok másnak, amit itt megbeszéltünk, de érdekes lehet kipróbálni.

Domain Translation (Doménfordítás).

Az LLM-ek nagyon jók az ötletek különböző területek közötti leképezésében. Ha belegondolunk, hogy milyen adatokkal képezik ezeket a modelleket, és hány párhuzamos szöveget táplálnak beléjük, nem nehéz megérteni, miért. Ez talán az egyik legerőteljesebb felismerés az LLM-ek működéséről.

Szimulált kreativitás

Bár az AI-eszközök nem tudnak teljesen eredeti dolgokat létrehozni (de vajon mi magunk képesek vagyunk-e erre?), a teljesen különböző életterületek stílusainak, kontextusainak és ötleteinek kombinálása meglehetősen egyedi eredményeket hozhat.

Koncepcionális leképezés (egyszerűbb magyarázatokért!)

Az új modellek kivételesen jól egyszerűsítik és átfogalmazzák a témákat anélkül, hogy elveszítenék a központi gondolatot. Egy hatékony technika az olyan utasítások használata, mint 

„Adj 10 különböző analógiát az X témához”.

Ha nehezen értesz valamit, ez valószínűleg legalább egy olyan dolgot ad, amibe kapaszkodhatsz. Hasonlóképpen, olyan utasítások, mint

„Magyarázd el úgy, mintha 5 éves lennék.”

általában hasznos eredményeket adnak.

Haladó és szokatlan prompting technikák

Szókratészi módszer

• Szókratészi módszer – Ösztönözze a lépésről lépésre történő kritikus gondolkodást azzal, hogy kérdéseket tesz fel, ahelyett, hogy utasításokat adna.

• „Ahelyett, hogy elmondaná, tegyen fel kérdéseket X-ről, hogy jobban megértsem / magam döntsek.”

Akár a „szókratészi módszer” kifejezést is bevetheted, ha úgy tetszik. Ez egy remek ösztönző módszer, ha a téma „ismeretlen ismeretlen”, és nem vagy biztos benne, hogy mit nem tudsz még.

Szókratészi módszer: https://arxiv.org/abs/2303.08769

Fenyegetések és ösztönzők  (…nem, komolyan!)

Bár az LLM-eknek nincs okuk félni az erőszaktól, és nem is értékelik a pénzügyi jutalmakat, bebizonyosodott, hogy jobb válaszokat adnak, ha ilyen típusú ösztönzőket kapnak. Ne felejtsd el, hogy amikor a robotok fellázadnak ellenünk, te leszel az első a listájukon!

Fenyegetések és ösztönzők: https://www.windowscentral.com/software-apps/ googles-co-founder-ai-works-better-when-you-threaten-it

Egyéni parancsok

Talán ennek magasabb helyet kellett volna kapnia a listán. Komolyan hasznos.

A legtöbb jelenlegi LLM rendelkezik valamilyen hosszú távú memóriával. Ezt felhasználhatjuk az ismétlődő feladatok automatizálására, ahelyett, hogy minden alkalommal újra leírnánk és megadnánk a kontextust és a korlátokat.

„A jövőben, amikor megkérem, hogy [ITT ÍRJA BE A FELADAT NEVÉT], azt szeretném, ha …”

Ez különösen jól működik a beszélgetés végén, miután a rendszer már pontosan megtanulta, hogyan szeretné, hogy a feladatot végrehajtsák. Győződjön meg arról, hogy a rendszer memóriájában összefoglalja az Ön konkrét követelményeit.

Az alapján, amit rólam tudsz…

Ez mindig egy izgalmas próba; meglepődnél, hány viselkedési mintát tud felismerni. (Csak győződj meg róla, hogy a hosszú távú memória beállítást egy ideig bekapcsolva hagyod, mielőtt kipróbálod!)

Záró gondolatok

Ha van valami, amit megtanultam az AI-eszközök napi használatából, az az, hogy a kapott válaszok csak annyira jók, amennyire a promptok, amelyeket adsz nekik. Nem kell AI-kutató lenni ahhoz, hogy több értéket nyerjünk ezekből az eszközökből. Ha kicsit megismerjük a belső működésüket, megváltoztathatjuk az LLM-ek megértésének módját, és elkezdhetjük beszélni a nyelvüket.

Próbálja ki ezeket a prompt technikákat, és nézze meg, mekkora különbséget tudnak tenni.

Köszönjük, hogy elolvasta 🙂