Gesaan untuk Peringkasan dan Pengekstrakan

Anda boleh membimbing LLM untuk menghasilkan ringkasan yang tepat memenuhi keperluan anda. Nyatakan dengan khusus dalam arahan anda perkara berikut:

• Panjang: "dalam 3 ayat," "kurang daripada 100 perkataan," "ringkasan ringkas."
• Format: "dalam bentuk senarai berbulet," "dalam satu perenggan," "sebagai tajuk utama."
• Gaya/Nada: "untuk pembaca bukan teknikal," "dengan nada formal," "seperti laporan berita."

Kekhususan membantu LLM memberikan hasil keluaran tepat yang anda kehendaki.

Mari kita ringkaskan perenggan pendek tentang kejuruteraan arahan. Begini cara anda boleh membina arahan:

Teks Masukan: "Kejuruteraan arahan ialah konsep dalam kecerdasan buatan, khususnya pemprosesan bahasa semula jadi, yang menumpukan pada pembangunan dan pengoptimuman arahan untuk menggunakan model bahasa dengan cekap bagi pelbagai aplikasi dan topik penyelidikan. Ini ialah bidang yang agak baharu, yang menghuraikan kaedah berkomunikasi dengan LLM bagi mengarahkan tingkah lakunya untuk mencapai hasil yang dikehendaki tanpa mengubah suai pemberat model."

Arahan:

"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."

Pengekstrakan ialah proses mengenal pasti dan mengeluarkan bahagian maklumat tertentu daripada teks yang lebih panjang. Berbeza daripada peringkasan, anda tidak memadatkannya; anda mengasingkan titik data, fakta atau entiti tertentu.

Tugas pengekstrakan yang lazim termasuk mencari nama, tarikh, lokasi, ciri produk atau sentimen. Teknik ini penting apabila anda perlu menukar teks tidak berstruktur kepada data berstruktur.

Semasa mengekstrak maklumat, selalunya berfaedah untuk menentukan format hasil keluaran yang dikehendaki. Ini menjadikan data yang diekstrak lebih mudah diproses, dianalisis atau disepadukan ke dalam sistem lain.

• Senarai: "Senaraikan semua nama syarikat yang disebut."
• JSON: "Ekstrak nama, umur dan bandar sebagai objek JSON."
• Jadual: "Bentangkan penemuan dalam jadual dengan lajur untuk 'Item' dan 'Harga'."

Arahan pemformatan yang jelas amat penting untuk hasil keluaran data berstruktur.

Mari kita ekstrak butiran hubungan daripada petikan e-mel. Begini cara anda boleh memberikan arahan kepada LLM:

Teks Masukan: "John Smith yang dihormati, Terima kasih atas pertanyaan anda. Wakil jualan kami, Sarah Jones, boleh dihubungi di sarah.jones@example.com atau melalui telefon di (555) 123-4567. Pejabat kami terletak di 123 Main St, Anytown, USA."

Arahan:

"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."

Bagi tugas yang lebih kompleks, anda sering boleh menggabungkan kedua-dua teknik berkuasa ini:

• Ringkaskan kemudian Ekstrak: Mula-mula dapatkan ringkasan ringkas dokumen panjang, kemudian ekstrak entiti atau fakta tertentu daripada ringkasan itu.
• Ekstrak kemudian Ringkaskan: Ekstrak semua fakta yang berkaitan, kemudian minta LLM meringkaskan fakta yang diekstrak itu menjadi pernyataan yang padu.

Pendekatan bermodul ini dapat membantu mengurus kerumitan dan meningkatkan ketepatan hasil anda.

Untuk mendapatkan ringkasan dan pengekstrakan yang paling berkesan daripada LLM:

• Jelaskan dengan Khusus: Nyatakan keperluan anda dengan jelas (contohnya, panjang ringkasan, format hasil keluaran dan entiti tertentu untuk diekstrak).
• Gunakan Pembatas: Kepit teks yang hendak anda proses dengan pembatas yang jelas, seperti tanda petikan tiga kali (""") atau teg XML, untuk memisahkannya daripada arahan anda.
• Berikan Konteks: Terangkan secara ringkas tujuan ringkasan atau pengekstrakan jika ini membantu LLM memahami matlamatnya.
• Ulangi: Jika hasil keluaran awal tidak sempurna, perhalus arahan anda. Perubahan kecil boleh membawa perbezaan besar!

Dalam pelajaran ini, kita meneroka dua teknik kejuruteraan arahan yang berkuasa untuk memproses teks dengan LLM:

• Peringkasan: Kita mempelajari cara memadatkan teks menjadi versi yang lebih pendek, sambil mengawal panjang, format dan gaya untuk mendapatkan intipati dengan cepat.
• Pengekstrakan: Kita menumpukan pada pengeluaran maklumat khusus dan berstruktur seperti nama, tarikh atau fakta, dengan menekankan pentingnya menentukan format hasil keluaran seperti JSON atau senarai.

Menguasai teknik ini akan meningkatkan dengan ketara keupayaan anda untuk memproses dan menggunakan maklumat daripada data teks tidak berstruktur dengan cekap menggunakan LLM.