Примеры промптов
В этом разделе мы рассмотрим больше примеров использования промптов для выполнения различных задач с помощью YandexGPT и познакомимся с ключевыми концепциями. Часто лучший способ изучить концепции — это пройти через примеры. Примеры ниже иллюстрируют, как можно использовать хорошо продуманные промпты для более продуктивной работы с моделью YandexGPT.
Типы задач, которые мы разберем на этой странице:
- Краткий пересказ текста
- Извлечение информации
- Ответы на вопросы
- Классификация текста
- Разговор
- Логические рассуждения
Краткий пересказ текста
Одной из стандартных задач в области генерации естественного языка является краткий пересказ, или суммаризация текста. Суммаризация текста может охватывать множество различных форматов и областей. Одним из самых перспективных применений языковых моделей является возможность суммаризовать статьи и концепции в быстрые и легкие для чтения резюме. Попробуем выполнить базовую задачу суммаризации с помощью промптов:
Промпт
Антибиотики — это тип лекарств, используемых для лечения бактериальных инфекций. Они работают, убивая бактерии или предотвращая их размножение, что позволяет иммунной системе организма бороться с инфекцией. Антибиотики обычно принимаются внутрь в виде таблеток, капсул или жидких растворов, а иногда вводятся внутривенно. Они не эффективны против вирусных инфекций, и их неправильное использование может привести к устойчивости к антибиотикам.
Объясни вышеуказанное в одном предложении:
Ответ
Антибиотики — это лекарства, используемые для лечения бактериальных инфекций, убивая бактерии или предотвращая их размножение, но они не эффективны против вирусов, и их чрезмерное использование может привести к устойчивости к антибиотикам.
Модель попыталась суммаризовать абзац в одно предложение. Попробуйте поэкспериментировать с инструкциями, чтобы улучшить результаты.
Извлечение информации
Хотя языковые модели обучены выполнять задачи генерации естественного языка и связанные с ними задачи, они также способны выполнять классификацию и ряд других задач обработки естественного языка (natural language processing, NLP). Рассмотрим промпт, который извлекает информацию из текста:
Промпт
В заявлениях об авторском вкладе и благодарностях в научных статьях следует четко и конкретно указывать, использовали ли авторы и в какой степени технологии ИИ, такие как YandexGPT, при подготовке своей рукописи и анализа. Они также должны указывать, какие LLM использовались. Это позволит редакторам и рецензентам более тщательно проверять рукописи на предмет возможных предвзятостей, неточностей и неправильного указания источников. Аналогично, научные журналы должны быть прозрачны в отношении использования LLM, например, при выборе представленных рукописей.
Укажите продукт на базе большой языковой модели, упомянутый в абзаце выше:
Ответ
Продукт на базе большой языковой модели, упомянутый в абзаце выше, — это YandexGPT.
Существует множество способов улучшить результаты выше, но даже такие простые запросы могут решить множество задач.
Ответы на вопросы
Один из лучших способов заставить модель отвечать на конкретные вопросы — улучшить формат промпта. Это можно сделать с помощью элементов промпта, которые сочетают инструкции, контекст, ввод и индикаторы вывода для получения улучшенных результатов. Они не являются обязательными, но позволяют значительно конкретизировать инструкции для модели. Например:
Промпт
Ответьте на вопрос на основе приведенного ниже контекста. Держите ответ коротким и лаконичным. Ответьте "Не уверен в ответе", если не уверены в ответе.
Контекст: Теплизумаб берет свое начало в фармацевтической компании Ortho Pharmaceutical в Нью-Джерси. Там ученые создали раннюю версию антитела, названную OKT3. Изначально полученная от мышей, эта молекула могла связываться с поверхностью Т-клеток и ограничивать их способность убивать клетки. В 1986 году оно было одобрено для предотвращения отторжения органов после пересадки почки, став первым терапевтическим антителом, разрешенным для использования у людей.
Вопрос: Откуда изначально было получено OKT3?
Ответ
От мышей.
Классификация текста
До сих пор вы использовали простые инструкции, которых будет недостаточно для сложных случаев. Для задач классификации могут понадобиться конкретные примеры:
Промпт
Классифицируйте текст как нейтральный, негативный или позитивный.
