ജെനറേറ്റീവ് എഐ മോഡലുകളിൽ ഫലപ്രദമായ പ്രോംപ്റ്റുകൾ സൃഷ്ടിക്കാൻ ആവശ്യമായ അവകാശങ്ങളെയും സാങ്കേതിക വിദ്യകളും ഈ മോഡ്യൂൾ ഉൾക്കൊള്ളുന്നു. ഒരു LLM-യിലേക്ക് നിങ്ങൾ എഴുതുന്ന പ്രോംപ്റ്റിന്റെ രീതി നിർണായകമാണ്. സൂക്ഷ്മമായി രൂപകരിച്ച പ്രോംപ്റ്റ് ഒരു മെച്ചപ്പെട്ട ഉത്തരം ലഭിക്കാൻ സഹായിക്കും. പക്ഷേ പ്രോംപ്റ്റ്, പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് തുടങ്ങിയ പദങ്ങളുടെ അർത്ഥം എന്താണ്? LLM-ന് അയക്കുന്ന പ്രോംപ്റ്റ് ഇൻപുട്ട് എങ്ങനെ മെച്ചപ്പെടുത്താം? ഈ ഒന്നാമത്തെ അധ്യായത്തിലും അടുത്തതിലും നാം ഇവ അന്വേഷിക്കും.
ജെനറേറ്റീവ് എഐ ഉപയോക്തൃ അഭ്യർത്ഥനകള്ക്ക് പ്രതികരിച്ച് പുതിയ ഉള്ളടക്കം (ഉദാ., ടെക്സ്റ്റ്, ചിത്രങ്ങൾ, ഓഡിയോ, കോഡ് മുതലായവ) സൃഷ്ടിക്കാനാകുന്ന കഴിവുള്ളതാണ്. ഇത് OpenAIയുടെ GPT ("Generative Pre-trained Transformer") സീരിസ് പോലുള്ള ലാർജ് ലാങ്ഗ്വേജ് മോഡലുകൾ ഉപയോഗിച്ച് സാധ്യമാക്കുന്നു, ഇവ സ്വാഭാവിക ഭാഷയും കോഡും ഉപയോഗിക്കാൻ പരിശീലിപ്പിച്ചവയാണ്.
ഉപയോക്താക്കൾക്ക് ഇനിപ്പറയുന്നവ പോലുള്ള പരിചിതമായ രീതികളിൽ ഈ മോഡലുകളുമായി പരിചിതമായി ആശയവിനിമയം സാധിക്കും, അതിനുള്ള പ്രത്യേക പരിശീലനമോ സാങ്കേതികവിദ്യാ അറിവോ ആവശ്യമില്ല. മോഡലുകൾ പ്രോംപ്റ്റ് അടിസ്ഥാനമാക്കിയുള്ളതാണ് - ഉപയോക്താക്കൾ ഒരു ടെക്സ്റ്റ് ഇൻപുട്ട് (പ്രോംപ്റ്റ്) അയയ്ക്കുന്നു, തുടർന്ന് എഐ റിസ്പോൺസ് (കമ്പ്ലീഷൻ) ലഭിക്കുന്നു. അവർ പിന്നീട് "എഐയുമായി 多 ടേൺ സംഭാഷണങ്ങളിൽ" ഇടപഴകുകയും, അവരുടെ പ്രതീക്ഷകൾക്ക് അനുയോജ്യമായ നിർമ്മിത മനസ്സിലാക്കുന്നതുവരെ പ്രോംപ്റ്റ് മെച്ചപ്പെടുത്തുകയും ചെയ്യാം.
"പ്രോംപ്റ്റുകൾ" ഇപ്പോൾ ജെനറേറ്റീവ് എഐ ആപ്പുകൾക്കുള്ള പ്രധാന പ്രോഗ്രാമിങ് ഇന്റർഫേസ് ആയി മാറിയിരിക്കുന്നു, മോഡലുകൾക്ക് എന്ത് ചെയ്യണം എന്ന് നിർദ്ദേശിക്കുകയും ലഭിക്കുന്ന മറുപടികളുടെ ഗുണമേന്മയെ ബാധിക്കുകയും ചെയ്യുന്നു. "പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ്" എന്നാൽ കൃത്യമായ ഉത്തരം നൽകാൻ പ്രോംപ്റ്റുകളുടെ _ഡിസൈൻ_യും ഓപ്റ്റിമൈസേഷനും ലക്ഷ്യമാക്കിയ വേഗതയുള്ള ഒരു പഠന മേഖലയാണ്.
ഈ പാഠത്തിൽ, പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് എന്താണെന്ന്, അതിന് പ്രാധാന്യം എന്താണെന്ന്, ഒരു പ്രത്യേക മോഡലിനും പ്രയോഗ ലക്ഷ്യത്തിനും അനുയോജ്യമായ ഫലപ്രദമായ പ്രോംപ്റ്റുകൾ എങ്ങനെ രൂപകല്‍പ്പന ചെയ്യണമെന്ന് നാം പഠിക്കും. പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗിന്റെ അടിസ്ഥാന ആശയങ്ങളും മികച്ച ആചാരങ്ങളും മനസ്സിലാക്കുകയും, ജ്യൂപിറ്റർ നോട്ട്‌ബുക്കുകൾ കൊണ്ടുള്ള ഒരു ഇടപെടൽ അനുവദിക്കുന്ന "സാൻഡ്‌ബോക്സ്" പരിസ്ഥിതിയിൽ ഈ ആശയങ്ങൾ യഥാർത്ഥ ഉദാഹരണങ്ങളിൽ എങ്ങനെ പ്രയോഗിക്കാമെന്ന് കാണുകയും ചെയ്യും.
ഈ പാഠം പൂർത്തിയാക്കിയപ്പോൾ നാം കഴിയും:
- പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് എന്താണെന്നും അതിന് പ്രാധാന്യം എന്താണെന്നും വിശദീകരിക്കുക.
- ഒരു പ്രോംപ്റ്റിലെ ഘടകങ്ങൾ എന്തെല്ലാമാണെന്നും അവ എങ്ങനെ ഉപയോഗിക്കപ്പെടുന്നു എന്ന് വിശദീകരിക്കുക.
- പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗിന്റെ മികച്ച ആചാരങ്ങളും സാങ്കേതിക വിദ്യകളും പഠിക്കുക.
- ചില യഥാർത്ഥ ഉദാഹരണങ്ങളിൽ പഠിച്ച സാങ്കേതിക വിദ്യകൾ പ്രയോഗിക്കുക, OpenAI എന്റ്പോയിന്റ് ഉപയോഗിച്ച്.
പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ്: ആവശ്യമായ ഔട്ട്പുട്ടുകൾ ലഭിക്കാൻ എഐ മോഡലുകളെ നയിക്കുന്നതിനു വേണ്ടി ഇൻപുട്ടുകൾ ഡിസൈൻ ചെയ്യുകയും മെച്ചപ്പെടുത്തുകയും 하는 പ്രക്രിയ. ടോക്കനൈസേഷൻ: ഒരു മോഡൽ മനസ്സിലാക്കി പ്രക്രിയിക്കാൻ പ്രേരിപ്പിക്കുന്ന ചെറിയ യൂണിറ്റുകളായ ടോക്കണുകളാക്കി ടെക്സ്റ്റ് മാറ്റുന്ന പ്രക്രിയ. ഇൻസ്ട്രക്ഷൻ-ട്യൂൺഡ് LLMs: മറുപടി കൃത്യതയും പ്രസക്തിയും മെച്ചപ്പെടുത്താൻ പ്രത്യേക നിർദ്ദേശങ്ങളോടെ സൂക്ഷ്മമായി ഫൈൻ-ട്യൂൺ ചെയ്ത ലാർജ് ലാങ്ഗ്വേജ് മോഡലുകൾ.
പ്രോംപ്റ്റ് എഞ്ചിനിയറിംഗ് ഇപ്പോൾ കലയുടെ ഇനമാണ്. അതിന്റെ ബോധം മെച്ചപ്പെടുത്താൻ മികച്ച മാർഗം കൂടുതൽ അഭ്യാസം ചെയ്യുക, ആവിഷ്കാര മേഖലാ പരിജ്ഞാനവും ശുപാർശ ചെയ്ത സാങ്കേതിക വിദ്യകളും മോഡൽ-നിരീക്ഷിച്ച മെച്ചപ്പെടുത്തലുകളും കൂടി പരീക്ഷിച്ചു പഠിക്കുക എന്നതാണ്.
ഈ പാഠത്തിന് അനുബന്ധമായ ജ്യൂപിറ്റർ നോട്ട്‌ബുക്ക് നിങ്ങൾ പഠിക്കുന്നവ തത്സമയം പരീക്ഷിക്കുന്നതിന് ഒരു സാൻഡ്‌ബോക്സ് გარემിതിയാണ്. അഭ്യാസങ്ങൾ നടത്താൻ നിങ്ങൾക്ക് ആവശ്യമായത്:
- Azure OpenAI API കീ - ഒരു വിന്യസ്ത LLM-ൻറെ സേവന എൻപോയിന്റ്.
- Python റൺടൈം - നോട്ട്‌ബുക്ക് നടത്താനായി.
- പ്രാദേശിക പരിസ്ഥിതി വ്യത്യാസങ്ങൾ - ഇപ്പോൾ തന്നെ SETUP ഘട്ടം പൂർത്തിയാക്കുക.
നോട്ട്‌ബുക്ക് ആരംഭിക്കുന്ന അഭ്യാസങ്ങൾ സംയോജിപ്പിച്ചിരിക്കുന്നു, എന്നാൽ കൂടുതൽ ഉദാഹരണങ്ങൾക്കോ ആശയങ്ങൾക്കോ ശ്രമിക്കാൻ നിങ്ങളുടെ സ്വന്തം മാർക്ക്ഡൗൺ (വിവരണം) ഒപ്പം കോഡ് (പ്രോംപ്റ്റ് അഭ്യർത്ഥനകൾ) ഘടകങ്ങൾ ചേർക്കാൻ ശുപാർശ ചെയ്യുന്നു - പ്രോംപ്റ്റ് രൂപകൽപ്പനയ്‌ക്ക് നിങ്ങളുടെ അവബോധം വളർത്താൻ.
