Dicas para padrões de prompt de Large Language Models (LLM)

Modelos de IA generativa (Gen AI), como o ChatGPT, são treinados usando uma variedade de textos da internet. No entanto, a inteligência artificial (IA) não tem informações específicas sobre os documentos ou fontes de referências usados em seu processo de treinamento. Em vez de focar nos detalhes, o modelo é treinado para ser geral, permitindo respostas criativas, conversas complexas e até mesmo tenha senso de humor. No entanto, a IA não possui compreensão, discernimento ou crença. Suas respostas são geradas com base em padrões aprendidos por meio dos dados de treinamento.

Sistemas de IA como o ChatGPT ou qualquer modelo de linguagem de larga escala (LLM) são reflexos do conhecimento coletivo da humanidade em uma única interface. Eles reorganizam o conteúdo existente da Internet, mas não "pensam", não são "inteligentes" no sentido humano, não têm "inteligência geral" como solucionadores de problemas gerais e não têm "consciência" do que encontram.

Como a IA generativa funciona: o que são tokens?

A forma como esses modelos operam é baseada no conceito de tokens, os quais são unidades discretas de linguagem que variam de caracteres individuais a palavras inteiras. Esses modelos processam um número específico de tokens por vez usando cálculos matemáticos complexos para prever o próximo token mais provável em uma sequência.

Modelos como os transformadores pré-treinados generativos (GPTs) geram um token de texto por vez. Após produzir cada token, o modelo revisa toda a sequência gerada até o momento e a processa novamente para gerar o próximo token. Esse processo recursivo continua até que o token final conclua o texto gerado.

Isso significa que a qualidade da resposta da IA depende do prompt ou da instrução fornecida pelo usuário. Em outras palavras, a maneira como interagimos e instruímos a IA influencia significativamente a qualidade das respostas que ela produz.

O que é engenharia de prompts?

Engenharia de prompts se refere à prática de projetar e criar prompts ou instruções eficazes para modelos de IA a fim de alcançar os resultados desejados. No contexto de modelos de linguagem como o GPT-3, a engenharia de prompts envolve a formulação de um texto de entrada que leva o modelo a gerar respostas precisas, relevantes e contextualmente adequadas.

Uma engenharia de prompt eficaz é crucial porque modelos de linguagem como o GPT-3 não possuem compreensão verdadeira ou raciocínio de senso comum. Eles geram respostas com base em padrões aprendidos com dados de treinamento. A elaboração de prompts bem projetados pode ajudar a orientar o modelo a produzir saídas mais precisas e significativas, enquanto prompts mal formulados podem levar a resultados incorretos ou sem sentido.

O que é design de prompts?

Design de prompt é a elaboração sistemática de instruções adequadas para um LLM como o ChatGPT, visando alcançar um objetivo específico e bem definido. Essa prática combina elementos artísticos e científicos e inclui:

• Compreensão do LLM: LLMs diferentes respondem de maneira diferente ao mesmo prompt. Além disso, certos modelos de linguagem podem ter palavras-chave ou dicas distintas que acionam interpretações específicas em suas respostas.
• Especialidade no domínio: proficiência no campo relevante é crucial para formular prompts. Por exemplo, criar um prompt para deduzir um diagnóstico médico exige conhecimento médico.
• Processo iterativo e avaliação da qualidade: desenvolver o prompt perfeito geralmente envolve tentativa e refinamento. É essencial ter um método para avaliar a qualidade da saída gerada que vá além do julgamento subjetivo.

Limitações de tamanho de prompt

Reconhecer a importância da restrição de tamanho de um LLM é crucial, por influenciar diretamente a quantidade e a natureza das informações que podemos oferecer. Os modelos de linguagem não são projetados para lidar com uma quantidade infinita de dados de uma só vez. Em vez disso, há uma restrição inerente ao tamanho do prompt que você pode construir e inserir. Essa limitação tem profundas implicações em como você formula e utiliza prompts com eficiência.

Os LLMs têm uma capacidade máxima de token que abrange o prompt e a resposta resultante. Consequentemente, prompts mais longos podem reduzir o comprimento da resposta gerada. É importante criar prompts concisos, mas que transmitam as informações necessárias.

Em cenários práticos, você deve adotar a função de editor, selecionando cuidadosamente os detalhes pertinentes para uma tarefa. Esse processo reflete a maneira como você aborda a escrita de um artigo ou artigo em um limite específico de palavras, ou páginas. Nesses casos, você não pode simplesmente despejar fatos aleatórios. Em vez disso, você deve escolher e organizar cuidadosamente as informações que são diretamente relevantes para o assunto.

Prompt design é uma habilidade humana que ajuda a garantir um conteúdo preciso e bem estruturado. As ferramentas podem ajudar um redator a ser mais produtivo, mas não substituem um redator. A Gen AI exige a assistência de um redator, pesquisador e editor conhecedor e experiente. Para ser um bom criador de prompts, você precisa das mesmas habilidades que um bom redator de conteúdo.

