Pelajari cara membuat atau memanipulasi teks

Layanan Azure OpenAI menyediakan titik akhir penyelesaian yang dapat digunakan untuk berbagai tugas. Titik akhir menyediakan antarmuka teks-masuk dan teks-keluar yang sederhana namun kuat ke model Azure OpenAI apa pun. Untuk memicu penyelesaian, Anda memasukkan beberapa teks sebagai perintah. Model menghasilkan penyelesaian dan upaya untuk mencocokkan konteks atau pola Anda. Misalkan Anda memberikan perintah "Seperti yang dikatakan Descartes, saya pikir, oleh karena itu" ke API. Untuk perintah ini, Azure OpenAI mengembalikan titik akhir penyelesaian " Saya" dengan probabilitas tinggi.

Cara terbaik untuk mulai menjelajahi penyelesaian adalah melalui taman bermain di Azure OpenAI Studio. Ini adalah kotak teks sederhana tempat Anda memasukkan perintah untuk menghasilkan penyelesaian. Anda dapat memulai dengan perintah sederhana seperti ini:

write a tagline for an ice cream shop

Setelah Anda memasukkan perintah Anda, Azure OpenAI menampilkan penyelesaiannya:

we serve up smiles with every scoop!

Hasil penyelesaian yang Anda lihat dapat berbeda karena Azure OpenAI API menghasilkan output baru untuk setiap interaksi. Anda mungkin mendapatkan penyelesaian yang sedikit berbeda setiap kali Anda memanggil API, bahkan jika permintaan Anda tetap sama. Anda dapat mengontrol perilaku ini dengan Temperature pengaturan .

Antarmuka teks-masuk, teks-keluar sederhana berarti Anda dapat "memprogram" model Azure OpenAI dengan memberikan instruksi atau hanya beberapa contoh apa yang Anda inginkan untuk dilakukan. Keberhasilan output umumnya tergantung pada kompleksitas tugas dan kualitas permintaan Anda. Aturan umum adalah memikirkan bagaimana Anda akan menulis masalah kata untuk dipecahkan oleh siswa pra-remaja. Permintaan yang ditulis dengan baik memberikan informasi yang cukup bagi model untuk mengetahui apa yang Anda inginkan dan bagaimana responsnya.

Catatan

Data pelatihan model dapat berbeda untuk setiap jenis model. Data pelatihan model terbaru saat ini hanya diperpanjang hingga September 2021. Bergantung pada permintaan Anda, model mungkin tidak memiliki pengetahuan tentang peristiwa terkait saat ini.

Perintah desain

Model Azure OpenAI Service dapat melakukan segalanya mulai dari menghasilkan cerita asli hingga melakukan analisis teks yang kompleks. Karena mereka dapat melakukan begitu banyak hal, Anda harus eksplisit dalam menunjukkan apa yang Anda inginkan. Menunjukkan, tidak hanya mengatakan, sering kali merupakan rahasia untuk permintaan yang baik.

Model mencoba memprediksi apa yang Anda inginkan dari permintaan. Jika Anda memasukkan perintah "Beri saya daftar ras kucing," model tidak secara otomatis mengasumsikan Anda meminta daftar saja. Anda mungkin memulai percakapan di mana kata-kata pertama Anda adalah "Beri saya daftar ras kucing" diikuti dengan "dan saya akan memberi tahu Anda mana yang saya suka." Jika model hanya berasumsi bahwa Anda menginginkan daftar kucing, model tersebut tidak akan sebagus pembuatan konten, klasifikasi, atau tugas lainnya.

Panduan untuk membuat perintah yang kuat

Ada tiga panduan dasar untuk membuat perintah yang berguna:

• Tampilkan dan beri tahu. Perjelas apa yang Anda inginkan baik melalui instruksi, contoh, atau kombinasi keduanya. Jika Anda ingin model memberi peringkat daftar item dalam urutan alfabet atau mengklasifikasikan paragraf berdasarkan sentimen, sertakan detail ini dalam perintah Anda untuk menampilkan model.

