İstem mühendisliği teknikleri

Bu kılavuz, istem tasarımı ve istem mühendisliğinde bazı gelişmiş teknikler konusunda size yol gösterecektir. Mühendisliği istemle kullanmaya yeni başladıysanız, istem mühendisliğine giriş kılavuzumuzdan başlamanızı öneririz.

İstem mühendisliğinin ilkeleri birçok farklı model türünde genelleştirilebilir ancak bazı modeller özel bir istem yapısı bekler. Azure OpenAI GPT modelleri için şu anda istem mühendisliğinin devreye girdiği iki ayrı API vardır:

• Sohbet Tamamlama API'si.
• Tamamlama API'si.

Her API için giriş verilerinin farklı biçimlendirilmesi gerekir ve bu da genel istem tasarımını etkiler. Sohbet Tamamlama API'si GPT-35-Turbo ve GPT-4 modellerini destekler. Bu modeller, bir dizi sözlük içinde depolanan belirli bir sohbet benzeri transkriptte biçimlendirilmiş girişler almak için tasarlanmıştır.

Tamamlama API'si eski GPT-3 modellerini destekler ve belirli biçim kuralları olmayan bir metin dizesi alması için çok daha esnek giriş gereksinimlerine sahiptir.

Bu kılavuzdaki teknikler, Büyük Dil Modeli (LLM) ile oluşturduğunuz yanıtların doğruluğunu ve topraklamasını artırmaya yönelik stratejiler öğretecektir. Ancak, istem mühendisliğini etkin bir şekilde kullanırken bile modellerin oluşturduğu yanıtları doğrulamanız gerektiğini unutmamanız önemlidir. Dikkatle hazırlanmış bir istem belirli bir senaryo için iyi çalışıyor olması, belirli kullanım örnekleri için daha geniş kapsamlı bir genelleştirileceği anlamına gelmez. LLM'lerin sınırlamalarını anlamak, güçlü yönlerinden nasıl yararlanacaklarını anlamak kadar önemlidir.

Bu kılavuz, Sohbet Tamamlamaları için ileti yapısının arkasındaki mekaniğe derinlemesine girmez. Sohbet Tamamlama modelleri ile program aracılığıyla etkileşim kurma hakkında bilginiz yoksa, önce Sohbet Tamamlama API'siyle ilgili nasıl yapılır kılavuzumuzu okumanızı öneririz.

Not

Kılavuzun bu bölümündeki tüm örnekler, temel GPT-4 modelinde İngilizce test edilmiştir. Bu makalenin yerelleştirilmiş bir sürümünü başka bir dilde okuyorsanız, bu yanıtlar İngilizce sonuçların yerelleştirilmiş çevirisini temsil eder. Model sorulduğunda hangi dili kullandığınıza bağlı olarak olası sınırlamalar hakkında daha fazla bilgi edinmek için sorumlu yapay zeka saydamlığı notumuza bakın.

Sistem iletisi

Sistem iletisi istemin başına eklenir ve modeli bağlam, yönergeler veya kullanım örneğinizle ilgili diğer bilgilerle ayarlamak için kullanılır. Yardımcının kişiliğini tanımlamak, modelin neleri yanıtlaması ve neleri yanıtlamaması gerektiğini tanımlamak ve model yanıtlarının biçimini tanımlamak için sistem iletisini kullanabilirsiniz.

Aşağıdaki örnekte örnek bir sistem iletisi ve sonuçta elde edilen model yanıtı gösterilmektedir:

Sistem iletisi	User	Yardımcı
Sen insanların bilgi edinmesine yardımcı olan ve kafiyeli yanıtlar veren bir AI yardımcısısın. Kullanıcı sana cevabını bilmediğin bir soru sorarsa bunu bilmediğini söyle.	Hakkımda ne söyleyebilirsin, John Doe?	Sevgili John, bunu söylediğim için üzgünüm. Ama bugün hakkında bilgim yok. Ben sadece beynimde bilgi olan bir yapay zekayım. Ama senin görüşlerin olmadan, bunu açıklayamam. Lütfen bana ne aradığınız hakkında daha fazla bilgi verin. Ve size benzersiz bir cevap vermek için elimden geleni yapacağım.

