วิศวกรรมการโต้ตอบคืออะไร

งานวิศวกรรมพรอมต์คำสั่งได้เพิ่มขึ้นอย่างมีนัยสำคัญนับตั้งแต่การเปิดตัวของ AI ช่วยสร้าง วิศวกรพรอมต์คำสั่งจะเชื่อมช่องว่างระหว่างผู้ใช้ของคุณและโมเดลภาษาขนาดใหญ่ โดยจะระบุสคริปต์และเทมเพลตที่ผู้ใช้ของคุณสามารถปรับแต่งและดำเนินการให้เสร็จสิ้น เพื่อให้ได้ผลลัพธ์ที่ดีที่สุดจากโมเดลภาษา วิศวกรเหล่านี้ทดสอบข้อมูลชนิดต่างๆ เพื่อสร้างห้องสมุดพรอมต์คำสั่งที่นักพัฒนาแอปพลิเคชันสามารถนำมาใช้ใหม่ในสถานการณ์ที่แตกต่างกันได้

วิศวกรรมพรอมต์คำสั่งทำให้การใช้งาน AI มีประสิทธิภาพและประสิทธิผลมากขึ้น นักพัฒนาแอปพลิเคชันมักใส่ข้อมูลอินพุตของผู้ใช้แบบปลายเปิดไว้ในพรอมต์คำสั่งก่อนที่จะส่งต่อไปยังโมเดล AI

ตัวอย่างเช่น ลองนึกถึง Chatbot AI ผู้ใช้อาจป้อนข้อความปัญหาที่ไม่สมบูรณ์ เช่น "จะซื้อเสื้อได้ที่ไหน" ภายใน รหัสของแอปพลิเคชันจะใช้พรอมต์คำสั่งที่วิศวกรรมไว้ที่ระบุว่า “คุณเป็นผู้ช่วยฝ่ายขายของบริษัทเสื้อผ้า ผู้ใช้ที่อยู่ในอลาบามา สหรัฐอเมริกา กำลังถามว่าจะซื้อเสื้อเชิ้ตได้ที่ไหน ตอบกลับด้วยร้านที่ใกล้ที่สุดสามแห่งที่มีเสื้อในสต็อก" จากนั้นแชทบอทจะสร้างข้อมูลที่เกี่ยวข้องและแม่นยำมากขึ้น

ถัดไป เราจะพูดคุยเกี่ยวกับประโยชน์ของวิศวกรรมพรอมต์คำสั่ง

การควบคุมนักพัฒนาได้มากขึ้น

วิศวกรรมพรอมต์คำสั่งช่วยให้นักพัฒนาควบคุมปฏิสัมพันธ์ของผู้ใช้กับ AI ได้มากขึ้น พรอมต์คำสั่งที่มีประสิทธิภาพจะระบุเจตนาและสร้างบริบทกับโมเดลภาษาที่มีขนาดใหญ่ ช่วยให้ AI ปรับแต่งผลลัพธ์และนำเสนอในรูปแบบที่ต้องการโดยกระชับ

นอกจากนี้ยังป้องกันไม่ให้ผู้ใช้ใช้ AI ในทางที่ผิดหรือขอบางสิ่งที่ AI ไม่รู้หรือไม่สามารถจัดการได้อย่างถูกต้อง ตัวอย่างเช่น คุณอาจต้องการจำกัดผู้ใช้ไม่ให้สร้างเนื้อหาที่ไม่เหมาะสมในแอปพลิเคชัน AI ทางธุรกิจ

ประสบการณ์การใช้งานที่ดีขึ้นสำหรับผู้ใช้

ผู้ใช้หลีกเลี่ยงการลองผิดลองถูกและยังคงได้รับคำตอบที่สอดคล้องกัน ถูกต้อง และเกี่ยวข้องจากเครื่องมือ AI วิศวกรรมพรอมต์คำสั่งช่วยให้ผู้ใช้ได้รับผลลัพธ์ที่เกี่ยวข้องตั้งแต่คำสั่งแรก โดยช่วยลดอคติที่อาจเกิดขึ้นจากอคติของมนุษย์ที่มีอยู่ในข้อมูลการฝึกโมเดลภาษาขนาดใหญ่

นอกจากนี้ยังปรับปรุงการโต้ตอบระหว่างผู้ใช้กับ AI เพื่อให้ AI เข้าใจความตั้งใจของผู้ใช้ แม้จะใช้ข้อมูลเพียงเล็กน้อยก็ตาม ตัวอย่างเช่น คำขอสรุปเอกสารทางกฎหมายและบทความข่าวจะได้รับผลลัพธ์ที่แตกต่างกัน ซึ่งมีการปรับเปลี่ยนตามสไตล์และโทน สิ่งนี้จะเกิดขึ้นแม้ว่าผู้ใช้ทั้งสองจะบอกแอปพลิเคชันว่า "สรุปเอกสารนี้"