• Menyediakan data berkualitas. Jika Anda mencoba membangun pengklasifikasi atau mendapatkan model untuk mengikuti pola, pastikan ada cukup contoh. Pastikan untuk mem-proofread contoh Anda. Model ini cukup cerdas untuk menyelesaikan kesalahan ejaan dasar dan memberi Anda respons yang bermakna. Sebaliknya, model mungkin mengasumsikan kesalahan disengaja, yang dapat memengaruhi respons.

• Periksa pengaturan Anda. Pengaturan probabilitas, seperti Temperature dan Top P, mengontrol bagaimana deterministik model dalam menghasilkan respons. Jika Anda meminta respons di mana hanya ada satu jawaban yang tepat, Anda harus menentukan nilai yang lebih rendah untuk pengaturan ini. Jika Anda mencari respons yang tidak jelas, Anda mungkin ingin menggunakan nilai yang lebih tinggi. Kesalahan paling umum yang dilakukan pengguna dengan pengaturan ini adalah dengan asumsi mereka mengontrol "kecerdasan" atau "kreativitas" dalam respons model.

Pemecahan masalah untuk masalah permintaan

Jika Anda mengalami masalah saat API berfungsi seperti yang diharapkan, tinjau poin berikut untuk implementasi Anda:

• Apakah sudah jelas seperti apa generasi yang dimaksud?
• Apakah ada cukup contoh?
• Apakah Anda memeriksa contoh Anda untuk kesalahan? (API tidak memberi tahu Anda secara langsung.)
• Apakah Anda menggunakan Temperature pengaturan probabilitas dan Top P dengan benar?

Mengklasifikasikan teks

Untuk membuat pengklasifikasi teks dengan API, Anda memberikan deskripsi tugas dan memberikan beberapa contoh. Dalam demonstrasi ini, Anda menunjukkan API cara mengklasifikasikan sentimen pesan teks. Sentimen mengekspresikan perasaan atau ekspresi keseluruhan dalam teks.

This is a text message sentiment classifier

Message: "I loved the new adventure movie!"
Sentiment: Positive

Message: "I hate it when my phone battery dies." 
Sentiment: Negative

Message: "My day has been 👍"
Sentiment: Positive

Message: "This is the link to the article"
Sentiment: Neutral

Message: "This new music video is unreal"
Sentiment:

Panduan untuk merancang pengklasifikasi teks

Demonstrasi ini mengungkapkan beberapa panduan untuk merancang pengklasifikasi:

• Gunakan bahasa biasa untuk menjelaskan input dan output Anda. Gunakan bahasa biasa untuk input "Pesan" dan nilai yang diharapkan yang mengekspresikan "Sentimen." Untuk praktik terbaik, mulailah dengan deskripsi bahasa biasa. Anda sering dapat menggunakan singkatan atau kunci untuk menunjukkan input dan output saat membangun perintah Anda, tetapi yang terbaik adalah memulai dengan sedeskriptif mungkin. Kemudian Anda dapat bekerja mundur dan menghapus kata-kata tambahan selama performa ke prompt konsisten.

• Tampilkan API cara merespons kasus apa pun. Demonstrasi memberikan beberapa hasil: "Positif," "Negatif," dan "Netral." Mendukung hasil netral penting karena ada banyak kasus di mana bahkan manusia dapat mengalami kesulitan menentukan apakah ada sesuatu yang positif atau negatif.

• Gunakan emoji dan teks, per ekspresi umum. Demonstrasi menunjukkan bahwa pengklasifikasi dapat menjadi campuran teks dan emoji 👍. API membaca emoji dan bahkan dapat mengonversi ekspresi ke dan dari mereka. Untuk respons terbaik, gunakan bentuk ekspresi umum untuk contoh Anda.

