Промпт-инжиниринг в деталях

Промпт-инжиниринг — это подготовка пошаговых инструкций по различным темам, которые вы разрабатываете, чтобы добиться лучших результатов от LLM (Больших языковых моделей — Large Language Model).

LLM — это система искусственного интеллекта, которая обучена отвечать на запросы после компиляции различных наборов данных. После этого она будет реагировать на запросы в соответствии с указаниями, которые вы дали, и поможет вам в выполнении таких задач, как генерация текста, перевод и написание различных видов креативного контента. Однако LLM могут генерировать только те выходные данные, которые согласуются с предоставленными им промптами.

Мы — поколение, которое видит появление и эволюцию искусственного интеллекта. Сейчас искусственный интеллект уже ни для кого не является новомодным словом. Почти все используют чат-боты, ChatGPT и Google Bard, чтобы получить ответы на свои вопросы или выразить свои чувства словами. Несмотря на то, что ChatGPT и Bard, модели глубокого обучения и чат-боты, невероятно искусны в ответах на наши вопросы, бывают случаи, когда они не могут предоставить точный ответ ни на один из запросов.

Эти LLM неточно отвечают на запрос, потому что не получают точных команд.

Профессионалы, способные разрабатывать эффективные промпты для руководства Большими языковыми моделями (LLM), пользуются все большим спросом, поскольку эти модели становятся все более популярными в различных приложениях.

LLM продемонстрировали свои экстраординарные способности и адаптивность не только к написанию и генерации текста, но и к переводу на другие языки, как умеют ChatGPT, Bard и другие. Предоставляя промпты, вы открываете эти LLM для более широкой аудитории и позволяете людям, которые мало знают об ИИ, использовать их для самых разных целей.

Потребность в решениях, основанных на искусственном интеллекте, расширяется во всех областях, подобно вселенной. Многие малые и крупные предприятия используют искусственный интеллект для улучшения процессов принятия решений, обслуживания клиентов и автоматизации процессов.

Отчеты Gartner показывают, что к 2025 году до 80% организаций внедрят искусственный интеллект. Этот всплеск внедрения искусственного интеллекта усиливает потребность в промпт-инженерах, которые могут разрабатывать и внедрять решения на базе искусственного интеллекта, обеспечивая достижение целей организации.

Несмотря на то, что это относительно новая отрасль, люди быстро осваивают ее. Но вы должны быть уверенными в некоторых фактах, прежде чем начать заниматься промпт-инжинирингом. Ниже приведены рекомендации по использованию промпт-проектирования.

По мере того как мы будем рассматривать все больше примеров и приложений, связанных с разработкой промпта, вы заметите, что промпты состоят из определенных элементов.

Промпт содержит любой из следующих элементов:

• Инструкция — конкретная задача или инструкция, которую вы хотите, чтобы модель выполнила
• Контекст — внешняя информация или дополнительный контекст, который может направить модель к лучшим ответам
• Входные данные — входные данные или вопрос, на который мы хотим найти ответ
• Индикатор вывода — тип или формат выходных данных.

Для промпта не нужны все четыре элемента и формат зависит от поставленной задачи. Более конкретные примеры мы рассмотрим в следующих руководствах.

Чем лучше будет прописан промпт — тем легче будет работа специалиста, который его составлял. Продакт-менеджер, например, должен знать, как правильно собрать и обобщить отзывы пользователей, отобрать идеи для новых функций и фич и выявить неочевидные проблемы продукта.

Всему этому мы учим на курсе «Продакт-менеджмент», в рамках которого выделили целый блок уроков под работу с искусственным интеллектом для управления и оптимизации (Bard, Claude, Copilot, Midjourney, Chat GPT 4, Ideogram, Slides AI и другие).

Промпт 1:

1. Инструкция: Расставьте приоритеты в списке фич продукта на основе потребностей пользователей и бизнес-целей.
2. Контекст: У команды разработчиков есть бэклог потенциальных фич, которые могут быть добавлены в продукт.
3. Входные данные: Список фич продукта, а также отзывы пользователей и данные об использовании фич.
4. Индикатор результата: Список приоритетных фич продукта, ранжированный в соответствии с их важностью для пользователей и соответствием бизнес-целям.

Промпт 2:

1. Инструкция: Создай персону пользователя для описания целевой аудитории нового продукта.
2. Контекст: Продукт представляет собой программное приложение, разработанное для того, чтобы помочь малому бизнесу управлять своими финансами.
3. Входные данные: Нет
4. Индикатор результата: Подробная персона пользователя, описывающая демографические характеристики, цели, проблемы и поведение целевой аудитории.