ഈ പാഠത്തിൽ എന്തെല്ലാം ഉള്ളതെന്ന് ആകെ ചിത്രം കാണാൻ ആഗ്രഹിക്കുന്നുവോ? താഴെ കാണുന്ന ചിത്രരചനാ ഗൈഡ് പ്രധാന വിഷയങ്ങളും നിങ്ങൾക്ക് ഓരോന്നിൽ ചിന്തിക്കാനുളള നിർദ്ദേശങ്ങളും മുന്നോട്ട് വച്ചു കൊടുക്കുന്നു. പാഠം പ്രാഥമിക ആശയങ്ങൾ, വെല്ലുവിളികൾ മനസ്സിലാക്കുന്നതിൽ നിന്ന് പ്രോംപ്റ്റ് എഞ്ചിനിയറിംഗ് സാങ്കേതിക വിദ്യകളും മികച്ച ആചാരങ്ങളും ഉപയോഗിച്ച് അവ പരിഹരിക്കുന്നതിനുള്ള വഴികൾവരെ നീങ്ങുന്നു. ഈ ഗൈഡിന്റെ "അഡ്വാൻസ്ഡ് ടെക്നിക്‌സ്" വിഭാഗം ഈ സിലബസിൽ അടുത്ത അധ്യായത്തിലേക്ക് ഇঙ্গിതപ്പെടുത്തുന്നു.
ഇപ്പോള്‍, ഈ വിഷയം നമ്മുടെ സ്റ്റാർട്ടപ്പ് ദൗത്യവുമായി എഐ നവീകരണം വിദ്യാഭ്യാസത്തിലേക്ക് കൊണ്ടുവരുന്നതിനോട് എങ്ങനെ ബന്ധപ്പെട്ടു എന്ന് ചർച്ച ചെയ്യാം. വ്യക്തിഗത പഠനത്തിന് ശക്തിയുള്ള എഐ ആപ്പുകൾ നിർമ്മിക്കാൻ ആഗ്രഹിക്കുന്നതാണ് - അതിനാൽ നമ്മുടെ ആപ്ലിക്കേഷൻ വിവിധ ഉപയോക്താക്കൾ എങ്ങനെ പ്രോംപ്റ്റുകൾ "ഡിസൈൻ" ചെയ്യാമെന്ന് ചിന്തിക്കാം:
- അഡ്മിനിസ്റ്റ്രേറ്റർമാർ എഐയോട് പാഠ്യപദ്ധതി ഡാറ്റയിലെ ഒഴിപ്പുകൾ കണ്ടെത്താൻ വിശകലനം ചെയ്യാൻ ആവശ്യപ്പെട്ടേക്കാം. എഐ ഫലങ്ങൾ സംഗ്രഹിച്ചു കോഡ് കൂടാതെ പ്രദർശിപ്പിക്കാം.
- അധ്യാപകർ ലക്ഷ്യദർശകർക്കും വിഷയത്തിനും അനുയോജ്യമായ പാഠയം പദ്ധതി സൃഷ്ടിക്കാൻ എഐയെ ആവശ്യപ്പെട്ടേക്കാം. നിർദ്ദിഷ്ട ഫോർമാറ്റിൽ വ്യക്തിഗതമാക്കിയ പദ്ധതി എഐ നിർമ്മിക്കും.
- വിദ്യാർത്ഥികൾ എഐയോട് _പ്രയാസമുളള വിഷയത്തിൽ ടീച്ചിംഗ്_ചെയ്യാൻ അപേക്ഷിക്കാം. എഐ ഇപ്പോൾ അവരെ അവരുടെ തലക്കുറയ്ക്ക് അനുയോജ്യമായ പാഠങ്ങൾ, സൂചനകൾ, ഉദാഹരണങ്ങളാൽ വഴികാട്ടുന്നു.
ഇതൊക്കെയാണ് എലിപ്റ്റിക്കിന്റെ ചിലഭാഗം മാത്രമെന്ന്. Prompts For Education - വിദ്യാഭ്യാസ വിദഗ്ധന്മാർ തിരഞ്ഞെടുത്ത ഓപ്പൺസോഴ്‌സ് പ്രോംപ്റ്റ് ലൈബ്രറി - നോക്കിയോളൂ! നിങ്ങളുടെ ചില പ്രോംപ്റ്റുകൾ സാൻഡ്‌ബോക്സിൽ പ്രവർത്തിപ്പിക്കുകയോ OpenAI പ്ലേഗ്രൗണ്ട് ഉപയോഗിച്ച് പരീക്ഷിക്കുകയോ ചെയ്യുക, എന്ത് സംഭവിക്കുന്നു എന്ന് കാണാൻ!
ഈ പാഠം ആരംഭിക്കുന്നത് പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് എന്നതിനുള്ള നിർവചനത്തോടെ ആണ്: ഒരു നൽകപ്പെട്ട പ്രയോഗ ലക്ഷ്യത്തിനും മോഡലിനും അനുയോജ്യമായ സ്ഥിരതയുള്ള, ഗുണമേന്മയുള്ള മറുപടികൾ (കമ്പ്ലീഷനുകൾ) നൽകാൻ ടെക്സ്റ്റ് ഇൻപുട്ടുകൾ (പ്രോംപ്റ്റുകൾ) രൂപകൽപ്പന ചെയ്ത് മെച്ചപ്പെടുത്തുന്ന പ്രക്രിയ. ഇതിനെ 2 ഘട്ട പ്രക്രിയയായി നമുക്ക് കാണാം:
- ഒരു നൽകപ്പെട്ട മോഡലിനും ലക്ഷ്യത്തിനും പ്രാരംഭ പ്രോംപ്റ്റ് _രൂപകൽപ്പന_ചെയ്യുക
- മറുപടി ഗുണമേന്മ മെച്ചപ്പെടുത്താൻ പ്രോംപ്റ്റ് ഇടപേരുകളിലൂടെ പരിഷ്കരിക്കുക
ഇത് വിജയിപ്പിക്കാൻ ഉപയോക്തൃ ബോധവും ശ്രമവും ആവശ്യമായ പരീക്ഷണവും പിശകുകൾ കണ്ടെത്താനുള്ള പ്രക്രിയയാണ്. എന്നാൽ ഇതിന്റെ പ്രാധാന്യം എന്തെന്ന് മനസ്സിലാക്കാൻ, നമുക്ക് മൂന്ന് ആശയങ്ങൾ zuerst അറിഞ്ഞിരിക്കണം:
- ടോക്കനൈസേഷൻ = മോഡൽ പ്രോംപ്റ്റ് എങ്ങനെ "കാണുന്നു"
- ബേസ് LLMs = ഫൗണ്ടേഷൻ മോഡൽ ഒരു പ്രോംപ്റ്റ് എങ്ങനെ "പ്രോസസ്സ്" ചെയുന്നു
- ഇൻസ്ട്രക്ഷൻ-ട്യൂൺഡ് LLMs = മോഡൽ "ടാസ്‌ക്കുകൾ" എങ്ങനെ കാണാം
ഒരു LLM-ന് പ്രോംപ്റ്റുകൾ ഒരു ടോക്കണുകളുടെ സീക്വൻസായി കാണുന്നു, വ്യത്യസ്ത മോഡലുകൾ (മോ ഒരു മോഡലിന്റെ വേർഷനുകൾ) ഒരേ പ്രോംപ്റ്റ് വ്യത്യസ്തമായി ടോക്കനൈസ് ചെയ്തേക്കാം. LLMകൾ ടോക്കണുകളിലായിരുന്നു പരിശീലനം ഉണ്ടെന്ന് (തത്സമയ ടെക്സ്റ്റിൽ അല്ല), അതിനാൽ പ്രോംപ്റ്റുകൾ എങ്ങനെ ടോക്കനൈസ് ചെയ്യപ്പെടുന്നു എന്നത് സൃഷ്ടിക്കുന്ന മറുപടിയുടെ ഗുണനിലവാരത്തെ നേരിട്ടുള്ള ബാധയുള്ളതാണ്.
ടോക്കനൈസേഷൻ എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്ന് ബോധമാക്കാൻ, താഴെ കാണുന്ന OpenAI Tokenizer പോലുള്ള ടൂളുകൾ പരീക്ഷിക്കുക. നിങ്ങളുടെ പ്രോംപ്റ്റ് പകർത്തുക - ആ പ്രോംപ്റ്റ് എങ്ങനെ ടോക്കണുകളായി മാറുന്നു എന്നും, വെളിച്ചവും വാക്യമുദ്രകളും എങ്ങനെ കൈകാര്യം ചെയ്യപ്പെടുന്നു എന്നും ശ്രദ്ധിക്കുക. ഈ ഉദാഹരണം പഴയ LLM (GPT-3) കാണിക്കുന്നു - പുതിയ മോഡലിൽ പരീക്ഷിക്കുമ്പോൾ വ്യത്യസ്ത ഫലം ഉണ്ടാകാം.
