Dicas de Engenharia de Prompt da Microsoft Refinam Saídas de Modelos de Linguagem IA

Resumo TL;DR

• A Microsoft apresenta um guia abrangente sobre engenharia de prompt, fornecendo insights valiosos sobre como criar prompts eficazes para modelos de linguagem IA.
• O guia enfatiza a importância da clareza, especificidade e fornecimento de contexto relevante nos prompts para otimizar o desempenho dos modelos de linguagem.
• As dicas da Microsoft para a composição de prompts incluem ser claro e específico, fornecer saídas de exemplo e refinar os prompts por meio de um processo iterativo.

A Microsoft recentemente apresentou um guia abrangente sobre engenharia de prompt, oferecendo insights inestimáveis sobre a arte de criar prompts eficazes. O guia aborda vários aspectos, incluindo estrutura do prompt, dicas de composição, clareza, especificidade e o fornecimento de saídas de exemplo e informações contextuais. Enfatizando a importância de orientar o modelo a produzir resultados ótimos, o guia destaca a utilidade de incorporar exemplos e contexto relevante. Reconhece que refinar as saídas geradas pelo modelo muitas vezes envolve um processo dinâmico de tentativa e erro, exigindo ajustes iterativos para alcançar o resultado desejado.

O que é um prompt e como você o engenha?

Um prompt é uma instrução ou entrada específica fornecida a um modelo de linguagem para elicitar uma resposta ou saída desejada. Ele serve como ponto de partida para o processo de geração do modelo, orientando seu entendimento e moldando a saída subsequente.

Um prompt consiste em contexto e uma tarefa/pergunta. O contexto fornece informações relevantes ou antecedentes para que o modelo entenda a saída desejada. Por exemplo: “Contexto: Você é um professor do ensino médio. Tarefa/Pergunta: Crie um plano de aula sobre o tópico de fotossíntese, incluindo objetivos de aprendizagem, atividades e métodos de avaliação.”

Engenharia de prompt refere-se ao processo de projetar e refinar estrategicamente prompts para otimizar o desempenho de um modelo de linguagem. Envolve considerar fatores como estrutura do prompt, clareza, especificidade, saídas de exemplo e contexto relevante para orientar o modelo a gerar respostas mais precisas e relevantes. Ao criar e iterar cuidadosamente nos prompts, a engenharia de prompt visa melhorar a qualidade e a eficácia das saídas desejadas do modelo de linguagem.

Dicas da Microsoft para compor prompts

Criar prompts eficazes é um aspecto crucial da engenharia de prompt, e a Microsoft oferece insights valiosos e dicas para aprimorar a arte de compor prompts. Embora a seguinte lista de dicas seja precisa e direta, ela fornece uma base sólida para otimizar a construção de prompts e obter saídas desejadas.

• Seja claro e específico
• Forneça saídas de exemplo
• Forneça contexto relevante
• Refine, refine, refine

Seja claro e específico – orientando o modelo para resultados desejados

Ao compor um prompt, a clareza e a especificidade desempenham um papel vital na moldagem das saídas geradas pelo modelo. Quanto mais explícitas e detalhadas as instruções, menos suposições o modelo precisa fazer, resultando em respostas mais precisas e direcionadas. É crucial estabelecer limites e restrições dentro do prompt para orientar o modelo a produzir os resultados desejados. Por exemplo, um bom prompt pode especificar o formato necessário, critérios ou restrições, como “Forneça um resumo das principais descobertas em no máximo 150 palavras”. Por outro lado, um prompt vago que carece de clareza e especificidade, como “Resuma as descobertas”, pode levar a saídas ambíguas ou inconsistentes devido à interpretação do modelo.

Ao serem claros e específicos em seus prompts, desenvolvedores e usuários podem direcionar efetivamente o entendimento do modelo e incentivá-lo a gerar saídas alinhadas com suas intenções. Fornecer instruções explícitas e definir limites bem definidos dentro do prompt capacita a engenharia de prompt a produzir resultados mais precisos e confiáveis.

