Tạo câu lệnh là gì?

Các tác vụ tổ chức lời nhắc đã tăng lên đáng kể từ khi AI tạo sinh ra mắt. Các kỹ sư lời nhắc thu hẹp khoảng cách giữa người dùng cuối của bạn và mô hình ngôn ngữ lớn. Họ xác định các tập lệnh và mẫu mà người dùng của bạn có thể tùy chỉnh và hoàn tất để có được kết quả tốt nhất từ các mô hình ngôn ngữ. Các kỹ sư này thử nghiệm với các loại đầu vào khác nhau để xây dựng một thư viện lời nhắc mà các nhà phát triển ứng dụng có thể sử dụng lại trong các tình huống khác nhau.

Tổ chức lời nhắc giúp các ứng dụng AI trở nên hiệu quả và có hiệu suất cao hơn. Các nhà phát triển ứng dụng thường tóm lược đầu vào có kết thúc mở của người dùng bên trong một lời nhắc trước khi chuyển đầu vào đó sang mô hình AI.

Ví dụ: hãy xem xét các chatbot AI. Người dùng có thể nhập một phát biểu vấn đề không hoàn chỉnh như "Mua áo sơ mi ở đâu". Bên trong, mã của ứng dụng sử dụng lời nhắc được tổ chức cho biết: "Bạn là trợ lý kinh doanh cho một công ty quần áo. Một người dùng ở Alabama, Hoa Kỳ đang hỏi bạn mua áo sơ mi ở đâu. Hãy phản hồi với ba địa điểm cửa hàng gần nhất hiện đang có sẵn áo sơ mi". Chatbot sau đó tạo ra thông tin phù hợp và chính xác hơn.

Tiếp theo, chúng ta sẽ thảo luận về một số lợi ích từ việc tổ chức lời nhắc.

Nhà phát triển có quyền kiểm soát tốt hơn

Tổ chức lời nhắc cho phép các nhà phát triển kiểm soát tốt hơn các tương tác của người dùng với AI. Lời nhắc hiệu quả cung cấp mục đích và thiết lập ngữ cảnh cho các mô hình ngôn ngữ lớn. Những lời nhắc này giúp AI tinh chỉnh đầu ra và trình bày chính xác theo định dạng yêu cầu.

Chúng cũng ngăn người dùng của bạn lạm dụng AI hoặc yêu cầu điều gì đó mà AI không biết hoặc không thể xử lý chính xác. Ví dụ: bạn muốn hạn chế người dùng của mình tạo nội dung không phù hợp trong ứng dụng AI dành cho doanh nghiệp.

Cải thiện trải nghiệm người dùng

Người dùng không phải chỉnh sửa qua mỗi sai lầm mà vẫn nhận được phản hồi mạch lạc, chính xác và có liên quan từ các công cụ AI. Tổ chức lời nhắc giúp người dùng dễ dàng có được kết quả liên quan ngay ở lời nhắc đầu tiên. Nó giúp giảm thiểu thiên kiến có thể xuất hiện từ thiên kiến sẵn có từ con người trong dữ liệu đào tạo của các mô hình ngôn ngữ lớn.

Hơn nữa, tổ chức lời nhắc tăng cường tương tác giữa người dùng và AI để AI hiểu ý định của người dùng ngay cả với đầu vào tối thiểu. Ví dụ: các yêu cầu tóm tắt một tài liệu pháp lý và một bài báo tin tức nhận được các kết quả khác nhau được điều chỉnh văn phong và giọng văn. Điều này đúng ngay cả khi cả hai người dùng chỉ nói với ứng dụng là "Tóm tắt tài liệu này".

Tăng tính linh hoạt

Mức độ trừu tượng cao hơn cải thiện các mô hình AI và cho phép các tổ chức tạo ra các công cụ linh hoạt hơn trên quy mô lớn. Một kỹ sư lời nhắc có thể tạo lời nhắc với các hướng dẫn trung lập về lĩnh vực, qua đó làm nổi bật các liên kết logic và các mẫu phong phú. Các tổ chức có thể nhanh chóng sử dụng lại các lời nhắc trên toàn doanh nghiệp để mở rộng khoản đầu tư AI của họ.

Ví dụ: để tìm kiếm cơ hội tối ưu hóa quy trình, kỹ sư lời nhắc có thể tạo các lời nhắc khác nhau để đào tạo cho mô hình AI tìm ra những điểm kém hiệu quả bằng cách sử dụng các tín hiệu phong phú thay vì dữ liệu theo ngữ cảnh cụ thể. Các lời nhắc sau đó có thể được sử dụng cho các quy trình và đơn vị kinh doanh đa dạng.

