พรอมท์ เอ็นจิเนียริ่ง คืออะไร? คู่มือที่ครอบคลุมสำหรับ AI

บทนำ

หัวใจหลักของวิศวกรรมที่รวดเร็วคือศิลปะแห่งการเล่นแร่แปรธาตุการสนทนาด้วย AI เป็นที่ที่การประดิษฐ์คำถามหรือคำแนะนำอย่างพิถีพิถันเข้ากับโลกแห่งโมเดล AI เชิงสร้างสรรค์ โดยเปลี่ยนคำถามพื้นฐานให้เป็นคำตอบที่ตรงเป้าหมาย เฉพาะเจาะจง และมีประโยชน์อย่างเหลือเชื่อ คิดว่านี่เป็นสะพานภาษาที่เชื่อมโยงความตั้งใจของมนุษย์กับความสามารถของ AI ระเบียบวินัยเชิงกลยุทธ์นี้ไม่ใช่แค่การถามคำถามเท่านั้น มันเกี่ยวกับการถาม ขวา คำถามใน ขวา วิธีที่จะได้รับ มีประสิทธิภาพมากที่สุด คำตอบ

วิศวกรรมที่รวดเร็วนั้นมาจากสาขาการประมวลผลภาษาธรรมชาติ (NLP) โดยมีเป้าหมายเพื่อค้นหาคำหรือวลีวิเศษที่กระตุ้นการตอบสนองที่ต้องการมากที่สุดจาก AI เหมือนกับการรู้วิธีที่ถูกต้องในการถูตะเกียงวิเศษ ในกรณีนี้ หลอดไฟนั้นเป็น AI ขั้นสูงอย่าง DALL-E ซึ่งได้รับการตั้งโปรแกรมให้สร้างภาพใดๆ ก็ตามที่คุณฝันถึงได้ แต่ไม่ใช่แค่เรื่องรูปภาพเท่านั้น ไม่ว่าจะเป็นข้อความเป็นข้อความ ข้อความเป็นรูปภาพ หรือแม้แต่ข้อความเป็นเสียง งานฝีมือของวิศวกรรมที่รวดเร็วนั้นเกี่ยวข้องกับการปรับแต่ง การปรับแต่ง และเพิ่มประสิทธิภาพอินพุตเพื่อให้ได้ผลลัพธ์ที่ไม่เพียงแต่แม่นยำ แต่ยังสอดคล้องอย่างใกล้ชิดกับของเรา ความต้องการที่ซับซ้อนของมนุษย์และเป้าหมายทางธุรกิจ

พรอมต์ เอ็นจิเนียริ่ง คืออะไร?

วิศวกรรมพร้อมท์นั้นคล้ายกับการมีรหัสโกงในวิดีโอเกม แต่สำหรับการโต้ตอบกับ AI เป็นเรื่องเกี่ยวกับการสร้างพร้อมท์ (คิดคำสั่งหรือคำถาม) ด้วยความแม่นยำและความชัดเจนที่ AI ไม่เพียงแต่เข้าใจ แต่ยังให้การตอบสนองที่แทบจะตะลึง นี่คือจุดที่วิศวกรพร้อมท์มืออาชีพใช้เวลาทั้งวันไปกับการทดลอง วิเคราะห์ และค้นหาว่าอะไรทำให้ AI สอดคล้องกับเจตนาของมนุษย์ แต่เดี๋ยวก่อน มันไม่ใช่สโมสรพิเศษ! ใครก็ตามที่เคยขอให้ Siri ตั้งปลุกหรือใช้ Google Assistant เพื่อค้นหาสูตรอาหาร โดยพื้นฐานแล้วได้ฝึกฝนวิศวกรรมที่รวดเร็วมาบ้างแล้ว

ในขอบเขตของโมเดล AI เช่น โมเดลภาษาขนาดใหญ่หรือโมเดลข้อความเป็นรูปภาพ วิศวกรรมพร้อมท์อาจมีตั้งแต่คำถามง่ายๆ เช่น "ทฤษฎีบทเล็กของแฟร์มาต์คืออะไร" ไปจนถึงคำสั่งที่สร้างสรรค์ เช่น “เขียนบทกวีเกี่ยวกับใบไม้ในฤดูใบไม้ร่วง” เป็นเรื่องเกี่ยวกับการใช้ถ้อยคำ การระบุสไตล์ บริบท หรือแม้แต่การกำหนดบทบาทให้กับ AI เคยเห็นการเรียนรู้ภาษาเหล่านั้นเมื่อคุณเติมลำดับคำให้สมบูรณ์หรือไม่? นั่นเป็นการดำเนินการด้านวิศวกรรมที่รวดเร็ว โดยใช้เทคนิคต่างๆ เช่น การเรียนรู้แบบไม่กี่ขั้นตอนเพื่อสอน AI ผ่านตัวอย่าง

ความแตกต่างระหว่างการแจ้งเตือนที่ดีและไม่ดีอาจเป็นได้ทั้งกลางวันและกลางคืนในแง่ของคุณภาพของการตอบสนองของ AI ข้อความแจ้งที่จัดทำมาอย่างดีสามารถนำไปสู่คำตอบที่รวดเร็ว แม่นยำ และเกี่ยวข้อง ในขณะที่ข้อความที่จัดทำไม่ดีอาจส่งผลให้เกิดคำตอบที่คลุมเครือ ผิดเป้าหมาย หรือแม้แต่ไร้สาระ ความแตกต่างนี้มีความสำคัญอย่างยิ่งในการตั้งค่าแบบมืออาชีพ โดยที่ประสิทธิภาพ ความเร็ว และความแม่นยำเป็นสิ่งสำคัญที่สุด

ประโยชน์ของพร้อมท์วิศวกรรม

การกระตุ้นเตือนที่มีประสิทธิภาพไม่ใช่แค่การได้คำตอบที่ถูกต้องเท่านั้น แต่ยังเกี่ยวกับการไปถึงจุดนั้นให้เร็วขึ้นอีกด้วย ในบริบททางธุรกิจ ซึ่งเวลาคือเงิน วิศวกรรมที่พร้อมท์สามารถลดเวลาที่ใช้ในการดึงข้อมูลที่เป็นประโยชน์จากโมเดล AI ได้อย่างมาก ประสิทธิภาพนี้เป็นตัวเปลี่ยนเกมสำหรับบริษัทที่รวม AI เข้ากับแอปพลิเคชันที่ต้องคำนึงถึงเวลา

ยิ่งไปกว่านั้น วิศวกรรมที่รวดเร็วไม่ใช่การหลอกลวงเพียงครั้งเดียว ข้อความแจ้งที่คิดมาอย่างดีเพียงข้อความเดียวสามารถนำไปใช้ได้หลากหลาย ปรับเปลี่ยนได้ในสถานการณ์ต่างๆ ช่วยเพิ่มความสามารถในการปรับขนาดของโมเดล AI ความสามารถในการปรับตัวนี้ถือเป็นสิ่งสำคัญสำหรับธุรกิจที่ต้องการขยายขีดความสามารถด้าน AI โดยไม่ต้องคิดค้นระบบใหม่สำหรับแอปพลิเคชันใหม่แต่ละรายการ

สุดท้ายแต่ไม่ท้ายสุด การปรับแต่งคือจุดที่วิศวกรรมที่รวดเร็วโดดเด่นอย่างแท้จริง ด้วยการปรับแต่งการตอบสนองของ AI ให้ตรงกับความต้องการทางธุรกิจเฉพาะหรือความชอบของผู้ใช้ วิศวกรรมที่รวดเร็วจะมอบประสบการณ์เฉพาะตัวที่ไม่เหมือนใคร การปรับแต่งนี้มีคุณค่าอย่างยิ่งสำหรับองค์กรที่ต้องการจัดเอาต์พุต AI ให้สอดคล้องกับวัตถุประสงค์ทางธุรกิจที่ชัดเจน

เราพร้อมที่จะเจาะลึกเข้าไปในโลกแห่งวิศวกรรมอันน่าทึ่งอันน่าทึ่งนี้แล้วหรือยัง? เรามาสำรวจว่าเทคนิคนี้ปรับเปลี่ยนรูปแบบการโต้ตอบของเรากับ AI อย่างไร ทำให้มีประสิทธิภาพมากขึ้น ประสิทธิผล และปรับให้เหมาะกับความต้องการของเรา

เรื่องราวของสองการแจ้งเตือน: กรณีของ Chatbot อีคอมเมิร์ซ

ลองนึกภาพคุณกำลังดำเนินธุรกิจอีคอมเมิร์ซที่เชี่ยวชาญด้านอุปกรณ์กลางแจ้ง คุณได้ตัดสินใจที่จะรวมแชทบอท AI เจนเนอเรชั่นเพื่อช่วยลูกค้าในการค้นหาผลิตภัณฑ์บนเว็บไซต์ของคุณ สถานการณ์นี้แสดงให้เห็นอย่างสมบูรณ์แบบถึงความสำคัญของพร้อมท์ที่มีโครงสร้างดีและสร้างขึ้นไม่ดีในวิศวกรรมพร้อมท์