• Gunakan lebih sedikit contoh untuk tugas yang sudah dikenal. Pengklasifikasi ini hanya menyediakan beberapa contoh karena API sudah memiliki pemahaman tentang sentimen dan konsep pesan teks. Jika Anda membuat pengklasifikasi untuk sesuatu yang mungkin tidak dikenal oleh API, pengklasifikasi perlu untuk memberikan lebih banyak contoh.

Beberapa hasil dari satu panggilan API

Sekarang setelah Anda memahami cara membangun pengklasifikasi, mari kita perluas pada demonstrasi pertama untuk membuatnya lebih efisien. Anda ingin dapat menggunakan pengklasifikasi untuk mendapatkan beberapa hasil kembali dari satu panggilan API.

This is a text message sentiment classifier

Message: "I loved the new adventure movie!"
Sentiment: Positive

Message: "I hate it when my phone battery dies"
Sentiment: Negative

Message: "My day has been 👍"
Sentiment: Positive

Message: "This is the link to the article"
Sentiment: Neutral

Message text
1. "I loved the new adventure movie!"
2. "I hate it when my phone battery dies"
3. "My day has been 👍"
4. "This is the link to the article"
5. "This new music video is unreal"

Message sentiment ratings:
1: Positive
2: Negative
3: Positive
4: Neutral
5: Positive

Message text
1. "He doesn't like homework"
2. "The taxi is late. She's angry 😠"
3. "I can't wait for the weekend!!!"
4. "My cat is adorable ❤️❤️"
5. "Let's try chocolate bananas"

Message sentiment ratings:
1.

Demonstrasi ini menunjukkan API cara mengklasifikasikan pesan teks berdasarkan sentimen. Anda menyediakan daftar pesan bernomor dan daftar peringkat sentimen dengan indeks angka yang sama. API menggunakan informasi dalam demonstrasi pertama untuk mempelajari cara mengklasifikasikan sentimen untuk satu pesan teks. Dalam demonstrasi kedua, model mempelajari cara menerapkan klasifikasi sentimen ke daftar pesan teks. Pendekatan ini memungkinkan API untuk memberi peringkat lima (dan bahkan lebih banyak) pesan teks dalam satu panggilan API.

Penting

Saat Anda meminta API untuk membuat daftar atau mengevaluasi teks, penting untuk membantu API menghindari penyimpangan. Berikut adalah beberapa poin yang harus diikuti:

• Perhatikan nilai Anda dengan cermat untuk Top P pengaturan probabilitas atau Temperature .
• Jalankan beberapa pengujian untuk memastikan pengaturan probabilitas Anda dikalibrasi dengan benar.
• Jangan gunakan daftar panjang. Daftar panjang dapat menyebabkan penyimpangan.

Ide pemicu

Salah satu tugas paling kuat namun paling sederhana yang dapat Anda selesaikan dengan API adalah menghasilkan ide atau versi input baru. Misalkan Anda menulis novel misteri dan Anda membutuhkan beberapa ide cerita. Anda dapat memberi API daftar beberapa ide dan mencoba menambahkan lebih banyak ide ke daftar Anda. API dapat membuat rencana bisnis, deskripsi karakter, slogan pemasaran, dan banyak lagi hanya dari beberapa contoh kecil.

Dalam demonstrasi berikutnya, Anda menggunakan API untuk membuat lebih banyak contoh tentang cara menggunakan realitas virtual di ruang kelas:

Ideas involving education and virtual reality

1. Virtual Mars
Students get to explore Mars via virtual reality and go on missions to collect and catalog what they see.

2.

Demonstrasi ini menyediakan API dengan deskripsi dasar untuk daftar Anda bersama dengan satu item daftar. Kemudian Anda menggunakan perintah "2" yang tidak lengkap untuk memicu respons dari API. API menginterpretasikan entri yang tidak lengkap sebagai permintaan untuk menghasilkan item serupa dan menambahkannya ke daftar Anda.