Thiết kế lời nhắc là một lĩnh vực động và không ngừng phát triển. Nó đòi hỏi cả kỹ năng ngôn ngữ lẫn cách diễn đạt sáng tạo để có thể tinh chỉnh lời nhắc và thu được phản hồi mong muốn từ các công cụ AI tạo sinh.

Dưới đây là một số ví dụ về các kỹ thuật được kỹ sư thiết kế lời nhắc sử dụng để cải thiện các tác vụ xử lý ngôn ngữ tự nhiên (NLP) trong mô hình AI.

Lời nhắc chuỗi suy nghĩ

Lời nhắc chuỗi suy nghĩ là kỹ thuật chia nhỏ một câu hỏi phức tạp thành các phần nhỏ hơn và có logic có khả năng bắt chước một dòng suy nghĩ. Điều này giúp mô hình giải quyết vấn đề theo một chuỗi các bước trung gian thay vì trả lời trực tiếp câu hỏi. Từ đó, nâng cao khả năng suy luận của mô hình.

Bạn có thể thực hiện một số lần triển khai chuỗi suy nghĩ cho các tác vụ phức tạp và chọn ra kết luận phổ biến nhất. Nếu các lần triển khai cho kết quả không đồng nhất đáng kể, có thể cần người thực tư vấn để điều chỉnh chuỗi suy nghĩ.

Ví dụ: nếu câu hỏi là "Thủ đô của Pháp là gì?", mô hình có thể thực hiện một số lần triển khai đưa ra các câu trả lời như "Paris", "Thủ đô của Pháp là Paris" và "Paris là thủ đô của Pháp". Vì tất cả các lần triển khai đều dẫn đến cùng một kết luận, "Paris" sẽ được chọn làm câu trả lời cuối cùng.

Lời nhắc cây suy nghĩ

Kỹ thuật cây suy nghĩ khái quát hóa việc tạo lời nhắc chuỗi suy nghĩ. Kỹ thuật này khuyến khích mô hình tạo ra một hoặc nhiều bước khả thi tiếp theo. Sau đó, kỹ thuật này sẽ chạy mô hình trên mỗi bước khả thi tiếp theo bằng cách sử dụng phương pháp tìm kiếm theo cây.

Ví dụ: nếu câu hỏi là "Biến đổi khí hậu có những tác động nào?", trước tiên, mô hình có thể tạo ra các bước khả thi tiếp theo như "Liệt kê các tác động môi trường" và "Liệt kê các tác động xã hội". Sau đó, kỹ thuật này sẽ giải thích chi tiết về từng bước trong các bước tiếp theo.

Lời nhắc gợi hỏi

Lời nhắc gợi hỏi tương tự như lời nhắc cây suy nghĩ. Mô hình được nhắc trả lời một câu hỏi kèm với lời giải thích. Sau đó, mô hình được nhắc lý giải các phần của lời giải thích đó. Những cây giải thích không nhất quán được lược bớt hoặc bị loại bỏ. Điều này cải thiện hiệu năng của suy luận về lẽ thường phức tạp.

Ví dụ: nếu câu hỏi là “Tại sao bầu trời có màu xanh lam?”, trước tiên mô hình có thể trả lời "Mắt người thấy bầu trời có màu xanh lam vì các sóng ánh sáng xanh lam ngắn bị tán xạ theo mọi hướng bởi các khí và hạt trong bầu khí quyển của Trái Đất". Sau đó, mô hình có thể làm rõ các phần trong lời giải thích này, chẳng hạn như lý do ánh sáng xanh lam bị tán xạ nhiều hơn các màu khác và thành phần của bầu khí quyển Trái Đất.

Lời nhắc dựa trên độ phức tạp

Kỹ thuật tổ chức lời nhắc này bao gồm việc thực hiện một số triển khai chuỗi suy nghĩ. Kỹ thuật này lựa chọn các triển khai với chuỗi suy nghĩ dài nhất, sau đó chọn kết luận thường đạt được nhất.

Ví dụ: nếu câu hỏi là một bài toán phức tạp, mô hình có thể thực hiện nhiều triển khai, mỗi triển khai bao gồm nhiều bước tính toán. Mô hình sẽ xem xét các triển khai với chuỗi suy nghĩ dài nhất, trong ví dụ này là nhiều bước tính toán nhất. Các triển khai có chung kết luận với các triển khai khác sẽ được chọn làm câu trả lời cuối cùng.