Промпт 3:

1. Инструкция: Разработайте дорожную карту для нового мобильного приложения, которое будет отвечать потребностям клиентов и будет выполнено в срок и в рамках бюджета.
2. Контекст: Целевая аудитория приложения — занятые профессионалы, которым нужен способ управлять своими задачами и оставаться организованными. Приложение должно быть простым в использовании, иметь лаконичный и интуитивно понятный интерфейс, а также быть интегрированным с популярными инструментами повышения производительности.
3. Входные данные: Нет
4. Индикатор результата: Дорожная карта продукта, включающая сроки, этапы и распределение ресурсов.

Промпт 4:

1. Инструкция: Проанализируй отзывы пользователей, чтобы выявить наиболее распространенные болевые точки и области для улучшения.
2. Контекст: Команда разработчиков собрала отзывы пользователей с помощью опросов, интервью и форм обратной связи в приложении.
3. Входные данные: Набор данных отзывов пользователей, содержащий комментарии, предложения и сообщения об ошибках.
4. Индикатор результата: Отчет с кратким изложением основных результатов анализа отзывов пользователей, включая понимание потребностей пользователей, болевых точек и областей, требующих улучшения.

Промпт 5:

1. Инструкция: Разработай стратегию по улучшению адаптации клиентов и сокращению оттока (Customer Churn Rate).
2. Контекст: У компании высокий процент оттока новых клиентов.
3. Входные данные: Данные о процессах привлечения клиентов, показателях оттока и удовлетворенности клиентов.
4. Индикатор результата: Стратегия улучшения процесса привлечения клиентов и снижения их оттока, включая рекомендации по упрощению процесса привлечения, улучшению поддержки клиентов и повышению их вовлеченности.

Промпт 6:

1. Инструкция: Проведи конкурентный анализ, чтобы определить сильные и слабые стороны продуктов и услуг компании.
2. Контекст: Компания работает на конкурентном рынке.
3. Входные данные: Информация о продуктах, услугах, ценах и маркетинговых стратегиях конкурентов.
4. Индикатор результата: Анализ конкурентов, в котором обобщаются ключевые выводы, включая сильные и слабые стороны конкурентов и возможности для дифференциации.

Промпт 7:
Инструкция: Создай план оценки успеха запуска нового продукта.
Контекст: Компания запускает новый продукт.
Входные данные: Цели запуска продукта, маркетинговые показатели и данные об удовлетворенности клиентов.
Индикатор результата: План оценки успеха запуска продукта, включая ключевые показатели, методы сбора данных и процедуры отчетности.

Существует много различных методов составления промптов, но наиболее распространенные включают в себя:

1. Подсказка N-shot: Этот метод включает в себя предоставление LLM нескольких примеров (shots) желаемого вывода, прежде чем попросить его сгенерировать свой собственный результат. Это может быть использовано для различных задач, таких как перевод, обобщение и генерация кода.
2. Цепочка подсказок (Chain-of-thought/CoT): Этот метод предполагает разбиение сложной задачи на ряд более мелких и простых. Затем LLM получает инструкции выполнять каждую задачу последовательно, при этом выходные данные каждой задачи служат входными данными для последующей задачи. Это может быть использовано для таких задач, как ответы на вопросы и решение проблем.
3. Промптинг генераций знаний (Generated Knowledge Prompting/ GKP): Этот метод включает в себя генерацию промптов, содержащих дополнительные знания или информацию, которым LLM, возможно, не обучался. Это может быть использовано для повышения точности и полноты выходных данных LLM.
4. Положительные и отрицательные промпты: Этот метод предполагает использование как положительных промптов (которые побуждают LLM генерировать определенные типы выходных данных), так и отрицательных (которые препятствуют LLM генерировать определенные типы выходных данных). Это может быть использовано для контроля стиля и тона выходных данных LLM, а также для предотвращения создания вредоносного или оскорбительного контента.
5. Интерактивный контекстно-зависимый промпт: Эта техника предполагает итеративное уточнение промпта на основе результатов работы LLM. Это может быть использовано для того, чтобы помочь LLM понять сложные или неоднозначные промпты и отреагировать на них.
6. Ролевой промптинг: этот метод включает в себя указание LLM взять на себя определенную роль или идентичность при генерации выходных данных. Это может быть использовано для создания более креативных и увлекательных материалов, таких как стихи, истории и сценарии.