Forneça saídas de exemplo – orientando o modelo através do aprendizado zero-shot e few-shot

Para iniciar a geração de saídas, aproveitar as configurações pré-configuradas do modelo treinado, conhecido como aprendizado zero-shot, oferece uma abordagem rápida. No entanto, para aprimorar ainda mais o desempenho do modelo e adaptar suas saídas a tarefas ou domínios específicos, fornecer saídas de exemplo torna-se inestimável. Ao compartilhar exemplos, particularmente usando dados ou cenários semelhantes ao contexto de trabalho pretendido, o modelo pode ser melhor orientado a gerar resultados mais precisos e desejados. Essa técnica, conhecida como aprendizado few-shot, aproveita o poder dos exemplos para aprimorar o entendimento do modelo e melhorar a qualidade de suas saídas geradas.

Por exemplo, vamos considerar um cenário em que você deseja que o modelo resuma artigos de notícias. Através do aprendizado zero-shot, o modelo pode gerar um resumo geral com base em seu pré-treinamento. No entanto, ao fornecer saídas de exemplo de artigos de notícias resumidos anteriormente no mesmo domínio, você pode treinar o modelo para capturar nuances específicas, melhorar a coerência dos resumos e garantir consistência com o estilo e o tom desejados. Dessa forma, o modelo fica melhor equipado para lidar com a tarefa de resumir artigos de notícias de forma eficaz.

Forneça contexto relevante – fundamentando o modelo para desempenho aprimorado

Na engenharia de prompt, oferecer contexto relevante fornecendo fatos e informações adicionais é uma técnica poderosa para orientar o modelo a responder perguntas e realizar várias tarefas. Esse processo, conhecido como fundamentação (grounding), envolve ancorar o entendimento do modelo de informações factuais. O Bing, mecanismo de busca da Microsoft, utiliza uma abordagem semelhante para aprimorar suas capacidades de IA. Junto com o envio de uma consulta, realize uma pesquisa para fornecer informações de páginas da web relevantes. O conteúdo dessas páginas da web é então incorporado como um contexto adicional dentro do prompt, capacitando os modelos de IA a gerar respostas mais alinhadas com a intenção do usuário.

Por exemplo, digamos que você deseja utilizar um modelo de linguagem para ajudar a responder perguntas de trivia histórica. Ao incluir fatos e detalhes históricos relevantes como um contexto dentro do prompt, como o período de tempo específico, figuras históricas envolvidas ou eventos significativos, você pode fornecer ao modelo uma sólida fundamentação em história. Essas informações adicionais permitem que o modelo gere respostas que se baseiam em conhecimento histórico relevante e aumentam a probabilidade de respostas precisas e informativas.

Refine, refine, refine – o caminho iterativo para saídas otimizadas

Na engenharia de prompt, a jornada em direção à geração de saídas ótimas muitas vezes envolve um processo de tentativa e erro. É importante não se desencorajar se os resultados iniciais não estiverem alinhados com suas expectativas. Em vez disso, adote uma abordagem iterativa e experimente as várias técnicas descritas neste artigo para descobrir o que funciona melhor para seu caso de uso específico. Uma estratégia eficaz é reutilizar o conjunto inicial de saídas geradas pelo modelo como um recurso valioso para refinar prompts subsequentes.

Ao incorporar as saídas iniciais no prompt como contexto e orientação adicionais, você fornece ao modelo um loop de feedback que informa e orienta suas iterações subsequentes. Esse processo de refinamento iterativo permite que o modelo aprenda com tentativas anteriores e produza saídas mais refinadas e precisas ao longo do tempo. Portanto, não hesite em refinar, iterar e aproveitar as saídas geradas como degraus em direção à obtenção dos resultados desejados. Lembre-se, o sucesso muitas vezes reside na persistência e na adaptabilidade para ajustar os modelos de engenharia de prompt até que estejam alinhados com suas expectativas.

Conclusão

Com o lançamento deste guia, a Microsoft visa capacitar desenvolvedores e usuários a aproveitar todo o potencial da engenharia de prompt. Ao compreender as intricacidades da construção de prompts, os profissionais podem melhorar o desempenho e a precisão dos modelos de linguagem. A ênfase do guia na clareza e especificidade nos prompts auxilia na elicitação de respostas precisas do modelo. Além disso, a inclusão de saídas de exemplo e contexto relevante permite que o modelo compreenda a intenção desejada e gere respostas mais apropriadas e coerentes. Ao adotar a abordagem iterativa sugerida no guia, os desenvolvedores podem ajustar as saídas e refinar iterativamente os modelos de engenharia de prompt, levando finalmente a resultados melhorados e uma experiência de usuário mais personalizada.