Únase a nuestros boletines diarios y semanales para recibir las últimas actualizaciones y contenido exclusivo sobre la cobertura de IA líder en la industria. Más información La ingeniería rápida, la disciplina de crear la entrada correcta para un modelo de lenguaje grande (LLM) para obtener la respuesta deseada, es una nueva habilidad fundamental para la era de la IA. Es útil incluso para los usuarios ocasionales de IA conversacional, pero esencial para los desarrolladores de la próxima generación de aplicaciones impulsadas por IA. Ingrese a Prompt Poet, la creación de Character.ai, una startup de LLM conversacional recientemente adquirida por Google. Prompt Poet simplifica la ingeniería rápida avanzada al ofrecer un sistema de plantilla de código bajo y fácil de usar que administra el contexto de manera efectiva e integra datos externos sin problemas. Esto le permite basar las respuestas generadas por LLM en un contexto de datos del mundo real, lo que abre un nuevo horizonte de interacciones de IA. Prompt Poet brilla por su integración perfecta de «aprendizaje de pocos disparos», una técnica poderosa para la personalización rápida de LLM sin requerir un ajuste fino del modelo complejo y costoso. Este artículo explora cómo se puede aprovechar el aprendizaje de pocos disparos con Prompt Poet para ofrecer interacciones personalizadas impulsadas por IA con facilidad y eficiencia. ¿Podría Prompt Poet ser un vistazo al futuro enfoque de Google para la ingeniería de indicaciones en Gemini y otros productos de IA? Vale la pena analizar este emocionante potencial con más detenimiento. El poder del aprendizaje de pocos disparos En el aprendizaje de pocos disparos, le damos a la IA un puñado de ejemplos que ilustran el tipo de respuestas que queremos para diferentes indicaciones posibles. Además de algunas «instancias» de cómo debería comportarse en escenarios similares. La belleza del aprendizaje de pocos disparos es su eficiencia. El ajuste fino del modelo implica volver a entrenar un modelo en un nuevo conjunto de datos, lo que puede ser computacionalmente intensivo, consumir mucho tiempo y ser costoso, especialmente cuando se trabaja con modelos grandes. El aprendizaje de pocos disparos, por otro lado, proporciona un pequeño conjunto de ejemplos con la indicación para ajustar el comportamiento del modelo a un contexto específico. Incluso los modelos que se han ajustado pueden beneficiarse del aprendizaje de pocos disparos para adaptar su comportamiento a un contexto más específico. Cómo Prompt Poet hace accesible el aprendizaje de pocas tomas Prompt Poet se destaca por su capacidad de simplificar la implementación del aprendizaje de pocas tomas. Al usar plantillas YAML y Jinja2, Prompt Poet le permite crear indicaciones complejas y dinámicas que incorporan ejemplos de pocas tomas directamente en la estructura de la indicación. Para explorar un ejemplo, suponga que desea desarrollar un chatbot de servicio al cliente para un negocio minorista. Con Prompt Poet, puede incluir fácilmente información del cliente, como el historial de pedidos y el estado de los pedidos actuales, así como información sobre promociones y ventas actuales. Pero ¿qué pasa con el tono? ¿Debería ser más amigable y divertido, o formal? ¿Más conciso o informativo? Al incluir algunas «pocas tomas» de ejemplos exitosos, puede ajustar las respuestas del chatbot para que coincidan con la voz distintiva de cada marca. Instrucción base La instrucción base para el chatbot podría ser: – nombre: instrucciones del sistema rol: sistema contenido: | Usted es un chatbot de servicio al cliente para un sitio minorista. Su trabajo es ayudar a los clientes respondiendo sus preguntas, brindando información útil y resolviendo problemas. A continuación, se le proporcionarán algunos ejemplos de entradas de usuario emparejadas con respuestas que son deseables en términos de tono, estilo y voz. Emule estos ejemplos en sus respuestas al usuario. En estos ejemplos, se utilizarán marcadores de posición marcados con signos de interrogación dobles como ‘??placeholder??’ en lugar de datos de usuario reales. Después de los ejemplos, se le proporcionarán datos reales sobre los pedidos actuales y pasados ​​del usuario como cliente, que debe utilizar fielmente al tratar con el usuario. También podemos proporcionar al modelo nuestros datos de clientes reales, para que pueda responder preguntas con precisión sobre los pedidos pasados ​​y actuales del usuario. Si corresponde, también podemos incluir promociones y ventas actuales. – nombre: datos del cliente rol: sistema contenido: | pedidos actuales: {% para pedido en pedidos actuales %} – {{ order.description }} {% endfor %} Pedidos anteriores: {% para pedido en pedidos pasados ​​%} – {{ order.description }} {% endfor %} – nombre: promociones rol: sistema contenido: | promociones: {% for promotion in promotions %} – {{ promotion.description }} {% endfor %} Pero primero, necesitamos proporcionar los ejemplos de estilo, tono y voz que le prometimos al modelo en la instrucción base. Establecer el tono: ¿amistoso o formal? Algunas marcas tienen un tono más informal, amistoso y jocoso, mientras que otras prefieren una elegancia más refinada. Para una marca que tiene un tono amistoso e informal, los ejemplos de aprendizaje de pocas tomas podrían verse así: – name: user prompt role: user content: | Hola, ordené ??product_name?? pero aún no lo he recibido. ¿Qué sucede? – name: response role: assistant content: | ¡Hola ??user_name??! Disculpe la molestia, solucionemos esto lo antes posible. ? Estoy recuperando su pedido de ??product_name?? realizado el ??order_date??. ¡Espere mientras verifico dónde está! – name: user prompt role: user content: | Necesito actualizar mi dirección de envío para un pedido que hice hoy, debería ser ??new_address?? – name: response role: assistant content: | ¡Entendido, ??user_name??! Asegurémonos de que tu ??product_name?? llegue al lugar correcto. Cambiaré tu envío a ??new_address?? de inmediato. Todo listo, ¿algo más que pueda hacer por ti? – name: user prompt role: user content: | ¿Cuál es su política de devolución? No estoy seguro de que me vaya a encantar ??product_name??. – name: response role: assistant content: | ¡No te preocupes, ??user_name??! Si ??product_name?? no te deja boquiabierto, tenemos un proceso de devolución muy fácil. Solo avísame y te ayudaré a resolverlo. ? Para una marca que enfatiza un tono más formal y profesional, se pueden proporcionar diferentes respuestas a las mismas indicaciones, guiando al modelo hacia un estilo diferente: – name: user prompt role: user content: | Hola, pedí ??product_name?? pero aún no lo he recibido. ¿Puedes ayudarme? – name: response role: assistant content: | Gracias por comunicarte, ??user_name??. Me disculpo por cualquier inconveniente que esto pueda haber causado. Revisaré de inmediato el estado de tu pedido de ??product_name?? realizado el ??order_date?? y te proporcionaré una actualización en breve. – name: user prompt role: user content: | Necesito actualizar mi dirección de envío para un pedido que hice hoy, debería ser ??new_address?? – name: response role: assistant content: | Por supuesto, ??user_name??. Actualizaré tu información de envío a ??new_address?? para el pedido realizado hoy. Los cambios se han aplicado correctamente. ¿Hay algo más con lo que pueda ayudarte? – nombre: usuario rol de solicitud: usuario contenido: | ¿Podría explicar su política de devoluciones? No estoy seguro de quedarme con ??product_name??. – nombre: respuesta rol: asistente contenido: | Por supuesto, ??user_name??. Si ??product_name?? no cumple con sus expectativas, puede iniciar una devolución dentro de nuestro plazo especificado. Lo guiaré a través del proceso para asegurarme de que se gestione de manera fluida y eficiente. Uniéndolo todo El código a continuación utiliza la clase `Prompt` de Prompt Poet para formar un único mensaje coherente a partir de los elementos separados de las instrucciones base, los ejemplos de aprendizaje de pocos disparos y los datos reales del usuario. Esto nos permite invocar respuestas de IA que están informadas con precisión y altamente elaboradas en propósito y estilo. # Datos de usuario user_past_orders = get_past_orders(usuario) user_current_orders = get_current_orders(usuario) promotions = get_promotions(usuario) template_data = { «past_orders»: user_past_orders, «current_orders»: user_current_orders, «promotions»: promotions } # Crear el mensaje usando Prompt Poet combined_template = base_instructions + few_shot_examples + customer_data prompt = Prompt( raw_template=combined_template, template_data=template_data ) # Obtener respuesta de OpenAI model_response = openai.ChatCompletion.create( model=»gpt-4″, messages=prompt.messages ) Elevando la IA con Prompt Poet Prompt Poet es más que solo una herramienta para gestionar el contexto en los mensajes de IA: es una puerta de entrada a técnicas avanzadas de ingeniería de mensajes, como el aprendizaje de pocos disparos. Al facilitar la composición de indicaciones complejas con datos reales y el poder de personalización de voz de los ejemplos de pocos ejemplos, Prompt Poet le permite crear aplicaciones de IA sofisticadas que son informativas y personalizadas para su marca. A medida que la IA continúa evolucionando, dominar técnicas como el aprendizaje de pocos ejemplos será crucial para mantenerse a la vanguardia. Prompt Poet puede ayudarlo a aprovechar todo el potencial de los LLM, creando soluciones que sean poderosas y prácticas. VB Daily ¡Manténgase informado! Reciba las últimas noticias en su bandeja de entrada todos los días Al suscribirse, acepta los Términos de servicio de VentureBeat. Gracias por suscribirse. Consulte más boletines de VB aquí. Se produjo un error.