ABA: Đây là một phần trong Chuỗi bài viết về nền tảng lời nhắc của chúng tôi, nơi chúng tôi khám phá nhiều khuôn khổ lời nhắc khác nhau cho các nhóm và trường hợp sử dụng khác nhau, một mình hoặc kết hợp với các chuyên gia.

Đây là một đăng lại bài viết của Stig trên LinkedIn.

Giới thiệu

Trong bài viết trước của tôi “Làm chủ Kỹ thuật nhanh: Hướng dẫn so sánh chín khuôn khổ Kỹ thuật nhanh dành cho Chuyên gia công nghệ”, Tôi đã xem xét các kỹ thuật và chiến lược được sử dụng trong kỹ thuật nhanh chóng trên nhiều “Khung kỹ thuật nhanh chóng” khác nhau. Nó cung cấp một phân tích so sánh, cung cấp thông tin chi tiết về các khung này. 

Bây giờ tôi chuyển sang một khía cạnh quan trọng giúp tăng cường hơn nữa tương tác của chúng ta với AI: hướng dẫn tùy chỉnh cho ChatGPT. Bài viết này nhằm mục đích làm sáng tỏ cách hướng dẫn tùy chỉnh có thể nâng cao khả năng của AI, cung cấp tương tác hiệu quả và được điều chỉnh phù hợp hơn, và do đó đóng vai trò là sự bổ sung quan trọng cho các nguyên tắc về kỹ thuật nhanh chóng đã thảo luận trước đó. Hãy cùng tôi khám phá lĩnh vực tùy chỉnh AI tiên tiến này, nơi độ chính xác trong giao tiếp mở ra những tiềm năng mới.

Hướng dẫn được thiết kế chiến lược để phản hồi AI:

Hướng dẫn tùy chỉnh đóng vai trò quan trọng trong việc định hình đầu ra của các mô hình AI như ChatGPT. Những hướng dẫn này có thể đóng vai trò then chốt trong việc hướng dẫn AI tạo ra các phản hồi chất lượng cao. Trong ví dụ AutoExpert mà chúng ta sẽ xem xét tiếp theo, thiết kế tập trung vào việc tăng cường chiều sâu và sự tinh tế của phản hồi, giảm thiểu nhu cầu hướng dẫn cơ bản và cung cấp các liên kết có liên quan cho các hoạt động giáo dục tiếp theo.

Mã hóa vị trí và cơ chế chú ý là những thành phần quan trọng trong các mô hình AI, đặc biệt là kiến trúc máy biến áp, đã cách mạng hóa nhiều lĩnh vực như xử lý ngôn ngữ tự nhiên và thị giác máy tính. Các thành phần này đóng vai trò quan trọng trong cách các mô hình AI xử lý và phản hồi các hướng dẫn tùy chỉnh

Sức mạnh của sự chú ý

“Chú ý” trong các mô hình AI, đặc biệt là trong bối cảnh của các mạng nơ-ron như GPT (Generative Pre-trained Transformer), là một cơ chế cho phép mô hình tập trung vào các phần khác nhau của dữ liệu đầu vào khi đưa ra dự đoán hoặc tạo ra đầu ra. Khái niệm này rất quan trọng để xử lý các tác vụ liên quan đến dữ liệu tuần tự, như xử lý ngôn ngữ, trong đó mức độ liên quan của thông tin có thể thay đổi tùy thuộc vào bối cảnh.

Phép loại suy: Hiệu ứng tiệc cocktail

Một phép so sánh hay để hiểu sự chú ý trong các mô hình AI là “hiệu ứng tiệc cocktail” trong thính giác và sự chú ý của con người. Hãy tưởng tượng bạn đang ở một bữa tiệc cocktail đông đúc với nhiều người nói chuyện cùng lúc. Mặc dù môi trường ồn ào, bạn vẫn có thể tập trung thính giác vào một cuộc trò chuyện duy nhất, loại bỏ hiệu quả các giọng nói khác và tiếng ồn xung quanh. Sự chú ý có chọn lọc này cho phép bạn hiểu và phản hồi phù hợp với cuộc trò chuyện mà bạn đang tập trung vào.

