Few-shot: õpi näidete varal
Sellel lehel
Saabub hetk, mil pelgalt kirjeldamisest ei piisa. Oled oma stiili kirjeldanud viie omadussõnaga, täpsustanud formaati kaheksa reaga, kuid ChatGPT ikka ei taba märki. Lahendus pole parem kirjeldamine, vaid näitamine. Few-shot prompting tähendab soovitud väljundi näidete esitamist, et mudel saaks mustri välja lugeda ja seda rakendada. See on kõige usaldusväärsem tehnikas järjepidevate tulemuste saavutamiseks iga kord.
Põhimõte
„Few-shot“ viibib vihjele, millega kaasnevad mõned näited, vastandina „zero-shot“ meetodile, kus näiteid pole üldse. Esitad ühe, kaks või kolm näidet sellest, mida soovid, ja palud mudelil sama mustrit järgides jätkata. Erinevus tuleb kõige selgemini esile subjektiivsetes hinnangutes, kus õige vastus sõltub sinu skaalast, mitte universaalsest tõest. Zero-shot ehk näideteta jätmisel kõhkleb mudel järgmise päringu puhul neutraalse ja negatiivse vahel: miski ei ütle talle, kas tarneviivitus loetakse sinu jaoks intsidendiks või tühiasjaks.
Liigita see kliendi kommentaar positiivseks, neutraalseks või negatiivseks:
"Tarne võttis oodatust 3 päeva kauem aega, kuid toode on korras."
Samad sõnad, millele eelneb neli kalibreeritud näidet, annavad sinu kriteeriumidele vastava liigituse. Neljas näide on kõigist kasulikum: see näitab täpselt, et aeglane tarne ei tühista rahuldavat hinnangut.
Liigita iga kliendi kommentaar positiivseks, neutraalseks või negatiivseks.
Näited:
- "Suurepärane toode, kiire tarne, soovitan soojalt!" -> Positiivne
- "Toode töötab, kuid midagi erakordset pole." -> Neutraalne
- "Petunud, kvaliteet ei vasta fotodele." -> Negatiivne
- "Hea hinna ja kvaliteedi suhe, tarne veidi aeglane." -> Neutraalne
Nüüd liigita:
- "Tarne võttis oodatust 3 päeva kauem aega, kuid toode on korras."
Millal see tehnika otsustavaks saab
Few-shot prompting on hädavajalik alati, kui juhist on lihtsam näidata kui sõnastada. See kehtib olukordades, kui soovid, et ChatGPT kirjutaks sinu häälega, kui sinu formaat ei vasta ühelegi olemasolevale standardile või kui liigitamine tugineb kriteeriumidele, mida oleks raske ühe reegliga defineerida. See sobib suurepäraselt ka andmete teisendamiseks ühest formaadist teise ja hulgisisu loomiseks, kus kakskümmend sisuüksust peavad üksteist meenutama ilma kordusteta.
Kirjutamisstiili kopeerimine
Sinu parimad varasemad tööd on parim võimalik spetsifikatsioon. Allpool toodud kaks kirjeldust edastavad palju enamat kui ainult tooni: lühikeste lausete rütm, algus kasuga, numbri paigutamine keskele ja lõpetamine konkreetse kasutusjuhtumiga. Ükski omadussõna poleks suutnud kõike seda edasi anda.
Nii kirjutan ma oma tootekirjeldusi:
Näide 1:
Toode: Juhtmeta kõrvaklapid
Kirjeldus: Ütle hüvasti sassiläinud juhtmetele. Need Bluetoothi kõrvaklapid
ühenduvad 2 sekundiga, kestavad laadimisega 30 tundi ja summutavad müra
nagu oleksid maailmas üksi. Ideaalsed kontorisse, rongi või diivanile.
Näide 2:
Toode: Kompaktne mehaaniline klaviatuur
Kirjeldus: 65 klahvi, null kompromissi. Taktiilsed lülitid annavad
täpset tagasisidet naabrite äratamata. RGB-taustavalgustus
kohandub ühe liigutusega. Kompaktne, kuid täielik, mahub
igasse kotti.
Järgides sama mustrit, kirjuta kirjeldus:
Toode: Vertikaalne ergonoomiline hiir
See on täpselt see samm, mida tasub proovida sisuga, mida toodad igal nädalal. Kleebi kaks oma parimat varasemat tööd, lisa oma toormärkmed ja lase mudelil teha vormindamine, mida varem ise tegid.
Siin on 2 näidet iganädalastest kokkuvõtetest, mida saadan oma juhile:
[Kleebi siia 1. nädala kokkuvõte]
[Kleebi siia 2. nädala kokkuvõte]
Järgides täpselt seda formaati ja stiili, kirjuta selle nädala kokkuvõte
nende toormärkmete põhjal:
[Kleebi siia nädala märkmed]
Andmete teisendamine
Korrastamata teabe normaliseerimiseks näita sisendi/väljundi paari. Mudel järeldab korraga kahte asja: millised väljad ekstraheerida ja kuidas tõlkida kõnekeelsed väljendid struktureeritud siltideks – „ei pahanda aeg-ajalt ka backendi teha“ muutub reale „Mitmekülgsus“, mida ükski üldine juhend saavutada ei oleks suutnud.
Teisenda need mitteametlikud töökirjeldused struktureeritud profiilideks.
Sisend: "Otsime Reacti frontend arendajat, 3–5 aastat kogemust, oskab
TypeScripti ja ei pahanda aeg-ajalt ka backendi teha.
Kaugtöö sobib, palk 45–55k."