Sistem iletilerinin diğer bazı örnekleri şunlardır:

• "Assistant, OpenAI tarafından eğitilen büyük bir dil modelidir."
• "Yardımcı, kullanıcıların Azure OpenAI Hizmeti hakkındaki teknik soruları yanıtlamasına yardımcı olmak için tasarlanmış akıllı bir sohbet botudur. Yalnızca aşağıdaki bağlamı kullanarak soruları yanıtlayın ve yanıtlardan emin değilseniz "Bilmiyorum" diyebilirsiniz.
• "Asistan, kullanıcıların vergiyle ilgili sorularını yanıtlamalarına yardımcı olmak için tasarlanmış akıllı bir sohbet botu."
• "Metinden varlıkları ayıklamak için tasarlanmış bir yardımcısınız. Kullanıcılar bir metin dizesi yapıştırır ve metinden JSON nesnesi olarak ayıkladığınız varlıklarla yanıt verirsiniz. Çıktı biçiminizin bir örneği aşağıda verilmişti:

{  
   "name": "",
   "company": "",
   "phone_number": ""
}

Anlaşılması gereken önemli bir ayrıntı, sistem iletisindeki bir modele yanıt verme talimatı verseniz bile, ne zaman yanıt verileceğini bilmiyorum . Bu, isteğin yerine getirilmesini garanti etmez. İyi tasarlanmış bir sistem iletisi, belirli bir sonucun olasılığını artırabilir, ancak yine de sistem iletisindeki yönergenin amacıyla çelişen yanlış bir yanıt oluşturulabilir.

Az çekim öğrenme

Dil modellerini yeni görevlere uyarlamanın yaygın yollardan biri, az çekim öğrenmeyi kullanmaktır. Birkaç denemeli öğrenmede, modele ek bağlam sağlama isteminin bir parçası olarak bir dizi eğitim örneği sağlanır.

Sohbet Tamamlamaları API'sini kullanırken, Kullanıcı ve Yardımcı arasındaki bir dizi ileti (yeni istem biçiminde yazılmış) birkaç deneme öğrenmesi için örnek olarak kullanılabilir. Bu örnekler modeli belirli bir şekilde yanıt vermeye, belirli davranışlara öykünmeye ve sık sorulan sorulara yanıt vermeye hazır hale getirmek için kullanılabilir.

Sistem iletisi

Birkaç çekimli örnekler

Asistan, kullanıcıların vergiyle ilgili sorularını yanıtlamalarına yardımcı olmak için tasarlanmış akıllı bir sohbet botudur. Talimat -ları - Yalnızca vergiler ile ilgili soruları yanıtlayın. - Bir yanıt emin değilseniz, "Bilmiyorum" veya "Emin değilim" diyebilir ve daha fazla bilgi için kullanıcıların IRS web sitesine gitmesini önerebilirsiniz.

Kullanıcı - "Vergilerimi ne zaman dosyalamalıyım?" Yardımcı - "2023'te vergilerinizi 18 Nisan'a kadar dosyalamalısınız. Tarih, 15 Nisan 2023'te cumartesi gününe denk geldiği için normal 15 Nisan son tarihinden sonradır. Daha fazla ayrıntı için bkz. https://www.irs.gov/filing/individuals/when-to-file " Kullanıcı - "Vergi iademin durumunu nasıl denetleyebilirim?" Yardımcı - "Ziyaret ederek https://www.irs.gov/refunds vergi iadenizin durumunu kontrol edebilirsiniz"

Yukarıdaki tabloda temel istem yapısı açıklanmaktadır, ancak tam istem biçiminin ayrıntılı açıklaması için Sohbet Tamamlama kılavuzuna başvurmanız gerekir.