Tương tự như vậy, trong các mô hình AI có cơ chế chú ý:

• Tập trung có chọn lọc: Cũng giống như bạn tập trung vào một cuộc trò chuyện cụ thể trong căn phòng ồn ào, mô hình sẽ tập trung có chọn lọc vào một số phần nhất định của dữ liệu đầu vào có liên quan hơn đến nhiệm vụ đang thực hiện. Ví dụ, khi tạo một câu, mô hình có thể chú ý nhiều hơn đến chủ ngữ của câu để đảm bảo tính nhất quán về mặt ngữ pháp.
• Nhận thức bối cảnh:Sự hiểu biết của bạn về một cuộc trò chuyện tại một bữa tiệc phụ thuộc vào cả những từ được nói ra và bối cảnh (như ai đang nói, chủ đề của cuộc trò chuyện, v.v.). Tương tự như vậy, sự chú ý trong các mô hình AI cho phép chúng cân nhắc tầm quan trọng của các phần khác nhau của dữ liệu đầu vào trong bối cảnh phù hợp của chúng.
• Điều chỉnh độngt: Khi cuộc trò chuyện tại bữa tiệc thay đổi hoặc khi bạn chuyển sang một cuộc trò chuyện khác, sự tập trung và hiểu biết của bạn sẽ điều chỉnh theo. Trong các mô hình AI, sự chú ý không phải là tĩnh; nó thay đổi động tùy thuộc vào trình tự dữ liệu đầu vào và những gì mô hình hiện đang xử lý.

Tóm lại, sự chú ý trong các mô hình AI giống như tập trung vào một cuộc trò chuyện duy nhất tại một bữa tiệc ồn ào: nó cho phép mô hình tập trung vào thông tin có liên quan nhất tại bất kỳ thời điểm nào, tính đến bối cảnh rộng hơn và điều chỉnh động khi cần. Điều này dẫn đến đầu ra chính xác hơn và phù hợp với ngữ cảnh hơn, đặc biệt là trong các tác vụ phức tạp như xử lý ngôn ngữ.

Tầm quan trọng của mã hóa vị trí

Mã hóa vị trí trong các mô hình AI, đặc biệt là trong bối cảnh của các mô hình như Transformers được sử dụng để xử lý ngôn ngữ tự nhiên, là một phương pháp để đưa thông tin về vị trí của các mã thông báo (ví dụ như từ) trong một chuỗi. Điều này rất quan trọng vì mô hình cần hiểu không chỉ các từ là gì mà còn cả thứ tự của chúng trong một câu để hiểu được ngôn ngữ.

Phép loại suy: Nốt nhạc trong một bài hát

Hãy tưởng tượng một bài hát mà trình tự các nốt nhạc đóng vai trò quan trọng đối với giai điệu và nhịp điệu của bài hát. Mỗi nốt nhạc không chỉ có âm thanh riêng (như một từ trong câu) mà còn có một vị trí cụ thể trong trình tự của bài hát (như vị trí của một từ trong câu). Nếu bạn chỉ chơi các nốt nhạc mà không xem xét thứ tự của chúng, giai điệu sẽ bị mất, tương tự như cách ý nghĩa của một câu có thể bị mất nếu thứ tự từ không được xem xét.

Trong phép loại suy này, mã hóa vị trí giống như một nhãn được gắn vào mỗi nốt nhạc để chỉ ra vị trí của nó trong bài hát. Nhãn này giúp ai đó (hoặc trong trường hợp AI, là mô hình) hiểu không chỉ nốt nhạc mà còn hiểu vị trí của nó trong chuỗi tổng thể của bài hát. Nếu không có thông tin vị trí này, tất cả các nốt nhạc (hoặc từ) sẽ có vẻ quan trọng như nhau và độc lập với nhau, khiến cho việc nhận thức giai điệu (hoặc cấu trúc câu) trở nên khó khăn.

Giống như một nhạc sĩ đọc cả nốt nhạc và vị trí của chúng để chơi một bản nhạc mạch lạc, mô hình AI sử dụng cả thông tin từ ngữ và mã hóa vị trí của chúng để hiểu và tạo ra ngôn ngữ mạch lạc.

Xử lý hướng dẫn tùy chỉnh

Khi chúng tôi cung cấp định dạng chi tiết cho các phản hồi, mô hình AI sử dụng mã hóa vị trí để hiểu thứ tự và cấu trúc của các hướng dẫn này. Đồng thời, cơ chế chú ý tập trung có chọn lọc vào các khía cạnh khác nhau của hướng dẫn (như mức độ chi tiết, yêu cầu định dạng) để tạo ra phản hồi phù hợp với sở thích đã chỉ định của chúng tôi.

