Harici Verilerle İstem Oluşturma
Kullanıcı tarafından sağlanan veya dinamik olarak alınan verileri doğrudan istemlerinize dahil etme tekniklerini öğrenin.
Harici Verilerle İstem Oluşturma, CoddyKit'te ücretsiz bir AI Prompt Engineering dersidir. Bu, 3 dersinin 1. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, AI Prompt Engineering öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. AI Prompt Engineering kursu toplamda 3 dersten oluşur.
Giriş: Harici Veriler
Hoş geldiniz! Bu derste, harici verileri dahil ederek LLM istemlerimizi nasıl daha akıllı hâle getirebileceğimizi öğreneceğiz. Bu, LLM'nin eğitim verilerinin parçası olmayan ancak belirli görevinizle ilgili bilgileri vermek anlamına gelir.
Bunu, belirli bir durum için LLM'ye “taze bir bakış” veya “bağlamsal ipuçları” vermek gibi düşünebilirsiniz.
Harici Veriler Neden Önemlidir
Harici verileri dahil etmek çeşitli önemli faydalar sağlar:
- Doğruluk: LLM'nin bilmeyebileceği güncel veya özel bilgileri sağlar.
- Kişiselleştirme: Yanıtları bireysel kullanıcılara veya durumlara göre uyarlar.
- Uygunluk: LLM'nin önem verdiğiniz tam bilgilere odaklanmasını sağlar.
- Halüsinasyonların Azaltılması: LLM'yi gerçek verilere dayandırarak bilgileri uydurma olasılığını azaltır.
Yaygın Veri Kaynakları
Harici veriler birçok yerden gelebilir. İşte birkaç yaygın örnek:
- Kullanıcı Girdisi: Bir kullanıcının yazdığı metin, tercihleri veya profil bilgileri.
- Veritabanları/Uygulama Programlama Arabirimleri: Ürün katalogları, müşteri kayıtları, hava durumu verileri, haber akışları.
- Dosyalar: Belgeler, elektronik tablolar, günlükler veya depolanmış diğer bilgiler.
- Sensörler: Cihazlardan alınan gerçek zamanlı veriler (ör. sıcaklık, konum).
Temel Veri Enjeksiyonu
Harici verileri dahil etmenin en basit yolu, bu verileri doğrudan istem dizenize yerleştirmektir. Bu işlem genellikle dize biçimlendirme veya birleştirme kullanılarak yapılır.
LLM'nin verilerin rolünü anlamasına yardımcı olmak için enjekte ettiğiniz verileri her zaman açıkça etiketleyin.
Bu örneği çalıştırmayı deneyin:
user_name = "Alice"
product_name = "Smartwatch"
prompt = f"User: {user_name}\n" \
f"Product: {product_name}\n" \
f"Please write a short, friendly product review for the {product_name}."
print(prompt)Harici Verileri Yapılandırma
Daha karmaşık veriler için bunları yapılandırılmış bir biçimde sunmanız çok önemlidir. Bu, LLM'nin bilgileri daha güvenilir bir şekilde ayrıştırıp anlamasına yardımcı olur.
Verileri yapılandırmanın yaygın yolları şunlardır:
- Ayraçlar: Bölümleri ayırmak için özel karakterler (ör.
---,###) kullanma. - Anahtar-Değer Çiftleri: Veri alanlarını açıkça adlandırma (ör.
"Name": "Alice"). - JSON/XML: Karmaşık nesneler için standart veri alışverişi biçimlerini kullanma.
Önemli olan tutarlılık ve açıklıktır.
Verilerle Kişiselleştirme
Yapılandırılmış kullanıcı verilerini kullanarak bir mesajı nasıl kişiselleştirebileceğimize bakalım. İstem içinde basit bir anahtar-değer biçimi kullanacağız.
LLM'ye üzerinde çalışması için açıkça “Kullanıcı Profili” verileri sağlandığına dikkat edin.
