พรอมป์สำหรับสรุปและสกัดข้อมูล

โมเดลภาษาขนาดใหญ่ (LLM) เป็นเครื่องมือทรงพลังสำหรับประมวลผลข้อความจำนวนมหาศาล งานพื้นฐานและมีคุณค่าอย่างยิ่งสองประเภทที่คุณสามารถทำได้ด้วยโมเดลเหล่านี้คือ การสรุป และ การดึงข้อมูล

การสรุป ช่วยให้คุณเข้าใจประเด็นสำคัญของเอกสารยาว ๆ ได้อย่างรวดเร็ว ส่วน การดึงข้อมูล ช่วยให้คุณระบุและดึงข้อมูลที่มีโครงสร้างเฉพาะออกมาได้ การเชี่ยวชาญทั้งสองทักษะนี้ช่วยประหยัดเวลาและทำให้ข้อมูลนำไปใช้ได้จริง!

การสรุปคือกระบวนการย่อข้อความที่ยาวให้เป็นเวอร์ชันที่สั้นลง โดยยังคงความหมายหลักและข้อมูลสำคัญไว้อย่างครบถ้วน ลองนึกภาพว่าเป็นการสร้างภาพรวมที่กระชับหรือบทคัดย่อ

โดยทั่วไป หากต้องการเขียนพรอมต์ให้ LLM สร้างบทสรุป คุณจะใส่ข้อความพร้อมคำสั่งที่ชัดเจน ตัวอย่างเช่น:

"Summarize the following article: [ARTICLE TEXT]"

คุณสามารถชี้นำให้ LLM สร้างบทสรุปที่ตรงตามความต้องการของคุณได้อย่างแม่นยำ ในพรอมต์ควรระบุรายละเอียดเกี่ยวกับ:

• ความยาว: "3 ประโยค" "ไม่เกิน 100 คำ" "บทสรุปสั้น ๆ"
• รูปแบบ: "เป็นรายการหัวข้อย่อย" "เป็นย่อหน้า" "เป็นพาดหัว"
• รูปแบบ/น้ำเสียง: "สำหรับผู้อ่านที่ไม่ใช่สายเทคนิค" "ใช้น้ำเสียงเป็นทางการ" "เหมือนรายงานข่าว"

การระบุรายละเอียดอย่างชัดเจนช่วยให้ LLM มอบผลลัพธ์ตรงตามที่คุณต้องการ

มาลองสรุปย่อหน้าสั้น ๆ เกี่ยวกับวิศวกรรมพรอมต์กัน ต่อไปนี้คือตัวอย่างการสร้างพรอมต์:

ข้อความป้อนเข้า: "วิศวกรรมพรอมต์เป็นแนวคิดหนึ่งในปัญญาประดิษฐ์ โดยเฉพาะการประมวลผลภาษาธรรมชาติ ซึ่งมุ่งเน้นการพัฒนาและปรับปรุงพรอมต์ให้สามารถใช้โมเดลภาษาได้อย่างมีประสิทธิภาพสำหรับแอปพลิเคชันและหัวข้อการวิจัยที่หลากหลาย สาขานี้เป็นศาสตร์ที่ค่อนข้างใหม่ โดยอธิบายวิธีสื่อสารกับ LLM เพื่อชี้นำพฤติกรรมของโมเดลไปสู่ผลลัพธ์ที่ต้องการโดยไม่ต้องแก้ไขค่าน้ำหนักของโมเดล"

พรอมต์:

"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."

การดึงข้อมูลคือการระบุและดึงข้อมูลบางส่วนที่ต้องการออกจากข้อความขนาดใหญ่ ต่างจากการสรุปตรงที่คุณไม่ได้ย่อข้อความ แต่กำลังแยกจุดข้อมูล ข้อเท็จจริง หรือเอนทิตีเฉพาะออกมา

งานดึงข้อมูลที่พบบ่อย ได้แก่ การค้นหาชื่อ วันที่ สถานที่ คุณลักษณะของผลิตภัณฑ์ หรือความรู้สึก เทคนิคนี้มีความสำคัญอย่างยิ่งเมื่อต้องแปลงข้อความที่ไม่มีโครงสร้างให้เป็นข้อมูลที่มีโครงสร้าง

เมื่อดึงข้อมูล มักเป็นประโยชน์อย่างยิ่งหากระบุรูปแบบผลลัพธ์ที่ต้องการ วิธีนี้ทำให้ประมวลผล วิเคราะห์ หรือนำข้อมูลที่ดึงมาไปผสานกับระบบอื่นได้ง่ายขึ้น

