Prompts voor samenvatting en extractie

Je kunt het LLM aansturen om samenvattingen te maken die precies aan je behoeften voldoen. Geef in je prompt specifieke aanwijzingen over:

• Lengte: "in 3 zinnen", "minder dan 100 woorden", "een korte samenvatting".
• Opmaak: "als opsomming", "in een alinea", "als kop".
• Stijl en toon: "voor een niet-technisch publiek", "in een formele toon", "zoals een nieuwsbericht".

Specificiteit helpt het LLM precies de uitvoer te leveren waar je naar zoekt.

Laten we een korte alinea over promptontwerp samenvatten. Zo zou je je prompt kunnen opstellen:

Invoertekst: "Promptontwerp is een concept binnen kunstmatige intelligentie, vooral natuurlijke taalverwerking, dat zich richt op het ontwikkelen en optimaliseren van prompts om taalmodellen efficiënt te gebruiken voor een breed scala aan toepassingen en onderzoeksonderwerpen. Het is een relatief nieuw vakgebied dat de methoden beschrijft om met LLM's te communiceren en hun gedrag te sturen naar gewenste resultaten zonder de gewichten van het model aan te passen."

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."

Extractie draait om het identificeren en eruit halen van specifieke stukjes informatie uit een grotere tekst. In tegenstelling tot samenvatten maak je de tekst niet korter; je isoleert bepaalde gegevens, feiten of entiteiten.

Veelvoorkomende extractietaken zijn het vinden van namen, datums, locaties, productfuncties of sentiment. Deze techniek is cruciaal wanneer je ongestructureerde tekst moet omzetten in gestructureerde gegevens.

Bij het extraheren van informatie is het vaak nuttig om de gewenste indeling van de uitvoer te specificeren. Hierdoor zijn de geëxtraheerde gegevens gemakkelijker te verwerken, analyseren of integreren in andere systemen.

• Lijsten: "Geef alle genoemde bedrijfsnamen weer."
• JSON: "Extraheer de naam, leeftijd en woonplaats als een JSON-object."
• Tabellen: "Geef de bevindingen weer in een tabel met kolommen voor 'Onderdeel' en 'Prijs'."

Duidelijke opmaakinstructies zijn essentieel voor gestructureerde uitvoer van gegevens.

Laten we contactgegevens uit een fragment van een e-mail halen. Zo zou je een LLM een opdracht kunnen geven:

Invoertekst: "Beste John Smith, Bedankt voor je vraag. Onze verkoopmedewerker Sarah Jones is bereikbaar via sarah.jones@example.com of telefonisch via (555) 123-4567. Ons kantoor bevindt zich op 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."

Bij complexere taken kun je deze twee krachtige technieken vaak combineren:

• Eerst samenvatten en dan extraheren: Maak eerst een beknopte samenvatting van een lang document en extraheer daarna specifieke entiteiten of feiten uit die samenvatting.
• Eerst extraheren en dan samenvatten: Extraheer alle relevante feiten en vraag het LLM vervolgens om die geëxtraheerde feiten samen te vatten tot een samenhangende tekst.

Deze modulaire aanpak kan helpen om complexiteit te beheersen en de nauwkeurigheid van je resultaten te verbeteren.

Voor de beste samenvattingen en extracties met je LLM's:

• Wees specifiek: Geef duidelijk je vereisten aan (bijv. lengte van de samenvatting, uitvoerindeling, specifieke entiteiten die je wilt extraheren).
• Gebruik scheidingstekens: Omring de tekst die je wilt verwerken met duidelijke scheidingstekens, zoals drie aanhalingstekens (""") of XML-tags, om deze van je instructies te scheiden.
• Geef context: Leg kort het doel van de samenvatting of extractie uit als dat het LLM helpt het doel te begrijpen.
• Itereer: Als de eerste uitvoer niet perfect is, verfijn je prompt. Kleine wijzigingen kunnen een groot verschil maken!

In deze les hebben we twee krachtige technieken voor promptontwerp verkend om tekst met LLM's te verwerken:

• Samenvatten: We hebben geleerd hoe je tekst kunt terugbrengen tot kortere versies en daarbij de lengte, opmaak en stijl kunt bepalen om snel de kern te begrijpen.
• Extractie: We hebben ons gericht op het eruit halen van specifieke, gestructureerde informatie, zoals namen, datums of feiten, en daarbij het belang benadrukt van het specificeren van uitvoerindelingen zoals JSON of lijsten.

Als je deze technieken beheerst, vergroot je aanzienlijk je vermogen om informatie uit ongestructureerde tekst efficiënt te verwerken en te gebruiken met behulp van LLM's.