ว ศวกรรมข อความพร อมร บ prompt engineering เป นเทคน คท ใช ในการส อสารก บ เป นกระบวนการจ ดโครงสร างข อความสำหร บส งเพ อให

วิศวกรรมข้อความพร้อมรับ (prompt engineering) เป็นเทคนิคที่ใช้ในการสื่อสารกับ เป็นกระบวนการจัดโครงสร้างข้อความสำหรับสั่งเพื่อให้แบบจำลองปัญญาประดิษฐ์แบบรู้สร้างสามารถตีความและทำความเข้าใจได้ วิศวกรรมข้อความพร้อมรับทำงานได้โดยอาศัย การเรียนรู้ในบริบท (in-context learning) ซึ่งหมายถึง"ความสามารถของแบบจำลองในการเรียนรู้ชั่วคราวจากข้อความพร้อมรับ" ถือเป็นความสามารถที่สำคัญอย่างหนึ่งของ (LLM)

ข้อความพร้อมรับ หรือ ตัวพร้อม (prompt) เป็นข้อความภาษาธรรมชาติที่บรรยายสิ่งที่ต้องการให้ปัญญาประดิษฐ์ทำ ข้อความพร้อมรับสำหรับการสร้างข้อความจากข้อความนั้นอาจเป็นคำถาม เช่น "ทฤษฎีบทเล็กของแฟร์มาคืออะไร" ข้อความชี้นำ เช่น "จงเขียนบทกวีเกี่ยวกับใบไม้ที่ร่วงหล่น" หรือบทความความคิดเห็นสั้น ๆ เช่น "เยิ่นเย้อเกินไป", "เฉพาะทางมากไป", "พูดใหม่ซะ", "ย่อคำนี้ซะ" เป็นต้น หรือข้อมูลที่ป้อน วิศวกรรมข้อความพร้อมรับอาจรวมถึงการใช้ถ้อยคำในการสืบค้น การระบุรูปแบบ การให้บริบทที่เกี่ยวข้อง หรือการกำหนดบทบาทให้กับปัญญาประดิษฐ์ เช่น "จงทำตัวเหมือนเป็นเจ้าของภาษาฝรั่งเศส" เป็นต้น วิศวกรรมข้อความพร้อมรับอาจประกอบด้วยคำสั่งเดียวพร้อมตัวอย่างจำนวนเล็กน้อยเพื่อให้แบบจำลองเรียนรู้ เช่น "maison → บ้าน, chat → แมว, chien →" (คำตอบที่คาดหวังคือ "สุนัข") นี่เป็นแนวทางวิธีที่เรียกว่า การเรียนรู้แบบไม่กี่ช็อต (few-shot learn)

เมื่อสื่อสารกับ หรือแปลงข้อความเป็นเสียงพูด ข้อความพร้อมรับแบบทั่วไปอาจเป็นข้อความอธิบายบอกสิ่งที่ต้องการให้สร้าง เช่น "ภาพถ่ายคุณภาพสูงของนักบินอวกาศบนหลังม้า" หรือ "เครื่องทำความเย็นแบบไฟฟ้าจังหวะช้า Lo-Fi โดยใช้ตัวอย่างอินทรีย์" เป็นต้น

ข้อความพร้อมรับสำหรับแปลงข้อความเป็นรูปภาพอาจรวมถึงการบวก ลบ เน้น และจัดเรียงคำใหม่ เพื่อที่จะแสดงรายละเอียดที่ต้องการเพิ่มเติม เช่น หัวข้อหลัก, รูปแบบ, การจัดวาง, การจัดแสง และสุนทรียศาสตร์

จากข้อความไปเป็นรูปภาพ

ในปี 2022 เช่น 2, สเตเบิลดิฟฟิวชัน และ ได้รับการเผยแพร่สู่สาธารณะ ตัวแบบเหล่านี้รับข้อพร้อมรับเป็นข้อความป้อนเข้า ใช้เพื่อสร้างงานศิลปะ แบบจำลองข้อความเป็นภาพ โดยทั่วไปไม่สามารถเข้าใจไวยากรณ์หรือโครงสร้างประโยค เช่นเดียวกับ และต้องใช้เทคนิคข้อความพร้อมรับที่แตกต่างกันไป