Técnicas para design e engenharia prompts

Você decide qual prompt usar em cada situação. Por exemplo, se você estiver escrevendo um artigo longo, o prompt de cadeia de pensamento é útil para gerar informações de uma seção por vez. A lista a seguir não engloba todas as estratégias de design de prompt que existem, mas contém alguns dos principais padrões em uso hoje em dia.

Padrão de persona

O Persona Pattern é uma técnica que direciona a IA para operar a partir de um ponto de vista específico, como adotar uma função profissional ou incorporar um personagem fictício. Essa abordagem capacita o modelo a gerar saídas alinhadas com as responsabilidades associadas a essa persona específica. Por exemplo, você pode instruir a IA a assumir a função de especialista em cibersegurança durante a avaliação do código. Essa estratégia se torna especialmente relevante quando você busca orientação, mas não tem especificações precisas para o resultado desejada. Veja alguns exemplos:

Nesse cenário, espera-se que a IA forneça uma visão abrangente da Guerra do Peloponeso com foco em suas causas, como seria de esperar do ponto de vista de um historiador. Observe o estilo de escrita e vocabulário acadêmico de alto nível usados no prompt. A resposta corresponderá a esse estilo. Em outras palavras, seu estilo de escrita no prompt determina o estilo do conteúdo gerado. Isso vale para todas as abordagens de prompts, então adapte a forma de redigir seus prompts ao contexto do meio onde o texto será publicado.

Do ponto de vista de um profissional de marketing, você pode usar o padrão Persona Pattern para pensar como seus clientes. Sem revelar nenhuma informação confidencial, você pode pedir à IA que assuma o papel do seu público-alvo e depois fazer perguntas. A IA responderá do ponto de vista teórico do cliente. É claro que isso não é infalível e de forma alguma substitui uma boa pesquisa e coleta de dados de marketing. No entanto, ele pode ajudar você a escrever diferentes formas de texto e gerar ideias.

Novo padrão de informações

A IA tem suas limitações e uma das mais significativas é não reconhecer informações além dos seus dados de treinamento. A IA não inclui eventos recentes ou considera atualizações que ocorreram após o treinamento. No entanto, você pode incorporar novas informações ao conhecimento do modelo estruturando seus prompts de maneira eficaz. Por exemplo, considere a seguinte interação:

Ao fornecer um pouco mais de contexto no prompt, você pode criar uma explicação mais fidedigna:

Padrão de perguntas de refinamento

A IA consegue ajudar a melhorar a qualidade das suas consultas. Por exemplo, se você fizer uma pergunta, a IA pode propor uma pergunta formulada com precisão que provavelmente geraria resultados mais precisos.

Essa capacidade é encapsulada no padrão de perguntas refinadas. Isso é especialmente relevante quando você não tem experiência em um campo específico ou não tem certeza sobre a melhor maneira de formular sua pergunta. Considere este exemplo de prompt:

Nesse cenário, espera-se que a IA aprimore suas consultas sobre ciência de dados restringindo-as a perguntas que considerem especificamente os aspectos da análise estatística. A IA perguntará se o usuário deseja continuar com a pergunta refinada.

Padrão de verificador cognitivo

O padrão de verificador cognitivo envolve um método de desconstrução de perguntas complexas em subperguntas menores e mais gerenciáveis. As respostas a esses componentes menores são posteriormente integradas para gerar uma resposta abrangente à pergunta principal. Essa abordagem se torna especialmente relevante quando as perguntas iniciais são muito amplas ou quando mais clareza é necessária para fornecer uma resposta completa. Considere este exemplo:

Nesse cenário, a IA divide a pergunta complexa sobre a estrutura de inferência de pesquisa em três subperguntas. Depois de reunir as respostas para cada subpergunta, ele as agrupa para produzir uma resposta abrangente e precisa.

Esse padrão envolve a geração de várias consultas, levando a uma resposta final mais precisa. O processo envolve a verificação das informações e a consolidação delas para garantir uma saída robusta e completa. É semelhante ao método "todo-parte-todo" de aprendizado e instrução em estratégia educacional.

Prompt de cadeia de pensamento

Em uma pesquisa recente intitulada Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, Jason Wei e sua equipe queriam imitar as habilidades de raciocínio em um LLM. Diferentemente da prática convencional de usar prompts diretos, a equipe emprega uma série de prompts interconectados que formam o que chamam decadeia de pensamento.

Por exemplo, considere um usuário que deseja explorar o possível impacto da inteligência artificial no mercado de trabalho:

A abordagem de prompts de cadeia de pensamento envolve uma sequência de prompts conectados que estabelecem uma "conversa" com o modelo de linguagem. Essa abordagem orienta o modelo em direção a respostas mais precisas e contextualmente adequadas, promovendo uma progressão de ideias e raciocínio. Ele também pode treinar a IA para imitar seu estilo de escrita específico, contanto que seus prompts sejam escritos no mesmo tom, estilo, atitude e construção que sua resposta ideal.