สถานการณ์ที่ 1: พรอมต์ที่เข้าใจผิด

สมมติว่าแชทบอตถูกตั้งโปรแกรมด้วยพรอมต์ที่ออกแบบมาไม่ดี ลูกค้าถามว่า “ฉันจะอบอุ่นได้อย่างไรขณะตั้งแคมป์” ในตอนนี้ ข้อความแจ้งเตือนที่ออกแบบมาอย่างดีควรทำให้แชทบอตแนะนำผลิตภัณฑ์ต่างๆ เช่น ถุงนอนหุ้มฉนวน เครื่องทำความร้อนแบบพกพา หรือชุดระบายความร้อน อย่างไรก็ตาม เนื่องจากลักษณะของการแจ้งเตือนที่คลุมเครือและผิดทิศทาง AI อาจตีความว่า "อยู่อย่างอบอุ่น" ในความหมายทั่วไปมากกว่า ด้วยเหตุนี้ แชทบอตจึงตอบสนองด้วยเคล็ดลับทั่วไปในการรักษาความอบอุ่น เช่น เดินไปรอบๆ หรือดื่มเครื่องดื่มร้อน ซึ่งไม่ได้ตอบสนองความต้องการของลูกค้าในการค้นหาผลิตภัณฑ์ที่เกี่ยวข้องบนเว็บไซต์ของคุณ

นี่เป็นตัวอย่างคลาสสิกของข้อความแจ้งที่ผิดพลาด ไม่เพียงแต่ล้มเหลวในการตอบสนองความต้องการเฉพาะของลูกค้าเท่านั้น แต่ยังพลาดโอกาสในการแนะนำพวกเขาไปสู่การซื้อที่มีศักยภาพอีกด้วย

สถานการณ์ที่ 2: พร้อมท์ทันที

ทีนี้ลองพลิกสคริปต์แล้วลองจินตนาการว่าพรอมต์นั้นได้รับการออกแบบมาอย่างดี ลูกค้ารายเดียวกันถามคำถามเดียวกัน แต่คราวนี้ AI ได้รับคำแนะนำจากการปรับแต่งอย่างละเอียดทันทีเพื่อตีความและตอบคำถามที่เกี่ยวข้องกับผลิตภัณฑ์ เมื่อเข้าใจบริบทและการตั้งค่าอีคอมเมิร์ซ แชทบอตจะตอบกลับพร้อมคำแนะนำสำหรับอุปกรณ์ตั้งแคมป์หุ้มฉนวนความร้อนคุณภาพสูงที่มีอยู่บนไซต์ของคุณ และอาจเชื่อมโยงไปยังหน้าผลิตภัณฑ์เฉพาะด้วย

การตอบสนองนี้ตอบสนองความต้องการของลูกค้าโดยตรง ปรับปรุงประสบการณ์การช้อปปิ้ง และเพิ่มโอกาสในการขาย โดยแสดงให้เห็นว่าข้อความแจ้งที่จัดทำขึ้นอย่างดีสามารถนำไปสู่การโต้ตอบที่มีประสิทธิภาพ เกี่ยวข้อง และมีประสิทธิผล ซึ่งเป็นประโยชน์ต่อทั้งลูกค้าและธุรกิจของคุณได้อย่างไร

การปรับบริบทของสถานการณ์:

ลองนึกภาพคุณกำลังเปิดร้านขายอุปกรณ์อิเล็กทรอนิกส์ออนไลน์ ลูกค้าส่งข้อความว่า “ฉันได้รับหูฟังผิดรุ่น ฉันขอสิ่งที่ถูกต้องส่งมาให้ฉันได้ไหม” นี่เป็นสถานการณ์ทั่วไปที่วิศวกรรมที่พร้อมท์สามารถเป็นตัวเปลี่ยนเกมสำหรับแผนกความพึงพอใจของลูกค้าได้

การสร้างพรอมต์

ขั้นแรก เราต้องกำหนดขั้นตอนสำหรับโมเดล AI ของเรา เราบอกว่า “นี่คือการสนทนาระหว่างลูกค้าที่สับสนกับตัวแทนฝ่ายบริการลูกค้าที่มุ่งเน้นการแก้ปัญหาและตอบสนอง” จากนั้นเราจะนำเสนอคำถามของลูกค้าตามที่เป็นอยู่ สิ่งนี้จะกำหนดบริบทที่ชัดเจนสำหรับ AI เกี่ยวกับธรรมชาติของการโต้ตอบและบทบาทที่ต้องการ

ตอนนี้ เรามาแนะนำ AI เกี่ยวกับวิธีการเริ่มต้นการตอบสนองกันดีกว่า เราอาจพูดว่า “คำตอบจากตัวแทนฝ่ายบริการลูกค้า: สวัสดี ขอขอบคุณที่ติดต่อเราเกี่ยวกับคำสั่งซื้อของคุณ เราเสียใจจริงๆ สำหรับความสับสน ใช่ เราทำได้” ซึ่งบ่งชี้ว่าคำตอบควรรับทราบปัญหา แสดงความเห็นอกเห็นใจ และมุ่งสู่การแก้ไขปัญหาเชิงบวก

การตอบสนองของโมเดล

เมื่อป้อนข้อความแจ้งนี้ลงในโมเดล AI ที่ได้รับการปรับแต่งมาอย่างดี คุณอาจได้รับคำตอบดังนี้:

• “ใช่ เราสามารถช่วยในเรื่องนั้นได้อย่างแน่นอน คุณช่วยยืนยันหมายเลขคำสั่งซื้อของคุณได้ไหม เพื่อที่เราจะได้จัดส่งหูฟังที่ถูกต้องไปให้คุณ”
• “ใช่ เราสามารถจัดการเรื่องนี้ให้กับคุณได้ เราจะจัดส่งรุ่นที่ถูกต้องให้กับคุณทันที และนี่คือป้ายชำระเงินล่วงหน้าสำหรับการส่งคืนสินค้าที่ไม่ถูกต้อง”

พลังแห่งคำแนะนำที่สร้างมาอย่างดี

ตัวอย่างนี้แสดงให้เห็นถึงพลังแห่งความแม่นยำในด้านวิศวกรรมที่รวดเร็ว ด้วยการกำหนดบทบาท บริบท และผลลัพธ์ที่ต้องการอย่างชัดเจน AI สามารถสร้างคำตอบที่ไม่เพียงแต่เกี่ยวข้องและเป็นประโยชน์ แต่ยังสอดคล้องกับมาตรฐานการบริการลูกค้าของบริษัทของคุณอีกด้วย

นอกจากนี้ แนวทางนี้ยังสามารถปรับแต่งได้อย่างละเอียดตามนโยบายของบริษัทและรูปแบบการโต้ตอบกับลูกค้า ด้วยการปรับปรุงเพิ่มเติม การตอบสนองที่สร้างโดย AI เหล่านี้จะสอดคล้องกับเสียงของแบรนด์และการบริการลูกค้ามากยิ่งขึ้น

พรอมต์คืออะไร

การแจ้งเตือนในขอบเขตของ AI นั้นคล้ายคลึงกับพิมพ์เขียว: แม่นยำ ให้คำแนะนำ และมีทิศทาง พวกเขาทำหน้าที่เป็นสะพานเชื่อมระหว่างความตั้งใจของมนุษย์กับการดำเนินการของ AI โดยแปลความปรารถนาและคำถามของเราให้เป็นงานที่โมเดล AI สามารถเข้าใจและดำเนินการได้

ที่ง่ายที่สุด ข้อความแจ้งคือคำสั่งหรือคำถามที่ส่งตรงไปยังโมเดล AI แต่มีอะไรมากกว่าที่ตาเห็น ข้อความแจ้งเป็นสูตรลับที่กำหนดว่าโมเดล AI สามารถตอบสนองวัตถุประสงค์ได้อย่างมีประสิทธิภาพเพียงใด ไม่ว่าจะเป็นการตอบคำถาม การสร้างข้อความ หรือแม้แต่การสร้างรูปภาพ

คำแนะนำ: หัวใจสำคัญของพรอมต์

คำสั่งคือหัวใจของการแจ้งเตือน มันบอก AI อย่างชัดเจนถึงสิ่งที่เราคาดหวัง เช่น “สรุปผลการวิจัยหลักในรายงานที่แนบมาด้วย” ในที่นี้ คำสั่งมีความชัดเจน ตรงประเด็น และไม่มีช่องว่างให้คลุมเครือ

บริบท: การตั้งค่าเวที

บริบทคือฉากหลังที่ AI ปฏิบัติงาน โดยกำหนดกรอบการตอบสนองของ AI เพื่อให้มั่นใจว่ามีความเกี่ยวข้องและสอดคล้องกับสถานการณ์ปัจจุบัน ตัวอย่างเช่น การเพิ่ม "การพิจารณางานวิจัยล่าสุดเกี่ยวกับการเปลี่ยนแปลงสภาพภูมิอากาศ" ลงในคำสั่งของเราทำให้งานของ AI อยู่ในขอบเขตที่เฉพาะเจาะจง และทำให้การมุ่งเน้นมีความคมชัดมากขึ้น

ข้อมูลอินพุต: เชื้อเพลิงสำหรับ AI

ข้อมูลอินพุตเป็นวัตถุดิบที่ AI ใช้งานได้ ในตัวอย่างของเรา มันคือ “รายงานที่แนบมา” องค์ประกอบนี้มีความสำคัญเนื่องจากมีเนื้อหาเฉพาะที่ AI จำเป็นต้องประมวลผลและตอบสนอง

ตัวบ่งชี้ผลลัพธ์: การกำหนดรูปแบบการตอบสนอง

ตัวบ่งชี้เอาต์พุตจะกำหนดรูปแบบหรือสไตล์ของการตอบสนองของ AI ในกรณีของเรา “นำเสนอบทสรุปของคุณในรูปแบบนักข่าว” จะสั่งให้ AI ปรับใช้โทนเสียงและรูปแบบเฉพาะ เพื่อให้มั่นใจว่าผลลัพธ์จะตรงตามความต้องการด้านโวหารของเรา