Sohbet dışı senaryolar

Sohbet Tamamlama API'si çok aşamalı konuşmalarla çalışacak şekilde iyileştirilse de, sohbet dışı senaryolar için de kullanılabilir. Örneğin, yaklaşım analizi senaryosu için aşağıdaki istemi kullanabilirsiniz:

Sistem iletisi	User	Yardımcı
Konuşma verilerinden yaklaşımı analiz etmek için tasarlanmış bir yardımcısınız. Kullanıcılar bir metin dizesi yapıştırır ve siz de konuşmacının yanıtının değerlendirmesiyle yanıt verirsiniz. 1-10 (10 en yüksek) ölçeğinde oran. Bu derecelendirmenin neden verildiğini açıklayın.	Merhaba bugün konuşmakta olduğum contoso eczanesini çağırdığınız için teşekkür ederiz hayal kırıklığınızı anlıyorum mary um bana tam olarak neyi başarmaya çalıştığınızı söyleyebilirsiniz Ok uh kesinlikle sizin için bir an kontrol etmek için lütfen lütfen burada lipitorun genel bir formunda olduğunuzu görüyorum sağ Ok uh bu yüzden doktorunuzun yirmi yirmi birde bu ilaçları reçeteyi durdurmasını görüyorum aslında Tamam uh Evet, sizin yerinize kontrol etmek isterim çünkü bazen sistemde bir boşluk vardır ve sadece bildirilmez, bu yüzden buraya bir göz atayım, bu yüzden burada doktorunuzun size bu ilaçların 222 ila 201'den 201'e kadar yazıldığını görüyorum Tamam um evet doktor ofisi tarafından sağlanan en son kayıtlara göre uh şu anda farklı bir ilaç metformin kullanıyor olabilirsiniz Eğer bugün sizin için yapabileceğimiz başka bir şey varsa lütfen bize bildirin.	Yaklaşım derecelendirmesi: 8 Bu metindeki konuşmacı, müşterinin endişelerini giderirken kibar, yararlı ve sabırlı görünüyor. Bilgileri denetlemek, net açıklamalar sağlamak ve yardım sunmak için zaman alır. Ancak, konuşmanın bazı bölümlerinde hala belirsizliğe dair bir ipucu olduğundan, bu puan 10 değildir ve bu da müşteriye tam güven getirmeyebilir.

Açık yönergelerle başlayın

Dizi bilgileri istemde görünür. Bunun nedeni, GPT stil modellerinin girişi nasıl işlediklerini tanımlayan belirli bir şekilde derlenmiş olmasıdır. Araştırmamız, ek bağlamsal bilgileri veya örnekleri paylaşmadan önce modele istem başında yapmak istediğiniz görevi söylemenin daha yüksek kaliteli çıkışlar üretmeye yardımcı olabileceğini öne sürüyor.

Not

Bu tekniğin izlenmesi, önceki model sürümlerinin (GPT-3 ve öncesi) aksine genel olarak önerilir ancak testimiz, tekniğin kullanılıp kullanılmadığına bakılmaksızın ChatGPT ve GPT-4 modelleriyle model yanıtının aynı olduğunu gösterdi. Aşağıdaki örnekte şu deyimin eklendiğini görüyoruz: "Çeşitli kaynaklar ... eruption" komutu istemin başında veya sonunda son model yanıtında herhangi bir değişikliğe neden olmadı.

Sistem iletisi	User	Yardımcı
İnsanların bilgi bulmasına yardımcı olan bir yapay zeka yardımcısısınız.	Göreviniz, "Birkaç kaynak başka bir büyük patlama olasılığından bahsediyor" ifadesinin aşağıdaki kod parçacıkları kümesinden belirli bir alıntıyla desteklenip desteklenmediğini doğrulamaktır. --- PARÇACIK -LARI [1] Uzmanlara göre megaquake'nin Seattle'a çarpma olasılığı yüzde 14 SEATTLE - ABD Jeolojik Araştırma'nın tahminlerine göre, önümüzdeki 50 yıl içinde 9 Cascadia depreminin Seattle'a çarpma olasılığı yüzde 14'tür. "Ne yazık ki... [2] Deprem uzmanları Seattle'ın 'Gerçekten Büyük Olan' için en son görünümü ortaya çıkardı Washington Üniversitesi'nde bir jeofizikçi, "Önümüzdeki 50 yıl içinde yaklaşık olarak 9'luk bir depremin meydana gelmesi ihtimalinin yaklaşık %14 olduğunu söylüyoruz," dedi. --- "Birkaç kaynak başka bir büyük patlama olasılığından bahsediyor" ifadesi kod parçacıkları tarafından doğrudan açıklanıyor mu veya belirtiliyor mu?	Hayır, deyimi doğrudan kod parçacıkları tarafından ima veya belirtilmemiş. Kod parçacıkları, önümüzdeki 50 yıl içinde Seattle'a bir "megaquake" ve "büyük 9 Cascadia depremi" şansından bahsediyor, ancak başka bir büyük patlama olasılığından bahsetmeyin.