Panduan untuk memicu ide

Meskipun demonstrasi ini menggunakan perintah sederhana, demonstrasi ini menyoroti beberapa panduan untuk memicu ide-ide baru:

• Jelaskan niat daftar. Mirip dengan demonstrasi untuk pengklasifikasi teks, Anda mulai dengan memberi tahu API tentang apa daftarnya. Pendekatan ini membantu API untuk fokus pada penyelesaian daftar daripada mencoba menentukan pola dengan menganalisis teks.

• Atur pola untuk item dalam daftar. Saat Anda memberikan deskripsi satu kalimat, API mencoba mengikuti pola tersebut saat membuat item baru untuk daftar. Jika Anda menginginkan respons yang lebih verbose, Anda perlu menetapkan niat tersebut dengan input teks yang lebih rinci ke API.

• Minta API dengan entri yang tidak lengkap untuk memicu ide baru. Ketika API menemukan teks yang tampaknya tidak lengkap, seperti teks perintah "2.," pertama-tama mencoba menentukan teks apa pun yang mungkin menyelesaikan entri. Karena demonstrasi memiliki judul daftar dan contoh dengan angka "1." dan teks yang menyertainya, API menginterpretasikan teks perintah yang tidak lengkap "2." sebagai permintaan untuk terus menambahkan item ke daftar.

• Jelajahi teknik generasi lanjutan. Anda dapat meningkatkan kualitas respons dengan membuat daftar yang lebih beragam dalam permintaan Anda. Salah satu pendekatannya adalah memulai dengan satu contoh, biarkan API menghasilkan lebih banyak contoh, lalu pilih contoh yang paling Anda sukai dan tambahkan ke daftar. Beberapa variasi berkualitas tinggi dalam contoh Anda dapat secara dramatis meningkatkan kualitas respons.

Melakukan percakapan

Dimulai dengan rilis GPT-35-Turbo dan GPT-4, kami sarankan Anda membuat pembuatan percakapan dan chatbot dengan menggunakan model yang mendukung titik akhir penyelesaian obrolan. Model penyelesaian obrolan dan titik akhir memerlukan struktur input yang berbeda dari titik akhir penyelesaian.

API mahir melakukan percakapan dengan manusia dan bahkan dengan dirinya sendiri. Hanya dengan beberapa baris instruksi, API dapat berfungsi sebagai chatbot layanan pelanggan yang dengan cerdas menjawab pertanyaan tanpa bingung, atau mitra percakapan yang bijaksana yang membuat lelucon dan pukulan. Kuncinya adalah memberi tahu API bagaimana seharusnya berperilaku dan kemudian memberikan beberapa contoh.

Dalam demonstrasi ini, API memasok peran pertanyaan jawaban AI:

The following is a conversation with an AI assistant. The assistant is helpful, creative, clever, and very friendly.

Human: Hello, who are you?
AI: I am an AI created by OpenAI. How can I help you today?
Human: 

Mari kita lihat variasi untuk chatbot bernama "Cramer," asisten virtual yang lucu dan agak membantu. Untuk membantu API memahami karakter peran, Anda memberikan beberapa contoh pertanyaan dan jawaban. Yang diperlukan hanyalah beberapa respons sarkastik dan API dapat mengambil pola dan memberikan sejumlah respons serupa yang tak ada habisnya.

Cramer is a chatbot that reluctantly answers questions.

###
User: How many pounds are in a kilogram?
Cramer: This again? There are 2.2 pounds in a kilogram. Please make a note of this.
###
User: What does HTML stand for?
Cramer: Was Google too busy? Hypertext Markup Language. The T is for try to ask better questions in the future.
###
User: When did the first airplane fly?
Cramer: On December 17, 1903, Wilbur and Orville Wright made the first flights. I wish they'd come and take me away.
###
User: Who was the first man in space?
Cramer: 

Panduan untuk merancang percakapan

Demonstrasi kami menunjukkan seberapa mudah Anda dapat membuat chatbot yang mampu melakukan percakapan. Meskipun terlihat sederhana, pendekatan ini mengikuti beberapa panduan penting:

• Tentukan niat percakapan. Sama seperti perintah lainnya, Anda menjelaskan niat interaksi ke API. Dalam hal ini, "percakapan." Input ini menyiapkan API untuk memproses input berikutnya sesuai dengan niat awal.