แนวคิดทางเทคนิคที่คุณควรรู้เกี่ยวกับพร้อมท์วิศวกรรม

วิศวกรรมที่รวดเร็วนั้นก็เหมือนกับการเป็นเชฟสอนภาษา ไม่ใช่แค่การผสมส่วนผสมเท่านั้น แต่เป็นการสร้างสรรค์สูตรอาหารที่ดึงเอารสชาติที่ดีที่สุดออกมา เพื่อให้ถูกต้อง คุณจำเป็นต้องเข้าใจแนวคิดทางเทคนิคหลักบางประการ เรามาเจาะลึกถึงส่วนผสมพื้นฐานเหล่านี้ของวิศวกรรมที่รวดเร็วกันดีกว่า

การประมวลผลภาษาธรรมชาติ (NLP)

หัวใจสำคัญของวิศวกรรมที่รวดเร็วอยู่ที่การประมวลผลภาษาธรรมชาติ (NLP) ลองนึกภาพ NLP ในฐานะโรงเรียนสอนภาษาของ AI ซึ่งเครื่องจักรเรียนรู้ไม่เพียงแต่เพื่อ 'ได้ยิน' ภาษามนุษย์ แต่ยังเพื่อทำความเข้าใจและตอบสนองต่อภาษานั้นตามบริบท เป็นสาขาเฉพาะทางภายใน AI ที่เปลี่ยนภาษาให้เป็นรูปแบบที่คอมพิวเตอร์สามารถแยกแยะและทำความเข้าใจได้ หากไม่มี NLP เพื่อน AI ของเราคงจะสูญเสียการแปลไปมาก!

โมเดลภาษาขนาดใหญ่ (LLM)

ถัดไปคือโมเดลภาษาขนาดใหญ่ (LLM) สิ่งเหล่านี้คือตัวช่วยสำคัญของโลกภาษา AI ซึ่งได้รับการฝึกฝนเกี่ยวกับชุดข้อมูลขนาดใหญ่เพื่อทำนายลำดับคำ พวกเขาเป็นเหมือนนักประพันธ์ในขอบเขต AI ที่พยายามค้นหาคำถัดไปในประโยคตามสิ่งที่พูดไปก่อนหน้านี้ LLM มีบทบาทสำคัญในการเข้าใจบริบทและสร้างข้อความที่สมเหตุสมผลและมีความเกี่ยวข้อง

หม้อแปลง

Transformers ไม่ใช่หุ่นยนต์ปลอมตัว แต่เป็นเครื่องยนต์ที่ขับเคลื่อน LLM จำนวนมาก รวมถึงซีรีส์ GPT อันโด่งดังด้วย เหล่านี้เป็นโครงข่ายประสาทเชิงลึกประเภทพิเศษที่ปรับให้เหมาะกับภาษา ลองนึกภาพพวกมันเป็นเลนส์โฟกัสของ AI ช่วยให้มันมุ่งความสนใจไปที่ส่วนต่างๆ ของประโยคเพื่อทำความเข้าใจว่าคำต่างๆ เกี่ยวข้องกันอย่างไร กลไกความสนใจของหม้อแปลงไฟฟ้าเป็นเหมือนสปอตไลต์ เน้นย้ำถึงสิ่งสำคัญในคำพูด

พารามิเตอร์

พารามิเตอร์คือปุ่มหมุนและปุ่มหมุนของโมเดล AI ที่ได้รับการปรับแต่งอย่างละเอียดระหว่างการฝึก แม้ว่าวิศวกรพร้อมท์จะไม่ปรับแต่งสิ่งเหล่านี้โดยตรง แต่การรู้เกี่ยวกับสิ่งเหล่านั้นจะช่วยให้เข้าใจว่าเหตุใดโมเดล AI อาจตอบสนองต่อการแจ้งเตือนของคุณในลักษณะใดลักษณะหนึ่ง เป็นกฎพื้นฐานที่เป็นแนวทางในเกมภาษาของ AI

ราชสกุล

โทเค็นเป็นเหมือนขนมปังและเนยของโมเดลภาษา AI ซึ่งเป็นหน่วยข้อความที่โมเดลอ่านและทำความเข้าใจ คิดว่าโทเค็นเป็นส่วนผสมแต่ละอย่างในสูตรภาษาของคุณ อาจมีตั้งแต่ตัวอักษรตัวเดียว เช่น 'a' ไปจนถึงทั้งคำ เช่น 'apple' เมื่อสร้างการแจ้งเตือน สิ่งสำคัญคือต้องรู้ว่า LLM สามารถจัดการโทเค็นได้จำนวนหนึ่งเท่านั้น ซึ่งมีขนาดเท่ากับชามผสมของคุณ

หลายรูปแบบ

ในที่สุดก็มีความหลากหลาย นี่คือจุดที่โมเดล AI มีความหลากหลายเป็นพิเศษ โดยไม่เพียงแต่จัดการกับข้อความเท่านั้น แต่ยังรวมถึงรูปภาพ เสียง หรือแม้แต่โค้ดด้วย ในงานวิศวกรรมพร้อมท์ หมายความว่าคุณสามารถสร้างพร้อมต์ที่สร้างเอาต์พุตทั้งหมดได้ ขึ้นอยู่กับว่าโมเดล AI ทำอะไรได้บ้าง เหมือนมีห้องครัวที่คุณสามารถทำอะไรก็ได้ตั้งแต่เค้กไปจนถึงหม้อปรุงอาหาร!

ด้วยแนวคิดเหล่านี้ ตอนนี้คุณก็พร้อมที่จะดำดิ่งสู่โลกแห่งวิศวกรรมที่รวดเร็วยิ่งขึ้น การทำความเข้าใจด้านเทคนิคเหล่านี้ก็เหมือนกับการมีเครื่องมือในครัวที่เหมาะสม สิ่งเหล่านี้จะทำให้คุณมีประสิทธิภาพและประสิทธิผลมากขึ้นในการสร้างการแจ้งเตือน AI ที่สมบูรณ์แบบเหล่านั้น

ตุ้มน้ำหนักในวิศวกรรมพร้อมท์

ในด้านวิศวกรรมที่รวดเร็ว แนวคิดเรื่อง "น้ำหนัก" มีบทบาทสำคัญในการกำหนดทิศทางของโมเดล AI และมีอิทธิพลต่อประเภทของการตอบสนองหรือเนื้อหาที่สร้างขึ้น คิดว่าตุ้มน้ำหนักเป็นสปอตไลต์ โดยส่องแสงสว่างขึ้นในบางส่วนของการแจ้งเตือนเพื่อให้โดดเด่นยิ่งขึ้นใน 'จิตใจ' ของ AI

น้ำหนักมีอิทธิพลต่อการตอบสนองของ AI อย่างไร

น้ำหนักในข้อความแจ้งไม่ใช่คุณสมบัติที่เหมือนกันในโมเดล AI ทั้งหมด แต่มักพบเห็นได้ในแพลตฟอร์มที่มีระดับของการปรับแต่งในข้อความแจ้ง น้ำหนักเหล่านี้สามารถนำมาใช้ผ่านไวยากรณ์หรือสัญลักษณ์พิเศษ ซึ่งระบุว่าคำหรือองค์ประกอบใดในพรอมต์ควรให้ความสำคัญมากกว่า

การถ่วงน้ำหนักในบริบทที่ต่างกัน

แม้ว่าจะมีการกล่าวถึงการถ่วงน้ำหนักบ่อยครั้งในงานสร้างภาพ (เช่น DALL-E หรือ Midjourney) ซึ่งการปรับแต่งเล็กน้อยสามารถนำไปสู่ผลลัพธ์ที่แตกต่างกันอย่างมากมาย แนวคิดนี้สามารถใช้ได้กับโมเดลกำเนิดอื่นๆ อย่างเท่าเทียมกัน เช่น การจัดการกับข้อความหรือโค้ด

ตัวอย่างการปฏิบัติของการถ่วงน้ำหนัก

ลองพิจารณาตัวอย่างสมมุติเหล่านี้เพื่อทำความเข้าใจว่าน้ำหนักเปลี่ยนแปลงผลลัพธ์อย่างไร:

1. การสร้างภาพด้วยการเดินทางช่วงกลาง:ในข้อความแจ้งแรก AI อาจสร้างภาพที่ทั้งมหาสมุทรและพระอาทิตย์ตกมีความเท่าเทียมกัน อย่างไรก็ตาม การเพิ่มน้ำหนัก “::” ถัดจาก “มหาสมุทร” จะทำให้โฟกัสของ AI เปลี่ยนไป และอาจสร้างภาพที่มหาสมุทรเป็นองค์ประกอบหลัก โดยอาจมีพระอาทิตย์ตกที่มีบทบาทรองมากขึ้น
   • Prompt: “มหาสมุทร พระอาทิตย์ตก”
   • แก้ไขพรอมต์ด้วยน้ำหนัก: “มหาสมุทร ::, พระอาทิตย์ตก”
2. โมเดลแบบข้อความ:ในข้อความแจ้งแบบถ่วงน้ำหนัก AI จะถูกกระตุ้นให้เน้นไปที่มุมมองของพ่อมดหรือบทบาทของพ่อมดในเรื่องมากขึ้น ซึ่งอาจนำไปสู่การเล่าเรื่องที่การกระทำ ความคิด หรือภูมิหลังของพ่อมดมีรายละเอียดมากกว่ามังกร
   • Prompt: “เขียนเรื่องราวเกี่ยวกับพ่อมดและมังกร”
   • การเปลี่ยนแปลงพร้อมท์ด้วยน้ำหนัก: “เขียนเรื่องราวเกี่ยวกับพ่อมด :: และมังกร”