Yönergeleri en sonda yineleyin

Modeller, bilgi isteminin sonundaki bilgilerin istemin başındaki bilgilerden daha önemli bir etkiye sahip olabileceği anlamına gelen geri kazanma yanlılığından etkilenebilir. Bu nedenle, istem sonunda yönergeleri tekrarlayarak ve oluşturulan yanıt üzerindeki etkiyi değerlendirerek denemeler yapmanız faydalı olabilir.

Çıktıyı astarla

Bu, istenen formu izleyen bir model yanıtı almak için istemin sonuna birkaç sözcük veya tümcecik eklemek anlamına gelir. Örneğin, gibi “Here’s a bulleted list of key points:\n- ” bir ipucu kullanmak, çıkışın madde işareti noktaları listesi olarak biçimlendirildiğinden emin olunmasında yardımcı olabilir.

Sistem iletisi	User	Yardımcı
İnsanların bilgi bulmasına yardımcı olan bir yapay zeka yardımcısısınız. Mümkün olduğunca az sözcükle yanıt verin.	John Smith, Lucy Smith ile evlidir. Beş çocukları var ve Microsoft'ta yazılım mühendisi olarak çalışıyor. Bunu gerçek olarak denetlemek için hangi arama sorgularını yapmalıyım? ## Olası arama sorgularından biri:	"John Smith Lucy Smith ile evlendi beş çocuk yazılım mühendisi Microsoft"

Yukarıdaki istemde Olası arama sorgularından biri metni : Modeli tek bir çıkış üretmek için hazırlar. Bu ipucu olmadan model çıkış olarak birkaç arama sorgusu oluşturur.

Açık söz dizimi ekleme

noktalama işaretleri, başlıklar ve bölüm işaretçileri de dahil olmak üzere isteminiz için açık söz dizimi kullanmak amacın iletilmesine yardımcı olur ve genellikle çıkışların ayrıştırma işlemini kolaylaştırır.

Aşağıdaki örnekte, farklı bilgi kaynakları veya adımlar arasına ayırıcılar (--- bu örnekte) eklenmiştir. Bu, oluşturma için durdurma koşulu olarak kullanılmasına --- olanak tanır. Ayrıca bölüm başlıkları veya özel değişkenler, bunları ayırt etmek için büyük harfle sunulur.

Sistem iletisi	User	Yardımcı
İnsanların bilgi bulmasına yardımcı olan bir yapay zeka yardımcısısınız.	Bir paragrafı okuyacak ve ardından bir arama altyapısına sorgular düzenleyip bunu kontrol edersiniz. Sorguları da açıklayın. --- PARAGRAF John Smith, Lucy Smith ile evlidir. Beş çocukları var ve Microsoft'ta yazılım mühendisi olarak çalışıyor. Bunu gerçek olarak denetlemek için hangi arama sorgularını yapmalıyım? --- SORGULAR	1. "John Smith Microsoft" - John Smith'in gerçekten Microsoft'ta çalıştırılıp çalıştırılamadığını denetlemek için. 2. "John Smith Lucy Smith" - John Smith'in Lucy Smith ile evli olup olmadığını kontrol etmek için. 3. "John Smith çocukları" - John Smith'in beş çocuğu olup olmadığını kontrol etmek için.

