Prompts zur Zusammenfassung und Extraktion

Große Sprachmodelle (LLMs) sind leistungsstarke Werkzeuge zur Verarbeitung großer Textmengen. Zwei grundlegende und äußerst wertvolle Aufgaben, die Sie damit durchführen können, sind Zusammenfassung und Extraktion.

Mit der Zusammenfassung erfassen Sie schnell die wichtigsten Punkte langer Dokumente. Mit der Extraktion können Sie bestimmte strukturierte Daten gezielt identifizieren und herauslösen. Wenn Sie diese Techniken beherrschen, sparen Sie Zeit und machen Informationen nutzbar!

Bei der Zusammenfassung wird ein längerer Text zu einer kürzeren Version verdichtet, wobei seine Kernaussage und die wichtigsten Informationen erhalten bleiben. Stellen Sie sich darunter eine prägnante Übersicht oder ein Abstract vor.

Um ein LLM zu einer Zusammenfassung aufzufordern, geben Sie normalerweise den Text und eine klare Anweisung vor. Zum Beispiel:

"Summarize the following article: [ARTICLE TEXT]"

Sie können das LLM anleiten, Zusammenfassungen zu erstellen, die genau Ihren Anforderungen entsprechen. Geben Sie in Ihrem Prompt konkrete Angaben zu folgenden Punkten:

• Länge: "in 3 Sätzen," "unter 100 Wörtern," "eine kurze Zusammenfassung."
• Format: "als Aufzählungspunkte," "in einem Absatz," "als Überschrift."
• Stil/Ton: "für ein nicht technisches Publikum," "in einem formellen Ton," "wie ein Nachrichtenbericht."

Je konkreter Ihre Angaben sind, desto besser liefert das LLM genau die gewünschte Ausgabe.

Fassen wir einen kurzen Absatz über Prompt Engineering zusammen. So könnten Sie Ihren Prompt formulieren:

Eingabetext: "Prompt Engineering ist ein Konzept der künstlichen Intelligenz, insbesondere der Verarbeitung natürlicher Sprache, das sich auf die Entwicklung und Optimierung von Prompts konzentriert, um Sprachmodelle effizient für eine Vielzahl von Anwendungen und Forschungsthemen zu nutzen. Es handelt sich um eine relativ neue Disziplin, die Methoden für die Kommunikation mit LLMs beschreibt, um deren Verhalten auf gewünschte Ergebnisse auszurichten, ohne die Gewichte des Modells zu verändern."

Prompt:

"Summarize the following text in one concise sentence: Prompt engineering is a concept in artificial intelligence, especially natural language processing, that focuses on developing and optimizing prompts to efficiently use language models for a wide range of applications and research topics. It's a relatively new discipline, outlining the methods for communicating with LLMs to steer their behavior for desired outcomes without modifying the model's weights."

Bei der Extraktion geht es darum, bestimmte Informationsbestandteile aus einem längeren Text zu identifizieren und herauszulösen. Anders als bei der Zusammenfassung verdichten Sie den Text nicht, sondern isolieren bestimmte Datenpunkte, Fakten oder Entitäten.

Typische Extraktionsaufgaben umfassen das Auffinden von Namen, Datumsangaben, Orten, Produktmerkmalen oder Stimmungen. Diese Technik ist entscheidend, wenn Sie unstrukturierten Text in strukturierte Daten umwandeln müssen.

Beim Extrahieren von Informationen ist es oft sinnvoll, das gewünschte Ausgabeformat vorzugeben. Dadurch lassen sich die extrahierten Daten leichter verarbeiten, analysieren oder in andere Systeme integrieren.

• Listen: "Alle genannten Unternehmensnamen auflisten."
• JSON: "Name, Alter und Stadt als JSON-Objekt extrahieren."
• Tabellen: "Die Ergebnisse in einer Tabelle mit den Spalten „Element“ und „Preis“ darstellen."

Klare Formatierungsanweisungen sind für strukturierte Datenausgaben unerlässlich.

Extrahieren wir Kontaktdaten aus einem E-Mail-Ausschnitt. So könnten Sie einen LLM dazu auffordern:

Eingabetext: "Sehr geehrter John Smith, vielen Dank für Ihre Anfrage. Unsere Vertriebsmitarbeiterin Sarah Jones ist unter sarah.jones@example.com oder telefonisch unter (555) 123-4567 erreichbar. Unser Büro befindet sich in 123 Main St, Anytown, USA."

Prompt:

"Extract the following information from the text: recipient name, sales representative name, sales representative email, sales representative phone, and office address. Present the output as a JSON object. Text: Dear John Smith, Thank you for your inquiry. Our sales representative, Sarah Jones, can be reached at sarah.jones@example.com or by phone at (555) 123-4567. Our office is located at 123 Main St, Anytown, USA."

Bei komplexeren Aufgaben können Sie diese beiden leistungsstarken Techniken oft kombinieren:

• Zusammenfassen, dann extrahieren: Erstellen Sie zuerst eine prägnante Zusammenfassung eines langen Dokuments und extrahieren Sie anschließend bestimmte Entitäten oder Fakten aus dieser Zusammenfassung.
• Extrahieren, dann zusammenfassen: Extrahieren Sie zunächst alle relevanten Fakten und bitten Sie das LLM anschließend, diese extrahierten Fakten zu einer zusammenhängenden Aussage zusammenzufassen.

Dieser modulare Ansatz kann helfen, die Komplexität zu bewältigen und die Genauigkeit Ihrer Ergebnisse zu verbessern.

So erstellen Sie mit Ihren LLMs möglichst effektive Zusammenfassungen und Extraktionen:

• Seien Sie konkret: Geben Sie Ihre Anforderungen klar an (z. B. Länge der Zusammenfassung, Ausgabeformat, zu extrahierende Entitäten).
• Verwenden Sie Begrenzungszeichen: Schließen Sie den zu verarbeitenden Text in eindeutige Begrenzungszeichen ein, etwa dreifache Anführungszeichen (""") oder XML-Tags, um ihn von Ihren Anweisungen zu trennen.
• Stellen Sie Kontext bereit: Erklären Sie kurz den Zweck der Zusammenfassung oder Extraktion, wenn dies dem LLM hilft, das Ziel zu verstehen.
• Iterieren Sie: Wenn die erste Ausgabe noch nicht perfekt ist, überarbeiten Sie Ihren Prompt. Kleine Änderungen können einen großen Unterschied machen!

In dieser Lektion haben wir zwei leistungsstarke Prompt-Engineering-Techniken zur Verarbeitung von Text mit LLMs kennengelernt:

• Zusammenfassung: Wir haben gelernt, wie sich Texte unter Berücksichtigung von Länge, Format und Stil zu kürzeren Versionen verdichten lassen, damit Sie schnell die Kernaussage erfassen.
• Extraktion: Wir haben uns darauf konzentriert, bestimmte strukturierte Informationen wie Namen, Datumsangaben oder Fakten herauszulösen, und dabei die Bedeutung der Vorgabe von Ausgabeformaten wie JSON oder Listen betont.

Die Beherrschung dieser Techniken verbessert Ihre Fähigkeit erheblich, Informationen aus unstrukturierten Textdaten mithilfe von LLMs effizient zu verarbeiten und zu nutzen.