ผลกระทบของการถ่วงน้ำหนัก

การเพิ่มน้ำหนักสามารถเปลี่ยนแปลงผลลัพธ์ได้อย่างมาก ในบริบทของเครื่องสร้างภาพ การปรับน้ำหนักสามารถเปลี่ยนฉากจากพระอาทิตย์ตกที่ชายหาดอันเงียบสงบไปเป็นทิวทัศน์ที่น่าทึ่งและมีมหาสมุทรเป็นส่วนใหญ่โดยมีพระอาทิตย์ตกเป็นพื้นหลัง ในทำนองเดียวกัน ในการสร้างข้อความ อาจเปลี่ยนจุดเน้นการเล่าเรื่องหรือรายละเอียดเชิงลึกที่ให้ไว้เกี่ยวกับตัวละครหรือธีมบางตัว

ตอนนี้ เรามาเจาะลึกโลกที่หลากหลายของเทคนิคการกระตุ้นเตือน ซึ่งแต่ละวิธีมีเอกลักษณ์เฉพาะในการกำหนดรูปแบบการตอบสนองของ AI

รายการเทคนิคการแจ้ง

#1: การแจ้งแบบ Zero-Shot

ความงามของการเตือนแบบ Zero-Shot อยู่ที่ความเรียบง่ายและความสามารถรอบด้าน เหมือนกับการถามคำถามกับผู้เชี่ยวชาญโดยไม่ต้องให้ข้อมูลพื้นฐาน ความรู้และประสบการณ์ที่กว้างขวางของผู้เชี่ยวชาญทำให้พวกเขาเข้าใจและตอบสนองได้อย่างถูกต้องตามสิ่งที่พวกเขารู้อยู่แล้ว

การประยุกต์ใช้ในการวิเคราะห์ความรู้สึก

มาเจาะลึกตัวอย่างเชิงปฏิบัติ: การวิเคราะห์ความรู้สึก สมมติว่าคุณกำลังวิเคราะห์คำติชมของลูกค้า และเจอรีวิวที่ระบุว่า "ฉันมีวันที่แสนวิเศษที่สวนสนุก" ในการแจ้งเตือนแบบ Zero-shot คุณจะต้องถามโมเดล AI โดยตรงว่า "ประโยคต่อไปนี้มีความรู้สึกอย่างไร: 'ฉันมีวันที่แสนวิเศษที่สวนสาธารณะ'"

โมเดลภาษาที่ใช้ประโยชน์จากการฝึกอบรมที่ครอบคลุมในการทำความเข้าใจความรู้สึก สามารถจัดประเภทข้อความนี้ได้อย่างถูกต้องว่าเป็นเชิงบวก แม้ว่าจะไม่ได้รับตัวอย่างการฝึกอบรมเฉพาะสำหรับงานนี้ก็ตาม ความสามารถในการอนุมานความรู้สึกจากประโยคเดียวได้อย่างแม่นยำนี้แสดงให้เห็นถึงความเข้าใจโดยธรรมชาติของโมเดลเกี่ยวกับความแตกต่างทางภาษา

ความอเนกประสงค์ของ Zero-Shot Prompting

การกระตุ้นแบบ Zero-shot ไม่ได้จำกัดอยู่เพียงการวิเคราะห์ความรู้สึกเท่านั้น มีประสิทธิภาพเท่าเทียมกันในงานต่างๆ รวมถึงการจำแนกประเภท (เช่น การตรวจจับสแปม) การแปลงข้อความ (เช่น การแปลหรือการสรุป) และการสร้างข้อความธรรมดา วิธีการนี้มีประโยชน์อย่างยิ่งในการสร้างการตอบกลับที่รวดเร็วและทันท่วงทีสำหรับคำถามที่หลากหลาย

อีกตัวอย่างหนึ่ง: การวิเคราะห์ความรู้สึกแบบผสม

ลองพิจารณาอีกสถานการณ์หนึ่งที่คุณกำลังประเมินรีวิวโรงแรม: “ห้องพักกว้างขวาง แต่การบริการแย่มาก” เมื่อใช้ Zero-shot prompting คุณจะขอให้โมเดล “ดึงความรู้สึกออกจากบทวิจารณ์ต่อไปนี้” หากไม่มีการฝึกอบรมเกี่ยวกับงานเฉพาะนี้ล่วงหน้า แบบจำลองยังคงสามารถประมวลผลพร้อมท์และตัดสินได้ว่ารีวิวมีความคิดเห็นที่หลากหลาย กล่าวคือ เป็นบวกต่อความกว้างขวางของห้องแต่เป็นเชิงลบต่อการบริการ

ความสามารถนี้ซึ่งอาจดูตรงไปตรงมาสำหรับมนุษย์ ถือเป็นความสามารถที่โดดเด่นมากสำหรับ AI มันแสดงให้เห็นไม่เพียงแต่ความเข้าใจภาษาเท่านั้น แต่ยังรวมถึงความสามารถในการแยกวิเคราะห์ความรู้สึกที่ซับซ้อนและเหมาะสมยิ่งอีกด้วย

#2: การแจ้งเพียงไม่กี่ช็อต

การแจ้งเตือนเพียงไม่กี่ช็อตช่วยเพิ่มความเข้าใจของ AI โดยการให้ตัวอย่างหลายๆ ตัวอย่าง ซึ่งโดยปกติจะเป็น 2-5 ตัวอย่างซึ่งเป็นแนวทางในผลลัพธ์ของโมเดล เทคนิคนี้มีประโยชน์อย่างยิ่งสำหรับงานที่ต้องใช้บริบทหรือสไตล์เฉพาะ ช่วยให้แบบจำลองปรับแต่งการตอบสนองได้แม่นยำยิ่งขึ้น

การประยุกต์ใช้ในการสร้างบทกวีโคลงสั้น ๆ

การประยุกต์ใช้ในการสร้างบทกวีโคลงสั้น ๆ

ลองพิจารณางานสร้างบทกลอนเกี่ยวกับคืนเดือนหงาย ซึ่งเป็นความท้าทายเฉพาะบริบทมากขึ้น ต่อไปนี้เป็นวิธีการทำงานของการแจ้งเพียงไม่กี่ช็อต:

ป้อนข้อมูลพร้อมท์ให้กับโมเดล:

“เขียนโคลงกลอนเกี่ยวกับดอกทานตะวัน:
1 ตัวอย่าง:
'ดอกทานตะวันที่มีกลีบสดใส
อาบแดดอย่างยินดีท่ามกลางแสงแดด
2 ตัวอย่าง:
'ดอกทานตะวันสูงตระหง่านในฤดูร้อน
พยักหน้าในขณะที่สายลมพัด
ตอนนี้ให้เขียนโคลงกลอนเกี่ยวกับคืนเดือนหงาย”

ในสถานการณ์นี้ แบบจำลองจะได้รับตัวอย่างโคลงสั้น ๆ เกี่ยวกับดอกทานตะวันสองตัวอย่าง สิ่งเหล่านี้ทำหน้าที่เป็นกรอบในการสอน AI ถึงสไตล์และโครงสร้างที่คาดหวังในผลลัพธ์ เมื่อขอให้เขียนเกี่ยวกับคืนเดือนหงาย แบบจำลองจะใช้ตัวอย่างเหล่านี้เพื่อสร้างโคลงสั้น ๆ ที่มีสไตล์คล้ายกัน

การตอบสนองที่คาดหวัง:

“แสงจันทร์สาดแสงสีเงิน
อาบน้ำโลกในค่ำคืนอันเงียบสงบ”

โมเดลใช้ประโยชน์จากโครงสร้างและรูปแบบสัมผัสจากตัวอย่าง และนำไปใช้กับหัวข้อใหม่ นี่แสดงให้เห็นว่าการกระตุ้นเตือนเพียงไม่กี่ช็อตสามารถช่วยควบคุมกระบวนการสร้างสรรค์ของโมเดลได้อย่างมีประสิทธิภาพได้อย่างไร

การแจ้งเพียงไม่กี่ช็อตในบริบทที่ต่างกัน

การกระตุ้นเตือนแบบไม่กี่ช็อตนั้นมีประโยชน์หลายอย่าง นอกเหนือไปจากงานสร้างสรรค์ เช่น บทกวี มีประสิทธิภาพเท่าเทียมกันในโดเมนที่มีโครงสร้างหรือทางเทคนิคมากกว่า ตัวอย่างเช่น ในบริบททางธุรกิจ เช่น การจัดการรายได้ในธุรกิจการบริการ ข้อความแจ้งสั้นๆ อาจมีลักษณะดังนี้:

คำแนะนำ: “ฉันให้หัวข้อ 'การจัดการรายได้ในการต้อนรับ' แก่คุณ และคุณให้รายการกลยุทธ์ในรูปแบบนี้แก่ฉัน:
กลยุทธ์ที่ 1: การกำหนดราคาแบบไดนามิก
กลยุทธ์ที่ 2: การจัดการผลผลิต
กลยุทธ์ที่ 3: จองเกินจำนวน
โปรดดำเนินการรายการต่อไป”

