Sudėtingų problemų sprendimas taikant aukšto lygio samprotavimą
Šiame puslapyje
Aukšto lygio samprotavimo išnaudojimas
Dabar žinai, kada įjungti samprotavimą. Kitas žingsnis – išmokti, kaip jį maitinti. Šioje pamokoje tiksliai parodysime, kaip suformuluoti savo užklausas, kad modelis, nustatytas į aukštą refleksijos lygį („High“ arba „Extra High“ pokalbių režimu, high iki max API sąsajoje), pasiektų geriausius rezultatus spręsdamas sudėtingas problemas.
Menas suformuluoti tinkamą problemą
Samprotavimo modelis nėra orakulas: jis yra toks geras, kokias problemas jam pateiki. Gerai suformuluota problema lemia struktūruotą samprotavimą ir patikimą atsakymą; neaiški problema duos nuviliantų rezultatų, nesvarbu, kiek samprotavimo galios į ją įdėtum. „OpenAI“ savo samprotavimo modeliams tai apibendrina taip: paprastos, tiesioginės instrukcijos; aiškūs apribojimai; kristalinio skaidrumo galutinis tikslas. Konkrečiai kalbant, skirtumas slypi keturiuose elementuose, kuriuos tavo užklausa privalo visada turėti.
- Kontekstas: Keliais sakiniais paaiškink situaciją.
- Duomenys: Pateik visus skaičius, apribojimus ir parametrus.
- Tikslas: Tiksliai nurodyk, ko tikiesi.
- Formatas: Nurodyk, kaip nori gauti atsakymą (lentelė, išsamūs veiksmai, galutinė rekomendacija).
Skirtumas tarp šių dviejų užuominų iliustruoja taisyklę geriau nei bet koks paaiškinimas.
Bloga užuomina: „Padėk optimizuoti mano išlaidas.“
Gera užuomina: „Mano metinis rinkodaros biudžetas yra 180 000 €. Turiu 4 kanalus: SEO (kaina 3 000 €/mėn., numatoma ROI 4,2 karto), „Google Ads“ (kaina 5 000 €/mėn., ROI 2,8 karto), „LinkedIn Ads“ (kaina 4 000 €/mėn., ROI 1,9 karto) ir turinio rinkodara (kaina 3 000 €/mėn., ROI 3,5 karto). Noriu maksimizuoti bendrą ROI, kiekvienam kanalui skirdamas ne mažiau kaip 2 000 € per mėnesį. Pasiūlyk optimalų paskirstymą su išsamiais skaičiavimais.”
Antroji užuomina modeliui suteikia viską, ko reikia samprotavimui; pirmoji verčia jį išgalvoti trūkstamus duomenis. Tai iš tiesų yra dažniausia klaida: jei nepateiki skaičių, modelis sukurs savo prielaidas, ir tavo analizė bus pastatyta ant smėlio. Visada pateik realius duomenis ir nepamiršk nurodyti pageidaujamo formato – be gairių modelis pasirinks savo, o tai retai kada bus naudinga tau.
Daugialypiai apribojimai turinčios problemos
Aukšto lygio samprotavimas ypač gerai veikia, kai problema apima kelias sąveikaujančias sąlygas. Modelis identifikuoja šiuos apribojimus, patikrina jų suderinamumą, randa sprendimą, tenkinantį juos visus, ir – tai dažnai praleidžiama dalis – pažymi prieštaraujančius apribojimus, užuot pateikęs neveikiantį atsakymą.
Projektų planavimas yra klasikinis pavyzdys:
„Turiu įgyvendinti projektą per 12 savaičių su 3 programuotojų komanda. Štai 8 užduotys su jų priklausomybėmis ir numatoma trukme: [išsamus sąrašas]. Rask kritinį kelią ir pasiūlyk grafiką, kuris sumažintų vėlavimo riziką.”
Modelis sukurs mentalų Ganto diagramos vaizdinį, identifikuos kritines priklausomybes ir pasiūlys pagrįstą grafiką, užuot tiesiog surikiavęs užduotis eilės tvarka.
Rezultato patikrinamumas
Refleksas, paveldėtas iš senesnių modelių, – rašyti „galvok žingsnis po žingsnio“. „OpenAI“ dabar to nerekomenduoja: jų modeliai jau samprotauja viduje, ir ši instrukcija rezultatų negerina – ji gali netgi juos pabloginti. Tau reikia ne daugiau mąstymo, o atsakymo, kurį galima audituoti. Todėl savo išvesties formate paprašyk elementų, leidžiančių patikrinti rezultatą:
„Pateik savo rekomendaciją, tada – padarytas prielaidas, pagrindinius skaičiavimus ir galutinį rezultato patikrinimą.“
Tai tavo geriausia apsauga nuo aklų pasitikėjimo: net ir aukščiausiu lygiu modelis gali klysti, o skaičiavimai, lemiantys didelės rizikos sprendimus, visada turi būti patikrinti, idealu – atliekant duomenų analizę arba naudojant savo skaičiuoklę.