อ้างอิง

Albert Ziegler, John Berryman. "A developer's guide to prompt engineering and LLMs - The GitHub Blog". github.blog. สืบค้นเมื่อ 2023-08-20.
Diab, Mohamad; Herrera, Julian; Chernow, Bob (2022-10-28). "Stable Diffusion Prompt Book" (PDF). สืบค้นเมื่อ 2023-08-07. Prompt engineering is the process of structuring words that can be interpreted and understood by a text-to-image model. Think of it as the language you need to speak in order to tell an AI model what to draw.
Wei, Jason; Tay, Yi (31 August 2022). "Emergent Abilities of Large Language Models". :2206.07682 [cs.CL].
"ศัพท์บัญญัติ ๔๐ สาขาวิชา สำนักงานราชบัณฑิตยสภา".{{}}: CS1 maint: url-status () หมวดคอมพิวเตอร์และเทคโนโลยีสารสนเทศ บัญญัติไว้ว่า prompt อาจแปลเป็น "ข้อความพร้อมรับ" หรือ "ตัวพร้อม"
Radford, Alec; Wu, Jeffrey; Child, Rewon; Luan, David; Amodei, Dario; Sutskever, Ilya (2019). "Language Models are Unsupervised Multitask Learners" (PDF). OpenAI blog. สืบค้นเมื่อ 2023-08-20. We demonstrate language models can perform down-stream tasks in a zero-shot setting - without any parameter or architecture modification
OpenAI (2022-11-30). "Introducing ChatGPT". OpenAI Blog. สืบค้นเมื่อ 2023-08-16. what is the fermat's little theorem
Robinson, Reid (August 3, 2023). "How to write an effective GPT-3 or GPT-4 prompt". Zapier. สืบค้นเมื่อ 2023-08-14. "Basic prompt: 'Write a poem about leaves falling.' Better prompt: 'Write a poem in the style of Edgar Allan Poe about leaves falling.'
Gouws-Stewart, Natasha (June 16, 2023). "The ultimate guide to prompt engineering your GPT-3.5-Turbo model". masterofcode.com. สืบค้นเมื่อ 2023-08-20.
Greenberg, J., Laura. "How to Prime and Prompt ChatGPT for More Reliable Contract Drafting Support". contractnerds.com. สืบค้นเมื่อ 24 July 2023.
"GPT Best Practices". OpenAI. สืบค้นเมื่อ 2023-08-16.
Garg, Shivam; Tsipras, Dimitris. "What Can Transformers Learn In-Context? A Case Study of Simple Function Classes". :2208.01066 [cs.CL].
Brown, Tom; Mann, Benjamin; Ryder, Nick; Subbiah, Melanie; Kaplan, Jared D.; Dhariwal, Prafulla; Neelakantan, Arvind (2020). "Language models are few-shot learners". Advances in neural information processing systems. 33: 1877–1901.
Heaven, Will Douglas (April 6, 2022). "This horse-riding astronaut is a milestone on AI's long road towards understanding". MIT Technology Review. สืบค้นเมื่อ 2023-08-14.
Wiggers, Kyle (2023-06-12). "Meta open sources an AI-powered music generator". TechCrunch. สืบค้นเมื่อ 2023-08-15. Next, I gave a more complicated prompt to attempt to throw MusicGen for a loop: "Lo-fi slow BPM electro chill with organic samples."
"How to Write AI Photoshoot Prompts: A Guide for Better Product Photos". claid.ai. June 12, 2023. สืบค้นเมื่อ June 12, 2023.
Monge, Jim Clyde (2022-08-25). "Dall-E2 VS Stable Diffusion: Same Prompt, Different Results". MLearning.ai (ภาษาอังกฤษ). สืบค้นเมื่อ 2022-08-31.
"Prompts". สืบค้นเมื่อ 2023-08-14.