Bu örneği çalıştırmayı deneyin:
user_profile = {
"name": "Bob",
"membership_level": "Gold",
"last_purchase_date": "2023-10-26"
}
prompt = f"User Profile:\n" \
f"Name: {user_profile['name']}\n" \
f"Membership: {user_profile['membership_level']}\n" \
f"Last Purchase: {user_profile['last_purchase_date']}\n\n" \
f"Write a personalized welcome back message for Bob, " \
f"mentioning his Gold status and recent activity."
print(prompt)Dinamik Veriler ve Bağlam
Harici veriler dinamik, “canlı” bir bağlam da sağlayabilir. Güncel hisse fiyatlarını veya hava durumu verilerini alıp doğrudan isteminize verdiğinizi düşünün.
Bu, LLM'nin yanıtlarını çok daha uygun ve zamanında hâle getirir.
Bu örneği çalıştırmayı deneyin:
current_stock_price = "$150.25"
company_name = "TechCo"
market_status = "Up 1.5% today"
prompt = f"Current Market Data:\n" \
f"Company: {company_name}\n" \
f"Price: {current_stock_price}\n" \
f"Status: {market_status}\n\n" \
f"Summarize TechCo's current market performance for an investor."
print(prompt)Veri Doğrulama ve Güvenlik
Harici verileri, özellikle de kullanıcı girdisini dahil ederken veri doğrulama ve güvenlik konularını dikkate almanız çok önemlidir.
- Girdiyi Arındırın: İstem enjeksiyonu saldırılarını önlemek için potansiyel olarak zararlı karakterleri kaldırın veya kaçışlayın.
- Veri Türlerini Doğrulayın: Sayıların sayı, tarihlerin tarih olduğundan emin olun.
- Boyutu Sınırlayın: Aşırı uzun girdilerin çok fazla belirteç tüketmesini veya hatalara yol açmasını önleyin.
- Gizlilik: Hassas bilgilere dikkat edin ve gerekli değilse bu bilgileri LLM'ye göndermeyin.
Hızlı Sınama: Harici Veriler
Bir ürün açıklaması oluşturmak için bir istem hazırlıyorsunuz. Ürün ayrıntılarını içeren bir sözlüğünüz var: {'name': 'Eco-Friendly Water Bottle', 'material': 'Recycled Plastic', 'capacity_ml': 750}.
Açık bir LLM anlayışı için bu verileri bir isteme en iyi şekilde hangi yaklaşım dahil eder?
Özet ve Sonraki Adımlar
Harika iş! LLM yanıtlarını geliştirmek için harici verileri istemlerinize nasıl entegre edeceğinizi öğrendiniz.
- Harici veriler doğruluk, kişiselleştirme ve uygunluk sağlar.
- Bu veriler kullanıcı girdisinden, veritabanlarından, uygulama programlama arabirimlerinden ve daha birçok kaynaktan gelebilir.
- Karmaşık veriler için açık yapılandırma (anahtar-değer çiftleri veya JSON gibi) hayati önem taşır.
- Harici kaynakları kullanırken veri doğrulama ve güvenlik konularını her zaman dikkate alın.
Sırada, bu kavramları temel alarak daha kapsamlı harici bilgileri getiren Bilgi Getirmeyle Zenginleştirilmiş Üretim (RAG) konusunu ele alacağız!
Sıkça Sorulan Sorular
“Harici Verilerle İstem Oluşturma” dersi ücretsiz mi?
Evet — “Harici Verilerle İstem Oluşturma” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve AI Prompt Engineering kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. AI Prompt Engineering kursu toplamda 3 dersten oluşur.
“Harici Verilerle İstem Oluşturma” dersinde ne öğreneceğim?
Kullanıcı tarafından sağlanan veya dinamik olarak alınan verileri doğrudan istemlerinize dahil etme tekniklerini öğrenin. AI Prompt Engineering ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
AI Prompt Engineering öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te AI Prompt Engineering, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 3 dersinin 1. dersidir.
“Harici Verilerle İstem Oluşturma” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu AI Prompt Engineering dersinde kod yazıp çalıştırabilir miyim?
Evet. Her AI Prompt Engineering dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- Harici Verilerle İstem Oluşturma
- Retrieval Augmented Generation (RAG)
- İstem Oluşturma için Vektör Veritabanları