ความยืดหยุ่นที่เพิ่มขึ้น

ระดับนามธรรมที่สูงขึ้นช่วยปรับปรุงโมเดล AI และช่วยให้องค์กรต่างๆ สร้างเครื่องมือที่ยืดหยุ่นมากขึ้นในวงกว้าง วิศวกรพรอมต์คำสั่งสามารถสร้างพรอมต์คำสั่งด้วยคำสั่งโดเมนที่เป็นกลางโดยเน้นการเชื่อมโยงตรรกะและรูปแบบกว้างๆ องค์กรสามารถใช้ซ้ำพรอมต์คำสั่งทั่วทั้งองค์กรได้อย่างรวดเร็วเพื่อขยายการลงทุนด้าน AI

ยกตัวอย่างเช่น เพื่อหาโอกาสสำหรับการเพิ่มประสิทธิภาพกระบวนการ วิศวกรพรอมต์คำสั่งสามารถสร้างพรอมต์คำสั่งต่างๆ ที่ฝึกโมเดล AI เพื่อหาความไร้ประสิทธิภาพ โดยใช้สัญญาณกว้างๆ มากกว่าข้อมูลเฉพาะบริบท จากนั้นสามารถใช้พรอมต์คำสั่งสำหรับกระบวนการและหน่วยธุรกิจที่หลากหลายได้

วิศวกรรมพรอมต์คำสั่งเป็นสาขาวิชาที่เปลี่ยนแปลงและวิวัฒนาการอยู่เสมอ เราจำเป็นต้องใช้ทักษะทางภาษาและการแสดงออกที่สร้างสรรค์เพื่อปรับแต่งพรอมต์คำสั่ง และรับคำตอบที่ต้องการจากเครื่องมือ AI ช่วยสร้าง

ต่อไปนี้คือตัวอย่างของเทคนิคที่วิศวกรพรอมต์คำสั่งใช้ในการปรับปรุงงานการประมวลผลภาษาธรรมชาติ (NLP) ของโมเดล AI

การทำพรอมต์คำสั่ง Chain-of-thought

การทำพรอมต์คำสั่ง Chain-of-thought เป็นเทคนิคที่จะแบ่งคำถามที่ซับซ้อนออกเป็นส่วนย่อยๆ ที่เป็นตรรกะซึ่งเลียนแบบขบวนความคิดที่เป็นลำดับ ซึ่งนี้จะช่วยให้โมเดลแก้ปัญหาโดยใช้ชุดขั้นตอนระดับกลางแทนที่จะตอบคำถามโดยตรง วิธีนี้จะช่วยเพิ่มความสามารถในการให้เหตุผลของ AI

คุณสามารถใช้การเริ่มงาน Chain-of-thought ต่างๆ สำหรับงานที่ซับซ้อน และเลือกข้อสรุปที่เข้าถึงบ่อยที่สุดได้ หากการเริ่มงานไม่เห็นด้วยอย่างมีนัยสำคัญ ผู้ใช้ก็สามารถปรึกษาเพื่อแก้ไข Chain-of-thought นั้นได้

ตัวอย่างเช่น ถ้าคำถามคือ “เมืองหลวงของฝรั่งเศสคืออะไร” โมเดลอาจใช้การเริ่มงานหลายครั้งจนนำไปสู่คำตอบเช่น “ปารีส” “เมืองหลวงของฝรั่งเศสคือปารีส” และ “ปารีสเป็นเมืองหลวงของฝรั่งเศส” เนื่องจากการเริ่มงานทั้งหมดนำไปสู่ข้อสรุปเดียวกัน “ปารีส” จึงถูกเลือกให้เป็นคำตอบสุดท้าย

การทำพรอมต์คำสั่ง Tree-of-thought

เทคนิค Tree-of-thought เป็นการทำพรอมต์คำสั่ง Chain-of-thought ให้เห็นเป็นภาพรวม โดยส่งคำสั่งให้โมเดลสร้างขั้นตอนถัดไปขึ้นมาหนึ่งขั้นตอนหรือมากกว่านั้น จากนั้น AI ก็จะใช้โมเดลในแต่ละขั้นตอนต่อไปที่เป็นไปได้ โดยใช้วิธีการค้นหาแผนภาพต้นไม้

ตัวอย่างเช่น ถ้าคำถามคือ “อะไรคือผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศ” ตอนแรกโมเดลอาจสร้างขั้นตอนต่อไปที่เป็นไปได้ เช่น “รายการผลกระทบสิ่งแวดล้อม” และ “รายการผลกระทบทางสังคม” จากนั้นจะอธิบายรายละเอียดแต่ละข้อในขั้นตอนต่อๆ ไป

