Wie KI-Prompt-Engines erstaunlich über 300.000 $ in Finanzen, Gesundheitswesen oder Recht verdienen

Der AI Prompt Engineer ist das Gesprächsthema der Stunde und eine einzelne Person kann bis zu 335.000 US-Dollar pro Jahr verdienen – ohne Abschluss in Computertechnik oder fortgeschrittene Programmierkenntnisse. Large Language Models (LLMs) wie ChatGPT und Bard sind leistungsstark, aber ihre Kraft wird am besten von Menschen mit Expertise in deren Funktionsweise genutzt. „Ähnlich wie bei allem im Leben“, scherzte ein Bewerber für die Position. Große Unternehmen stellen Leute ein, um LLMs zu verstehen und das Beste aus der KI-Technologie herauszuholen. Diese Jobs könnten für Prompt Engineers mit allgemeiner Erfahrung sein oder für Leute mit domänenspezifischeren Fähigkeiten, beispielsweise in den Bereichen Finanzen, Gesundheitswesen oder Recht. Hier sind entscheidende Tipps für Bewerber.

Ein kürzlich erschienener Forschungsbericht der Stanford University, in Zusammenarbeit mit der University of California, Berkeley, und dem Forschungsinstitut Samaya AI, unterstreicht die Bedeutung des Prompt Engineering zur Verbesserung der Leistung von KI-Modellen. Die Studie zeigt, dass die Länge der Prompts, die an KI-Modelle gegeben werden, ihre Fähigkeit, Befehle genau auszuführen, erheblich beeinflusst. Das Verständnis dieser entscheidenden Informationen kann zu wirkungsvolleren Interaktionen mit KI führen, insbesondere in der Finanzbranche, wo große Finanzinstitute KI-Forscher mit Gehältern von über 300.000 US-Dollar einstellen, um die Fähigkeiten von KI-Bots zu erforschen.

Die Herausforderung der Prompt-Länge bei KI-Modellen

Die Forschung weist darauf hin, dass Sprachmodelle, die hauptsächlich auf Transformern basieren, Schwierigkeiten mit langen Sequenzen haben, was zu Problemen bei der Verarbeitung langer Prompts führt. Das „Kontextfenster“ eines Sprachmodells, das Wörter um einen Schlüsselbegriff herum berücksichtigt, wenn es Antworten generiert, ist in diesem Kontext entscheidend. Die Studie identifiziert eine „charakteristische U-Kurve“ in der Genauigkeit von Sprachmodellen, bei der Informationen, die näher an der Mitte eines Prompts liegen, tendenziell ignoriert werden, was die Leistung des Modells beeinträchtigt. Die Implikation ist, dass Informationen am Anfang und Ende von Prompts zwar noch nützlich sind, kritische Daten in der Mitte jedoch übersehen werden können.

Überwindung der Einschränkungen von Transformern

Die schlechte Skalierbarkeit von Transformern auf lange Sequenzen stellt eine Herausforderung für das Prompt Engineering dar. Die Vergrößerung der Größe des Kontextfensters, die Meta-Wissenschaftler durch Position Interpolation erforscht hatten, könnte wie eine Lösung erscheinen. Die Stanford-Studie zeigt jedoch, dass, wenn der vollständige Prompt die Kapazität des Fensters überschreitet, die Ergebnisse eine „fast überlagerte“ Kurve zeigen, was auf eine begrenzte Verbesserung der Modellleistung hindeutet.

Finanzinstitute nutzen KI-Forschung

Jenseits der akademischen Kreise investieren führende Finanzinstitute aktiv in KI-Forschung, um die Fähigkeiten von KI-Bots in ihren Operationen zu erforschen. Bloomberg entwickelt derzeit BloombergGPT und stellt mehrere leitende KI-Forscher mit Gehältern, die 300.000 US-Dollar übersteigen, ein. JPMorgan erhöht ebenfalls erheblich die Einstellung von KI-fokussiertem Personal für Produktions- und Forschungsrollen, wobei insbesondere die Entwicklung seines Finanzberatungs-Bots IndexGPT betont wird. Um in diesen Rollen erfolgreich zu sein, müssen Kandidaten die Bedeutung des Prompt Engineering und dessen Auswirkungen auf die Leistung von KI-Modellen verstehen.