[1] Albert Ziegler, John Berryman. "A developer's guide to prompt engineering and LLMs - The GitHub Blog". github.blog. สืบค้นเมื่อ 2023-08-20.

[diab-2] Diab, Mohamad; Herrera, Julian; Chernow, Bob (2022-10-28). "Stable Diffusion Prompt Book" (PDF). สืบค้นเมื่อ 2023-08-07. Prompt engineering is the process of structuring words that can be interpreted and understood by a text-to-image model. Think of it as the language you need to speak in order to tell an AI model what to draw.

[2022_EmergentAbilities-3] Wei, Jason; Tay, Yi (31 August 2022). "Emergent Abilities of Large Language Models". :2206.07682 [cs.CL].

[4] "ศัพท์บัญญัติ ๔๐ สาขาวิชา สำนักงานราชบัณฑิตยสภา".{{}}: CS1 maint: url-status () หมวดคอมพิวเตอร์และเทคโนโลยีสารสนเทศ บัญญัติไว้ว่า prompt อาจแปลเป็น "ข้อความพร้อมรับ" หรือ "ตัวพร้อม"

[language-models-are-multitask-5] Radford, Alec; Wu, Jeffrey; Child, Rewon; Luan, David; Amodei, Dario; Sutskever, Ilya (2019). "Language Models are Unsupervised Multitask Learners" (PDF). OpenAI blog. สืบค้นเมื่อ 2023-08-20. We demonstrate language models can perform down-stream tasks in a zero-shot setting - without any parameter or architecture modification

[6] OpenAI (2022-11-30). "Introducing ChatGPT". OpenAI Blog. สืบค้นเมื่อ 2023-08-16. what is the fermat's little theorem

[zapier20230803-7] Robinson, Reid (August 3, 2023). "How to write an effective GPT-3 or GPT-4 prompt". Zapier. สืบค้นเมื่อ 2023-08-14. "Basic prompt: 'Write a poem about leaves falling.' Better prompt: 'Write a poem in the style of Edgar Allan Poe about leaves falling.'

[8] Gouws-Stewart, Natasha (June 16, 2023). "The ultimate guide to prompt engineering your GPT-3.5-Turbo model". masterofcode.com. สืบค้นเมื่อ 2023-08-20.

[9] Greenberg, J., Laura. "How to Prime and Prompt ChatGPT for More Reliable Contract Drafting Support". contractnerds.com. สืบค้นเมื่อ 24 July 2023.

[10] "GPT Best Practices". OpenAI. สืบค้นเมื่อ 2023-08-16.

[11] Garg, Shivam; Tsipras, Dimitris. "What Can Transformers Learn In-Context? A Case Study of Simple Function Classes". :2208.01066 [cs.CL].

[12] Brown, Tom; Mann, Benjamin; Ryder, Nick; Subbiah, Melanie; Kaplan, Jared D.; Dhariwal, Prafulla; Neelakantan, Arvind (2020). "Language models are few-shot learners". Advances in neural information processing systems. 33: 1877–1901.

[13] Heaven, Will Douglas (April 6, 2022). "This horse-riding astronaut is a milestone on AI's long road towards understanding". MIT Technology Review. สืบค้นเมื่อ 2023-08-14.

[14] Wiggers, Kyle (2023-06-12). "Meta open sources an AI-powered music generator". TechCrunch. สืบค้นเมื่อ 2023-08-15. Next, I gave a more complicated prompt to attempt to throw MusicGen for a loop: "Lo-fi slow BPM electro chill with organic samples."

[15] "How to Write AI Photoshoot Prompts: A Guide for Better Product Photos". claid.ai. June 12, 2023. สืบค้นเมื่อ June 12, 2023.

[16] Monge, Jim Clyde (2022-08-25). "Dall-E2 VS Stable Diffusion: Same Prompt, Different Results". MLearning.ai (ภาษาอังกฤษ). สืบค้นเมื่อ 2022-08-31.

[17] "Prompts". สืบค้นเมื่อ 2023-08-14.