Väljund:
- Roll: Frontend arendaja
- Tehnoloogiapakk: React, TypeScript
- Kogemus: 3–5 aastat
- Mitmekülgsus: Aeg-ajalt backend
- Kaugtöö: Jah
- Vahemik: 45–55k EUR
Sisend: "Vajame vanemtootejuhti juhtima meie SaaS-toodet,
eelistatavalt keegi, kes on varem töötanud kiiresti kasvavas ettevõttes, asume Pariisis,
kuid hübriidtöö 3 päeva nädalas, eelarve 65–75k."
Väljund:
- Roll: Vanemtootejuht
- Valdkond: SaaS
- Kogemus: Vanem (kiiresti kasvav ettevõte)
- Asukoht: Pariis, hübriid 3 päeva/nädalas
- Vahemik: 65–75k EUR
Nüüd teisenda:
"Vajame andmeanalüütikut, kes oskab SQL-i ja Pythonit, keegi
junior-mid tasemel, kes soovib omandada ML-oskusi. Täielik kaugtöö,
35–42k, alustamine ASAP."
Sisu hulgiloome
Korduvate toimetuse formaatide puhul lööb annoteeritud mall kirjelduse üle. Allpool olev luustik määrab plokkide järjekorra ja pikkuse; kliendi juhtumi toorandmed lihtsalt täidavad selle. Saad seeria homogeenseid postitusi, valmis avaldamiseks ilma iga kord toimetuse aruteludeta.
Siin on formaat meie LinkedIni postitustele, milles tutvustame kliendi juhtumit:
Näide:
[Asjakohane emoji] [Köitev võtmenumber]
[Kliendi nimi] silmitses probleemi: [üherealine probleem].
[duratsioon] ajaga rakendasime [lühike lahendus].
Tulemus:
- [Näitaja 1]
- [Näitaja 2]
- [Näitaja 3]
[Üherealine õppetund või järeldus]
---
Kirjutatav juhtum: meie klient DataViz (BI armatuurlaudade avaldaja)
kannatas 15%/kuu lahkumismäära all. 4 kuuga kujundasime ümber
nende kasutuselevõtu protsessi. Lahkumismäär langes 6%-le, NPS tõusis 23-lt 52-le
ja väärtuseni jõudmise aeg lühenes 14 päevalt 3 päevale.
Mitu näidet esitada
Ühest näitest (one-shot) piisab lihtsa formaadi jaoks. Kaks või kolm katavad enamiku levinud ülesannetest; neli kuni viis muutuvad kasulikuks, kui muster on peenekoeline. Enam kui seda kontrolli, iga näide tooks midagi uut: korduvad näited pikendavad vihjet seda paremaks tegemata. Olulisemad kui kogus on kaks omadust: järjepidevus ja mitmekesisus. Heterogeenses formaadis näited takistavad mudelil otsustamast, kumba jäljendada; liiga sarnased näited panevad selle õppima konkreetset juhtumit, mitte printsiipi, ja see toodab seejärel sama teksti variante.
Alustamine ilma näideteta
Abikeskus ja OpenAI juhend põhjendusmudelite kohta annavad sama nõu: proovi esmalt ilma näideteta ja lisa need vaid siis, kui tulemus ei ole rahuldav. Praegused mudelid saavad sageli hakkama ilma näideteta, kui juhend on selge, ja halvasti valitud näide võib viia vastuse suunda, mida sa ei soovinud. Sama juhend hoiatab konkreetse lõksu eest: sinu näited peavad täpselt vastama sinu juhistele. Kui juhend küsib kolme loetelupunkti ja näide näitab viit, on tulemus tõenäoliselt kehv.
Kontrastsed näited
Liigitamis- või hindamisülesannete jaoks lisa piirjuhtumid, mis määratlevad skaala ja põhjendavad iga hinnangut sulgudes. Mudel rakendab siis sinu hindamiskriteeriume, mitte oma enda – siin tuleneb erinevus 3 ja 5 vahel numbrilise tõendi olemasolust, mida põhjendus selgesõnaliselt väljendab.
Hinda nende müügikonksude kvaliteeti (skaalal 1 kuni 5).
1/5: "Tere, me müüme tarkvara." (liiga üldine, konksu pole)
3/5: "Teie meeskonnad kaotavad haldustöödele 5 tundi nädalas." (hea nurk, kuid tõend puudub)
5/5: "Carrefour vähendas halduskulusid 3 kuuga 34% võrra. Siin on kuidas." (number, sotsiaalne tõend, uudishimu)
Nüüd hinda:
"Mis siis, kui saaksid automatiseerida 80% oma aruandlusest?"
Sinu kord
Liigu zero-shot’ilt few-shot’ile. Võta liigitus- või kirjutamisülesanne, mida sageli kordad. Käivita see esmalt ilma näiteta ja pane kirja, mis on valesti. Seejärel lisa kaks näidet, mis on pärit sinu parimatest töödest, veendudes, et need järgivad täpselt sinu juhendit, ja lisa piirjuhtum, kui liigitamine kõhkleb. Võrdle kolme tulemust ja jäta alles lühim versioon, mis sind rahuldab.
Ametlikud allikad: Best practices for prompt engineering with the OpenAI API (OpenAI abikeskus) · Prompt engineering · Reasoning best practices (OpenAI API dokumentatsioon)
Peamised punktid
- Few-shot tähendab mõne näite näitamist, et ChatGPT kordaks oodatud mustrit
- Proovi esmalt ilma näideteta ja lisa need vaid siis, kui tulemus ei ole rahuldav
- Enamiku ülesannete jaoks piisab kahest kuni kolmest näitest; need peavad täpselt järgima sinu juhendit
- Kasuta few-shot meetodit stiili, formaadi, liigitamise ja hulgiloome jaoks
- Kontrastsed, põhjendatud näited kalibreerivad skaalat hindamisülesannete jaoks