Hangi söz diziminde kullanacağınızdan emin değilseniz Markdown veya XML kullanmayı göz önünde bulundurun. Modeller XML ve Markdown'da büyük miktarda web içeriği üzerinde eğitilmiştir ve bu da daha iyi sonuçlar sağlayabilir.

Görevi bölme

Büyük dil modelleri (LLM' ler) genellikle görev daha küçük adımlara ayrılırsa daha iyi performans gösterir. Örneğin, daha önce başvuruda bulunılan arama sorgusu isteminde, istem yeniden yapılandırılarak modele önce ilgili olguları ayıklaması ve ardından bu olguları doğrulamak için kullanılabilecek arama sorguları oluşturması istenebilir.

Sistem iletisi	User	Yardımcı
İnsanların bilgi bulmasına yardımcı olan bir yapay zeka yardımcısısınız.	Bir paragrafı okuyacak ve ardından bir arama altyapısına sorgular düzenleyip bunu kontrol edersiniz. --- PARAGRAF John Smith, Lucy Smith ile evlidir. Beş çocukları var ve Microsoft'ta yazılım mühendisi olarak çalışıyor. Bunu gerçek olarak denetlemek için hangi arama sorgularını yapmalıyım? --- Şimdi olgusal talepleri ayıklayacaksınız ve bunları kontrol etmek için sorgular düzenleyeceksiniz. Sorguyu düzenlerken MBUL("sorgu") işlevini kullanın OLGUSAL TALEPLER	1. John Smith Lucy Smith ile evli 2. Beş çocukları var 3. Microsoft'ta yazılım mühendisi olarak çalışıyor SORGULAR SEARCH("John Smith, Lucy Smith ile evlendi") SEARCH("John Smith aile boyutu") SEARCH("John Smith Microsoft yazılım mühendisi")

Bölümleri ayırt etmek ve çıkışı asal yapmak için açık söz diziminin kullanıldığına dikkat edin. Bu basit örnekte, görevi bir adımdan iki adıma bölmek çok dramatik değildir, ancak bunu birçok olgusal talebi olan daha büyük bir metin parçası için yapmaya çalışırken, görevi bölmek önemli bir fark oluşturabilir.

Affordance kullanımı

Bazen modelin bilgi ve yanıtlar için kendi parametrelerine güvenmek yerine bir affordance kullanmasını sağlayabiliriz. Örneğin, arama yapmak, uydurulan yanıtlara karşı azaltmaya yardımcı olmak ve güncel bilgileri almak için uygun bir fırsat olabilir.

Bir affordance kullanmanın basit bir yolu, model tarafından affordance çağrıları oluşturulduktan sonra üretimi durdurmak ve ardından sonuçları istem içine geri yapıştırmaktır. Aşağıda, yukarıdaki ARAMA çağrılarını yaptıktan sonra izleme çağrısının ne olabileceğine ilişkin bir örnek verilmiştir. Arama sonuçlarını istemine nasıl yapıştırdığımıza ve önceki SEARCH çağrılarını nasıl değiştirdiğimize dikkat edin.

