Prompter for oppsummering og uttrekking

Du kan styre LLM-en til å lage sammendrag som passer nøyaktig til behovene dine. Vær spesifikk i prompten når det gjelder:

• Lengde: «i tre setninger», «under 100 ord», «et kort sammendrag».
• Format: «som en punktliste», «i et avsnitt», «som en overskrift».
• Stil eller tone: «for et ikke-teknisk publikum», «i en formell tone», «som en nyhetsrapport».

Presise instrukser hjelper LLM-en med å levere akkurat det resultatet du ønsker.

La oss oppsummere et kort avsnitt om prompt engineering. Slik kan du utforme prompten:

Inndatatekst: «Prompt engineering er et konsept innen kunstig intelligens, særlig behandling av naturlig språk, som handler om å utvikle og optimalisere prompter for å bruke språkmodeller effektivt til et bredt spekter av bruksområder og forskningstemaer. Det er et relativt nytt fagfelt som beskriver metodene for å kommunisere med LLM-er for å styre atferden deres mot ønskede resultater uten å endre modellens vekter.»

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."

Uttrekking handler om å identifisere og hente ut bestemte informasjonsbiter fra en større tekst. I motsetning til oppsummering sammenfatter du ikke teksten; du isolerer bestemte datapunkter, fakta eller entiteter.

Vanlige oppgaver for uttrekking er å finne navn, datoer, steder, produktegenskaper eller sentiment. Denne teknikken er avgjørende når du må konvertere ustrukturert tekst til strukturerte data.

Når du trekker ut informasjon, er det ofte nyttig å angi ønsket utdataformat. Da blir de uttrukne dataene enklere å behandle, analysere eller integrere i andre systemer.

• Lister: «List opp alle firmanavn som er nevnt.»
• JSON: «Trekk ut navn, alder og by som et JSON-objekt.»
• Tabeller: «Presenter funnene i en tabell med kolonnene «Element» og «Pris».»

Tydelige formateringsinstruksjoner er avgjørende for strukturerte utdata.

La oss trekke ut kontaktopplysninger fra et utdrag av en e-post. Slik kan du utforme en prompt til en LLM:

Inndatatekst: «Kjære John Smith, takk for henvendelsen. Salgsrepresentanten vår, Sarah Jones, kan nås på sarah.jones@example.com eller på telefon (555) 123-4567. Kontoret vårt ligger i 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."

For mer komplekse oppgaver kan du ofte kombinere disse to kraftige teknikkene:

• Oppsummer først, trekk deretter ut: Lag først et kortfattet sammendrag av et langt dokument, og trekk deretter ut bestemte entiteter eller fakta fra sammendraget.
• Trekk først ut, og oppsummer deretter: Trekk ut alle relevante fakta, og be deretter LLM-en om å oppsummere disse faktaene i en sammenhengende formulering.

Denne modulære fremgangsmåten kan gjøre det enklere å håndtere kompleksitet og forbedre nøyaktigheten på resultatene.

Følg disse rådene for å få mest mulig effektive oppsummeringer og uttrekk fra LLM-ene dine:

• Vær spesifikk: Angi tydelig hva du trenger (for eksempel sammendragets lengde, utdataformat eller bestemte entiteter som skal trekkes ut).
• Bruk skilletegn: Omslutt teksten du vil behandle, med tydelige skilletegn, for eksempel tre anførselstegn (""") eller XML-tagger, slik at den skilles fra instruksjonene dine.
• Oppgi kontekst: Forklar kort formålet med oppsummeringen eller uttrekkingen hvis det hjelper LLM-en med å forstå målet.
• Iterer: Hvis det første resultatet ikke er perfekt, kan du forbedre prompten. Små endringer kan utgjøre en stor forskjell!

I denne leksjonen utforsket vi to kraftige prompt engineering-teknikker for behandling av tekst med LLM-er:

• Oppsummering: Vi lærte hvordan tekst kan sammenfattes til kortere versjoner, samtidig som lengde, format og stil kan styres for å få oversikten raskt.
• Uttrekking: Vi fokuserte på å hente ut spesifikk, strukturert informasjon som navn, datoer eller fakta, og fremhevet hvor viktig det er å angi utdataformater som JSON eller lister.

Når du behersker disse teknikkene, blir du betydelig bedre i stand til å behandle og bruke informasjon fra ustrukturerte tekstdata effektivt ved hjelp av LLM-er.