Prompts para sumarização e extração

Os modelos de linguagem de grande porte (LLMs) são ferramentas poderosas para processar grandes volumes de texto. Duas tarefas fundamentais e muito valiosas que você pode realizar com eles são a sumarização e a extração.

A sumarização ajuda você a entender rapidamente os pontos principais de documentos longos. A extração permite localizar e retirar dados específicos e estruturados. Dominar essas técnicas economiza tempo e torna as informações úteis para ações!

Sumarização é o processo de condensar um texto mais longo em uma versão mais curta, garantindo que seu significado central e as informações principais sejam preservados. Pense nisso como criar uma visão geral concisa ou um resumo.

Para solicitar um resumo a um LLM, normalmente você fornece o texto e uma instrução clara. Por exemplo:

"Summarize the following article: [ARTICLE TEXT]"

Você pode orientar o LLM a produzir resumos que atendam precisamente às suas necessidades. Seja específico em sua instrução sobre:

• Tamanho: "em 3 frases", "com menos de 100 palavras", "um resumo breve".
• Formato: "em tópicos", "em um parágrafo", "como um título".
• Estilo/Tom: "para um público não técnico", "em tom formal", "como uma reportagem".

A especificidade ajuda o LLM a fornecer exatamente a saída que você procura.

Vamos resumir um parágrafo curto sobre engenharia de instruções. Veja como você poderia elaborar sua instrução:

Texto de entrada: "A engenharia de instruções é um conceito da inteligência artificial, especialmente do processamento de linguagem natural, que se concentra no desenvolvimento e na otimização de instruções para usar modelos de linguagem com eficiência em uma ampla variedade de aplicações e tópicos de pesquisa. É uma disciplina relativamente nova, que descreve os métodos de comunicação com LLMs para orientar seu comportamento rumo aos resultados desejados sem modificar os pesos do modelo."

Instrução:

"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."

Extração consiste em identificar e retirar partes específicas de informação de um texto maior. Ao contrário da sumarização, você não está condensando o texto; está isolando pontos de dados, fatos ou entidades específicos.

As tarefas comuns de extração incluem localizar nomes, datas, locais, características de produtos ou sentimento. Essa técnica é crucial quando você precisa converter texto não estruturado em dados estruturados.

Ao extrair informações, geralmente é útil especificar o formato de saída desejado. Isso facilita processar, analisar ou integrar os dados extraídos a outros sistemas.

• Listas: "Liste todos os nomes de empresas mencionados."
• JSON: "Extraia o nome, a idade e a cidade como um objeto JSON."
• Tabelas: "Apresente os resultados em uma tabela com colunas para 'Elemento' e 'Preço'."

Instruções claras de formatação são vitais para saídas de dados estruturados.

Vamos extrair dados de contato de um trecho de e-mail. Veja como você poderia formular uma instrução para um LLM:

Texto de entrada: "Prezado John Smith, agradeço por sua consulta. Nossa representante de vendas, Sarah Jones, pode ser contatada pelo endereço sarah.jones@example.com ou pelo telefone (555) 123-4567. Nosso escritório está localizado em 123 Main St, Anytown, USA."

Instrução:

"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."

Para tarefas mais complexas, geralmente você pode combinar essas duas técnicas poderosas:

• Resumir e depois extrair: primeiro, obtenha um resumo conciso de um documento longo e, em seguida, extraia entidades ou fatos específicos desse resumo.
• Extrair e depois resumir: extraia todos os fatos relevantes e, em seguida, peça ao LLM que resuma esses fatos extraídos em uma afirmação coerente.

Essa abordagem modular pode ajudar a gerenciar a complexidade e melhorar a precisão dos seus resultados.

Para obter as sumarizações e extrações mais eficazes dos seus LLMs:

• Seja específico: declare claramente seus requisitos (por exemplo, tamanho do resumo, formato da saída e entidades específicas a serem extraídas).
• Use delimitadores: coloque o texto que você deseja processar entre delimitadores claros, como aspas triplas (""") ou etiquetas XML, para separá-lo das suas instruções.
• Forneça contexto: explique brevemente o objetivo da sumarização ou extração, se isso ajudar o LLM a entender a finalidade.
• Faça iterações: se a saída inicial não for perfeita, refine sua instrução. Pequenas alterações podem fazer uma grande diferença!

Considere os cenários a seguir. Quais dessas tarefas exigiriam principalmente extração (e não sumarização) de um determinado texto?

Nesta lição, exploramos duas técnicas poderosas de engenharia de instruções para processar textos com LLMs:

• Sumarização: aprendemos a condensar textos em versões mais curtas, controlando o tamanho, o formato e o estilo para captar rapidamente a ideia geral.
• Extração: concentramos-nos em retirar informações específicas e estruturadas, como nomes, datas ou fatos, enfatizando a importância de especificar formatos de saída, como JSON ou listas.

Dominar essas técnicas aumentará significativamente sua capacidade de processar e utilizar com eficiência informações provenientes de textos não estruturados usando LLMs.