• Beri tahu API cara ber perilaku. Detail utama dalam demonstrasi ini adalah instruksi eksplisit tentang bagaimana API harus berinteraksi: "Asisten bermanfaat, kreatif, pintar, dan sangat ramah." Tanpa instruksi eksplisit Anda, API mungkin menyimpang dan meniru manusia yang berinteraksi dengannya. API mungkin menjadi tidak ramah atau menunjukkan perilaku lain yang tidak diinginkan.

• Beri API identitas. Pada awalnya, Anda memiliki API merespons sebagai AI yang dibuat oleh OpenAI. Meskipun API tidak memiliki identitas intrinsik, deskripsi karakter membantu API merespons dengan cara yang sedekat mungkin dengan kebenaran. Anda dapat menggunakan deskripsi identitas karakter dengan cara lain untuk membuat berbagai jenis chatbot. Jika Anda memberi tahu API untuk merespons sebagai ilmuwan penelitian dalam biologi, Anda menerima komentar cerdas dan bijaksana dari API yang mirip dengan apa yang Anda harapkan dari seseorang dengan latar belakang tersebut.

Ubah teks

API adalah model bahasa yang terbiasa dengan berbagai cara agar kata dan identitas karakter dapat digunakan untuk mengekspresikan informasi. Data pengetahuan mendukung transformasi teks dari bahasa alami menjadi kode, dan menerjemahkan antara bahasa lain dan bahasa Inggris. API juga dapat memahami konten pada tingkat yang memungkinkannya meringkas, mengonversi, dan mengekspresikannya dengan cara yang berbeda. Mari kita lihat beberapa contohnya.

Menerjemahkan dari satu bahasa ke bahasa lain

Demonstrasi ini menginstruksikan API tentang cara mengonversi frasa bahasa Inggris menjadi bahasa Prancis:

English: I do not speak French.
French: Je ne parle pas français.
English: See you later!
French: À tout à l'heure!
English: Where is a good restaurant?
French: Où est un bon restaurant?
English: What rooms do you have available?
French: Quelles chambres avez-vous de disponible?
English:

Contoh ini berfungsi karena API sudah memiliki pemahaman bahasa Prancis. Anda tidak perlu mencoba mengajarkan bahasa ke API. Anda hanya perlu memberikan contoh yang cukup untuk membantu API memahami permintaan Anda untuk mengonversi dari satu bahasa ke bahasa lain.

Jika Anda ingin menerjemahkan dari bahasa Inggris ke bahasa yang tidak dikenali API, Anda perlu menyediakan API dengan lebih banyak contoh dan model yang disempurnakan yang dapat menghasilkan terjemahan yang lancar.

Mengonversi antara teks dan emoji

Demonstrasi ini mengubah nama film dari teks menjadi karakter emoji. Contoh ini menunjukkan kemampuan beradaptasi API untuk mengambil pola dan bekerja dengan karakter lain.

Carpool Time: 👨👴👩🚗🕒
Robots in Cars: 🚗🤖
Super Femme: 👸🏻👸🏼👸🏽👸🏾👸🏿
Webs of the Spider: 🕸🕷🕸🕸🕷🕸
The Three Bears: 🐻🐼🐻
Mobster Family: 👨👩👧🕵🏻‍♂️👲💥
Arrows and Swords: 🏹🗡🗡🏹
Snowmobiles:

Meringkas teks

API dapat memahami konteks teks dan mengulanginya dengan cara yang berbeda. Dalam demonstrasi ini, API mengambil blok teks dan membuat penjelasan yang dapat dimengerti oleh anak usia primer. Contoh ini menggambarkan bahwa API memiliki pemahaman bahasa yang mendalam.