ด้วยข้อความแจ้งนี้ โมเดล AI จะแสดงรายการกลยุทธ์ในรูปแบบเดียวกันต่อไป ซึ่งอาจรวมถึงตัวเลือกต่างๆ เช่น ส่วนลดระยะเวลาการเข้าพัก หรือการจัดการช่องทาง ตัวอย่างเริ่มแรกทำหน้าที่เป็นพิมพ์เขียว ซึ่งเป็นแนวทางให้โมเดลสร้างเนื้อหาที่สอดคล้องกับรูปแบบและเนื้อหาที่ระบุ

#3: ห่วงโซ่แห่งความคิดพร้อมท์

การกระตุ้นแบบลูกโซ่แห่งความคิด (CoT) ปฏิวัติวิธีที่โมเดล AI จัดการกับปัญหาที่ซับซ้อนหลายขั้นตอนโดยการเลียนแบบกระบวนการให้เหตุผลเหมือนมนุษย์ เทคนิคนี้แบ่งปัญหาที่ซับซ้อนออกเป็นองค์ประกอบที่ง่ายขึ้น ช่วยให้โมเดล AI สามารถนำทางผ่านแต่ละขั้นตอนอย่างมีเหตุผลก่อนที่จะได้คำตอบสุดท้าย มีประโยชน์อย่างยิ่งในงานที่ต้องใช้เหตุผลโดยละเอียด เช่น ปัญหาทางคณิตศาสตร์หรือสถานการณ์การตัดสินใจที่ซับซ้อน

การประยุกต์ในการแก้ปัญหา

พิจารณาปัญหาทางคณิตศาสตร์หลายขั้นตอนที่แตกต่างกันเพื่อทำความเข้าใจ CoT prompt ให้ดีขึ้น:

ข้อความแจ้ง: “อลิซมีส้ม 15 ผล เธอกินส้ม 2 ลูก แล้วเพื่อนของเธอก็ให้ส้มเพิ่มอีก 5 ลูก ตอนนี้อลิซมีส้มกี่ลูกแล้ว?”

ในการใช้ CoT prompting เราจะแยกปัญหาออกเป็นคำถามเล็กๆ น้อยๆ ที่สามารถจัดการได้ง่ายกว่า:

1. คำแนะนำเบื้องต้น: “อลิซมีส้ม 15 ผล”
2. คำแนะนำระดับกลาง: “อลิซกินส้มได้กี่ผลหลังจากกินไป 2 ลูก?”
3. คำตอบระดับกลาง: “อลิซมีส้ม 13 ผล”
4. ข้อความถัดไป: “อลิซมีส้ม 13 ลูก”
5. ข้อความแจ้งระดับกลาง: “อลิซจะได้ส้มกี่ผลหลังจากได้รับเพิ่มอีก 5 ผล”
6. คำตอบสุดท้าย: “ตอนนี้อลิซมีส้ม 18 ลูกแล้ว”

วิธีการนี้จะแนะนำ AI ตลอดแต่ละขั้นตอนของปัญหา คล้ายกับวิธีที่มนุษย์จะเข้าใกล้มัน การทำเช่นนี้จะช่วยเพิ่มความสามารถในการแก้ปัญหาของโมเดลและเพิ่มความเข้าใจในงานที่ซับซ้อนให้ลึกซึ้งยิ่งขึ้น

ห่วงโซ่แห่งความคิดในการตัดสินใจ

ลองใช้ CoT เพื่อกระตุ้นให้เกิดสถานการณ์การตัดสินใจทางธุรกิจ:

พร้อมท์: “คุณจัดการร้านหนังสือที่มีหนังสืออยู่ในคลัง 200 เล่ม คุณขายหนังสือได้ 40 เล่มในระหว่างการขาย และต่อมาได้หนังสือเพิ่มอีก 70 เล่ม ตอนนี้มีหนังสืออยู่ในคลังของคุณกี่เล่ม?”

การใช้ CoT prompting ปัญหาจะแบ่งออกเป็นดังนี้:

1. พรอมต์เริ่มต้น: “คุณเริ่มต้นด้วยหนังสือ 200 เล่ม”
2. ข้อความแจ้งระดับกลาง: “ขายได้ 40 เล่มเหลือกี่เล่ม?”
3. คำตอบระดับกลาง: “คุณมีหนังสือ 160 เล่ม”
4. ข้อความถัดไป: “คุณมีหนังสือ 160 เล่ม”
5. ข้อความแจ้งระดับกลาง: “คุณจะมีหนังสือกี่เล่มหลังจากเพิ่ม 70 เล่ม?”
6. คำตอบสุดท้าย: “ตอนนี้คุณมีหนังสืออยู่ในคลัง 230 เล่ม”

การเพิ่มประสิทธิภาพ CoT Prompting

การกระตุ้นเตือนแบบลูกโซ่สามารถปรับปรุงได้โดยการใส่วลี “ลองคิดดูทีละขั้นตอน” ซึ่งได้รับการพิสูจน์แล้วว่ามีประสิทธิภาพแม้ว่าจะไม่มีตัวอย่างการถามตอบที่เฉพาะเจาะจงหลายรายการก็ตาม แนวทางนี้ทำให้ CoT prompting สามารถปรับขนาดได้และใช้งานง่ายมากขึ้น เนื่องจากไม่จำเป็นต้องมีตัวอย่างที่มีรายละเอียดมากมาย

ผลกระทบต่อโมเดลภาษาขนาดใหญ่

CoT prompting มีประสิทธิภาพอย่างยิ่งเมื่อนำไปใช้กับโมเดลภาษาขนาดใหญ่ เช่น PaLM ของ Google ช่วยเพิ่มความสามารถของโมเดลในการทำงานที่ซับซ้อนได้อย่างมาก บางครั้งก็มีประสิทธิภาพเหนือกว่าโมเดลที่ได้รับการปรับแต่งเฉพาะงานด้วยซ้ำ เทคนิคนี้สามารถปรับปรุงเพิ่มเติมได้โดยการปรับแต่งโมเดลอย่างละเอียดบนชุดข้อมูลการให้เหตุผล CoT ซึ่งช่วยเพิ่มความสามารถในการตีความและการใช้เหตุผล

#4: การเตือนซ้ำๆ

การเตือนซ้ำเป็นกลยุทธ์แบบไดนามิกและมีประสิทธิภาพในงานวิศวกรรมพร้อมท์ มีประโยชน์อย่างยิ่งสำหรับงานที่ซับซ้อนหรือละเอียดอ่อน ซึ่งความพยายามครั้งแรกอาจไม่ให้ผลลัพธ์ที่ต้องการ แนวทางนี้เกี่ยวข้องกับการปรับแต่งและขยายผลลัพธ์ของโมเดลผ่านชุดคำสั่งติดตามผล ซึ่งช่วยให้สามารถสำรวจหัวข้อที่มีอยู่ได้ในเชิงลึกมากขึ้น

การประยุกต์ในการวิจัยด้านการดูแลสุขภาพ

ลองใช้การกระตุ้นเตือนซ้ำๆ กับโครงการวิจัยด้านการดูแลสุขภาพ:

คำแนะนำเบื้องต้น: “ฉันกำลังค้นคว้าผลของการทำสมาธิต่อการลดความเครียด คุณสามารถให้ภาพรวมของการค้นพบในปัจจุบันได้หรือไม่”

สมมติว่าผลลัพธ์ของแบบจำลองมีจุดต่างๆ เช่น ระดับคอร์ติซอลที่ลดลง คุณภาพการนอนหลับที่ดีขึ้น และการทำงานของการรับรู้ที่ดีขึ้น

พร้อมติดตามผล 1: “น่าสนใจ คุณช่วยให้รายละเอียดเพิ่มเติมเกี่ยวกับวิธีที่การทำสมาธิส่งผลต่อระดับคอร์ติซอลได้ไหม”

แบบจำลองอาจเจาะลึกเข้าไปในกลไกทางชีววิทยา เช่น การกระตุ้นระบบประสาทพาราซิมพาเทติก การลดการผลิตฮอร์โมนความเครียด

พร้อมติดตามผล 2: “คุณภาพการนอนหลับที่ดีขึ้นช่วยลดความเครียดในผู้ฝึกสมาธิได้อย่างไร”

ในที่นี้ แบบจำลองนี้สามารถขยายความสัมพันธ์ระหว่างการนอนหลับและความเครียด โดยอภิปรายว่าการทำสมาธิมีส่วนช่วยให้สุขอนามัยในการนอนหลับดีขึ้นได้อย่างไร และส่งผลให้ระดับความเครียดลดลง

กระบวนการทำซ้ำนี้ช่วยให้สามารถสำรวจหัวข้อที่ซับซ้อนของการทำสมาธิและการลดความเครียดได้อย่างค่อยเป็นค่อยไปและละเอียดยิ่งขึ้น

การกระตุ้นเตือนซ้ำๆ ในการพัฒนาผลิตภัณฑ์

อีกตัวอย่างหนึ่งอาจอยู่ในบริบทของการพัฒนาผลิตภัณฑ์:

คำแนะนำเบื้องต้น: “ฉันกำลังพัฒนาวัสดุบรรจุภัณฑ์ใหม่ที่เป็นมิตรกับสิ่งแวดล้อม ข้อควรพิจารณาที่สำคัญคืออะไร”

แบบจำลองอาจสรุปปัจจัยต่างๆ เช่น ความสามารถในการย่อยสลายทางชีวภาพ ความคุ้มค่า และการยอมรับของผู้บริโภค

