20/11/2024
כיצד לשפר תקשורת עם מודלי בינה מלאכותית.
הדרך הנפוצה שבה מתקשרים כיום (11/2024) עם מודלי הבינה המלאכותית (LLM) היא באמצעות הוראת קלט הקרויה "פרומפט" (Prompt), זו הנחיית טקסט שבאמצעותה המשתמש מספק הוראות למודל הבינה המלאכותית על איך לייצר את הפלט המבוקש.
למשל, כשהמשתמש מבקש ממודל בינה מלאכותית לכתוב עבורו מכתב או פוסט לאינסטגרם או תשובה למייל שקיבל, המשתמש מתקשר עם מודל הבינה המלאכותית. הדרך בה משתמשים ב"פרומפט" ומתקשרים עם בינה המלאכותית יכולה לשנות דרמטית את איכות הפלט שמתקבל מהבינה המלאכותית.
הגישה המועדפת כיום לתקשורת עם הבינה המלאכותית היא גישה הכוללת מעורבות אנושית בתהליך העבודה עם הבינה המלאכותית, גישת ה"אדם בלופ" - (Human-in-the-Loop), שמשמעותה שהמשתמש מהווה חלק מהתהליך.
לדוגמה, אם אתם כעסק מעוניינים לשווק את שירותיכם ואתם מבקשים מהבינה המלאכותית למצוא סלוגן עבור העסק שלכם, גישה שאינה כוללת מעורבות אנושית תהיה לבקש מהבינה המלאכותית להמציא סלוגן - "תמציא בבקשה סלוגן לעסק שלי" ואז להשתמש בסלוגן שהתקבל ישירות מבלי לשנותו.
לעומת זאת, גישת המעורבות האנושית תהיה לבקש מהבינה המלאכותית הצעות לסלוגנים לעסק – "המצא בבקשה 5 סלוגנים שונים לעסק שלי, ציין בסלוגנים את יתרונות העסק שלי ...", ואז לבקש מהבינה המלאכותית לשנות ולהתאים את התוצאות שמתקבלות בהתאם לפרטים נוספים שאתם מספקים לבינה המלאכותית, ולבסוף לבחור את הסלוגן שנראה לכם המוצלח ביותר.
חשוב לזכור שאם משתמשים בבינה מלאכותית ללא מעורבות אנושית והבינה יוצרת סלוגן גרוע, זה יכול להיות קצת מביך אך לא נורא. אולם דמיינו מצב בעל השלכות רציניות יותר, כמו לבקש מבינה מלאכותית לאבחן בעיה רפואית ללא בקרה אנושית. ברור שלטעות באבחנה עלולות להיות השלכות קשות על בריאותו של האדם. לכן ברור מדוע חשוב לשמור על מעורבות אנושית בתהליך ועל אחריות אנושית בקבלת ההחלטות הסופיות, בפרט כאשר הבינות המלאכותיות במצבן הנוכחי רחוקות מלהיות מושלמות ועשויות לטעות או להזות.
הנדסת פרומפטים (Prompt Engineering).
להלן פירוט של טכניקות ליצירה של פרומפטים - הנחיות לשימוש עם הבינה המלאכותית. אציין, כי כמו בכל טכניקה חדשה שנלמדת, הרי ככל שמתרגלים יותר ומתאמנים יותר, כך לומדים ורוכשים מיומנות למתן הנחיות טובות יותר לבינה המלאכותית.
שימוש בפרומפטים ברורים ומפורטים או מתן הנחיות ספציפיות וברורות עם הקשר ורלוונטיות: לדוגמה, אם אתם רעבים ומעוניינים לקבל מהבינה המלאכותית רשימה של מסעדות כשרות מומלצות בחיפה, עם מנה עיקרית בעלות של עד 70 ש"ח, בפרומפט לבינה המלאכותית אל תסתפקו באמירה כללית כמו "תן לי בבקשה רשימה של מסעדות כשרות בחיפה" אלא הוסיפו את המידע המבוקש "...מסעדות כשרות מומלצות בחיפה עם מנה עיקרית בעלות של עד 70 ₪ ואווירה ביתית".
