Prompt untuk Perangkuman dan Ekstraksi

Model Bahasa Besar (LLM) adalah alat yang andal untuk memproses teks dalam jumlah besar. Dua tugas dasar yang sangat berguna dan dapat Anda lakukan dengan alat ini adalah peringkasan dan ekstraksi.

Peringkasan membantu Anda memahami poin-poin utama dari dokumen panjang dengan cepat. Ekstraksi memungkinkan Anda menemukan dan mengambil data tertentu yang terstruktur. Menguasai keduanya menghemat waktu dan membuat informasi dapat ditindaklanjuti!

Peringkasan adalah proses memadatkan teks yang panjang menjadi versi yang lebih singkat, sambil memastikan makna inti dan informasi pentingnya tetap dipertahankan. Anggaplah ini sebagai pembuatan ikhtisar atau abstrak yang ringkas.

Untuk meminta LLM membuat ringkasan, biasanya Anda memberikan teks dan instruksi yang jelas. Contohnya:

"Summarize the following article: [ARTICLE TEXT]"

Anda dapat mengarahkan LLM untuk menghasilkan ringkasan yang benar-benar sesuai dengan kebutuhan Anda. Jelaskan secara spesifik dalam nPrompt mengenai:

• Panjang: "in 3 sentences," "under 100 words," "a brief summary."
• Format: "as bullet points," "in a paragraph," "as a headline."
• Gaya/Nada: "for a non-technical audience," "in a formal tone," "like a news report."

Spesifikasi yang jelas membantu LLM menghasilkan keluaran yang tepat sesuai harapan Anda.

Mari kita ringkas paragraf pendek tentang rekayasa nPrompt. Berikut cara Anda dapat menyusun nPrompt:

Teks Masukan: "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."

nPrompt:

"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."

Ekstraksi adalah proses mengidentifikasi dan mengambil bagian informasi tertentu dari teks yang lebih besar. Berbeda dari peringkasan, Anda tidak memadatkan teks; Anda mengisolasi titik data, fakta, atau entitas tertentu.

Tugas ekstraksi yang umum mencakup menemukan nama, tanggal, lokasi, fitur produk, atau sentimen. Teknik ini sangat penting ketika Anda perlu mengubah teks tidak terstruktur menjadi data terstruktur.

Saat mengekstrak informasi, sering kali sebaiknya Anda menentukan format keluaran yang diinginkan. Dengan begitu, data hasil ekstraksi lebih mudah diproses, dianalisis, atau diintegrasikan ke sistem lain.

• Daftar: "List all company names mentioned."
• JSON: "Extract the name, age, and city as a JSON object."
• Tabel: "Present the findings in a table with columns for 'Item' and 'Price'."

Instruksi pemformatan yang jelas sangat penting untuk keluaran data terstruktur.

Mari kita ekstrak detail kontak dari cuplikan surel. Berikut cara Anda dapat memberikan nPrompt kepada LLM:

Teks Masukan: "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."

nPrompt:

"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."

Untuk tugas yang lebih kompleks, Anda sering kali dapat menggabungkan kedua teknik yang andal ini:

• Ringkas lalu Ekstrak: Pertama, buat ringkasan singkat dari dokumen panjang, lalu ekstrak entitas atau fakta tertentu dari ringkasan tersebut.
• Ekstrak lalu Ringkas: Ekstrak semua fakta yang relevan, lalu minta LLM meringkas fakta-fakta tersebut menjadi pernyataan yang koheren.

Pendekatan modular ini dapat membantu menangani kompleksitas dan meningkatkan keakuratan hasil Anda.

Untuk mendapatkan peringkasan dan ekstraksi yang paling efektif dari LLM Anda:

• Jelaskan secara Spesifik: Nyatakan persyaratan Anda dengan jelas (misalnya, panjang ringkasan, format keluaran, dan entitas tertentu yang perlu diekstrak).
• Gunakan Pembatas: Apit teks yang ingin Anda proses dengan pembatas yang jelas, seperti tanda kutip tiga (""") atau tag XML, untuk memisahkannya dari instruksi Anda.
• Berikan Konteks: Jelaskan secara singkat tujuan peringkasan atau ekstraksi jika hal itu membantu LLM memahami sasarannya.
• Lakukan Iterasi: Jika keluaran awal belum sempurna, sempurnakan nPrompt Anda. Perubahan kecil dapat menghasilkan perbedaan besar!

Perhatikan skenario berikut. Manakah dari tugas ini yang terutama memerlukan ekstraksi (bukan peringkasan) dari teks yang diberikan?

Dalam pelajaran ini, kita mempelajari dua teknik rekayasa nPrompt yang andal untuk memproses teks dengan LLM:

• Peringkasan: Kita mempelajari cara memadatkan teks menjadi versi yang lebih singkat, dengan mengendalikan panjang, format, dan gaya agar dapat memahami intinya dengan cepat.
• Ekstraksi: Kita berfokus pada pengambilan informasi tertentu yang terstruktur, seperti nama, tanggal, atau fakta, serta menekankan pentingnya menentukan format keluaran seperti JSON atau daftar.

Menguasai teknik-teknik ini akan sangat meningkatkan kemampuan Anda untuk memproses dan memanfaatkan informasi dari data teks tidak terstruktur secara efisien menggunakan LLM.