• รายการ: "แสดงชื่อบริษัททั้งหมดที่มีการกล่าวถึง"
• JSON: "ดึงชื่อ อายุ และเมืองออกมาเป็นออบเจ็กต์ JSON"
• ตาราง: "นำเสนอข้อมูลที่ค้นพบในตารางที่มีคอลัมน์ 'รายการ' และ 'ราคา'"

คำสั่งจัดรูปแบบที่ชัดเจนมีความสำคัญอย่างยิ่งต่อผลลัพธ์ข้อมูลแบบมีโครงสร้าง

มาลองดึงรายละเอียดการติดต่อจากข้อความบางส่วนของอีเมลกัน ต่อไปนี้คือตัวอย่างพรอมต์สำหรับ LLM:

ข้อความป้อนเข้า: "เรียน John Smith ขอบคุณสำหรับการสอบถามของคุณ ตัวแทนฝ่ายขายของเรา Sarah Jones ติดต่อได้ที่ sarah.jones@example.com หรือทางโทรศัพท์ที่ (555) 123-4567 สำนักงานของเราตั้งอยู่ที่ 123 Main St, Anytown, USA"

พรอมต์:

"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."

สำหรับงานที่ซับซ้อนยิ่งขึ้น คุณมักสามารถผสานเทคนิคทรงพลังสองอย่างนี้เข้าด้วยกัน:

• สรุปแล้วดึงข้อมูล: ขั้นแรกสร้างบทสรุปที่กระชับของเอกสารยาว จากนั้นดึงเอนทิตีหรือข้อเท็จจริงเฉพาะจากบทสรุปนั้น
• ดึงข้อมูลแล้วสรุป: ดึงข้อเท็จจริงที่เกี่ยวข้องทั้งหมดออกมาก่อน จากนั้นขอให้ LLM สรุปข้อเท็จจริงเหล่านั้นเป็นข้อความที่สอดคล้องกัน

แนวทางแบบแยกส่วนนี้ช่วยจัดการความซับซ้อนและเพิ่มความถูกต้องของผลลัพธ์ได้

หากต้องการได้บทสรุปและข้อมูลที่ดึงออกมาอย่างมีประสิทธิภาพสูงสุดจาก LLM:

• ระบุรายละเอียดให้ชัดเจน: ระบุข้อกำหนดของคุณอย่างชัดเจน (เช่น ความยาวบทสรุป รูปแบบผลลัพธ์ เอนทิตีเฉพาะที่ต้องการดึงออกมา)
• ใช้ตัวคั่น: ครอบข้อความที่ต้องการประมวลผลด้วยตัวคั่นที่ชัดเจน เช่น เครื่องหมายอัญประกาศสามตัว (""") หรือแท็ก XML เพื่อแยกข้อความออกจากคำสั่ง
• ให้บริบท: อธิบายจุดประสงค์ของการสรุปหรือการดึงข้อมูลโดยสังเขป หากช่วยให้ LLM เข้าใจเป้าหมาย
• ปรับปรุงซ้ำ: หากผลลัพธ์เริ่มต้นยังไม่สมบูรณ์แบบ ให้ปรับปรุงพรอมต์ การเปลี่ยนแปลงเล็กน้อยอาจสร้างความแตกต่างได้อย่างมาก!

ในบทเรียนนี้ เราได้สำรวจเทคนิควิศวกรรมพรอมต์ทรงพลังสองอย่างสำหรับประมวลผลข้อความด้วย LLM:

• การสรุป: เราได้เรียนรู้วิธีย่อข้อความให้เป็นเวอร์ชันที่สั้นลง พร้อมควบคุมความยาว รูปแบบ และรูปแบบการเขียน เพื่อให้เข้าใจใจความสำคัญได้อย่างรวดเร็ว
• การดึงข้อมูล: เรามุ่งเน้นการดึงข้อมูลเฉพาะที่มีโครงสร้าง เช่น ชื่อ วันที่ หรือข้อเท็จจริงออกมา พร้อมเน้นความสำคัญของการระบุรูปแบบผลลัพธ์ เช่น JSON หรือรายการ

การเชี่ยวชาญเทคนิคเหล่านี้จะเพิ่มความสามารถของคุณอย่างมากในการประมวลผลและใช้ข้อมูลจากข้อความที่ไม่มีโครงสร้างด้วย LLM ได้อย่างมีประสิทธิภาพ