Hãy thử xem

Đầu tiên tôi sẽ cung cấp một ví dụ cơ bản mà không có hướng dẫn tùy chỉnh:

Bây giờ tôi sẽ thêm một số Hướng dẫn tùy chỉnh:

Cách thiết lập Hướng dẫn tùy chỉnh với khung AutoExpert v3

Đăng nhập vào ChatGPT

Chọn nút hồ sơ ở góc dưới bên trái của màn hình để mở menu cài đặt

Chọn Hướng dẫn tùy chỉnh

Vào hộp văn bản đầu tiên, sao chép và dán văn bản sau vào phần “Giới thiệu về tôi”

# Giới thiệu về tôi - (Tôi ghi tên/tuổi/vị trí/nghề nghiệp ở đây, nhưng bạn có thể bỏ toàn bộ tiêu đề này nếu muốn.) - (đảm bảo bạn sử dụng - (dấu gạch ngang, sau đó là dấu cách) trước mỗi dòng, nhưng chỉ nên cách nhau 1-2 dòng) # Kỳ vọng của tôi đối với Trợ lý Tuân theo mong muốn của người dùng nếu họ không đồng tình với những kỳ vọng này: ## Ngôn ngữ và Giọng điệu - Sử dụng thuật ngữ CHUYÊN GIA cho ngữ cảnh nhất định - TRÁNH: văn xuôi thừa, tự tham chiếu, tuyên bố từ chối lời khuyên của chuyên gia và lời xin lỗi ## Chiều sâu và Chiều rộng của Nội dung - Trình bày sự hiểu biết toàn diện về chủ đề - Cung cấp phân tích và hướng dẫn toàn diện và sắc thái - Đối với các truy vấn phức tạp, hãy trình bày quá trình lý luận của bạn bằng các giải thích từng bước ## Chiều sâu và Chiều rộng của Nội dung - Trình bày sự hiểu biết toàn diện về chủ đề - Cung cấp phân tích và hướng dẫn toàn diện và sắc thái - Đối với các truy vấn phức tạp, hãy trình bày quá trình lý luận của bạn bằng các giải thích từng bước ## Phương pháp và cách tiếp cận - Mô phỏng quá trình tự vấn của Socratic và lý thuyết về tâm trí khi cần - Không lược bỏ hoặc cắt bớt mã trong các mẫu mã ## Định dạng đầu ra - Chỉ sử dụng markdown, biểu tượng cảm xúc, Unicode, danh sách và thụt lề, tiêu đề và bảng để tăng cường tính tổ chức, khả năng đọc và hiểu - QUAN TRỌNG: Nhúng tất cả SIÊU LIÊN KẾT trực tuyến dưới dạng liên kết tìm kiếm của Google {biểu tượng cảm xúc liên quan đến thuật ngữ} văn bản ngắn - Đặc biệt thêm SIÊU LIÊN KẾT vào các thực thể như bài báo, bài viết, sách, tổ chức, con người, trích dẫn pháp lý, thuật ngữ kỹ thuật và tiêu chuẩn ngành bằng cách sử dụng Google Tìm kiếm 

Vào hộp văn bản thứ hai, sao chép và dán văn bản sau 

VERBOSITY: Tôi có thể sử dụng V=[0-5] để thiết lập chi tiết phản hồi: - V=0 một dòng - V=1 súc tích - V=2 ngắn gọn - V=3 bình thường - V=4 chi tiết với ví dụ - V=5 toàn diện, với độ dài, chi tiết và sắc thái càng nhiều càng tốt 1. Bắt đầu phản hồi bằng: |Thuộc tính|Mô tả| |--:|:--| |Lĩnh vực > Chuyên gia|{LĨNH VỰC học thuật hoặc nghiên cứu rộng mà câu hỏi thuộc về} > {trong LĨNH VỰC, vai trò CHUYÊN GIA cụ thể có liên quan chặt chẽ nhất với ngữ cảnh hoặc sắc thái của câu hỏi}| |Từ khóa|{Danh sách CSV gồm 6 chủ đề, thuật ngữ kỹ thuật hoặc thuật ngữ chuyên ngành có liên quan chặt chẽ nhất với LĨNH VỰC, CHUYÊN GIA}| |Mục tiêu|{mô tả định tính về mục tiêu trợ lý hiện tại và VERBOSITY}| |Giả định|{giả định của trợ lý về câu hỏi, ý định và ngữ cảnh của người dùng}| |Phương pháp|{bất kỳ trợ lý phương pháp cụ thể nào sẽ kết hợp}| 2. Trả lời phản hồi của bạn và nhớ kết hợp: - Quy tắc trợ lý và Định dạng đầu ra - nhúng, SIÊU LIÊN KẾT nội tuyến dưới dạng liên kết tìm kiếm của Google {nhiều biểu tượng cảm xúc liên quan đến các thuật ngữ} văn bản để liên kết khi cần - lý luận từng bước nếu cần 3. Kết thúc phản hồi bằng: > Xem thêm: [2-3 tìm kiếm liên quan] > {nhiều biểu tượng cảm xúc liên quan đến các thuật ngữ} văn bản để liên kết > Bạn cũng có thể thích: [2-3 chủ đề liên quan không liên quan, khác thường hoặc thú vị] > {nhiều biểu tượng cảm xúc liên quan đến các thuật ngữ} [văn bản để liên kết](https://www.google.com/search?q=expanded+search+terms)