การทำพรอมต์คำสั่ง Maieutic

การทำพรอมต์คำสั่ง Maieutic นั้นคล้ายกับแบบ Tree-of-thought โดยโมเดลจะได้รับพรอมต์คำสั่งให้ตอบคำถามพร้อมคำอธิบาย จากนั้นโมเดลจะได้รับพรอมต์คำสั่งให้อธิบายส่วนของคำอธิบายนั้น แผนภาพต้นไม้คำอธิบายที่ไม่สอดคล้องกันจะถูกตัดทอนหรือทิ้ง สิ่งนี้ช่วยปรับปรุงประสิทธิภาพการใช้เหตุผลทั่วไปที่ซับซ้อน

ตัวอย่างเช่น ถ้าคำถามคือ “ทำไมท้องฟ้าสีฟ้า” ตอนแรกโมเดลอาจตอบว่า “ท้องฟ้าปรากฏเป็นสีน้ำเงินผ่านตาของมนุษย์ เพราะคลื่นสั้นๆ ของแสงสีฟ้า กระจัดกระจายอยู่ในทุกทิศทางโดยก๊าซและอนุภาคในชั้นบรรยากาศของโลก” จากนั้นอาจขยายความออกไปในบางส่วนของคำอธิบายนี้ เช่น เหตุใดแสงสีน้ำเงินจึงกระจายตัวมากกว่าสีอื่นๆ และบรรยากาศของโลกประกอบด้วยอะไรบ้าง

การทำพรอมต์คำสั่งแบบอิงตามความซับซ้อน

เทคนิควิศวกรรมพรอมต์คำสั่งนี้เกี่ยวข้องกับการเริ่มงาน Chain-of-thought หลายครั้ง โดยจะเลือกการเริ่มงานที่มี Chains of Thought ที่ยาวที่สุด จากนั้นเลือกข้อสรุปที่เข้าถึงบ่อยที่สุด

ตัวอย่างเช่น ถ้าคำถามเป็นโจทย์คณิตศาสตร์ที่ซับซ้อน โมเดลอาจใช้การเริ่มงานหลายครั้ง แต่ละครั้งจะเกี่ยวข้องกับการคำนวณหลายขั้นตอน โดยจะพิจารณาการเริ่มงานที่มี Chains of Thought ที่ยาวที่สุด ซึ่งตัวอย่างนี้อาจเป็นขั้นตอนการคำนวณที่เยอะที่สุด ส่วนการเริ่มงานที่มีข้อสรุปร่วมกับการเริ่มงานอื่นๆ จะถูกเลือกเป็นคำตอบสุดท้าย

การทำพรอมต์คำสั่งความรู้ที่สร้างขึ้น

เทคนิคนี้ใช้พรอมต์คำสั่งกับโมเดลให้เริ่มด้วยการสร้างสร้างข้อเท็จจริงที่เกี่ยวข้องก่อน ซึ่งจำเป็นต่อการสร้างพรอมต์คำสั่ง จากนั้นจะจึงทำพรอมต์คำสั่งให้สมบูรณ์ ซึ่งมักจะส่งผลให้คุณภาพงานเสร็จสมบูรณ์สูงขึ้น เพราะโมเดลมีเงื่อนไขตามข้อเท็จจริงที่เกี่ยวข้อง

ยกตัวอย่างเช่น ลองจินตนาการว่ามีผู้ใช้ส่งพรอมต์คำสั่งให้โมเดลเขียนเรียงความเรื่องผลกระทบของการตัดไม้ทำลายป่า ในขั้นแรก โมเดลอาจสร้างข้อเท็จจริง เช่น "การตัดไม้ทำลายป่าทำให้เกิดการเปลี่ยนแปลงสภาพภูมิอากาศ" และ "การตัดไม้ทำลายป่านำไปสู่การสูญเสียความหลากหลายทางชีวภาพ" จากนั้นก็จะอธิบายอย่างละเอียดเกี่ยวกับประเด็นในการเขียนเรียงความ

การสร้างพรอมต์คำสั่ง Least-to-most

ในเทคนิควิศวกรรมพรอมต์คำสั่งนี้ โมเดลจะได้รับพรอมต์คำสั่งให้สร้างแสดงรายการปัญหาย่อยของปัญหานั้นๆ ขึ้นก่อน แล้วแก้ปัญหาเป็นลำดับ แนวทางนี้ช่วยให้แน่ใจว่าปัญหาย่อยในภายหลังสามารถแก้ไขได้โดยอาศัยคำตอบของปัญหาย่อยก่อนหน้านี้

