Η απλή υποβολή μιας γενικής ερώτησης σε ένα εργαλείο τεχνητής νοημοσύνης συχνά δεν επαρκεί για να παραχθεί το επιθυμητό αποτέλεσμα. Ο Jordan Wilson, ιδρυτής του podcast Everyday AI και καθηγητής Τεχνητής Νοημοσύνης στο DePaul University, προτείνει τη συγκεκριμένη τριφασική προσέγγιση ως έναν αποτελεσματικό τρόπο βελτίωσης της απόδοσης των LLMs.

Priming – Η σωστή προετοιμασία του μοντέλου

Το αρχικό μήνυμα προς το AI δεν θα πρέπει να στοχεύει άμεσα σε απάντηση. Αντίθετα, είναι προτιμότερο να περιγράφεται το γενικό πλαίσιο και ο στόχος του έργου, παρέχοντας στο μοντέλο κρίσιμες πληροφορίες για το αντικείμενο και τον επιθυμητό τρόπο παρουσίασης. Στο τέλος, καλό είναι να ζητείται από το μοντέλο να επιβεβαιώσει αν χρειάζεται επιπλέον στοιχεία πριν ξεκινήσει.

Prompting – Η διαμόρφωση του αιτήματος

Αφού προηγηθεί η προετοιμασία, ακολουθεί η σύνταξη ενός σαφούς και αναλυτικού prompt. Όπως επισημαίνει η Denise Turley, εκπαιδεύτρια στην ίδια πλατφόρμα, ένα αποτελεσματικό prompt θα πρέπει να περιλαμβάνει συγκεκριμένα στοιχεία: το πλαίσιο, το ύφος, το κοινό στο οποίο απευθύνεται, την πλατφόρμα και τις ζητούμενες επιλογές.

Ενδεικτικό παράδειγμα:
«Δώσε πέντε διαφορετικές εκδοχές slogan για καμπάνιες σε Twitter, Instagram και LinkedIn, σε μορφή bullets, με call to action που παραπέμπει στην ιστοσελίδα μου.»

Polishing – Η τελική βελτίωση

Το τελευταίο στάδιο αφορά την παροχή ανατροφοδότησης στο μοντέλο. Ο χρήστης καλείται να εξηγήσει τι τον ικανοποίησε, τι όχι και ποιες αλλαγές επιθυμεί. Όσο πιο συγκεκριμένες και τεκμηριωμένες είναι οι παρατηρήσεις, τόσο πιο βελτιωμένο και προσαρμοσμένο στο ζητούμενο θα είναι το τελικό αποτέλεσμα που θα παραχθεί από το AI.

Πηγή: cnbc.com