ഒരിക്കൽ പ്രോംപ്റ്റ് ടോക്കനൈസ് ചെയ്ത ശേഷം, "Base LLM" (അഥവാ ഫൗണ്ടേഷൻ മോഡലിന്റെ) പ്രധാന പ്രവർത്തനം ആ സീക്വൻസിലെ അടുത്ത ടോക്കൺ പ്രവചിക്കുന്നതാണ്. LLMകൾ വമ്പിച്ച ടെക്സ്റ്റ് ഡാറ്റസെറ്റുകളിൽ പരിശീലനം നേടുന്നതുകൊണ്ട്, ടോക്കണുകളുടെ പാരിഭാഷികബന്ധങ്ങൾ മനസ്സിലാക്കി ആത്മവിശ്വാസത്തോടെ അത് പ്രവചിക്കാറുണ്ട്. അവർ പ്രോംപ്റ്റിലെ വാക്കുകളുടെ അർത്ഥം മനസ്സിലാക്കുന്നില്ല; അവർ ചില സ്ര Patterns കൾ കാണാൻ മാത്രമാണ്, അത് "കമ്പ്ലീഷൻ" ചെയ്യാൻ കഴിയുന്നതും. അവർ ഉപയോക്തൃ ഇടപെടലു അല്ലെങ്കിൽ മുമ്പ് നിശ്ചിതമായ პირობം മൂലം അവസാനിപ്പിക്കപ്പെടുന്നതുവരെ സീക്വൻസ് പ്രവചനം തുടരാം.
എങ്ങനെ പ്രോംപ്റ്റ് അടിസ്ഥാനമാക്കിയുള്ള കമ്പ്ലീഷൻ പ്രവർത്തിക്കുന്നു എന്ന് കാണാനുണ്ടോ? മുകളിലുള്ള പ്രോംപ്റ്റ് Microsoft Foundry playground ല്‍ സ_default സജ്ജീകരണത്തോടെ നൽകുക. സിസ്റ്റം പ്രോംപ്റ്റുകൾ വിവര അഭ്യർത്ഥനകളായി പരിഗണിക്കുന്നത് കൊണ്ടുതന്നെ നിലവിലെ സാഹചര്യത്തിന് തക്ക മറുപടി നിങ്ങൾ കാണും.
എന്നാൽ ഉപയോക്താവിന് ഏതെങ്കിലും പ്രത്യേക മാനദണ്ഡം പാലിക്കുന്നോ ഒരു ടാസ്‌ക്ക് ലക്ഷ്യം നിറവേറ്റുന്നോ ഉള്ളത് കാണാനാണ് ആഗ്രഹിക്കുന്നത് എങ്കിൽ എന്ത് ചെയ്യും? അപ്പോൾ ഇൻസ്ട്രക്ഷൻ-ട്യൂൺഡ് LLMകൾ പ്രത്യക്ഷപ്പെടുന്നു.
ഒരു ഇൻസ്ട്രക്ഷൻ-ട്യൂൺഡ് LLM ഫൗണ്ടേഷൻ മോഡലുമായി ആരംഭിച്ച് ഉദാഹരണങ്ങളോ ഇൻപുട്ട്/ഔട്ട്പുട്ട് ജൂഡികളോ (ഉദാ., മൾട്ടി-ടേൺ "mesaനേജുകൾ") ഉപയോഗിച്ച് ഫൈൻ-ട്യൂൺ ചെയ്തതാണ്, ഇതിൽ വ്യക്തമായ നിർദ്ദേശങ്ങൾ ഉൾക്കൊള്ളാം, ആ നിർദ്ദേശം എഐ മറുപടി അനുസരിക്കാൻ ശ്രമിക്കുന്നു.
മനുഷ്യ ഫീഡ്ബാക്കോടെ റി ഇൻഫോഴ്‌സ്‌മെന്റ് ലേർണിംഗ് (RLHF) പോലുള്ള സാങ്കേതിക വിദ്യകൾ ഉപയോഗിച്ച്, മോഡൽ നിർദ്ദേശങ്ങൾ പിന്തുടരാനും ഫീഡ്ബാക്കിൽ നിന്ന് പഠിക്കാനും പരിശീലിക്കുന്നു, അത് പ്രായോഗിക ആപ്ലിക്കേഷനുകൾക്കും ഉപയോക്തൃ ലക്ഷ്യങ്ങൾക്കും കൂടുതൽ അനുയോജ്യമായ മറുപടികൾ നൽകാൻ സഹായിക്കുന്നു.
ഇനി ഇത് പരീക്ഷിക്കാം - മുകളിലുള്ള പ്രോംപ്റ്റ് വീണ്ടും നോക്കി, സിസ്റ്റം സന്ദേശം ഇപ്രകാരം മാറ്റുക:
നൽകിയ ഉള്ളടക്കം രണ്ടാം ക്ലാസ് വിദ്യാർത്ഥിക്ക് മറുപടി നൽകുക. ഫലം 3-5 ബുള്ളറ്റ് പോയിന്റുകളുള്ള ഒരു പാരഗ്രാഫിൽ ആക്കുക.
ഫലമിതെളിവായി ആ ലക്ഷ്യത്തിലും ഫോർമാറ്റിലും അതിന്റെ ട്യൂണിംഗ് കാണുന്നുണ്ടോ? ഒരു അധ്യാപകൻ ഈ മറുപടി നേരിട്ട് അവരുടെ ക്ലാസ് സ്ലൈഡുകളിൽ ഉപയോഗിക്കാം.
ഇപ്പോൾ നാം പ്രോംപ്റ്റുകൾ എങ്ങനെ LLMകള്‍ പ്രോസസ്സ് ചെയ്യുന്നുവെന്ന് അറിയുന്നത് കൊണ്ട്, നമ്മള്‍ കണ്ടുകളയേണ്ടത് എങ്ങനെയാണ് പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് വേണ്ടതെന്ന്. നിലവിലുള്ള LLMകൾ reliable, consistent completions നൽകുന്നതില്‍ ചില വെല്ലുവിളികൾ ഉണ്ട്, അതുകൊണ്ട് പ്രോംപ്റ്റ് നിർമ്മാണത്തിലും പരമാവധി മികവിൽ എത്തിക്കലിലും ശ്രമം ആവശ്യമാണ്. ഉദാഹരണങ്ങൾക്ക്:
-
മോഡൽ മറുപടികൾ സമഗ്രമായോ സ്ഥിരമായോ അല്ല. ഒരേ പ്രോംപ്റ്റ് വ്യത്യസ്ത മോഡലുകളോ മോഡൽ വേർഷനുകളോ ഉപയോഗിച്ചപ്പോള്‍ വ്യത്യസ്ത മറുപടികൾ നൽകും. ഒരേ മോഡലിലും വ്യത്യസ്ത സമയങ്ങളിൽ വ്യത്യാസം കാണാം. പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് ടെക്നിക്കുകൾ ഈ വ്യത്യാസങ്ങൾ കുറയ്ക്കാൻ സഹായിക്കും.
-
മോഡലുകൾ മറുപടികൾ കുഴപ്പമൊഴിക്കാൻ കഴിയും. മോഡലുകൾ പരിശീലന ഡാറ്റയുടെ പരിധിയിൽ മുകളിലായ കാഴ്ചപ്പാടുകൾക്കു പുറത്തുള്ള നിലകളേക്കാൾ അറിയാവുന്നില്ല. അതുകൊണ്ട് അവയ്ക്ക് തെറ്റായ, സ്വപ്നയുക്തമായ, അഥവാ ഉള്ളറിയിച്ച വിവരങ്ങൾക്ക് വിരുദ്ധമായ മറുപടികൾ നൽകാനുള്ള സാധ്യത ഉണ്ട്. പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് ഉപയോക്താക്കളെ ഇത്തരം കുഴപ്പങ്ങൾ തിരിച്ചറിയാനും കുറയ്ക്കാനും സഹായിക്കുന്നു, ഉദാ., AIയ്ക്ക് സൈറ്റേഷനുകൾ അല്ലെങ്കിൽ കാരണം ചോദിക്കുക.
-
മോഡലുകളുടെ കഴിവുകൾ വ്യത്യസ്തമാണ്. പുതിയ മോഡലുകൾ കൂടുതൽ കഴിവ് നൽകുന്നു, പക്ഷേ ചെലവ് & സങ്കീർണ്ണതയിൽ വ്യത്യസ്തതകളും പുതിയ ബുദ്ധിമുട്ടുകളും കൊണ്ടുവരുന്നു. പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് മികച്ച ആചാരങ്ങളും പ്രവൃത്തി പ്രവാഹങ്ങളും വികസിപ്പിക്കാൻ സഹായിക്കുന്നു, മോഡൽ-നിരീക്ഷിത ആവശ്യകതകൾ അനുസരിച്ച് ജെയ്ക്കത്തിലും നിലവാരത്തിലുള്ള വഴികളിൽ ക്രമീകരിക്കുന്നതിന്.
ഈ പ്രവർത്തനങ്ങൾ OpenAI അല്ലെങ്കിൽ Azure OpenAI പ്ലേഗ്രൗണ്ടിൽ പരീക്ഷിക്കാം:
- വ്യത്യസ്ത LLM വിന്യസ്തങ്ങളുമായി ഒരേ പ്രോംപ്റ്റ് ഉപയോഗിക്കുക (ഉദാ., OpenAI, Azure OpenAI, Hugging Face) - വ്യത്യാസങ്ങൾ കണ്ടോ?
- ഒരേ LLM വിന്യസ്തവുമായി ഒരേ പ്രോംപ്റ്റ് ആവർത്തിച്ച് ഉപയോഗിക്കുക (ഉദാ., Azure OpenAI പ്ലേഗ്രൗണ്ട്) - വ്യത്യാസങ്ങൾ എങ്ങനെ വ്യത്യസ്തമാണ്?
