de meest relevante artikelen en nieuws over kunstmatige intelligentie op één plek!

 

Prompt Engineering volgens Open AI

Op deze pagina geeft Open AI, het bedrijf achter ChatGPT zelf ook richtlijnen over Prompt Engineering. Gezien de bron natuurlijk erg betrouwbaar is hebben wij het artikel vertaald en hieronder geplaatst.

Hoe prompt-engineering werkt

Door de manier waarop instructie volgende modellen worden getraind of de gegevens waarop ze worden getraind, zijn er specifieke promptformaten die bijzonder goed werken en beter aansluiten bij de taken die moeten worden uitgevoerd. Hieronder presenteren we een aantal promptformaten die betrouwbaar goed werken, maar voel je vrij om verschillende formaten te verkennen die het beste bij jouw taak passen.

Regels en voorbeelden van Prompts

Opmerking: “{tekstinvoer hier}” is een aanduiding dat je deze tekst moet vervangen door je eigen tekst

Lees ook deze tekst van Ted Sanders

Gebruik het nieuwste model

Voor de beste resultaten raden we over het algemeen aan om de nieuwste, meest capabele modellen te gebruiken. Vanaf november 2022 zijn de beste opties het model “text-davinci-003” voor tekstgeneratie en het model “code-davinci-002” voor codegeneratie.

Plaats instructies aan het begin van de prompt en gebruik ### of “”” om de instructie en context te scheiden.

Minder effectief ❌:

Vat de onderstaande tekst samen als een opsomming van de belangrijkste punten.

{tekstinvoer hier}

Beter ✅:

Vat de onderstaande tekst samen als een opsomming van de belangrijkste punten.

Tekst: “”” {tekstinvoer hier} “””

Wees specifiek, beschrijvend en zo gedetailleerd mogelijk over de gewenste context, uitkomst, lengte, formaat, stijl, enz. Wees specifiek over de context, uitkomst, lengte, formaat, stijl, enz.

Minder effectief ❌:

Schrijf een gedicht over OpenAI.

Beter ✅:

Schrijf een kort inspirerend gedicht over OpenAI, waarbij de nadruk ligt op de recente lancering van het DALL-E-product (DALL-E is een tekst-naar-afbeelding-ML-model) in de stijl van een {beroemde dichter}.

Geef het gewenste outputformaat weer aan de hand van voorbeelden (voorbeeld 1, voorbeeld 2).

Minder effectief ❌:

Haal de entiteiten uit de onderstaande tekst. Haal de volgende 4 entiteitstypen eruit: bedrijfsnamen, persoonsnamen, specifieke onderwerpen en thema’s.

Tekst: {tekst}

Toon en vertel – de modellen reageren beter wanneer ze specifieke formaateisen te zien krijgen. Dit maakt het ook gemakkelijker om betrouwbaar meerdere uitvoerresultaten te analyseren.

Beter ✅:

Haal de belangrijke entiteiten uit de onderstaande tekst. Haal eerst alle bedrijfsnamen eruit, haal dan alle persoonsnamen eruit, haal vervolgens specifieke onderwerpen eruit die passen bij de inhoud en haal tot slot algemene overkoepelende thema’s eruit.

Gewenst formaat:

Bedrijfsnamen: <komma-gescheiden lijst van bedrijfsnamen>

Persoonsnamen: -||-

Specifieke onderwerpen: -||-

Algemene thema’s: -||-

Tekst: {tekst}

Begin met zero-shot, vervolgens few-shot (voorbeeld), als geen van beide werkt, pas dan fine-tuning toe.

✅ Zero-shot

Haal trefwoorden uit de onderstaande tekst.

Tekst: {tekst}

Trefwoorden:

✅ Few-shot – geef een paar voorbeelden

Haal trefwoorden uit de bijbehorende teksten hieronder.

Tekst 1: Stripe biedt API’s waarmee webontwikkelaars betalingsverwerking kunnen integreren in hun websites en mobiele applicaties.