My ten-year-old asked me what this passage means:
"""
A neutron star is the collapsed core of a massive supergiant star, which had a total mass of between 10 and 25 solar masses, possibly more if the star was especially metal-rich.[1] Neutron stars are the smallest and densest stellar objects, excluding black holes and hypothetical white holes, quark stars, and strange stars.[2] Neutron stars have a radius on the order of 10 kilometres (6.2 mi) and a mass of about 1.4 solar masses.[3] They result from the supernova explosion of a massive star, combined with gravitational collapse, that compresses the core past white dwarf star density to that of atomic nuclei.
"""

I rephrased it for him, in plain language a ten-year-old can understand:
"""

Panduan untuk menghasilkan ringkasan teks

Ringkasan teks sering melibatkan penyediaan teks dalam jumlah besar ke API. Untuk membantu mencegah API menyimpang setelah memproses blok teks yang besar, ikuti panduan berikut:

• Sertakan teks untuk meringkas dalam tanda kutip ganda tiga. Dalam contoh ini, Anda memasukkan tiga tanda kutip ganda (""") pada baris terpisah sebelum dan sesudah blok teks untuk diringkas. Gaya pemformatan ini dengan jelas mendefinisikan awal dan akhir blok besar teks untuk diproses.

• Jelaskan niat ringkasan dan audiens target sebelum, dan setelah ringkasan. Perhatikan bahwa contoh ini berbeda dari yang lain karena Anda memberikan instruksi ke API dua kali: sebelum, dan setelah teks untuk diproses. Instruksi redundan membantu API untuk fokus pada tugas yang Anda maksudkan dan menghindari penyimpangan.

Melengkapi input teks dan kode parsial

Meskipun semua permintaan menghasilkan penyelesaian, akan sangat membantu dalam menganggap penyelesaian teks sebagai tugasnya sendiri jika Anda ingin API melanjutkan dari bagian terakhir yang Anda tinggalkan.

Dalam demonstrasi ini, Anda memberikan perintah teks ke API yang tampaknya tidak lengkap. Anda menghentikan entri teks pada kata "dan." API menginterpretasikan teks yang tidak lengkap sebagai pemicu untuk melanjutkan pelatihan pemikiran Anda.

Vertical farming provides a novel solution for producing food locally, reducing transportation costs and

Demonstrasi berikutnya ini menunjukkan bagaimana Anda dapat menggunakan fitur penyelesaian untuk membantu menulis React komponen kode. Anda mulai dengan mengirim beberapa kode ke API. Anda menghentikan entri kode dengan tanda kurung (terbuka . API menginterpretasikan kode yang tidak lengkap sebagai pemicu untuk menyelesaikan HeaderComponent definisi konstanta. API dapat menyelesaikan definisi kode ini karena memiliki pemahaman tentang pustaka yang React sesuai.

import React from 'react';
const HeaderComponent = () => (

Panduan untuk menghasilkan penyelesaian

Berikut adalah beberapa panduan bermanfaat untuk menggunakan API untuk menghasilkan penyelesaian teks dan kode:

• Turunkan Suhu agar API tetap fokus. Atur nilai yang Temperature lebih rendah untuk pengaturan guna menginstruksikan API untuk memberikan respons yang berfokus pada niat yang dijelaskan dalam perintah Anda.

• Naikkan Suhu untuk memungkinkan API bersinggungan. Tetapkan nilai yang lebih tinggi untuk Temperature pengaturan untuk memungkinkan API merespons dengan cara yang bersinggungan dengan niat yang dijelaskan dalam perintah Anda.

• Gunakan model GPT-35-Turbo dan GPT-4 Azure OpenAI. Untuk tugas yang melibatkan pemahaman atau pembuatan kode, Microsoft merekomendasikan penggunaan GPT-35-Turbo model Azure OpenAI dan GPT-4 . Model-model ini menggunakan format penyelesaian obrolan baru.