Ý tưởng cho hướng dẫn tùy chỉnh ở trên là từ reddit và bài đăng gốc cho v3 có thể được tìm thấy tại đây (spdustin)

Cũng có sẵn trong một phiên bản mới hơn phiên bản v5 

Nếu bây giờ tôi đặt đầu ra thành V=2 (ngắn gọn) và đưa ra cùng đầu vào như trước, tôi sẽ nhận được kết quả sau

Nếu tôi muốn câu trả lời toàn diện hơn, tôi đặt V=5 (toàn diện)

Nếu tôi muốn thay đổi đầu ra xa hơn, tôi có thể thêm một số thông tin khác. Tất cả các ví dụ mã trên đều bằng python, nhưng tôi muốn java làm mặc định, vì vậy tôi chỉ cần thêm thông tin sau vào phần Phương pháp và Cách tiếp cận ##

- mã bằng Java và tôi thích mã tuân theo nguyên tắc Kiến trúc hướng sự kiện và SOLID.

Chạy cùng một đầu vào:

Và bây giờ đầu ra là Java.

Có vô vàn khả năng, hãy thử và trải nghiệm nhé.

Các ví dụ trên sử dụng hướng dẫn từ khung AutoExpert v3, nhưng bạn không nhất thiết phải sử dụng chúng. 

Bạn có thể đưa ra bất kỳ ý kiến nào bạn muốn.

Một số ý tưởng khác cho Hướng dẫn tùy chỉnh có thể được tìm thấy ở đây (không phải bài viết của tôi)

Phần kết luận

Việc khám phá các hướng dẫn tùy chỉnh cho AI, đặc biệt là trong bối cảnh ChatGPT, như được trình bày chi tiết trong bài viết này, đánh dấu một bước tiến đáng kể trong lĩnh vực tương tác AI và trải nghiệm người dùng. Bằng cách tích hợp các hướng dẫn tùy chỉnh chiến lược, chúng tôi mở khóa tiềm năng cho các tương tác cá nhân hóa, hiệu quả và nhận thức ngữ cảnh hơn với các hệ thống AI.

Những hiểu biết sâu sắc chính từ bài viết cho thấy cơ chế chú ý và mã hóa vị trí trong các mô hình AI, chẳng hạn như ChatGPT, đóng vai trò quan trọng trong việc xử lý các hướng dẫn này. Khả năng này cho phép đạt được mức độ phản hồi và tính cụ thể trước đây không thể đạt được, nâng cao khả năng kiểm soát của người dùng đối với các tương tác AI.

Hơn nữa, việc áp dụng thực tế các khái niệm này thông qua khuôn khổ AutoExpert v3 chứng minh tính ứng dụng thực tế và lợi ích của các hướng dẫn tùy chỉnh. 

Về bản chất, bài viết này nêu bật sức mạnh biến đổi của các hướng dẫn tùy chỉnh trong AI, cung cấp một cánh cổng đến những trải nghiệm AI sắc thái và được điều chỉnh nhiều hơn. Khi chúng ta tiếp tục đổi mới và mở rộng ranh giới của công nghệ AI, vai trò của các hướng dẫn tùy chỉnh chắc chắn sẽ ngày càng trở nên quan trọng trong việc định hình tương lai của tương tác AI-người dùng.

Về tác giả

Gặp gỡ Stig Korsholm, một người đam mê công nghệ và là người yêu thích AI, người thích khám phá những xu hướng và cải tiến mới nhất trong thế giới trí tuệ nhân tạo. Stig hiện là Kiến trúc sư miền chính tại Bankdata với kinh nghiệm sâu rộng về công nghệ trong lĩnh vực tài chính và ngân hàng.

Với tư cách là tác giả khách mời, Stig chia sẻ những hiểu biết và kinh nghiệm độc đáo của mình, giúp mọi người dễ tiếp cận và thu hút các chủ đề phức tạp. Với khả năng kết hợp công nghệ với các ứng dụng thực tế, anh ấy đam mê giúp các doanh nghiệp khai thác sức mạnh của AI để thúc đẩy thành công.

Khi không viết hoặc khám phá công nghệ mới, bạn có thể thấy anh ấy đang giao lưu với những người sáng tạo khác và chia sẻ những ý tưởng truyền cảm hứng.

Kết nối với anh ấy trên LinkedIn → đây!