Текст: Я думаю, что еда была нормальной.
Настроение:
Ответ
Нейтральное
Модель ответила верно, но предположим, что мы хотим получить ответ со строчной буквы. Существует несколько способов сделать это. Важна конкретность, поэтому чем больше информации вы можете предоставить в промпте, тем лучше результаты. Попробуем добавить в запрос пример:
Промпт
Классифицируйте текст как нейтральный, негативный или позитивный.
Текст: Я думаю, что отпуск был нормальным.
Настроение: нейтральное
Текст: Я думаю, что еда была нормальной.
Настроение:
Ответ
нейтральное
На этот раз модель вернула конкретную метку «нейтральное». Приведенный пример помог модели быть конкретной в своем ответе.
Разговор
Одной из самых интересных вещей, которые вы можете достичь с помощью промпт-инжиниринга, является указание системе LLM, как себя вести, каковы ее намерения и идентичность. Это особенно полезно при создании разговорных систем, таких как чат-боты для обслуживания клиентов.
Например, создадим разговорную систему, которая способна генерировать более технические и научные ответы на вопросы. Обратите внимание, как через инструкцию модели задается нужный стиль ответов. Это иногда называют ролевым промптингом. Например:
Промпт
Следующий диалог происходит с ИИ-ассистентом по исследованиям. Тон ассистента технический и научный.
Человек: Привет, кто ты?
ИИ: Приветствую! Я ИИ-ассистент по исследованиям. Как я могу помочь вам сегодня?
Человек: Можешь рассказать мне о создании черных дыр?
ИИ:
Ответ
Конечно! Черные дыры — это области пространства-времени, где гравитационная сила настолько сильна, что ничто, даже свет, не может из нее вырваться. Они образуются, когда очень массивная звезда умирает и ее ядро коллапсирует, образуя сингулярность бесконечной плотности. Интенсивная гравитация сингулярности притягивает всю материю и излучение вокруг нее, создавая черную дыру.
Если полученные ответы кажутся слишком сложными, можно попробовать их упростить:
Промпт
Следующий диалог происходит с ИИ-ассистентом по исследованиям. Ответы ассистента должны быть понятны даже ученикам начальной школы.
Человек: Привет, кто ты?
ИИ: Приветствую! Я ИИ-ассистент по исследованиям. Как я могу помочь вам сегодня?
Человек: Можешь рассказать мне о создании черных дыр?
ИИ:
Ответ
Конечно! Черные дыры образуются, когда очень массивная звезда заканчивает свое топливо и коллапсирует. Гравитация звезды настолько сильна, что ничто, даже свет, не может вырваться из ее притяжения. Это создает точку в пространстве-времени с интенсивной гравитационной силой, называемую черной дырой.
Заметен прогресс. Если вы добавите больше примеров, вы можете получить результаты.
Логические рассуждения
Одними из самых сложных задач для LLM сегодня являются те, которые требуют какой-либо формы рассуждений. Логические рассуждения — одна из самых интересных областей из-за типов сложных приложений, которые могут возникнуть из LLM. Существующие модели до сих пор испытывают трудности с выполнением задач, требующих рассуждений, поэтому это требует еще более продвинутых техник инженерии промптов. Рассмотрим базовый пример из арифметики:
Промпт
Нечетные числа в этой группе складываются в четное число: 15, 32, 5, 13, 82, 7, 1.
Ответ
Нет, нечетные числа в этой группе складываются в нечетное число: 119.
Модель ответила неверно. Попробуем улучшить промпт дополнительной инструкцией:
Промпт
Нечетные числа в этой группе складываются в четное число: 15, 32, 5, 13, 82, 7, 1.
Решите, разбив проблему на шаги. Сначала определите нечетные числа, сложите их и укажите, является ли результат четным или нечетным.
Ответ
Нечетные числа: 15, 5, 13, 7, 1
Сумма: 41
41 — нечетное число.
Теперь ответ верный, но модель все еще может ошибиться на других примерах. Если вы предоставите подробные инструкции в сочетании с примерами, это может помочь получить более точные результаты.