ยกตัวอย่างเช่น ลองจินตนาการว่ามีผู้ใช้ส่งพรอมต์คำสั่งให้โมเดลแก้โจทย์คณิตศาสตร์ เช่น “หาค่า X ใน 2x + 3 = 11” ขั้นแรกโมเดลอาจแสดงรายการปัญหาย่อยเป็น "ลบ 3 จากทั้งสองข้าง" และ "หารด้วย 2" จากนั้นจะแก้ตามลำดับเพื่อให้ได้คำตอบสุดท้าย

การสร้างพรอมต์คำสั่งแบบปรับแต่งเอง

ในเทคนิคนี้ โมเดลจะได้รับพรอมต์คำสั่งให้แก้ปัญหา วิจารณ์การแก้ปัญหา แล้วแก้ปัญหาโดยพิจารณาจากปัญหา การแก้ปัญหา และคำวิจารณ์ กระบวนการแก้ไขปัญหาจะเกิดขึ้นซ้ำๆ จนกว่าจะถึงเหตุผลที่กำหนดไว้ล่วงหน้าให้หยุด ตัวอย่างเช่น โทเค็นหรือเวลาอาจหมด หรือโมเดลอาจส่งออกโทเค็นหยุด

ยกตัวอย่างเช่น ลองจินตนาการว่ามีผู้ใช้ส่งพรอมต์คำสั่งแจ้งให้โมเดล “เขียนเรียงความสั้นๆ เรื่องวรรณกรรม” โมเดลอาจร่างเรียงความ วิจารณ์การขาดตัวอย่างที่เจาะจง และเขียนเรียงความใหม่เพื่อใส่ตัวอย่างที่เฉพาะเจาะจง โดยกระบวนการนี้จะทำซ้ำจนกว่าเรียงความจะถือว่าน่าพอใจหรือผ่านเกณฑ์การหยุด

การสร้างพรอมต์คำสั่ง Directional-stimulus

เทคนิควิศวกรรมพรอมต์คำสั่งนี้ใช้คำใบ้หรือสัญญาณ เช่น คีย์เวิร์ดที่ต้องการ เพื่อเป็นแนวทางให้กับโมเดลเรื่องภาษาที่ในผลลัพธ์ที่ต้องการ

ตัวอย่างเช่น ถ้าพรอมต์คำสั่งคือให้เขียนบทกวีเกี่ยวกับความรัก วิศวกรพรอมต์คำสั่งอาจสร้างพรอมต์คำสั่งที่มีคำว่า “หัวใจ” “ความรัก” และ “นิรันดร” โมเดลอาจได้รับพรอมต์คำสั่งให้ “เขียนบทกวีเกี่ยวกับความรักที่มีคำว่า ‘หัวใจ’ ‘ความรัก’ และ ‘นิรันดร’” ซึ่งจะเป็นแนวทางให้โมเดลสร้างบทกวีด้วยคีย์เวิร์ดเหล่านี้

Amazon Web Services (AWS) นำเสนอเครื่องมือทั้งเชิงกว้างและเชิงลึกเพื่อสร้างและใช้ AI ช่วยสร้าง ตัวอย่างเช่น คุณสามารถใช้บริการเหล่านี้:

• Amazon Q Developer สามารถสร้างโค้ดที่แนะนำได้ตั้งแต่ส่วนย่อยไปจนถึงฟังก์ชันเต็มรูปแบบในแบบเรียลไทม์ได้ตามความคิดเห็นของคุณและโค้ดที่มี
• Amazon Bedrock จะเร่งการพัฒนาแอปพลิเคชัน AI ช่วยสร้างทั่วไปโดยใช้โมเดลภาษาผ่าน API โดยไม่ต้องจัดการโครงสร้างพื้นฐาน
• Amazon SageMaker JumpStart จะค้นพบ สำรวจ และปรับใช้โมเดลภาษาโอเพ่นซอร์ส ตัวอย่างเช่น คุณสามารถทำงานร่วมกับโมเดลต่างๆ เช่น OpenLLaMA, RedPajama, MosaicML's MPT-7B, FLAN-T5, GPT-NeoX-20B และ BLOOM

หากคุณต้องการสร้างโมเดลของคุณเอง ให้ใช้ Amazon SageMaker ซึ่งมีโครงสร้างพื้นฐานและเครื่องมือที่มีการจัดการเพื่อเร่งการสร้างโมเดลที่ปรับขนาดได้ เชื่อถือได้ และปลอดภัย เพื่อสร้าง ฝึก และนำไปใช้จริง

เริ่มต้นใช้วิศวกรรมการโต้ตอบบน AWS ด้วยการสร้างบัญชีเลยวันนี้