A cadeia de pensamento é especialmente eficaz para a redação de artigos. Se você tiver um artigo, um ensaio ou um argumento já delineado, poderá estruturar sua cadeia de prompts de acordo com esse fluxo. Como a IA tem um limite de quantos caracteres ela pode fornecer, a cadeia de pensamento pode ajudar você a solicitar informações para uma seção do seu artigo por vez, em vez de tentar fazer com que a IA gere um artigo inteiro de uma só vez. Isso permite que você tenha mais controle sobre as informações e obtenha respostas mais precisas e detalhadas. Você controla a estrutura enquanto a IA gera blocos inteiros, um prompt por vez, sob sua orientação.

Padrão do assistente de pesquisa

Nesse prompt, você solicita ajuda para encontrar fontes para um projeto de pesquisa. A AI responde recomendando três artigos de pesquisa relevantes. A IA fornece os títulos, autores e detalhes de publicação dos artigos, juntamente com breves descrições de seu conteúdo. A IA também enfatiza a importância de fazer referências cruzadas e avaliar a credibilidade das fontes. O design de prompt aproveita efetivamente os recursos da IA para ajudar na pesquisa, sugerindo fontes confiáveis para estudos mais aprofundados. Por exemplo:

É crucial que esse prompt ajude a evitar um dos principais pontos fracos da IA e dos LLMs: a desinformação. Ao solicitar fontes em vez de conteúdo, a IA pode reduzir drasticamente o tempo necessário para pesquisar o seu projeto, mas você ainda avalia as fontes e extrai delas as informações necessárias.

Aprimoramento de prompt do gerador de citações

Da mesma forma, quando você pede à IA para escrever conteúdo, você pode solicitar que ela cite as fontes e forneça uma seção de referências. Declare qual estilo de citação você prefere, e a interface retornará esse formato. Por exemplo, considere este exemplo abreviado:

Como sempre, você deve atuar como editor e verificar a precisão das informações. Examine cada uma das fontes fornecidas pela IA e garanta que as afirmações feitas pela IA sobre os argumentos de uma fonte sejam verdadeiras. Além disso, verifique se a seção de referências está formatada conforme as normas da ABNT.

Dependendo da sua área de pesquisa, você provavelmente será capaz de reconhecer rapidamente alguns dos grandes nomes na seção de referências, o que é uma forma abreviada de verificar a precisão. Por exemplo, Alain Aspect recebeu o Prêmio Nobel de física em 2022 por seu trabalho de décadas no campo de emaranhamento quântico. Portanto, quando seu nome está no topo da lista de referências de um prompt sobre emaranhamento quântico, é um sinal promissor de que a fonte usada pela IA é confiável.

Esse tipo de prompt é outro exemplo de por que redatores, editores e pesquisadores humanos com experiência em um determinado assunto são cruciais para o processo de redação de conteúdo. A IA pode acelerar o processo, mas não substitui o redator humano.

Pedir à ferramenta de IA que cite suas fontes é bastante eficaz quando combinado com os prompts de cadeia de pensamento. Para combinar os dois, siga a estratégia de prompts para cadeia de pensamento, conforme explicado acima. Antes de enviar cada prompt individual na cadeia, peça à IA para citar suas fontes no formato que você precisa. Em seguida, envie a solicitação.

Padrão de poucos disparos

Os prompts de poucos disparos são um método potente usado para treinar modelos de IA a aderir a padrões específicos ou executar tarefas. A ideia fundamental envolve fornecer ao modelo alguns exemplos antes de fazer a pergunta real. Essa prática auxilia na definição do comportamento desejado e na orientação das respostas subsequentes do modelo.

Imagine uma situação em que você queira criar uma mensagem de marketing sucinta e cativante para um novo dispositivo tecnológico:

O aspecto notável do aprendizado em poucas sessões é que ele depende mais de demonstrações do que de instruções processuais detalhadas. Esse recurso o torna adaptável para várias aplicações. Essa técnica vai além da correspondência básica de entrada e saída. Ele permite que o modelo aprenda como lidar com etapas intermediárias para atingir uma meta específica. Esse método é ideal para ajudar os redatores de marketing a desenvolver iterações de textos curtos, como títulos, textos curtos, assunto, anúncios para redes sociais, calls-to-action (CTA) e assim por diante.

Agora que você conhece esses padrões de prompt especialmente úteis, experimente-os no LLM de sua escolha. Usei o ChatGPT nos meus exemplos.

A inteligência artificial está impulsionando novas descobertas e experiências em diversas áreas e indústrias. Se quiser saber mais, descubra como usar as plataformas da Red Hat para criar, implantar e monitorar modelos e aplicações de IA com a velocidade, confiança e transparência da comunidade open source.

Aprenda mais sobre as soluções de IA da Red Hat