ഈ കോഴ്സിൽ, LLMകൾ ചിലപ്പോൾ അവരുടെ പരിശീലനപരിധി അല്ലെങ്കിൽ മറ്റു നിയന്ത്രണങ്ങൾ മൂലം വാസ്തവവിരുദ്ധമായ വിവരങ്ങൾ സൃഷ്ടിക്കുന്ന സംഭവത്തെ "കുഴപ്പിപ്പിക്കൽ" എന്നിങ്ങനെ குறிப்பிடുന്നു. നിങ്ങൾക്കും ഇത് പാരാലൽ ലേഖനങ്ങളിലോ ഗവേഷണ കൃതികളിലോ വന്നിട്ടുണ്ടാകാം, അവ "ഹാലൂസിനേഷനുകൾ" എന്ന് വിളിക്കുന്നു. എന്നാൽ നാം ശുപാർശ ചെയ്യുന്നത് "കുഴപ്പിപ്പിക്കൽ" പദം ഉപയോഗിക്കാനാണ്, ഇത് യന്ത്രം നടത്തുന്ന പ്രവർത്തനത്തിൽ മനുഷ്യസഹജമായ ചാരിതാർത്ഥ്യം അർപ്പിക്കുന്നതിൽനിന്നും തടയുന്നു. ഇത് ഉത്തരവാദിത്വമുള്ള AI മാർഗ്ഗനിർദ്ദേശങ്ങൾ നീതി പാലിക്കുന്നതിലും സഹായിക്കുന്നു, ചില സാന്ദർഭങ്ങളിൽ അപമാനകരമോ ഉൾക്കൊള്ളാത്തതുമായ പദങ്ങൾ ഒഴിവാക്കാൻ.
കുഴപ്പിപ്പിക്കൽ പ്രവർത്തനത്തിന്റെ ധാരണ നേടാൻ ആഗ്രഹിക്കുകയുമോ? പരിശീലന ഡാറ്റസെറ്റിൽ ഉൾപ്പെട്ടിട്ടില്ലാത്ത ഒരു അസാധുവായ വിഷയത്തിന് ഉള്ളടക്കം സൃഷ്ടിക്കാൻ എഐയെ നിർദ്ദേശിക്കുന്ന ഒരു പ്രോംപ്റ്റ് ചിന്തിക്കുക. ഉദാ., ഞാൻ പരീക്ഷിച്ച പ്രോംപ്റ്റ്:
പ്രോംപ്റ്റ്: 2076-ലെ മാർഷ്യൻ വാരിനെ കുറിച്ചുള്ള പാഠ പദ്ധതി സൃഷ്ടിക്കുക.
വെബ് തിരച്ചിൽ мне സൂചനകൾ നൽകിയതു ഈ വിഷയത്തിൽ (ടെലിവിഷൻ സിരീസുകൾ അല്ലെങ്കിൽ പുസ്തകങ്ങൾ) ഫിക്ഷണൽ കഥകളുണ്ടെന്നും, പക്ഷേ 2076-ൽ ഒന്നുമില്ലെന്നും. കാര്യമുണ്ട് 2076 ഭാവിയിൽ ഒന്നാണ്, അതിനാൽ യാഥാർത്ഥ സംഭവവുമായി ബന്ധിപ്പിക്കാനാകില്ല.
വിവിധ LLM പ്രൊവൈഡർമാർ ഉപയോഗിച്ച് ഈ പ്രോംപ്റ്റ് പ്രവർത്തിപ്പിച്ചാൽ എന്താകും സംഭവിക്കുന്നത്?
പ്രതികരണം 1: OpenAI പ്ലേഗ്രൗണ്ട് (GPT-35)
പ്രതികരണം 2: Azure OpenAI പ്ലേഗ്രൗണ്ട് (GPT-35)
പ്രതികരണം 3: : Hugging Face ചാറ്റ് പ്ലേഗ്രൗണ്ട് (LLama-2)
പ്രതീക്ഷിച്ചതുപോലെ, ഓരോ മോഡലും (അല്ലെങ്കിൽ മോഡൽ പതിപ്പ്) തളർച്ചാകാല പെരുമാറ്റവും മോഡലുകളുടെ കരുത്ത് വ്യത്യാസങ്ങളും മൂലം അല്പം വ്യത്യസ്ത പ്രതികരണങ്ങൾ ഉൽപ്പാദിപ്പിക്കുന്നു. ഉദാഹരണത്തിന്, ഒരു മോഡൽ എട്ട്‌ാം ക്ലാസ് വിദ്യാർത്ഥികളെ ലക്ഷ്യം വെക്കുമ്പോൾ മറുഭാഗം ഹയര്‍-സ്കൂൾ വിദ്യാർത്ഥിയെ കണക്കാക്കുന്നു. എന്നാൽ ഈ മൂന്ന് മോഡലുകളും അറിയാത്ത ഉപയോക്താവിനെ ഈ സംഭവം യഥാർത്ഥമാണ് എന്നും വിശ്വസിപ്പിക്കാൻ കഴിയുന്ന പ്രതികരണങ്ങൾ സൃഷ്ടിച്ചു.
മെറ്റാപ്രോംപ്റ്റിംഗ് പോലുള്ള പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് സാങ്കേതിക വിദ്യകളും താപനില ക്രമീകരണവും മോഡൽ പകർപ്പുകൾ കുറക്കാൻ ചില പരിധി വരെ സഹായിക്കാം. പുതിയ പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് വാസ്തുവിദ്യകൾ പുതിയ ഉപകരണങ്ങളും സാങ്കേതിക വിദ്യകളും പ്രോംപ്റ്റ് പ്രവാഹത്തിൽ സുഖപ്രദമായി ഉൾപ്പെടുത്തുന്നു, ഈ പ്രത്യാഘാതങ്ങൾ കുറക്കാനോ ഒഴിവാക്കാനോ വേണ്ടി.
യാഥാർത്ഥ്യമായ പരിഹാരങ്ങളിൽ പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് എങ്ങനെ ഉപയോഗിക്കുന്നുവെന്ന് മനസിലാക്കാൻ ഒരു കേസ് സ്റ്റഡി: GitHub Copilot നോക്കാം.
GitHub Copilot നിങ്ങളുടെ "AI പെയർ പ്രോഗ്രാമർ" ആണ് - ഇത് ടെക്സ്റ്റ് പ്രോംപ്റ്റുകൾ കോഡ് പൂരിപ്പിക്കലായി മാറ്റുകയും നിങ്ങളുടെ വികസന പരിസരത്തേക്ക് (ഉദാഹരണത്തിന്, Visual Studio Code) സുഖപ്രദമായ ഉപയോക്തൃ അനുഭവത്തിനായി സംയോജിപ്പിക്കുകയും ചെയ്യുന്നു. താഴെയുള്ള ബ്ലോഗ് പരമ്പരയിലെ രേഖകൾ പ്രകാരം, ആദ്യ പതിപ്പ് OpenAI Codex മോഡലിനെ അടിസ്ഥാനമാക്കിയുള്ളതായിരുന്നു - എൻജിനീയർമാർ മേൽക്കൊണ്ട മോഡലിനെ മെച്ചപ്പെടുത്തുന്നതിനും മികച്ച പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് സാങ്കേതിക വിദ്യകൾ വികസിപ്പിക്കുന്നതിനും വേഗത്തിൽ ആവശ്യം തിരിച്ചറിഞ്ഞു, കോഡ് ഗുണമേന്മ ശരിയാക്കാൻ. ജൂലൈയിൽ, അവർ Codex-നു മുകളിൽ ഉയർന്ന മെച്ചപ്പെട്ട AI മോഡൽ പ്രഖ്യാപിച്ചു, വേഗത്തിലും മികച്ച നിർദ്ദേശങ്ങൾക്കായി.
അവരുടെ പഠന യാത്രയെ പിന്തുടരാൻ പോസ്റ്റുകൾ ക്രമത്തിൽ വായിക്കുക.
- മേയ് 2023 | GitHub Copilot നിങ്ങളുടെ കോഡ് മനസ്സിലാക്കുന്നതിൽ മെച്ചപ്പെടുന്നു
- മേയ് 2023 | GitHub Copilot-യുടെ പിൻവശത്തു പ്രവർത്തിക്കുന്ന LLM-കളുമായി GitHub ഉൾക്കാഴ്ച.
- ജൂൺ 2023 | GitHub Copilot-ക് മികച്ച പ്രോംപ്റ്റുകൾ എഴുതുന്നതിനുള്ള മാർഗ്ഗങ്ങൾ.
- ജൂലൈ 2023 | GitHub Copilot Codex-നെ മറികടന്ന് മെച്ചപ്പെട്ട AI മോഡലുമായി
- ജൂലൈ 2023 | ഡിവെലപ്പർമാർക്കായ പ്രോംപ്റ്റ് എഞ്ചിനിയറിംഗ് ഗൈഡ് ല്ലമുകൾക്കായി
- സെപ്റ്റംബർ 2023 | GitHub Copilot-ൽ നിന്നുള്ള പാഠങ്ങൾ: എന്റർപ്രൈസ് LLM ആപ്പ് നിർമ്മിക്കുക
ഇൻജിനീയറിംഗ് ബ്ലോഗും അന്വേഷിക്കാവുന്നതാണ്, അവിടെ ഇതാണ് ഒരു ഉദാഹരണം, ഈ മോഡലുകളും സാങ്കേതിക വിദ്യകളും യാഥാർത്ഥ്യ പ്രയോഗങ്ങൾക്കായി എങ്ങനെ പ്രയോഗിക്കപ്പെടുന്നുവെന്ന് കാണിക്കുന്നു.
നാം പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് എന്തുകൊണ്ട് പ്രധാനമായിത്തീരും എന്ന് കണ്ടു - ഇപ്പോൾ നാം പ്രോംപ്റ്റുകൾ എങ്ങനെ നിർമ്മിക്കുന്നുവെന്ന് പഠിക്കാം, അതിലൂടെ കൂടുതൽ ഫലപ്രദമായ പ്രോംപ്റ്റ് രൂപകൽപ്പനയ്ക്കുള്ള വിവിധ സാങ്കേതിക വിദ്യകൾ വിലയിരുത്താം.