מתן הנחיות לבינה לשימוש במבנה תשובה מסוים: לדוגמה, תוכלו לבקש מהבינה המלאכותית שתיתן לכם את התוצאות מסודרות בטבלה עם עמודות מסוימות למשל: שם המסעדה, עלות המנה העיקרית, רשימה של מנות מומלצות, כתובת, חניה חופשית/ בתשלום ועוד.
או אם למשל אתם מעוניינים לרכוש מתנות לחג לעובדים לחג הפסח, תוכלו לבקש מהבינה המלאכותית להציע לכם רשימה של 10 מתנות בעלות של עד 100 ₪ ולבקש מהבינה שתכלול את המקור לרכישת המתנות (אפשרי כיום בגרסת Chat GPT בתשלום בלבד).
מתן הנחיות לבינה המלאכותית בתהליך איטרטיבי, כלומר תהליך חזרתי עם שיפור התוצאות תוך כדי התהליך: באופן זה המשתמש משפר את ההנחיה שניתנת לבינה בהתאם לתוצאות שקיבל מהבינה. חשוב להדגיש כי בעת ביצוע הפנייה אל הבינה, המשתמש אינו נדרש לפנות עם ההנחיה מושלמת מיד בניסיון הראשון. הדרך המומלצת היא להתחיל עם הנחיה פשוטה ובהתאם לתשובה המתקבלת מהבינה לספק לבינה פרטים נוספים, להעריך את הפלט ולחזור על התהליך עד אשר מתקבל מהבינה הפלט הרצוי למשתמש.
בהקשר זה חשוב לומר כי המשתמש נדרש להתייחס באופן ביקורתי אל פלט הבינה המלאכותית ולשאול את עצמו מספר שאלות מנחות: האם הפלט נראה מדויק, האם הפלט כולל מספיק מידע שרלוונטי לפרויקט או למשימה של המשתמש, האם ניתן לאמת את הפלט עצמאית על ידי השוואתו למקורות אחרים באינטרנט, והאם הפלט עקבי כשהמשתמש נותן את אותה הנחיה לבינה מספר פעמים.
טיפ אישי ממני - אחרי שאני מקבל מהבינה באופן איטרטיבי את התוצאה שנראית לי נכונה ומתאימה, לאחר בדיקה וביקורת שלי, אני מבקש מהבינה לכתוב בעצמה "פרומפט" שייתן "במכה אחת" את הפלט אליו הגענו, כך אני למד מהבינה כיצד להנחות אותה טוב יותר כך שבפעם הבאה אוכל לקבל תוצאות טובות בפחות ניסיונות.
שימוש בדוגמאות הקרויות בשפת הבינה shots - בדרך כלל מתן דוגמאות בפרומפט לבינה, למה שהמשתמש מחפש, עוזר לבינה המלאכותית לדייק בתשובותיה, מצד שני אם המשתמש מספק יותר מידי דוגמאות, הדבר יכול להגביל את היצירתיות של הבינה במתן התשובה.
פירוק המשימה העיקרית למשימות משנה (Chain of Thought): פירוק משימות לתת-משימות כדי להשיג תוצאה מדויקת בפתרון בעיות מורכבות. שיטה זו יכולה לסייע למי שמעוניין להסתייע בבינה לכתיבת קוד עבור תוכנה, פירוק המשימה הראשית למשימות משנה עשוי להקל על הבינה להכין עבור המשתמש את הקוד המבוקש.
לפני שאסיים פוסט זה חשוב לי להזכיר שני נושאים נפוצים וחשובים בעבודה עם בינה מלאכותית:
1. מגבלת עדכניות הידע של הבינה: בינה מלאכותית מאומנת עד לנקודה מסוימת בזמן, ומאחר שאין לה גישה למידע שאירע לאחר מכן (כדוגמת קלוד, וChat GPT שלא בתשלום). הבינה לא תדע מהן החדשות האחרונות וייתכן שתספק מידע שגוי.
2. הזיות (Hallucinations): כאשר בינה מלאכותית אינה יודעת תשובה, היא עלולה להמציא מידע שגוי, בנוסף לעיתים הבינה יכולה לייצר מידע שנשמע אמין אך אינו מבוסס והדוגמאות לכך רבות.