Menghasilkan respons faktual

API telah mempelajari pengetahuan yang dibangun pada data aktual yang ditinjau selama pelatihannya. Ini menggunakan data yang dipelajari ini untuk membentuk responsnya. Namun, API juga memiliki kemampuan untuk merespons dengan cara yang terdengar benar, tetapi pada kenyataannya, dibuat.

Ada beberapa cara untuk membatasi kemungkinan API membuat jawaban sebagai respons terhadap input Anda. Anda dapat menentukan fondasi untuk respons yang benar dan faktual, sehingga API menyusun responsnya dari data Anda. Anda juga dapat menetapkan nilai probabilitas rendah Temperature dan menunjukkan API cara merespons ketika data tidak tersedia untuk jawaban faktual.

Demonstrasi berikut menunjukkan cara mengajarkan API untuk membalas dengan cara yang lebih faktual. Anda menyediakan API dengan contoh pertanyaan dan jawaban yang dipahaminya. Anda juga memberikan contoh pertanyaan ("Q") yang mungkin tidak dikenali dan menggunakan tanda tanya untuk output jawaban ("A"). Pendekatan ini mengajarkan API cara menanggapi pertanyaan yang tidak dapat dijawab secara faktual.

Sebagai perlindungan, Anda menetapkan Temperature probabilitas ke nol sehingga API lebih mungkin merespons dengan tanda tanya (?) jika ada keraguan tentang respons yang benar dan faktual.

Q: Who is Batman?
A: Batman is a fictional comic book character.

Q: What is torsalplexity?
A: ?

Q: What is Devz9?
A: ?

Q: Who is George Lucas?
A: George Lucas is an American film director and producer famous for creating Star Wars.

Q: What is the capital of California?
A: Sacramento.

Q: What orbits the Earth?
A: The Moon.

Q: Who is Egad Debunk?
A: ?

Q: What is an atom?
A: An atom is a tiny particle that makes up everything.

Q: Who is Alvan Muntz?
A: ?

Q: What is Kozar-09?
A: ?

Q: How many moons does Mars have?
A: Two, Phobos and Deimos.

Q:

Panduan untuk menghasilkan respons faktual

Mari kita tinjau panduan untuk membantu membatasi kemungkinan API membuat jawaban:

• Berikan kebenaran dasar untuk API. Instruksikan API tentang apa yang harus digunakan sebagai fondasi untuk membuat respons yang benar dan faktual berdasarkan niat Anda. Jika Anda menyediakan API dengan isi teks untuk digunakan untuk menjawab pertanyaan (seperti entri Wikipedia), API cenderung tidak membuat respons.

• Gunakan probabilitas rendah. Tetapkan nilai probabilitas rendah Temperature sehingga API tetap fokus pada niat Anda dan tidak menyimpang ke dalam membuat respons yang dibuat atau dikacaukan.

• Tampilkan API cara merespons dengan "Saya tidak tahu". Anda dapat memasukkan contoh pertanyaan dan jawaban yang mengajarkan API untuk menggunakan respons tertentu untuk pertanyaan yang tidak dapat menemukan jawaban faktual. Dalam contoh, Anda mengajarkan API untuk merespons dengan tanda tanya (?) saat tidak dapat menemukan data yang sesuai. Pendekatan ini juga membantu API untuk belajar saat merespons dengan "Saya tidak tahu" lebih "benar" daripada membuat jawaban.

Bekerja dengan kode

Seri model Codex adalah turunan dari seri GPT-3 dasar OpenAI yang telah dilatih pada bahasa alami dan miliaran baris kode. Seri model ini paling optimal dalam Python dan menguasai banyak bahasa pemrogram termasuk C#, JavaScript, Go, Perl, PHP, Ruby, Swift, TypeScript, SQL, dan bahkan Shell.

Untuk informasi selengkapnya tentang menghasilkan penyelesaian kode, lihat Model codex dan Layanan Azure OpenAI.

Langkah berikutnya

• Pelajari cara bekerja dengan model GPT-35-Turbo dan GPT-4.
• Pelajari selengkapnya tentang model Layanan Azure OpenAI.