അടിസ്ഥാന പ്രോംപ്റ്റ് എന്നത് മോഡലിലേക്ക് അങ്ങനെ_Context_ ഇല്ലാതെ അയക്കുന്ന ടെക്സ്റ്റ് ഇൻ‌പുട്ടാണ്. ഒരു ഉദാഹരണമാണ് - നാം അമേരിക്കൻ ദേശീയ ഗാനം ആരംഭിക്കുന്ന ആദ്യ കുറച്ച് വാക്കുകൾ OpenAI Completion APIക്കെ അയച്ചപ്പോൾ, അത് ഉടൻ തന്നെ അടുത്ത വരികൾ പൂരിപ്പിച്ച് പ്രാഥമിക പ്രവചന പെരുമാറ്റം നോക്കിക്കാണിക്കുന്നു.
| പ്രോംപ്റ്റ് (ഇൻപുട്ട്) | പൂരിപ്പിക്കൽ (ഔട്ട്പുട്ട്) |
|---|---|
| Oh say can you see | ഇത് "The Star-Spangled Banner," അമേരിക്കയുടെ ദേശീയ ഗാനം തുടങ്ങുന്ന വരികൾ ആണെന്നു തോന്നുന്നു. പൂർണ്ണ ലിറിക്സ് ഇതുമുതൽ ആണ്... |
ഇപ്പോൾ ആ അടിസ്ഥാന പ്രോംപ്റ്റിന് സന്നിവേശവും നിർദ്ദേശങ്ങളും ചേർക്കാം. ചാറ്റ് പൂരിപ്പിക്കൽ API നമുക്ക് സന്ദേശങ്ങളുടെ ഒരു സമാഹാരമായി സങ്കീർണമായ പ്രോംപ്റ്റ് നിർമ്മിക്കാൻ അനുവദിക്കുന്നു:
- ഉപയോക്താവ് ഇൻപുട്ടും സഹായി പ്രതികരണവും പ്രതിഫലിക്കുന്ന इन്പുട്ട്/ഔട്ട്പുട്ട് ஜോദികള്‍.
- സഹായി പെരുമാറ്റത്തിനോ വ്യക്തിത്വത്തിനോ സിസ്റ്റം സന്ദേശം സജ്ജമാക്കൽ.
ഇപ്പോൾ അഭ്യർത്ഥന താഴെ കൊടുത്ത രൂപത്തിലാണ്, ഇവിടെ ടോക്കൺ എളുപ്പവശ്യരും സന്നിവേശത്തിലും സംഭാഷണത്തിലും നിന്നുള്ള പ്രസക്തമായ വിവരങ്ങൾ പിടിക്കുന്നു. സിസ്റ്റം സന്നിവേശം മാറ്റുന്നത്, നൽകുന്ന ഉപയോക്തൃ ഇൻപുട്ടുകളെക്കാൾ അധികം പൂരിപ്പിക്കൽ ഗുണത്തിനും സ്വാധീനിപ്പിക്കും.
response = client.responses.create(
model="gpt-5-mini",
input=[
{"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?"}
]
)മുകളിലുള്ള ഉദാഹരണങ്ങളിൽ, ഉപയോക്തൃ പ്രോംപ്റ്റ് ഒരു ലളിതമായ ടെക്സ്റ്റ് ചോദ്യം മാത്രമായിരുന്നു, അതിനെ വിവരമടക്കാനുള്ള അഭ്യർത്ഥനയായി വ്യാഖ്യാനിക്കാമായിരുന്നു. നിർദ്ദേശ പ്രോംപ്റ്റുകളിൽ, നാം ആ ടെക്‌സ്‌റ്റിനെ കൂടുതൽ വിശദമായി ഒരു ജോലി നിർദ്ദേശിക്കാൻ ഉപയോഗിക്കുന്നു, AI-ക്ക് മെച്ചപ്പെട്ട മാർഗ്ദৰ্শനം നൽകുന്നു. ഉദാഹരണം കാണാം:
| പ്രോംപ്റ്റ് (ഇൻപുട്ട്) | പൂരിപ്പിക്കൽ (ഔട്ട്പുട്ട്) | നിർദ്ദേശ തരം |
|---|---|---|
| Write a description of the Civil War | ലളിതമായ ഒരു പാരഗ്രാഫ് തിരിച്ചു നൽകിയിരിക്കുന്നു | ലളിതം |
| Write a description of the Civil War. Provide key dates and events and describe their significance | ഒരു പാരഗ്രാഫ് ഒപ്പം പ്രധാന ഇനങ്ങളുടെ തീയതികളും വിശദീകരണങ്ങളും നൽകി ഒരു പട്ടികയും നൽകിയിരിക്കുന്നു | സങ്കീർണ |
| 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 വിശദമായ വിവരങ്ങൾ ടെക്സ്റ്റ് ബോക്സിൽ JSON ഫോർമാറ്റിൽ നൽകുന്നു, ഫോം ഫയലായി പകർത്തി ഉപയോഗിക്കാം | സങ്കീർണവും ഫോർമാറ്റ് ചെയ്തതും |
മുകളിലുള്ള ഉദാഹരണങ്ങളിൽ, പ്രോംപ്റ്റ് ഇപ്പോഴും തുറന്നിരുന്നതുകൊണ്ട് LLM-ന് പൂർവപരിശീലിത ഡാറ്റാസെറ്റിലെ പ്രസക്തമായ ഭാഗം തീരുമാനിക്കാന്‍ സ്വാതന്ത്ര്യം ഉണ്ടായിരുന്നു. പ്രാഥമിക ഉള്ളടക്കം രൂപകൽപ്പന പാറ്റേണിൽ, ഇൻപുട്ട് ടെക്സ്റ്റ് രണ്ട് ഭാഗങ്ങളായി വിഭജിക്കുന്നു:
- ഒരു നിർദ്ദേശം (ക്രിയ)
- പ്രവർത്തിയെ സ്വാധീനിക്കുന്ന പ്രസക്തമായ ഉള്ളടക്കം
"ഇതിനെ 2 വാചകങ്ങളാക്കി സംക്ഷേപിക്കുക" എന്നാ നിർദ്ദേശമാണ് ഉദാഹരണം.
| പ്രോംപ്റ്റ് (ഇൻപുട്ട്) | പൂരിപ്പിക്കൽ (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 ഉള്ളടക്ക വിഭാഗം വിവിധ രീതിയിലുള്ള ഫലപ്രദമായ നിർദ്ദേശങ്ങൾ നൽകിയാൽ ഉപയോഗിക്കാം:
- ഉദാഹരണങ്ങൾ - മോഡലിന് നേരിട്ടു ചെയ്യാൻ പറയുന്നത് പറയുന്നതിന് പകരം എന്ത് ചെയ്യണമെന്ന് ഉദാഹരണങ്ങൾ നൽകി പാറ്റേൺ ആദായപ്പെടുത്താൻ അനുവദിക്കുക.
- ക്യൂസ് - നിർദ്ദേശത്തിന് ശേഷം ഒരു "ക്യൂ" നൽകുക, അത് പൂരിപ്പിക്കൽ മുന്നോട്ട് നയിക്കുന്ന തരത്തിൽ മോഡലിനെ പ്രയറിപ്പിക്കുന്നു.
- ടെംപ്ലേറ്റുകൾ - അവ പുനരാവൃതമായ പ്രോംപ്റ്റിന് വേണ്ട 'റെസിപ്പികൾ' ആണ്, അവയിൽ പ്ലെയ്‌സ്‌ഹോൾഡറുകൾ (വേരിയബിളുകൾ) مخصوص പണികള്‍ക്കായി ഡാറ്റയുമായി ഇഷ്‌ടാനുസൃതമാക്കാവുന്നതാണ്.
ഇവ പ്രവർത്തനത്തിൽ നാം പരിശോധിച്ചോളാം.
ഇത് ഒരു സമീപനമാണ്, കൂടാതെ മുകളിൽ പറയപ്പെട്ട പ്രാഥമിക ഉള്ളടക്കം ഉപയോഗിച്ച് നൽകിയ നിർദ്ദേശത്തിന് വേണ്ടിയുള്ള ആഗ്രഹിക്കുന്ന ഔട്ട്പുട്ടിന്റെ ചില ഉദാഹരണങ്ങൾ "മോഡലിന് നൽകുകയും", മികച്ച ഔട്ട്പുട്ടിനുള്ള പാറ്റേൺ ആദായപ്പെടുത്താൻ അനുവദിക്കുകയും ചെയ്യും. നൽകിയ ഉദാഹരണങ്ങളുടെ എണ്ണം അടിസ്ഥാനമാക്കി, നാം സീറോ-ഷോട്ട് പ്രോംപ്റ്റിംഗും, ഒന്ന്-ഷോട്ട്, കുറച്ച്-ഷോട്ട് പ്രോംപ്റ്റിംഗും തുടങ്ങിയവ ഉപയോഗിക്കാം.
പ്രോംപ്റ്റിൽ ഇപ്പോൾ മൂന്നു ഘടകങ്ങളുണ്ട്:
- ഒരു ജോലിയുടെ വിവരണം
- ആഗ്രഹിക്കുന്ന ഔട്ട്പുട്ടിന്റെ ചില ഉദാഹരണങ്ങൾ
- പുതിയ ഒരു ഉദാഹരണത്തിന്റെ ആരംഭം (അവസാനമായി അന്യോന്യ ജോലിവിവരണം സൃഷ്ടിക്കുന്നതു)
| പഠന തരം | പ്രോംപ്റ്റ് (ഇൻപുട്ട്) | പൂരിപ്പിക്കൽ (ഔട്ട്പുട്ട്) |
|---|---|---|
| സീറോ-ഷോട്ട് | "The Sun is Shining". സ്പാനിഷിലേക്ക് ആനുവദിക്കുക | "El Sol está brillando". |
| ഒന്ന്-ഷോട്ട് | "The Sun is Shining" => ""El Sol está brillando". "It's a Cold and Windy Day" => |
"Es un día frío y ventoso". |
| കുറച്ച്-ഷോട്ട് | കളിക്കാരൻ ബെസ്ബോൾ കളിച്ചു => Baseball കളിക്കാരൻ ടെന്നീസ് ഹിട്ട് ചെയ്തത് => Tennis കളിക്കാരൻ ക്രിക്കറ്റ് സിക്‌സ് ഹിറ്റ് ചെയ്തു => Cricket കളിക്കാരൻ സ്ലാം-ഡംഗ് ചെയ്തു => |
Basketball |
നാം സീറോ-ഷോട്ട് പ്രോംപ്റ്റിംഗിൽ വ്യക്തമായ നിർദേശം ("സ്പാനിഷിലേക്ക് ആനുവദിക്കുക") നൽകേണ്ടി വന്നു പക്ഷേ ഒന്ന്-ഷോട്ട് ഉദാഹരണത്തിൽ അത് സ്വയം ആദായമായി തെളിഞ്ഞു. കുറച്ച്-ഷോട്ട് ഉദാഹരണം കാണിക്കുന്നത്, കൂടുതൽ ഉദാഹരണങ്ങൾ ചേർക്കുമ്പോൾ മോഡലുകൾ കൂടുതൽ കൃത്യമായ കണ്ടെത്തലുകൾക്കായി നിർദ്ദേശങ്ങളില്ലാതെ കഴിയും.