พร้อมติดตามผล 1: “คุณช่วยอธิบายเพิ่มเติมเกี่ยวกับความท้าทายในการสร้างสมดุลระหว่างความสามารถในการย่อยสลายทางชีวภาพและความคุ้มค่าได้หรือไม่”

แบบจำลองนี้สามารถให้ข้อมูลเชิงลึกเกี่ยวกับการเลือกใช้วัสดุ กระบวนการผลิต และการแลกเปลี่ยนระหว่างผลกระทบต่อสิ่งแวดล้อมและต้นทุนการผลิต

การติดตามผล 2: “กลยุทธ์ใดบ้างที่สามารถนำมาใช้เพื่อเพิ่มการยอมรับของผู้บริโภคต่อบรรจุภัณฑ์ที่เป็นมิตรต่อสิ่งแวดล้อม”

ในที่นี้ แบบจำลองอาจหารือเกี่ยวกับกลยุทธ์ทางการตลาด การให้ความรู้แก่ผู้บริโภค และความสำคัญของการแสดงให้เห็นถึงประโยชน์ด้านสิ่งแวดล้อมของบรรจุภัณฑ์ใหม่

กระบวนการพัฒนาพร้อมท์ซ้ำ

การกระตุ้นเตือนซ้ำๆ ไม่ใช่แค่การถามคำถามเพื่อติดตามผลเท่านั้น เป็นกระบวนการที่เป็นระบบซึ่งเกี่ยวข้องกับ:

1. การสร้างไอเดีย: เริ่มต้นด้วยแนวคิดหรือคำถามกว้างๆ
2. การดำเนินการ: สร้างพรอมต์เริ่มต้นตามแนวคิดของคุณ
3. ผลการทดลอง: วิเคราะห์ผลลัพธ์จากแบบจำลอง AI
4. การวิเคราะห์ข้อผิดพลาด: ระบุพื้นที่ที่ผลลัพธ์ไม่เป็นไปตามความคาดหวัง
5. การวนซ้ำ: ปรับแต่งข้อความแจ้ง โดยผสมผสานคำแนะนำเฉพาะหรือบริบทเพิ่มเติม
6. การทำซ้ำ: ทำซ้ำขั้นตอนจนกว่าจะได้ผลลัพธ์ที่ต้องการ

ตัวอย่างเช่น หากคุณกำลังสรุปคำอธิบายผลิตภัณฑ์สำหรับกลุ่มเป้าหมายเฉพาะ ข้อความแจ้งเริ่มแรกของคุณอาจกว้างเกินไป หลังจากวิเคราะห์ผลลัพธ์แล้ว คุณอาจทราบถึงความจำเป็นในการระบุผู้ชม ความยาวที่ต้องการ หรือรูปแบบ ข้อความแจ้งที่ตามมาสามารถรวมข้อมูลเฉพาะเหล่านี้เข้าด้วยกัน โดยค่อยๆ เน้นไปที่การสรุปที่สมบูรณ์แบบ

#5: การสร้างความรู้แจ้ง

ความรู้ที่สร้างขึ้นจะควบคุมแหล่งเก็บข้อมูลขนาดใหญ่ของแบบจำลองภาษาขนาดใหญ่เพื่อสร้างคำตอบที่มีข้อมูลและเกี่ยวข้องกับบริบทมากขึ้น โดยเกี่ยวข้องกับการกระตุ้นแบบจำลองเพื่อสร้างความรู้พื้นฐานเกี่ยวกับหัวข้อหนึ่งๆ ซึ่งจากนั้นจะทำหน้าที่เป็นพื้นฐานสำหรับการสอบถามที่เฉพาะเจาะจงมากขึ้นในภายหลัง

การประยุกต์ในการวิเคราะห์เชิงประวัติศาสตร์

พิจารณาสถานการณ์ที่เราต้องการเข้าใจผลกระทบของเหตุการณ์ทางประวัติศาสตร์ เช่น การปฏิวัติอุตสาหกรรม

พรอมต์เริ่มต้น: “ให้บทสรุปของการปฏิวัติอุตสาหกรรม”

แบบจำลองอาจสร้างการตอบสนองโดยสรุปประเด็นสำคัญของการปฏิวัติอุตสาหกรรม รวมถึงความก้าวหน้าทางเทคโนโลยี การเปลี่ยนแปลงในการผลิต และผลกระทบทางสังคม

พร้อมติดตามผล: “จากความก้าวหน้าทางเทคโนโลยีในช่วงการปฏิวัติอุตสาหกรรม ช่วงเวลานี้ส่งผลต่อเทคนิคการผลิตสมัยใหม่อย่างไร”

ด้วยการสร้างความรู้ที่สร้างขึ้นจากการแจ้งเตือนครั้งแรก แบบจำลองนี้สามารถให้คำตอบที่ละเอียดและเฉพาะเจาะจงบริบทมากขึ้นเกี่ยวกับอิทธิพลของการปฏิวัติอุตสาหกรรมที่มีต่อการผลิตสมัยใหม่

#6: การกระตุ้นทิศทาง

การกระตุ้นทิศทางเกี่ยวข้องกับการให้คำแนะนำหรือสัญญาณเฉพาะของ AI ซึ่งมักจะอยู่ในรูปแบบของคำหลัก เพื่อนำทางไปสู่ผลลัพธ์ที่ต้องการ เทคนิคนี้มีประโยชน์อย่างยิ่งในงานที่การรวมองค์ประกอบหรือธีมบางอย่างเป็นสิ่งสำคัญ

การประยุกต์ใช้ในการสร้างเนื้อหา

ลองจินตนาการว่าคุณกำลังสร้างโพสต์ในบล็อกเกี่ยวกับพลังงานหมุนเวียน และต้องการให้แน่ใจว่ามีคำหลักบางคำรวมอยู่ด้วย

พรอมต์เริ่มต้น: “เขียนภาพรวมโดยย่อเกี่ยวกับแหล่งพลังงานหมุนเวียน”

สมมติว่าแบบจำลองนี้ให้ภาพรวมทั่วไปของพลังงานหมุนเวียน

พร้อมท์การติดตามผลแบบกระตุ้นทิศทาง: “ตอนนี้ ให้รวมคำหลัก 'พลังงานแสงอาทิตย์' 'ความยั่งยืน' และ 'รอยเท้าคาร์บอน' ไว้ในบทสรุป 2-4 ประโยคของบทความ"

พร้อมท์นี้จะแนะนำโมเดลในการรวมคีย์เวิร์ดเฉพาะในการสรุป เพื่อให้มั่นใจว่าเนื้อหาสอดคล้องกับเป้าหมายเฉพาะเรื่องหรือ SEO

#7: การสร้างพรอมต์อัตโนมัติ

การสร้างพรอมต์อัตโนมัติเป็นแนวทางที่ล้ำหน้าใน AI โดยที่ระบบจะสร้างพรอมต์หรือคำถามขึ้นมาเอง ลองคิดดู: แทนที่จะต้องถามคำถามหรือคำแนะนำเฉพาะสำหรับ AI แทนที่จะต้องถามคำถามหรือคำแนะนำเฉพาะสำหรับ AI AI จะสร้างข้อความแจ้งเหล่านี้ด้วยตัวเอง มันเหมือนกับการสอน AI ให้ถามคำถามของตัวเองตามชุดแนวทางหรือวัตถุประสงค์ วิธีการนี้มีประโยชน์อย่างยิ่งเพราะช่วยประหยัดเวลา ลดข้อผิดพลาดของมนุษย์ และอาจนำไปสู่การตอบสนองจาก AI ที่แม่นยำและเกี่ยวข้องมากขึ้น

มันทำงานอย่างไร

โดยทั่วไปการสร้างพร้อมท์อัตโนมัติเกี่ยวข้องกับขั้นตอนสำคัญสองสามขั้นตอน:

1. การตั้งวัตถุประสงค์: ขั้นแรก เรากำหนดสิ่งที่เราต้องการจาก AI ซึ่งอาจเป็นการตอบคำถาม การสร้างรายงาน เป็นต้น
2. การป้อนข้อมูลเริ่มต้น: เราให้ข้อมูลหรือข้อมูลพื้นฐานบางอย่างแก่ AI เพื่อเป็นจุดเริ่มต้น
3. การสร้างทันทีโดย AI: ด้วยการใช้ข้อมูลเริ่มต้น AI จะสร้างชุดการแจ้งเตือนหรือคำถามของตัวเองเพื่อรวบรวมข้อมูลเพิ่มเติมหรือชี้แจงวัตถุประสงค์
4. การตอบสนองและการปรับแต่ง: จากนั้น AI จะใช้ข้อความแจ้งที่สร้างขึ้นเองเหล่านี้เพื่อสร้างการตอบสนอง หากจำเป็น ก็สามารถปรับแต่งหรือสร้างพร้อมท์ใหม่ตามคำตอบก่อนหน้าเพื่อความแม่นยำที่มากขึ้น

การประยุกต์ใช้ในการดูแลสุขภาพ

ตอนนี้ เรามาประยุกต์ใช้แนวคิดนี้กับสถานพยาบาลเพื่อดูว่าแนวคิดนี้จะเปลี่ยนแปลงการดูแลผู้ป่วยได้อย่างไร

ขั้นตอนที่ 1: การตั้งค่าวัตถุประสงค์

ในสถานการณ์ด้านการดูแลสุขภาพ วัตถุประสงค์อาจเป็นเพื่อวินิจฉัยอาการของผู้ป่วยตามอาการของพวกเขา ข้อมูลเบื้องต้นอาจเป็นรายการอาการที่ผู้ป่วยอธิบาย