Lời nhắc tạo kiến thức

Kỹ thuật này bao gồm việc nhắc mô hình trước tiên cần tạo dữ kiện liên quan cần thiết để hoàn tất lời nhắc. Sau đó, mô hình tiến hành hoàn tất lời nhắc. Điều này thường đem lại chất lượng hoàn tất cao hơn vì mô hình được điều chỉnh dựa trên các dữ kiện liên quan.

Ví dụ: giả sử một người dùng nhắc mô hình viết một bài luận về tác động của nạn phá rừng. Trước tiên, mô hình có thể tạo các dữ kiện như "nạn phá rừng góp phần gây ra biến đổi khí hậu” và "nạn phá rừng dẫn đến mất đa dạng sinh học". Sau đó, mô hình sẽ giải thích chi tiết về các luận điểm trong bài luận.

Lời nhắc từ ít đến nhiều

Trong kỹ thuật tổ chức lời nhắc này, trước tiên mô hình được nhắc liệt kê các bài toán con của một vấn đề, sau đó giải quyết chúng theo trình tự. Cách tiếp cận này đảm bảo rằng các bài toán con sau này có thể được giải quyết với sự trợ giúp của các câu trả lời từ các bài toán con trước đó.

Ví dụ: giả sử người dùng nhắc mô hình bằng một bài toán như "Tìm x trong phương trình 2x + 3 = 11". Trước tiên, mô hình có thể liệt kê các bài toán con là "Trừ đi 3 ở cả hai vế" và "Chia cho 2". Sau đó, nó sẽ giải quyết các bài toán đó theo trình tự để có được câu trả lời cuối cùng.

Lời nhắc tự tinh chỉnh

Trong kỹ thuật này, mô hình được nhắc giải quyết vấn đề, phê bình giải pháp và sau đó giải quyết vấn đề bằng cách xem xét vấn đề, giải pháp và phê bình. Quá trình giải quyết vấn đề này lặp lại cho đến khi đạt đến một lý do được xác định trước để dừng lại. Ví dụ: có thể là quá trình này hết token hoặc thời gian hoặc mô hình có thể đưa ra token dừng.

Ví dụ: giả sử một người dùng nhắc mô hình "Viết một bài luận ngắn về văn học". Mô hình có thể phác thảo một bài luận, phê bình bài luận đó vì thiếu các ví dụ cụ thể và viết lại bài luận để đưa vào các ví dụ cụ thể. Quá trình này sẽ lặp lại cho đến khi bài luận được coi là thỏa đáng hoặc đáp ứng tiêu chí dừng.

Lời nhắc kích thích theo định hướng

Kỹ thuật tổ chức lời nhắc này bao gồm một gợi ý hoặc tín hiệu, chẳng hạn như các từ khóa mong muốn, để hướng dẫn mô hình ngôn ngữ hướng tới đầu ra mong muốn.

Ví dụ: nếu lời nhắc là viết một bài thơ về tình yêu, kỹ sư lời nhắc có thể tạo các lời nhắc chứa các từ “trái tim”, “đam mê” và “vĩnh cửu”. Mô hình có thể được nhắc rằng "Hãy viết một bài thơ về tình yêu bao gồm các từ 'trái tim’, 'đam mê' và 'vĩnh cửu'". Lời nhắc này sẽ hướng dẫn mô hình tạo một bài thơ với những từ khóa này.

Amazon Web Services (AWS) cung cấp các công cụ đa dạng và chuyên sâu để xây dựng và sử dụng AI tạo sinh. Chẳng hạn, bạn có thể sử dụng các dịch vụ sau:

• Amazon Q Developer tạo ra các gợi ý về mã, từ đoạn mã đến các hàm đầy đủ theo thời gian thực dựa trên chú thích và mã hiện có của bạn.
• Amazon Bedrock tăng tốc độ phát triển các ứng dụng AI tạo sinh bằng cách sử dụng các mô hình ngôn ngữ thông qua API mà không cần quản lý cơ sở hạ tầng.
• Amazon SageMaker JumpStart tìm hiểu, khám phá và triển khai các mô hình ngôn ngữ nguồn mở. Ví dụ: bạn có thể làm việc với các mô hình như OpenLLaMA, RedPajama, MPT-7B của MosaicML, FLAN-T5, GPT-NeoX-20B và BLOOM.

Nếu bạn muốn tạo mô hình của riêng mình, hãy sử dụng Amazon SageMaker. Dịch vụ này cung cấp cơ sở hạ tầng và công cụ được quản lý để tăng tốc các hoạt động xây dựng, đào tạo và triển khai mô hình có quy mô linh hoạt, đáng tin cậy và bảo mật.

Bắt đầu sử dụng tạo câu lệnh trên AWS bằng cách tạo tài khoản ngay hôm nay.