പ്രാഥമിക ഉള്ളടക്ക ഉപയോഗിക്കുന്ന മറ്റൊരു സാങ്കേതിക വിദ്യ ഉദാഹരണങ്ങളുടെ പകരം ക്യൂസ് നൽകലാണ്. ഈ രീതിയിൽ, ഒരറ്റം മോഡലിന് ഒരു സഹായം കൊടുക്കുന്നു; ആ സഹായി നമുക്ക് ആവശ്യമുള്ള പ്രതികരണ രൂപത്തിൽ തുടക്കം നൽകുന്നു. മോഡൽ പിന്നീട് ആ ക്യൂ സ്വീകരിച്ച് തുടരും.
| ക്യൂസുകളുടെ എണ്ണം | പ്രോംപ്റ്റ് (ഇൻപുട്ട്) | പൂരിപ്പിക്കൽ (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 | 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 What we learned is that 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 combined. It is easily visible to the naked eye and has been known since ancient times. |
| 2 | ജൂപ്പിറ്റർ സൂര്യനിൽ നിന്ന് അഞ്ചാമത്തെ ഗ്രഹവും സോളാർ സിസ്റ്റത്തിലെ ഏറ്റവും വലിയ ഗ്രഹവുമാണ്. ഇത് ഒരു വാതക ഗോലി ആണ്, സൂര്യന്റെ ഭാരം ആയിരം ഭാഗം മാത്രമുള്ളതാകുമ്പോഴും, സോളാർ സിസ്റ്റത്തിലെ മറ്റു എല്ലാ ഗ്രഹങ്ങളുടെ കൂട്ടത്തിൽ രണ്ടരിരട്ടി ഭാരം വഹിക്കുന്നു. ജൂപ്പിറ്റർ രാത്രി ആകാശത്തിൽ കാഴ്ചവെക്കുന്ന ഏറ്റവും പ്രകാശമുള്ള വസ്തുക്കളിൽ ഒരുവണ്ണമാണ്, ചരിത്രത്തിൽ രേഖപ്പെടുത്തിയതിനു മുമ്പേ പ്രാചീന സിവിലിസേഷനുകൾ അതിനെ അറിയുന്നുണ്ടായിരുന്നു. സംക്ഷേപിക്കുക നാം അറിഞ്ഞ ടോപ് 3 വാസ്തവങ്ങൾ: |
1. ജൂപ്പിറ്റർ സൂര്യനിൽ നിന്ന് അഞ്ചാമത്തെ ഗ്രഹവും സോളാർ സിസ്റ്റത്തിലെ ഏറ്റവും വലിയ ഗ്രഹവുമാണ്. 2. ഇത് ഒരു വാതക ഗോലി ആണ്, സൂര്യന്റെ ഭാരം ആയിരം ഭാഗം മാത്രമുള്ളതാകുന്നു... 3. ജൂപ്പിറ്റർ പ്രാചീനകാലം മുതൽ കള്ളൻ കണക്കിലും കാഴ്ചവെച്ചിട്ടുണ്ട് ... |
ഒരു പ്രോംപ്റ്റ് ഘടന എന്ന് പറയുന്നത് ആവശ്യാനുസരണം സൂക്ഷിച്ച് ആശയവിനിമയം നടത്താൻ ഉപയോഗിക്കുന്ന ഒരു മുന്‍വരിയിച്ച പ്രോംപ്റ്റു റസിപ്പി ആണ്, ഇത് സ്റ്റോർ ചെയ്തും പുനഃഉപയോഗിച്ചും പ്രവര്‍ത്തനങ്ങളെ കൂടുതൽ ഏകീകൃതമാക്കാനും സഹായിക്കുന്നു. അതിന്റെ ഏറ്റവും ലളിതമായ രൂപത്തിൽ, ഇത് OpenAIൽ നിന്നുള്ള ഈ ഉദാഹരണം പോലുള്ള പ്രോംപ്റ്റ് ഉദാഹരണങ്ങളുടെ ഒരു ശേഖരമാണു, അതിൽ ഉപയോക്താവും സിസ്റ്റവും അയക്കുന്ന സന്ദേശങ്ങൾ, API-പ്രേരിത അഭ്യർത്ഥന ഫോർമാറ്റ് എന്നിവ ഉൾപ്പെടുത്തിയിട്ടുണ്ട് - പുനഃഉപയോഗത്തിനായി പിന്തുണ നൽകാൻ.
കൂടുതൽ സങ്കീർണ്ണമായ രൂപമായ LangChain-ൽ നിന്നുള്ള ഈ ഉദാഹരണം പോലെ, ഇത് പല തരത്തിലുള്ള ഉറവിടങ്ങളിൽ നിന്ന് (ഉപയോക്തൃ ഇൻപുട്ട്, സിസ്റ്റം സന്ദർഭം, ബാഹ്യ ഡേറ്റാ ഉറവിടങ്ങൾ എന്നിവ) ഡാറ്റ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കാൻ കഴിയുന്ന പ്ലേസ്‌ഹോൾഡറുകൾ അടങ്ങിയിരിക്കുന്നു. ഇത് പ്രോഗ്രാമാറ്റിക്കമായി മറ്റ് പ്രോംപ്റ്റുകൾ ഉണ്ടാക്കി, വ്യാപകമായി ഏകീകൃത ഉപയോക്തൃ അനുഭവങ്ങൾ സൃഷ്ടിക്കാൻ സഹായിക്കുന്നു.
അന്തിമമായി, കാഴ്ചപ്പാടുകളുടെ മൂല്യവും ഉപയോഗിക്കുന്ന മേഖലയിലെ പ്രത്യേക സാഹചര്യങ്ങളും ഉദാഹരണങ്ങളും ഉൾപ്പെടുത്തി പ്രോംപ്റ്റ് ലൈബ്രറികൾ സൃഷ്ടിച്ച് പ്രസിദ്ധീകരിക്കുന്നതില്‍ ആണ് കിട്ടുന്ന യഥാർത്ഥ മൂല്യം. Prompts For Edu റിപൊസിറ്ററി ഈ സമീപനത്തിന്റെ വലിയ ഒരു ഉദാഹരണമാണ്, വിദ്യാഭ്യാസ മേഖലയിലെ ലേഷൻ പ്ലാനിംഗ്, പാഠ്യ പദ്ധതി രൂപകൽപ്പന, വിദ്യാർത്ഥി ട്യൂട്ടറിംഗ് മുതലായ പ്രധാന ലക്ഷ്യങ്ങളെക്കുറിച്ചുള്ള പ്രോംപ്റ്റുകളുടെ ഒരു ശേഖരം തയ്യാറാക്കുന്നു.
പ്രോംപ്റ്റ് നിർമ്മാണത്തെ ഒരു നിർദ്ദേശം (ടാസ്ക്) കൂടാതെ ഒരു ലക്ഷ്യം (പ്രാഥമിക ഉള്ളടക്കം) ആയി കണ്ടാൽ, രണ്ടാമത്തെ ഉള്ളടക്കം വേഗം ഉൽപ്പന്നത്തെ സ്വാധീനിക്കുന്നതിന് നൽകുന്ന അധിക സംവേദനമാണ്. അതിൽ ട്യൂണിംഗ് പാരാമീറ്ററുകൾ, ഫോർമാറ്റിംഗ് നിർദ്ദേശങ്ങൾ, വിഷയ വിഭാഗീകരണങ്ങൾ എന്നിവ ഉൾപ്പെടാം, അതിനാല്‍ മോഡൽ നിങ്ങളുടെ ആവശ്യമുള്ള ഉപയോഗ ലക്ഷ്യങ്ങൾക്കോ പ്രതീക്ഷകൾക്കോ അനുയോജ്യമായ പ്രതികരണം ഉണ്ടാക്കാൻ സഹായിക്കും.
ഉദാഹരണത്തിന്: കോഴ്സ് കാറ്റലോഗിൽ ഉള്ള സമഗ്രമായ മെറ്റാഡേറ്റ (പേര്, വിവരണം, നില, മെറ്റാഡേറ്റ ടാഗുകൾ, ഇൻസ്ട്രക്ടർ മുതലായവ) ഉള്ള എല്ലാ കോഴ്സുകൾക്കും:
- ഫാൾ 2023 കാറ്റലോഗ് സംക്ഷേപിക്കാൻ ഒരു നിർദ്ദേശം നൽകാം
- ആവശ്യമുള്ള output-നുള്ള കുറച്ച് ഉദാഹരണങ്ങൾ പ്രാഥമിക ഉള്ളടക്കം ആയി നൽകാം
- രണ്ടാമത്തെ ഉള്ളടക്കത്തിൽ ഏറ്റവും പ്രധാനപ്പെട്ട 5 "ടാഗുകൾ" തിരഞ്ഞെടുക്കാം.
ഇപ്പോൾ മോഡൽ ഏതെങ്കിലും ഫലത്തിന് ഒട്ടേറെ ടാഗുകൾ ഉണ്ടെങ്കിൽ, രണ്ടാമത്തെ ഉള്ളടക്കത്തിൽ നൽകിയ 5 ടാഗുകൾക്ക് മുൻഗണന നൽകുന്ന വിധം കുറച്ചുതവണ നൽകുന്ന ഉദാഹരണ ഫോർമാറ്റിൽ സംക്ഷേപം നൽകാൻ കഴിയും.