Промпт для вопроса с множественным выбором (MCQ): Этот метод заключается в предоставлении LLM нескольких вариантов ответа на один вопрос с инструкцией выбрать правильный ответ из списка.

Эти пять принципов закладывают прочную основу для создания эффективных промптов, которые могут направлять искусственный интеллект на получение желаемых результатов в широком диапазоне задач и приложений.

1. Ясность и конкретность: Напишите четкие, краткие и конкретные инструкции, которые точно передают желаемую задачу или результат. Промпт должен быть однозначным и понятным для модели.
2. Определение цели: Четко определите цель промпта, будь то создание креативных текстовых форматов, перевод на другие языки, написание различных видов креативного контента или информативные ответы на вопросы.
3. Возможности модели: Осознавайте возможности и ограничения используемого LLM. Адаптируйте промпт так, чтобы он соответствовал сильным сторонам модели, и избегайте заданий, выходящих за её рамки.
4. Итерации и тестирование: Экспериментируйте с различными подсказками и техниками, чтобы улучшить результат и добиться желаемых выходных данных. Постоянно тестируйте и повторяйте промпт, чтобы повысить его эффективность.
5. Обратная связь и уточнение: Учитывайте отзывы пользователей и экспертов, чтобы усовершенствовать промпт и повысить его эффективность. Постоянно совершенствуйте промпт на основе обратной связи, чтобы убедиться, что он последовательно выдает желаемые результаты.

Итак, что мы выяснили на практике? Вот 6 полезных советов, которые помогут сделать вашу жизнь проще, а продукт — лучше.
1. Показывайте, а не рассказывайте LLM: Включайте в свои подсказки краткие примеры. Включите и другие инструкции, но с примерами. Исследования и практика подтверждают это — результаты лучше. Самые продвинутые команды динамически вводят несколько примеров, которые относятся к каждому конкретному завершению.
2. Варьируйте свои подсказки: Скорее всего, со временем вы будете дорабатывать свои промпты — добавлять новые инструкции для нестандартных ситуаций, корректировать примеры, настраивать контекст и т. д. Будьте готовы сохранять разные версии по ходу изменений, чтобы вы могли легко вернуться к ним, если внесете правки, которые вам не понравятся, или захотите сравнить несколько вариантов позже.
3. Сохраните все интересные результаты: Вам понадобятся как хорошие, так и плохие примеры в качестве тестовых, чтобы убедиться, что вы поддерживаете высокую планку качества и устраняете сбои, и вам понадобится знать версию промпта, которая их сгенерировала. Многие продакт-менеджеры слишком поздно обнаруживают, что эти тестовые примеры понадобятся им позже.
4. Выберите модель для промпта: Общий прогресс, который мы видим, — это переход от OpenAI к нескольким разработчикам, особенно Anthropic, Google и Cohere. Использование нескольких моделей имеет свои нюансы в стоимости, скорости и дублировании, но мы часто слышим, что некоторые модели просто лучше других для каждого промпта. Обычно команды используют 2-3 провайдера, некоторые больше.
5. Следите за производством: LLM не подходят для функций «установил и забыл». У клиентов возникают сложные ситуации, модели меняются (так называемый «дрейф»), задержки могут резко увеличиться, и в итоге качество результата кардинально меняется.
6. Разработайте цикл обратной связи: Если вы впервые работаете с технологией машинного обучения, подумайте о циклах обратной связи, которые вы можете создать в своей работе с клиентами. Они могут быть активными/явными (например, большие пальцы вверх/вниз с комментарием, как предлагает ChatGPT) или пассивными/неявными (например, отслеживание событий, когда клиент использует сгенерированный LLM результат или когда он запрашивает правки). Регулярно просматривайте выборку из каждой группы данных, чтобы определить пути улучшения.

Если вас заинтересовало использование промпт-инжиниринга для решения задач продакт-менеджмента, вы хотите изучить использование искусственного интеллекта более углубленно, а также на практике попробовать всё, о чем мы говорили в статье, то можете оставить заявку на онлайн-курс «Продакт-менеджмент».

В результате курса вы:

• Создадите прототип продукта за 3 месяца или улучшите текущий продукт
• Научитесь закрывать задачи и находить креативные решения с использованием ИИ
• Научитесь проводить качественные исследования рынка
• Узнаете, как выводить продукты на зарубежный рынок
• Посчитаете экономику продукта и сможете принимать решения на ее основе

Вы сможете обучаться в удобное время, получать обратную связь от экспертов курса и будете иметь пожизненный доступ к курсу и его обновлениям.