Tiivistämis- ja poimintapromptit

Voitte ohjata LLM:ää tuottamaan tarpeisiinne täsmällisesti sopivia tiivistelmiä. Määrittäkää kehotteessa tarkasti seuraavat asiat:

• Pituus: “3 virkkeeseen”, “alle 100 sanaan”, “lyhyt tiivistelmä”.
• Muoto: “luettelomerkkeinä”, “kappaleena”, “otsikkona”.
• Tyyli/sävy: “ei-tekniselle yleisölle”, “muodollisella sävyllä”, “uutisraportin tavoin”.

Täsmällisyys auttaa LLM:ää tuottamaan juuri etsimänne tulosteen.

Tiivistetään lyhyt kappale kehotetekniikasta. Kehotteen voisi rakentaa esimerkiksi näin:

Syöte: “Kehotesuunnittelu on tekoälyn, erityisesti luonnollisen kielen käsittelyn, alalla käytetty käsite, joka keskittyy kehotteiden kehittämiseen ja optimointiin, jotta kielimalleja voidaan hyödyntää tehokkaasti monenlaisissa sovelluksissa ja tutkimusaiheissa. Se on suhteellisen uusi tieteenala, jossa kuvataan menetelmiä LLM:ien kanssa viestimiseen niiden toiminnan ohjaamiseksi haluttujen tulosten saavuttamiseksi ilman mallin painokertoimien muuttamista.”

Kehote:

"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."

Tietojen poiminnassa on kyse tiettyjen tietojen tunnistamisesta ja poimimisesta laajemmasta tekstistä. Toisin kuin tiivistämisessä, tekstiä ei tiivistetä, vaan siitä erotellaan yksittäisiä tietoja, tosiasioita tai entiteettejä.

Yleisiä poimintatehtäviä ovat nimien, päivämäärien, sijaintien, tuotteen ominaisuuksien tai sentimentin etsiminen. Tämä tekniikka on keskeinen, kun jäsentämätön teksti on muunnettava rakenteisiksi tiedoiksi.

Kun poimitte tietoja, haluttu tulostemuoto kannattaa usein määrittää. Näin poimittuja tietoja on helpompi käsitellä, analysoida tai integroida muihin järjestelmiin.

• Luettelot: “Luettele kaikki tekstissä mainitut yritysten nimet.”
• JSON: “Poimi nimi, ikä ja kaupunki JSON-objektiksi.”
• Taulukot: “Esitä tulokset taulukkona, jonka sarakkeet ovat ’Tuote’ ja ’Hinta’.”

Selkeät muotoiluohjeet ovat välttämättömiä rakenteisten tietojen tulosteissa.

Poimitaan yhteystiedot sähköpostiviestikatkelmasta. LLM:ää voisi kehottaa esimerkiksi näin:

Syöte: “Hyvä John Smith, kiitos yhteydenotostanne. Myyntiedustajamme Sarah Jonesin tavoittaa osoitteesta sarah.jones@example.com tai puhelimitse numerosta (555) 123-4567. Toimistomme sijaitsee osoitteessa 123 Main St, Anytown, USA.”

Kehote:

"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."

Monimutkaisemmissa tehtävissä voitte usein yhdistää nämä kaksi tehokasta tekniikkaa:

• Tiivistäminen ja sitten poiminta: Ensin laaditte pitkästä asiakirjasta tiiviin yhteenvedon ja poimitte sitten yhteenvedosta tietyt entiteetit tai tosiasiat.
• Poiminta ja sitten tiivistäminen: Poimitte ensin kaikki olennaiset tosiasiat ja pyydätte sitten LLM:ää tiivistämään poimitut tosiasiat johdonmukaiseksi kokonaisuudeksi.

Tämä modulaarinen lähestymistapa voi auttaa hallitsemaan monimutkaisuutta ja parantamaan tulosten tarkkuutta.

Jotta saisitte LLM:iltä mahdollisimman tehokkaita tiivistelmiä ja poimintoja:

• Olkaa täsmällisiä: Ilmaiskaa vaatimuksenne selkeästi (esim. tiivistelmän pituus, tulostemuoto, poimittavat entiteetit).
• Käyttäkää erottimia: Rajatkaa käsiteltävä teksti selkeillä erottimilla, kuten kolmella lainausmerkillä (""") tai XML-tageilla, jotta se erottuu ohjeistanne.
• Tarjotkaa konteksti: Selittäkää lyhyesti tiivistelmän tai poiminnan tarkoitus, jos se auttaa LLM:ää ymmärtämään tavoitteen.
• Iteroikaa: Jos ensimmäinen tuloste ei ole täydellinen, tarkentakaa kehotettanne. Pienillä muutoksilla voi olla suuri vaikutus!

Tässä oppitunnissa tutustuimme kahteen tehokkaaseen kehotetekniikkaan tekstin käsittelyssä LLM:ien avulla:

• Tiivistäminen: Opimme tiivistämään tekstin lyhyempään muotoon ja säätelemään pituutta, muotoa ja tyyliä, jotta pääsisältö hahmottuu nopeasti.
• Tietojen poiminta: Keskityimme poimimaan täsmällisiä, rakenteisia tietoja, kuten nimiä, päivämääriä tai tosiasioita, ja korostimme JSONin tai luetteloiden kaltaisten tulostemuotojen määrittämisen tärkeyttä.

Näiden tekniikoiden hallinta parantaa merkittävästi kykyänne käsitellä ja hyödyntää jäsentämättömän tekstin tietoja tehokkaasti LLM:ien avulla.