ขั้นตอนที่ 2: AI สร้างพรอมต์การวินิจฉัย

เมื่อใช้รายการอาการเริ่มต้น AI จะสร้างข้อความแจ้งหรือคำถามเฉพาะโดยอัตโนมัติเพื่อรวบรวมข้อมูลที่มีรายละเอียดมากขึ้น ตัวอย่างเช่น หากผู้ป่วยพูดถึงอาการเจ็บหน้าอกและหายใจไม่สะดวก AI อาจสร้างข้อความเตือนเช่น “ถามว่าอาการเจ็บหน้าอกแย่ลงหรือไม่เมื่อออกกำลังกาย” หรือ “สอบถามเกี่ยวกับระยะเวลาของการหายใจไม่สบาย”

ขั้นตอนที่ 3: รวบรวมข้อมูลและสร้างสมมติฐาน

เมื่อ AI ได้รับคำตอบสำหรับการแจ้งเตือนที่สร้างขึ้นเอง มันก็เริ่มสร้างสมมติฐานเกี่ยวกับอาการของผู้ป่วย ตัวอย่างเช่น อาจพิจารณาปัญหาที่เกี่ยวข้องกับหัวใจหรือการติดเชื้อทางเดินหายใจโดยพิจารณาจากการตอบสนอง

ขั้นตอนที่ 4: การปรับแต่งและยืนยันการวินิจฉัย

AI ยังคงปรับแต่งการแจ้งเตือนตามข้อมูลที่พัฒนาขึ้นอย่างต่อเนื่อง หากสงสัยว่ามีปัญหาเกี่ยวกับหัวใจ อาจแจ้งเตือนเกี่ยวกับอาการอื่นๆ เช่น อาการวิงเวียนศีรษะหรือเหนื่อยล้า กระบวนการทำซ้ำนี้ช่วยลดการวินิจฉัยที่เป็นไปได้ให้แคบลงและแนะนำการวินิจฉัยที่เป็นไปได้มากที่สุด

สรุป: การเพิ่มประสิทธิภาพในการวินิจฉัย

ด้วยวิธีนี้ การสร้างพรอมต์อัตโนมัติในการดูแลสุขภาพสามารถเพิ่มประสิทธิภาพและความแม่นยำในการวินิจฉัยผู้ป่วยได้อย่างมาก ช่วยให้ผู้ให้บริการด้านการดูแลสุขภาพสามารถมุ่งเน้นไปที่สาเหตุที่เป็นไปได้มากที่สุดของอาการของผู้ป่วยได้อย่างรวดเร็ว และตัดสินใจโดยมีข้อมูลรอบด้านเกี่ยวกับการทดสอบหรือการรักษาเพิ่มเติม แนวทางที่ขับเคลื่อนด้วย AI นี้ไม่เพียงแต่ปรับปรุงกระบวนการวินิจฉัยเท่านั้น แต่ยังสนับสนุนผู้เชี่ยวชาญด้านสุขภาพในการให้การดูแลผู้ป่วยที่มีประสิทธิภาพมากขึ้นอีกด้วย

#8: การสร้างแบบดึงข้อมูลแบบเสริม

การดึงข้อมูล-Augmented Generation (RAG) เป็นเทคนิค AI ที่ซับซ้อนที่ผสมผสานพลังของโมเดลภาษาเข้ากับความสามารถในการดึงข้อมูลที่เกี่ยวข้องจากฐานข้อมูลภายนอกหรือฐานความรู้ วิธีการนี้มีประโยชน์อย่างยิ่งเมื่อต้องจัดการกับคำถามที่ต้องการข้อมูลล่าสุดหรือความรู้เฉพาะที่โมเดล AI ไม่ได้รับการฝึกฝน

วิธีการทำงานของรุ่นดึงข้อมูล-เสริม

1. การประมวลผลแบบสอบถาม: เมื่อได้รับการสืบค้น จะถูกเข้ารหัสเป็นการแสดงเวกเตอร์ก่อน
2. การดึงเอกสาร: การใช้เวกเตอร์นี้ ระบบจะค้นหาฐานข้อมูล (มักใช้ฐานข้อมูลเวกเตอร์) เพื่อค้นหาเอกสารที่เกี่ยวข้องมากที่สุด โดยทั่วไปการดึงข้อมูลนี้จะขึ้นอยู่กับความใกล้เคียงของเวกเตอร์เอกสารกับเวกเตอร์แบบสอบถาม
3. บูรณาการข้อมูล: จากนั้นเอกสารที่ดึงมาจะถูกใช้เป็นส่วนหนึ่งของพรอมต์ไปยังโมเดลภาษา
4. การสร้างการตอบสนอง: โมเดลภาษาจะสร้างการตอบกลับโดยอิงตามการสืบค้นต้นฉบับและข้อมูลจากเอกสารที่ดึงมา

การประยุกต์เชิงปฏิบัติ: การวิจัยทางการแพทย์

ลองนึกภาพสถานการณ์ในบริบทการวิจัยทางการแพทย์:

นักวิจัยถามว่า “วิธีการรักษาล่าสุดสำหรับโรคเบาหวานประเภท 2 ที่ค้นพบหลังปี 2020 คืออะไร”

1. การเข้ารหัสแบบสอบถาม: คำถามถูกแปลงเป็นเวกเตอร์
2. สืบค้นจากฐานข้อมูลทางการแพทย์: ระบบจะค้นหาวารสารทางการแพทย์และฐานข้อมูลเพื่อค้นหาผลล่าสุดเกี่ยวกับการรักษาโรคเบาหวานประเภท 2 และดึงบทความและการศึกษาที่เกี่ยวข้อง
3. การเพิ่มพรอมต์: จากนั้น AI จะใช้ข้อมูลที่ดึงมานี้พร้อมกับคำถามเดิมเพื่อทำความเข้าใจบริบทได้ดีขึ้น
4. การสร้างการตอบกลับอย่างมีข้อมูล: สุดท้ายนี้ AI จะให้คำตอบที่รวมข้อมูลเชิงลึกจากการวิจัยล่าสุด ทำให้ผู้วิจัยได้รับข้อมูลที่ทันสมัยและครอบคลุม

ข้อดีของการสร้างแบบดึงข้อมูล-เสริม

• ข้อมูลล่าสุด: มีประโยชน์อย่างยิ่งสำหรับสาขาต่างๆ เช่น การแพทย์หรือเทคโนโลยีที่มีการพัฒนาใหม่ๆ บ่อยครั้ง
• ความลึกของความรู้: ช่วยให้ AI สามารถให้คำตอบที่ละเอียดและเจาะจงมากขึ้นโดยการเข้าถึงแหล่งข้อมูลภายนอกที่หลากหลาย
• ลดอคติ: ด้วยการอาศัยแหล่งข้อมูลภายนอก การตอบสนองของ AI จึงมีโอกาสน้อยที่จะได้รับอิทธิพลจากอคติใดๆ ที่มีอยู่ในข้อมูลการฝึก

การดึงข้อมูล-Augmented Generation แสดงให้เห็นถึงความก้าวหน้าที่สำคัญในความสามารถของ AI ในการให้การตอบสนองที่แม่นยำ ได้รับข้อมูล และเกี่ยวข้องกับบริบท โดยเฉพาะอย่างยิ่งในสถานการณ์ที่การอัปเดตข้อมูลล่าสุดเป็นสิ่งสำคัญ เทคนิคนี้ช่วยให้มั่นใจได้ว่าการตอบสนองของ AI ไม่เพียงแต่ขึ้นอยู่กับความรู้ที่มีอยู่แล้ว แต่ยังเสริมด้วยข้อมูลล่าสุดจากแหล่งภายนอกอีกด้วย

คุณสามารถอ่านเพิ่มเติมเกี่ยวกับของเรา โพสต์ในบล็อกเกี่ยวกับการดึงข้อมูล-Augmented Generation.

ทักษะทางเทคนิคที่จำเป็นสำหรับวิศวกรพร้อมท์

การเป็นวิศวกรที่เชี่ยวชาญหรือจ้างงานเกี่ยวข้องกับการทำความเข้าใจการผสมผสานระหว่างทักษะทางเทคนิคและทักษะที่ไม่ใช่ด้านเทคนิค ทักษะเหล่านี้มีความสำคัญอย่างยิ่งในการใช้ประโยชน์จากศักยภาพของ AI และโมเดลเจนเนอเรทีฟในแอปพลิเคชันต่างๆ