Die Rolle von KI-Prompt-Engines in der Finanzbranche

Prompt Engineering hat ein enormes Potenzial in der Finanzbranche, wo KI-Bots Workflows, Risikomanagement und Kundenservice erheblich beeinflussen können. Durch die Optimierung der Prompt-Strukturen können Finanzinstitute die Fähigkeiten von KI-Bots zur genauen Analyse und Verarbeitung von Daten verbessern, was zu fundierteren Entscheidungen und besseren Kundenerlebnissen führt.

Nutzung von Unterüberschriften für wirkungsvolles Prompt Engineering

1. Verständnis der Auswirkungen der Prompt-Länge: Die Stanford-Studie wirft Licht darauf, wie Prompts die Leistung von KI-Modellen beeinflussen, und drängt Prompt Engineers, ein Gleichgewicht zwischen relevanten Informationen und der Kürze des Prompts zu finden.

2. Die Herausforderung von Transformern und dem Kontextfenster: Die Einschränkungen von Transformern beim Umgang mit langen Sequenzen stellen erhebliche Herausforderungen für das Prompt Engineering dar, was es entscheidend macht, die Größe des Kontextfensters für effektive KI-Interaktionen zu optimieren.

3. Das U-Kurven-Phänomen: Die Forschung offenbart das U-Kurven-Muster der Genauigkeit in Sprachmodellen und betont die Notwendigkeit, kritische Informationen von der Mitte der Prompts fernzuhalten, um die KI-Leistung zu verbessern.

4. Überwindung des Transformer-Dilemmas: Während die Vergrößerung der Kontextfenstergröße vielversprechend erscheint, hebt die Studie die potenziellen Einschränkungen hervor, wenn Prompts die Kapazität des Fensters überschreiten, was innovative Ansätze im Prompt Engineering erforderlich macht.

5. KI-Forschung in der Finanzbranche: Finanzinstitute embracing KI-Forschung und stellen leitende KI-Forscher mit wettbewerbsfähigen Gehältern ein, um die Fähigkeiten von KI-Bots zu erforschen, insbesondere zur Verbesserung der Finanzberatung und des Risikomanagements.

6. Potenzial der KI freischalten: Durch die Annahme wirkungsvollen Prompt Engineering kann die Finanzbranche KI-Bots nutzen, um Workflows zu rationalisieren, die Risikobewertung zu optimieren und den Kundenservice zu verbessern, was zu größerer Effizienz und Wettbewerbsfähigkeit beiträgt.

Prompt Engineering ist ein entscheidender Aspekt der KI-Interaktionen und hat erheblichen Einfluss auf die Leistung von Sprachmodellen. Da Finanzinstitute weiterhin in KI-Forschung investieren, wird die Optimierung der Prompt-Strukturen immer wichtiger, um das volle Potenzial von KI-Bots freizuschalten. Fachkräfte können KI-Technologie nutzen, um die Finanzbranche zu transformieren und in einer sich schnell entwickelnden digitalen Landschaft größeren Erfolg zu erzielen, indem sie die Herausforderungen und Möglichkeiten im Prompt Engineering verstehen.

Worte der Vorsicht

Denken Sie darüber nach, den Studiengang mitten im Studium zu wechseln? Jemand warnte, es sei zu früh zu wissen, ob ein Job als Prompt Engineer Bestand hat und langfristiges Potenzial besitzt. Denken Sie daran, dass vor nicht allzu langer Zeit jeder im Silicon Valley von ihren „traditionellen“ Tech-Jobs abging, um in Krypto, NFTs, Web 3.0 und das Metaverse einzusteigen? Viele dieser Jobs haben sich nicht bewährt, und Prompt-Engineering-Jobs könnten auf die gleiche Weise enden. KI wird mit Tweaks von KI-Entwicklern immer intelligenter und wird in der Lage sein, sich selbst zu prompten, wodurch die Notwendigkeit für viel menschliches Prompting entfällt. AutoGPT ist bereits auf diesem Weg.

Im Laufe der Zeit kann das Prompt Engineering seine Neuheit verlieren, was es weniger wahrscheinlich macht, dass wir „Experten“ in diesem Bereich benötigen. Es ist auch völlig möglich, dass die gesamte KI-Branche Schurken hervorbringt – wie bei allen wettbewerbsintensiven und hochriskanten Dingen – und in sich zusammenbricht. Seien Sie also vorsichtig mit Ihren Lebensentscheidungen.