Scenarijų analizė, derinimas ir diagnostika
Esant aukštam samprotavimo lygiui, modelis įvertina kelis scenarijus ir palygina juos pagal svertinius kriterijus, todėl jis yra vertinga pagalba priimant strateginius sprendimus:
„Vertinu 3 tiekėjus aptarnavimo sutarčiai. Štai kriterijai (svoris skliaustuose): kaina (30 %), operatyvumas (25 %), techninė kompetencija (25 %), rekomendacijos (20 %). Štai kiekvieno tiekėjo duomenys: [duomenys]. Išanalizuok kiekvieną scenarijų ir rekomenduok geriausią pasirinkimą.”
Tas pats mechanizmas taikomas techninei diagnostikai. Susidūręs su problema, kurios priežastis nėra akivaizdi, aukšto lygio samprotavimas sistemiškai tiria hipotezes, užuot sustojęs ties pirmąja tikėtina:
„Mano „Node.js“ programa atsitiktinai stringa gamybos aplinkoje. Štai paskutinių 5 strigimų žurnalai: [žurnalai]. Strigimai vyksta tarp 2 ir 4 val. ryto. Atminties naudojimas progresyviai didėja. Išanalizuok galimas hipotezes tikimybės mažėjimo tvarka.”
Kai problema nepasiduoda: pakelk lygį
Jei problema per sunki „High“ lygiui, pakelk jį, užuot dešimt kartų perrašęs užuominą: bandyk „Extra High“ arba „Pro“ pokalbių režimu, xhigh, o tada max API sąsajoje, galbūt nustatęs reasoning.mode į pro. „ChatGPT Work“ ir „Codex“ aplinkose Max suteikia modeliui daugiau laiko vienai užduočiai, o Ultra paskirsto sudėtingą užduotį tarp sub-agentų, dirbančių lygiagrečiai, kai ją galima suskaidyti į nepriklausomas dalis. Tai yra kraštutinės priemonės, o ne numatytieji nustatymai: daugumai užduočių jų nereikia, ir jos suvartoja žymiai daugiau išteklių.
Tavo eilė
Optimizavimo problema. Pateik šią problemą aukšto lygio samprotavimui („High“ pokalbių režimu, high API sąsajoje):
„Įmonė parduoda 3 produktus. Produkto A savikaina yra 50 €, pardavimo kaina – 120 €. Produkto B savikaina – 80 €, pardavimo kaina – 180 €. Produkto C savikaina – 30 €, pardavimo kaina – 65 €. Gamybos pajėgumas yra 1 000 vienetų per mėnesį. Produktui A pagaminti reikia 2 valandų, B – 3 valandų, C – 1 valandos. Dirbtuvės turi 2 500 valandų per mėnesį. Maksimali paklausa yra 400 vienetų produktui A, 300 – produktui B ir 600 – produktui C. Kiek kiekvieno produkto reikia pagaminti, kad pelnas būtų maksimalus?”
Stebėk, kaip modelis suformuluoja tiesinio programavimo problemą, apibrėžia kintamuosius, suformuluoja apribojimus ir žingsnis po žingsnio ją išsprendžia. Pamatysi šios pamokos keturis principus, pritaikytus vienam atvejui: tikslų teiginį, išsamius duomenis, aiškų tikslą ir samprotavimą, kurį gali sekti – ir todėl patikrinti. Galiausiai paprašyk duomenų analizės įrankio perskaičiuoti sprendimą ir palyginti.
Oficialūs šaltiniai: Samprotavimo geriausios praktikos („OpenAI API“: paprastos instrukcijos, jokių „galvok žingsnis po žingsnio“ užuominų, aiškūs apribojimai ir tikslai) · Samprotavimo modeliai (pastangų lygiai, „pro“ režimas) · Modeliai („ChatGPT“ dokumentacija: „Max“ ir „Ultra“)
Svarbiausi punktai
- Struktūrizuok savo užuominas: kontekstas, duomenys, tikslas, formatas
- Aukšto lygio samprotavimas puikiai tinka daugialypius apribojimus turinčioms problemoms ir scenarijų analizei
- Nerašyk „galvok žingsnis po žingsnio“: vietoj to prašyk pateikti prielaidas, pagrindinius skaičiavimus ir patikrinimą atsakyme
- Visada pateik realius duomenis – neleisk modeliui spėlioti
- Jei problema nepasiduoda, pakelk lygį („Extra High“, „Pro“,
xhigh,max; „Max“ arba „Ultra“ „Work“ aplinkoje) ir patikrink kritinius rezultatus