Trefwoorden 1: Stripe, betalingsverwerking, API’s, webontwikkelaars, websites, mobiele applicaties

Tekst 2: OpenAI heeft geavanceerde taalmodellen getraind die zeer goed zijn in het begrijpen en genereren van tekst. Onze API biedt toegang tot deze modellen en kan worden gebruikt om vrijwel elke taak op te lossen die betrekking heeft op taalverwerking. Trefwoorden 2: OpenAI, taalmodellen, tekstverwerking, API.

Tekst 3: {tekst} Trefwoorden 3:

✅ Fine-tuning: zie hier de beste werkwijzen voor fine-tuning.

Vermijd “vage” en onnauwkeurige beschrijvingen.

Minder effectief ❌:

De beschrijving van dit product moet vrij kort zijn, slechts een paar zinnen, en niet veel meer dan dat.

Beter ✅:

Gebruik een alinea van 3 tot 5 zinnen om dit product te beschrijven.

In plaats van alleen te zeggen wat je niet moet doen, zeg wat je in plaats daarvan moet doen.

Minder effectief ❌:

Het volgende is een gesprek tussen een medewerker en een klant. VRAAG NIET NAAR GEBRUIKERSNAAM OF WACHTWOORD. HERHAAL NIET.

Klant: Ik kan niet inloggen op mijn account.

Medewerker:

Beter ✅:

Het volgende is een gesprek tussen een medewerker en een klant. De medewerker zal proberen het probleem te diagnosticeren en een oplossing voorstellen, zonder vragen te stellen met betrekking tot persoonlijk identificeerbare informatie (PII). In plaats van naar PII te vragen, zoals gebruikersnaam of wachtwoord, verwijs je de gebruiker naar het help artikel www.samplewebsite.com/help/faq.

Klant: Ik kan niet inloggen op mijn account. Medewerker:

Specifiek voor codegeneratie – Gebruik “leidende woorden” om het model in de richting van een specifiek patroon te sturen.

Minder effectief ❌:

#Schrijf een eenvoudige Python-functie die

#1. Mij om een getal in mijlen vraagt

#2. Het zet mijlen om naar kilometers

In dit onderstaande codevoorbeeld geeft “import” aanwijzingen aan het model dat het met het schrijven in Python moet beginnen. (Evenzo is “SELECT” een goede aanwijzing voor het begin van een SQL-opdracht.)

Beter ✅:

Schrijf een eenvoudige Python-functie die

#1. Mij om een getal in mijlen vraagt

#2. Het zet mijlen om naar kilometers

import

Parameters

Over het algemeen vinden we dat het model en de temperatuur de meest gebruikte parameters zijn om de modeluitvoer aan te passen.

  • model – Modellen met betere prestaties zijn duurder en hebben een langere latentie.
  • temperatuur – Een maat voor hoe vaak het model een minder waarschijnlijk token uitvoert. Hoe hoger de temperatuur, hoe willekeuriger (en meestal creatiever) de uitvoer. Dit betekent echter niet per se “waarheidsgetrouw”. Voor de meeste feitelijke gebruiksscenario’s zoals gegevensextractie en waarheidsgetrouwe vraag-en-antwoordtoepassingen is een temperatuur van 0 het beste.
  • max_tokens (maximale lengte) – Beheerst niet de lengte van de uitvoer, maar stelt een harde limiet in voor het genereren van tokens. Idealiter bereik je deze limiet niet vaak, omdat het model stopt wanneer het denkt dat het klaar is of wanneer het een door jou gedefinieerde stopreeks tegenkomt.
  • stop (stopreeksen) – Een set tekens (tokens) die, wanneer gegenereerd, ervoor zorgen dat de tekstgeneratie stopt.
Share This

Share This

Share this post with your friends!

/** * Adding a color picker to your form * * @link https://wpforms.com/developers/how-to-add-a-color-picker-to-your-form/ */ function wpf_dev_color_picker_field() { ?>