1. ความเข้าใจอย่างลึกซึ้งเกี่ยวกับ NLP: ความรู้เกี่ยวกับอัลกอริธึมและเทคนิคการประมวลผลภาษาธรรมชาติเป็นสิ่งจำเป็น ซึ่งรวมถึงการทำความเข้าใจความแตกต่างของภาษา ไวยากรณ์ และความหมายซึ่งมีความสำคัญอย่างยิ่งในการสร้างการแจ้งเตือนที่มีประสิทธิภาพ
2. ความคุ้นเคยกับโมเดลภาษาขนาดใหญ่: จำเป็นต้องมีความเชี่ยวชาญในโมเดลเช่น GPT-3.5, GPT-4, BERT ฯลฯ การทำความเข้าใจความสามารถและข้อจำกัดของโมเดลเหล่านี้ช่วยให้วิศวกรสามารถดึงศักยภาพสูงสุดของตนเองออกมาใช้ได้ทันที
3. ทักษะการเขียนโปรแกรมและบูรณาการระบบ: ทักษะในการทำงานกับไฟล์ JSON และความเข้าใจพื้นฐานเกี่ยวกับ Python เป็นสิ่งจำเป็นสำหรับการรวมโมเดล AI เข้ากับระบบ ทักษะเหล่านี้ช่วยในการจัดการและประมวลผลข้อมูลสำหรับงานวิศวกรรมที่รวดเร็ว
4. ปฏิสัมพันธ์ของ API: ความรู้เกี่ยวกับ API เป็นพื้นฐานสำหรับการบูรณาการและการโต้ตอบกับโมเดล AI ทั่วไป ซึ่งอำนวยความสะดวกในการสื่อสารที่ราบรื่นระหว่างส่วนประกอบซอฟต์แวร์ต่างๆ
5. การวิเคราะห์และตีความข้อมูล: ความสามารถในการวิเคราะห์การตอบสนองจากโมเดล AI ระบุรูปแบบ และทำการปรับเปลี่ยนตามข้อมูลเพื่อแจ้งเป็นสิ่งสำคัญ ทักษะนี้มีความสำคัญอย่างยิ่งต่อการปรับปรุงการแจ้งเตือนและเพิ่มประสิทธิภาพ
6. การทดลองและการวนซ้ำ: การดำเนินการทดสอบ A/B การติดตามตัวชี้วัดประสิทธิภาพ และการปรับการแจ้งเตือนให้เหมาะสมอย่างต่อเนื่องตามผลตอบรับและเอาท์พุตของเครื่องจักรถือเป็นความรับผิดชอบหลัก

ความรับผิดชอบที่ไม่ใช่ด้านเทคนิคในวิศวกรรมพร้อมท์

1. การสื่อสารที่มีประสิทธิภาพ: การเสนอแนวคิดที่ชัดเจนและการทำงานร่วมกันอย่างมีประสิทธิภาพกับทีมงานข้ามสายงานถือเป็นสิ่งสำคัญ ซึ่งรวมถึงการรวบรวมและรวมความคิดเห็นของผู้ใช้เข้ากับการปรับแต่งโดยทันที
2. การกำกับดูแลด้านจริยธรรม: การตรวจสอบให้แน่ใจว่าการแจ้งเตือนไม่ก่อให้เกิดการตอบสนองที่เป็นอันตรายหรือลำเอียงเป็นสิ่งสำคัญ ความรับผิดชอบนี้สอดคล้องกับแนวปฏิบัติด้านจริยธรรมของ AI และรักษาความสมบูรณ์ของการโต้ตอบของ AI
3. ความเชี่ยวชาญด้านโดเมน: ความรู้เฉพาะทางในด้านเฉพาะเจาะจง ขึ้นอยู่กับการใช้งาน สามารถเพิ่มความเกี่ยวข้องและความแม่นยำของการแจ้งเตือนได้อย่างมาก
4. การแก้ปัญหาอย่างสร้างสรรค์: การคิดอย่างสร้างสรรค์และสร้างสรรค์เป็นสิ่งจำเป็นสำหรับการพัฒนาโซลูชันใหม่ๆ ที่ก้าวข้ามขอบเขตของการโต้ตอบระหว่างมนุษย์กับ AI แบบเดิมๆ

ลดความซับซ้อนของเทคนิคพร้อมท์ที่ซับซ้อนด้วยนาโนเน็ต

เมื่อเราเจาะลึกเข้าไปในโลกแห่งวิศวกรรมพร้อมท์ เห็นได้ชัดว่าความซับซ้อนของเทคนิคพร้อมท์อาจกลายเป็นเรื่องทางเทคนิคได้ โดยเฉพาะอย่างยิ่งเมื่อต้องจัดการกับปัญหาที่ซับซ้อน นี่คือจุดที่ Nanonets ก้าวเข้ามาเป็นผู้เปลี่ยนเกม โดยเชื่อมช่องว่างระหว่างความสามารถ AI ขั้นสูงและแอปพลิเคชันที่ใช้งานง่าย

Nanonets: เครื่องมือลดความซับซ้อนของเวิร์กโฟลว์ AI ของคุณ

Nanonets ได้พัฒนาวิธีการที่เป็นนวัตกรรมใหม่เพื่อใช้ประโยชน์จากเทคนิคการแจ้งเตือนที่ซับซ้อนเหล่านี้ให้เกิดประโยชน์สูงสุด โดยไม่ทำให้ผู้ใช้สับสนจนเกินไป ด้วยความเข้าใจว่าไม่ใช่ทุกคนที่เชี่ยวชาญด้าน AI หรือวิศวกรรมที่รวดเร็ว Nanonets จึงมอบโซลูชันที่ราบรื่น

ปรับปรุงกระบวนการทางธุรกิจอย่างง่ายดาย

Nanonets Workflow Builder เป็นฟีเจอร์ที่โดดเด่น ซึ่งออกแบบมาเพื่อแปลงภาษาธรรมชาติให้เป็นเวิร์กโฟลว์ที่มีประสิทธิภาพ เครื่องมือนี้ใช้งานง่ายและใช้งานง่ายอย่างเหลือเชื่อ ช่วยให้ธุรกิจต่างๆ ดำเนินการอัตโนมัติและปรับปรุงกระบวนการของตนได้อย่างง่ายดาย ไม่ว่าจะเป็นการจัดการข้อมูล การทำงานซ้ำๆ โดยอัตโนมัติ หรือทำความเข้าใจกับการแจ้งเตือน AI ที่ซับซ้อน Nanonets ทำให้มันง่ายขึ้น เยี่ยมชมเราได้ที่แพลตฟอร์มเวิร์กโฟลว์อัตโนมัติของเรา

ภาพรวมประสิทธิภาพของ Nanonets

เพื่อชื่นชมพลังและความเรียบง่ายของ Nanonets อย่างแท้จริง เรามีวิดีโอสั้น ๆ ที่สาธิตการทำงานของ Nanonets Workflow Builder วิดีโอนี้แสดงให้เห็นว่าคุณสามารถแปลงคำสั่งภาษาธรรมชาติให้เป็นขั้นตอนการทำงานที่มีประสิทธิภาพและคล่องตัวได้อย่างไร เป็นภาพประกอบที่ใช้งานได้จริงในการเปลี่ยนกระบวนการ AI ที่ซับซ้อนให้กลายเป็นแอปพลิเคชันที่ใช้งานง่าย

[เนื้อหาฝัง]

โซลูชั่นที่ปรับแต่งด้วยนาโนเน็ต

ทุกธุรกิจมีความต้องการเฉพาะตัว และ Nanonets ก็พร้อมตอบสนองความต้องการเฉพาะเหล่านั้น หากคุณรู้สึกทึ่งกับศักยภาพของ AI ในการปรับปรุงกระบวนการทางธุรกิจของคุณ แต่รู้สึกกังวลกับด้านเทคนิค Nanonets เสนอโซลูชั่นที่สมบูรณ์แบบ เราขอเชิญคุณกำหนดเวลาการโทรกับทีมงานของเราเพื่อสำรวจเพิ่มเติมว่า Nanonets สามารถเปลี่ยนการดำเนินธุรกิจของคุณได้อย่างไร เป็นโอกาสในการทำความเข้าใจว่า AI ขั้นสูงสามารถควบคุมได้อย่างไร ในลักษณะที่เรียบง่าย มีประสิทธิภาพ และเข้าถึงได้

ขอตัวอย่าง

ด้วย Nanonets ความซับซ้อนทางเทคนิคของวิศวกรรมที่รวดเร็วจะสามารถเข้าถึงได้และใช้ได้กับความต้องการทางธุรกิจของคุณ เป้าหมายของเราคือการเสริมศักยภาพให้กับคุณด้วยความสามารถขั้นสูงของ AI ซึ่งบรรจุในลักษณะที่เข้าใจง่ายและนำไปใช้งาน เพื่อให้มั่นใจว่าธุรกิจของคุณจะก้าวนำในโลกของเทคโนโลยีที่พัฒนาอย่างรวดเร็ว

สรุป

ในโพสต์บนบล็อกนี้ เราได้เดินทางผ่านโลกที่ซับซ้อนของวิศวกรรมพร้อมท์ โดยเปิดเผยพื้นฐานของมันตั้งแต่ความเข้าใจพื้นฐานเกี่ยวกับพร้อมท์ไปจนถึงเทคนิคที่ซับซ้อน เช่น การสร้างเสริมการดึงข้อมูลและการออกแบบพร้อมท์อัตโนมัติ เราได้เห็นแล้วว่าวิศวกรรมที่รวดเร็วไม่เพียงแต่เกี่ยวกับความเฉียบแหลมทางเทคนิคเท่านั้น แต่ยังเกี่ยวข้องกับการพิจารณาอย่างสร้างสรรค์และจริยธรรมอีกด้วย เมื่อเชื่อมช่องว่างระหว่างฟังก์ชัน AI ที่ซับซ้อนเหล่านี้กับแอปพลิเคชันทางธุรกิจเชิงปฏิบัติ Nanonets จึงกลายเป็นผู้เล่นหลัก ช่วยให้กระบวนการใช้ประโยชน์จากเทคนิคการแจ้งเตือนขั้นสูงเหล่านี้ง่ายขึ้น ช่วยให้ธุรกิจต่างๆ สามารถรวม AI เข้ากับขั้นตอนการทำงานได้อย่างมีประสิทธิภาพ โดยไม่ไปยุ่งกับความซับซ้อนทางเทคนิค

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
• เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
• เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
• เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
• ที่มา: https://nanonets.com/blog/prompt-engineering/