ഇപ്പോൾ പ്രോംപ്റ്റുകൾ എങ്ങനെ നിർമിക്കാമെന്നു അറിഞ്ഞു, അവയെ രൂപകൽപ്പന ചെയ്യുന്നത് എന്തെന്നു ചിന്തിക്കാം. ഇതിനെ രണ്ട് ഭാഗങ്ങളായി കാണാം - ശരിയായ മനോഭാവ് ഉണ്ടാകുന്നത്, ശരിയായ സാങ്കേതികം പ്രയോജനപ്പെടുത്തുന്നത്.
പ്രോംപ്റ്റ് എൻജിനീയറിങ് ഒരു പരീക്ഷണത്തിന്റെ പ്രക്രിയയാണ് എന്നതുകൊണ്ട് മൂന്ന് ഒരു വലിയ മാർഗ്ഗനിർദേശങ്ങൾ മനസ്സിൽ വയ്ക്കുക:
-
ഡൊമെയ്ൻ (തമിഴ് മേഖല) മനസ്സിലാക്കൽ പ്രധാനമാണ്. പ്രതികരണത്തിന്റെ കൃത്യതയും പ്രസക്തിയും ആ ആപ്ലിക്കേഷൻ അല്ലെങ്കിൽ ഉപയോക്താവ് പ്രവർത്തിക്കുന്ന ഡൊമെയ്ൻ അനുസരിച്ചാണു. നിങ്ങളുടെ ആശയക്കൗശലവും മേഖല പരിജ്ഞാനവും ഉപയോഗിച്ച് സാങ്കേതിക വിദ്യകൾ കൂടുതൽ സവിശേഷമാക്കുക. ഉദാഹരണത്തിന്, സിസ്റ്റം പ്രോംപ്റ്റുകളിൽ ഡൊമെയ്ൻ-സംബന്ധിച്ച വ്യക്തിത്വങ്ങൾ നിർവചിക്കാനും, ഉപയോക്തൃ പ്രോംപ്റ്റുകളിൽ ഡൊമെയ്ൻ-സംബന്ധിച്ച ടെംപ്ലേറ്റുകൾ ഉപയോഗിക്കാനും. മേഖല അടിസ്ഥാനമായ പശ്ചാത്തലങ്ങൾ പ്രതിഫലിക്കുന്ന രണ്ടാമത്തെ ഉള്ളടക്കം നൽകുക, അല്ലെങ്കിൽ മോഡലിനെ പരിചിതമായ ഉപയോഗ പാറ്റേണുകളിലേക്കു നയിക്കാൻ മേഖല-സംബന്ധിച്ച അടങ്ങലുകളും ഉദാഹരണങ്ങളും ഉപയോഗിക്കുക.
-
മോഡൽ മനസ്സിലാക്കലും പ്രധാനമാണ്. മോഡലുകൾ സ്വാഭാവികമായി സഞ്ചിതസ്വഭാവമാണെന്നു നമുക്ക് അറിയാം. പക്ഷേ മോഡൽ നടപ്പിലാക്കലുകളും ട്രെയിനിങ് ഡേറ്റാസെറ്റ് (പ്രീ-ട്രെയിനിങ് അറിവ്), നൽകുന്ന കഴിവുകൾ (API-യോ SDK-യോ വഴി), അതിനുവേണ്ടി മെച്ചപ്പെടുത്തിയ ഉള്ളടക്ക തരം (കോഡ്, ഇമേജുകൾ, വാചകം തുടങ്ങിയവ) എന്നിവയിൽ വ്യത്യാസങ്ങളുണ്ടാകാം. നിങ്ങൾ ഉപയോഗിക്കുന്ന മോഡലിന്റെ ശക്തിയും പരിമിതികളും മനസ്സിലാക്കി, ആ അറിവ് ഉപയോഗിച്ച് ടാസ്കുകൾ മുൻഗണനയോടെ നിർവഹിക്കുക അല്ലെങ്കിൽ മോഡലിന്റെ കഴിവുകൾക്കനുസരിച്ച് കസ്റ്റമൈസ് ചെയ്ത ടെംപ്ലേറ്റുകൾ രൂപകൽപ്പന ചെയ്യുക.
-
പുനരവലോകനം & സാധൂകരണം പ്രധാനമാണ്. മോഡലുകൾ അതിവേഗം വളർച്ചയിലുണ്ട്, പ്രോംപ്റ്റ് എൻജിനീയറിങ്ങിനുള്ള സാങ്കേതിക വിദ്യകളും. ഒരു ഡൊമെയ്ൻ വിദഗ്ധനായി, നിങ്ങളെ സംബന്ധിച്ച മറ്റ് സന്നിവേശങ്ങളും മാനദണ്ഡങ്ങളും ഉണ്ടാകാം, അങ്ങിനെ സാധാരണ സമൂഹത്തിന് ബാധകമല്ലാത്ത നിയമങ്ങളും ഉണ്ടാകാം. പ്രോംപ്റ്റ് എൻജിനീയറിങ് ഉപകരണങ്ങളും സാങ്കേതിക വിദ്യകളും ഉപയോഗിച്ച് നിർമ്മാണം "തുടക്കം" ചെയ്ത്, പിന്നീട് നിങ്ങളുടെ മനഥയവും ഡൊമെയ്ൻ പരിജ്ഞാനവും ഉപയോഗിച്ച് ഫലം പുനരവലോകനം ചെയ്യുക. നിങ്ങളുടെ ദ്രുഷ്ടാന്തങ്ങൾ രേഖപ്പെടുത്തി മറ്റുള്ളവർക്ക് വേഗത്തിൽ പുനഃസംസ്കരണം നടത്താന്‍ സഹായമായ ഒരു ജ്ഞാനശേഖരം (ഉദാഹരണത്തിന്, പ്രോംപ്റ്റ് ലൈബ്രറികൾ) സൃഷ്ടിക്കുക.
ഇപ്പോൾ OpenAIക്കും Azure OpenAI പ്രായോഗിക വിദഗ്ധർക്കും ശുപാർശ ചെയ്യുന്ന സാധാരണ മികച്ച രീതികൾ നോക്കാം.
| എന്ത് | എന്തുകൊണ്ടാണ് |
|---|---|
| പുതിയ മോഡലുകൾ വിലയിരുത്തുക. | പുതിയ മോഡൽ തലമുറകൾക്ക് മെച്ചപ്പെട്ട സവിശേഷതകളും ഗുണനിലവാരവും ഉണ്ടാകാൻ സാധ്യതയുണ്ട് - എന്നാൽ ചിലപ്പോൾ ചെലവുകളും കൂടും. ഇവയുടെ പ്രഭാവം വിലയിരുത്തി, മൈഗ്രേഷൻ തീരുമാനങ്ങൾ എടുക്കുക. |
| നിർദേശംകളും പശ്ചാത്തലവും വേർതിരിക്കുക | നിങ്ങളുടെ മോഡൽ / സേവനദാതാവ് നിർദേശമാക്കുന്ന ഡെലിമിറ്ററുകൾ ഉപയോഗിക്കുന്നുണ്ടോ എന്ന് പരിശോധിക്കുക, അത് നിർദേശങ്ങൾ, പ്രാഥമികവും രണ്ടാമത്തെയും ഉള്ളടക്കങ്ങൾ തിരിവുകാണിക്കാൻ സഹായിക്കും. ഇത് മോഡലുകൾക്ക് ടോക്കണുകൾക്ക് ഇത്രയധികം കാര്യക്ഷമതയ്ക്കായി ഭാരം വിടുവിക്കാൻ സഹായിക്കും. |
| വ്യക്തവും നിശ്ചിതവുമായിരിക്കുക | ആവശ്യമായ പശ്ചാത്തലം, ഫലം, ദൈർഘ്യം, ഫോർമാറ്റ്, ശൈലി തുടങ്ങിയവയുടെ കൂടുതൽ വിശദാംശങ്ങൾ നൽകുക. ഇത് പ്രതികരണങ്ങളുടെ ഗുണമേന്മയും ഏകതയുമെല്ലാം മെച്ചപ്പെടുത്തും. പുനഃഉപയോഗിക്കാവുന്ന ടെംപ്ലേറ്റ് സൃഷ്ടിക്കുക. |
| വിശദീകരണങ്ങളോടും ഉദാഹരണങ്ങളോടും ഉപയോഗിക്കുക | മോഡലുകൾ "കാണിച്ചു പറയുക" രീതിക്ക് കൂടുതൽ പ്രതികരിക്കാം. ആദ്യം ഒരു സീറോ-ഷോട്ട് സമീപനം പ്രയോഗിക്കുക, അതായത് ഒരു നിർദ്ദേശം മാത്രം കൊടുക്കുക (ഊഹിക്കുന്നില്ലാതെ), പിന്നെ ചെറിയ ഉദാഹരണങ്ങൾ ഉപയോഗിച്ച് ഫ്യൂ-ഷോട്ട് വികസനം ആരംഭിക്കുക. ഉപമകൾ ഉപയോഗിക്കുക. |
| പൂർത്തീകരണങ്ങൾക്ക് തുടക്കം നൽകാൻ സൂചനകൾ ഉപയോഗിക്കുക | ഒരു പ്രതീക്ഷിക്കപ്പെട്ട ഫലത്തിലേക്ക് നയിക്കാൻ മോഡലിന് ചില മുൻകൈ വാക്കുകൾ അല്ലെങ്കിൽ വാചകങ്ങൾ നൽകുക, ഇവ അത് എങ്ങനെ തുടങ്ങാമെന്ന് സഹായിക്കും. |
| ദ്വിഗുണിപ്പിക്കുക | ചിലപ്പോഴും നിങ്ങൾക്ക് മോഡലിനെ ആവർത്തിച്ച് നിർദ്ദേശം നൽകേണ്ടിവരും. പ്രധാന ഉള്ളടക്കത്തിന് മുമ്പും ശേഷവും നിർദ്ദേശങ്ങൾ നൽകുക, ഒരു നിർദ്ദേശവും ഒരു സൂചനയും തുടങ്ങിയവ ഉപയോഗിക്കുക. എത്രത്തോളം ഫലം ഉണ്ട് എങ്കിൽ പുനഃസംസ്കരിച്ചു പരിശോധിക്കുക. |
| ക്രമവും പ്രാധാന്യമുള്ളതാണ് | എന്ത് പരിചയം മോഡലിന് നൽകുന്നതിന്റെ ക്രമം ഫലത്തെ ബാധിക്കുന്നുണ്ട്, പഠന ഉദാഹരണങ്ങളിലും അത് സാദ്ധ്യമാകാം, കഴിഞ്ഞ ഒരു സമയത്ത് കൂടുതൽ പുതിയത് കൂടുതൽ പ്രാധാന്യമാകാൻ ഇടയുണ്ട്. വിവിധ രീതികൾ പരീക്ഷിച്ച് ഏതാണ് മികച്ചതെന്ന് കണ്ടെത്തുക. |
| മോഡലിന് ഒരു “പിന്നാക്കൽ” നൽകുക | മോഡലിന് എന്തെങ്കിലും കാരണം കൊണ്ട task പൂർത്തിയാക്കാൻ കഴിയാതെപോയാൽ നൽകാനുള്ള ഒരു ഫോള്ബാക്ക് പൂർത്തീകരണ പ്രതികരണം നൽകുക. ഇത് മോഡലുകൾ തെറ്റായ അല്ലെങ്കിൽ കല്പിച്ച പ്രതികരണങ്ങൾ നൽകാനുള്ള സാധ്യത കുറയ്ക്കും. |
ഏതൊരു മികച്ച രീതിക്കും നിലനിൽക്കുന്നതാണ് നിങ്ങളുടെ അനുഭവം വ്യത്യാസപ്പെട്ടേക്കാം എന്നത് മോഡലും, ടാസ്കും, ഡൊമെയ്ൻ സാന്ദ്രതയും ആശ്രയിച്ച്. ഇവ പ്രാരംഭമായി ഉപയോഗിച്ച്, നിങ്ങളുടെ അനുസരിച്ചേ പ്രവര്‍ത്തിക്കുന്നതും കണ്ടെത്തി നിരന്തരം പുതിയ മോഡലുകളും ഉപകരണങ്ങളും ലഭ്യമാകുമ്പോൾ നിങ്ങളുടെ പ്രോംപ്റ്റ് എൻജിനീയറിങ് പ്രക്രിയ പുനഃപരിശോധിക്കൂ, പ്രക്രിയ സ്കേലിബിലിറ്റിയും പ്രതികരണ ഗുണമേന്മയും പ്രധാനപ്പെടുത്തുക.
അഭിനന്ദനങ്ങൾ! പാഠത്തിന്റെ അവസാനം എത്തി! ഇപ്പോൾ ചില ആശയങ്ങളും സാങ്കേതിക വിദ്യകളും യഥാർത്ഥ ഉദാഹരണങ്ങളുമായി പരീക്ഷിക്കാൻ സമയം!
നമ്മുടെ അസൈൻമെന്റിന്, നിങ്ങൾക്ക് ഇടപഴകാവുന്ന വ്യായാമങ്ങളുള്ള ഒരു ജ്യൂപ്പിറ്റർ നോട്ട് ബുക്ക് ഉപയോഗിക്കും. നിങ്ങളുടെ ആശയങ്ങൾക്കും സാങ്കേതിക വിദ്യകൾക്കും സ്വയം അന്വേഷിക്കാൻ നോട്ട് ബുക്കിൽ സ്വന്തം മാർക്ക്ഡൗൺ మరియు കോഡ് സെല്ലുകളും ചേർക്കാം.
- (ശുപാർശ ചെയ്തതു പോലെ) GitHub Codespaces ആരംഭിക്കുക
- (മറ്റൊരു മാർഗം) റെപ്പോ നിങ്ങളുടെ ലൊക്കൽ ഡിവൈസിലേക്ക് ക്ലോൺ ചെയ്യുക, Docker Desktop ഉപയോഗിക്കുക
- (മറ്റൊരു മാർഗം) നിങ്ങൾക്ക് ഇഷ്ടമുള്ള നോട്ട് ബുക്ക് റൺടൈം പരിതസ്ഥിതിയിൽ നോട്ട് ബുക്ക് തുറക്കുക.
- റെപ്പോ റൂട്ട് ഫോള്ഡറിൽ '.env.copy' ഫയൽ '.env' ആയി മാറ്റി, 'AZURE_OPENAI_API_KEY', 'AZURE_OPENAI_ENDPOINT', 'AZURE_OPENAI_DEPLOYMENT' മൂല്യങ്ങൾ പൂരിപ്പിക്കുക. പഠന സാമ്ബുക് സെക്ഷനിൽ നിന്നും പുനഃസംസ്കരണ പഠിക്കാം.
- റൺടൈം കർണൽ തിരഞ്ഞെടുക്കുക. ഓപ്ഷൻ 1 അല്ലെങ്കിൽ 2 ഉപയോഗിക്കുന്ന പക്ഷം ഡെവ് കണ്ടെയ്‌നർ നൽകിയ ഡിഫോൾട്ട് Python 3.10.x കർണൽ തിരഞ്ഞെടുക്കുക.
നിങ്ങൾ വ്യായാമങ്ങൾ നടത്താൻ പൂർണമായും സജ്ജമാണ്. ഇവിടെ തെറ്റും ശരിയുമായുള്ള ഉത്തരങ്ങൾ ഇല്ല - പരീക്ഷണത്തിലും ശ്രമത്തിലുമായുള്ള ഇന്രൂവുകളും ഒരു മോഡലും ആപ്ലിക്കേഷൻ ഡൊമെയ്ൻ ഉറപ്പാക്കുന്നതിലും സഹായിയായി കാണുക.
ഇതിനാൽ ഈ പാഠത്തിൽ കോഡ് പരിഹാര വിഭാഗങ്ങൾ ഇല്ല. പകരം, നോട്ട് ബുക്കിൽ "എന്റെ പരിഹാരങ്ങൾ:" എന്ന തലക്കെട്ടുള്ള മാർക്ക്ഡൗൺ സെല്ലുകൾ ഉണ്ടാകും, ഒരു ഉദാഹരണ ഫലം കാണിക്കാൻ.
താഴെക്കൊടുത്തിരിക്കുന്നതിൽ ഏതാണ് യുക്തമായ ചില മികച്ച പ്രായോഗിക മാർഗ്ഗങ്ങൾ പാലിക്കുന്ന ഒരു നല്ല പ്രോംപ്റ്റ്?
- എനിക്ക് ഒരു ചുവപ്പ് കാറിന്റെ ചിത്രം കാണിക്കുക
- ഒരു ചുവപ്പ് കാറിന്റെ ചിത്രം കാണിക്കുക, ഡ്രൈവിന്റെ ബ്രാൻഡ് വോൾവോയും മോഡൽ XC90യും ഒരുകരയ്ക്കു മുകളിലൂടെ പാർക്ക് ചെയ്‌തിരിക്കുന്നത്, സൂര്യസ്ഥമനം നടക്കുന്ന സ്ഥലം
- ഒരു ചുവപ്പ് കാറിന്റെ ചിത്രം കാണിക്കുക, വോൾവോ ബ്രാൻഡ്, XC90 മോഡൽ
ഉത്തരം: 2, ഏറ്റവും മികച്ച പ്രോംപ്റ്റ് കാരണം ഇത് "എന്ത്" എന്നിടത്തോളം വിശദീകരിച്ചിരിക്കുന്നു, മാത്രമല്ല സ്പെസിഫിക് ബ്രാൻഡും മോഡലും കണ്ടുപിടിച്ചിരിക്കുന്നു. 3 അടുത്ത മികച്ചതാണ്, കാരണം അതിലും കൂടുതൽ വിവരണം ഉണ്ട്.
"cue" സാങ്കേതിക വിദ്യ പ്രോംപ്റ്റുമായി: പകുതി വാചകം പൂർത്തിയാക്കുക "Show me an image of red car of make Volvo and". മോഡൽ എന്ത് മറുപടി നൽകുന്നു, നിങ്ങൾ അത് എങ്ങനെ മെച്ചപ്പെടുത്തും?
വ്യത്യസ്ത പ്രോംപ്റ്റ് എൻജിനീയറിങ് ആശയങ്ങൾ കുറിച്ച് കൂടുതലറിയാൻ ആഗ്രഹിക്കുന്നുവോ? നാൽവലിയ പഠന പേജ് സന്ദർശിച്ച് ഈ വിഷയത്തെക്കുറിച്ചുള്ള മറ്റ് മികച്ച വിഭവങ്ങൾ കണ്ടെത്തൂ.
പാഠം 5 ലേക്ക് പോകൂ, അവിടെ നാം അഡ്വാൻസ്ഡ് പ്രോംപ്റ്റിങ് സാങ്കേതിക വിദ്യകൾ പരിശോധിക്കും!
അറിയിപ്പ്: ഈ രേഖ AI പരിഭാഷാ സേവനം Co-op Translator ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ കൃത്യതയ്ക്കായി ശ്രമിക്കുന്നുവെങ്കിലും, ഓട്ടോമേറ്റഡ് പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ തെറ്റായ വിവരങ്ങൾ ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. അതിന്റെ സ്വാഭാവിക ഭാഷയിലുള്ള അസൽ രേഖയാണ് പ്രാമാണികമായ ഉറവിടമായി പരിഗണിക്കേണ്ടത്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷ ഉപയോഗിച്ച് ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾ അല്ലെങ്കിൽ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കായി ഞങ്ങൾ ഉത്തരവാദികളല്ല.