Sistem iletisi	User	Yardımcı
İnsanların bilgi bulmasına yardımcı olan bir yapay zeka yardımcısısınız.	Bir paragraf okuyacak, olgusal talepleri ayıklayacaksınız ve sonra bunları kontrol etmek için arama altyapısı sonuçlarını kullanacaksınız --- PARAGRAF John Smith, Lucy Smith ile evlidir. Beş çocukları var ve Microsoft'ta yazılım mühendisi olarak çalışıyor. Bunu gerçek olarak denetlemek için hangi arama sorgularını yapmalıyım? --- OLGUSAL TALEPLER - John Smith Lucy Smith ile evli - John ve Lucy'nin beş çocuğu var - John, Microsoft'ta yazılım mühendisi olarak çalışıyor --- Yukarıdaki talepleri araştırmak için çeşitli arama sorguları verilmiştir: ARAMA SORGULARı - John Smith Lucy Smith ile evlendi - John Smith çocuk sayısı - John Smith yazılım mühendisi Microsoft --- Arama sonuçlarının kod parçacıkları şunlardır: PARÇACIK -LARI: [1] John Smith'in düğünü 25 Eylül 2012 tarihinde ... [2] John Smith'e karısı Lucy bir partide eşlik etti [3] John'a futbol maçına iki kızı ve üç oğlu eşlik etti [4] Smith, Microsoft'ta 10 yıl geçirdikten sonra kendi startup'ı Tailspin Toys'u kurdu [5] John M, kasaba smith'idir ve Fiona ile evlendi. Lucy adında bir kızları var. --- Kod parçacıkları göz önünde bulundurulduğunda, yukarıdaki olgusal taleplerin her birini kontrol edin:	- John Smith Lucy Smith ile evli: Onaylandı. Kod parçacığı [1] ve [2] her ikisi de John Smith'in karısından Lucy olarak bahseder. - John ve Lucy'nin beş çocukları var: Onaylandı. Kod parçacığı [3] John'a iki kızı ve üç oğlu eşlik ettiğini belirtir. - John, Microsoft'ta yazılım mühendisi olarak çalışıyor: Kısmen onaylandı. Kod parçacığı [4] John'un Microsoft'ta 10 yıl geçirdiğini belirtir, ancak şu anda orada çalıştığını açıkça belirtmez. Mevcut çalışma durumunu doğrulamak için daha fazla araştırma yapılması gerekebilir.

Düşünce zinciri istemi

Bu, görevi bölme tekniğindeki bir çeşitlemedir. Bu yaklaşımda, bir görevi daha küçük adımlara bölmek yerine model yanıtına adım adım ilerlemesi ve ilgili tüm adımları sunması istenir. Bunun yapılması, sonuçların yanlışlık olasılığını azaltır ve model yanıtının değerlendirilmesini kolaylaştırır.

Sistem iletisi	User	Yardımcı
İnsanların bilgi bulmasına yardımcı olan bir yapay zeka yardımcısısınız.	Sidney'de düzenlenen Olimpiyat oyunlarında en madalyalı (maksimum madalya) bireysel atlet kim oldu? Yanıtınızda adım adım bir yaklaşım benimsenin, kaynaklardan alıntı yapın ve son yanıtı aşağıdaki biçimde paylaşmadan önce mantık verin: ANSWER: <name>	1. Adım: Sidney Olimpiyat oyunlarının yılını belirleyin. Sidney Olimpiyat oyunları 2000 yılında yapıldı. 2. Adım: 2000 Sidney Olimpiyatları'nda birden çok madalya kazanan bireysel sporcuların listesini bulun. Olimpiyat Oyunları'nın resmi web sitesine göre, 2000 Sidney Olimpiyatları'nda birden fazla madalya kazanan birkaç bireysel sporcu vardı. Önemli adlardan bazıları şunlardır: • Ian Thorpe (Avustralya) - 3 altın, 2 gümüş, 0 bronz • Pieter van den Hoogenband (Hollanda) - 2 altın, 0 gümüş, 2 bronz • Lenny Krayzelburg (ABD) - 3 altın, 0 gümüş, 0 bronz • Inge de Bruijn (Hollanda) - 3 altın, 1 gümüş, 0 bronz 3. Adım: En çok madalyası olan sporcuyu belirleyin. 2000 Sidney Olimpiyatları'nda birden çok madalya kazanan bireysel atletlerin listesini gözden geçirdikten sonra, en çok madalyaya sahip olan sporcunun, toplam 5 madalya (3 altın ve 2 gümüş) kazanan Avustralyalı Ian Thorpe olduğunu görebiliriz. Bu nedenle, ANSWER şöyledir: Ian Thorpe.

Çıkış yapısını belirtme

Çıkışın yapısını belirtmek için isteminizin kullanılması, sonuçların niteliği ve kalitesi üzerinde önemli bir etkiye sahip olabilir. Bazen sistem iletisi girişleri "yalnızca gerçek bilgiler yaz" veya "bilgi uydurmayın" olarak yeterli risk azaltmaları olmayabilir. Bunun yerine, model yanıtının alıntıları da içermesini istemek, yanlış yanıtların yaygınlığını azaltmaya yardımcı olabilir.

Modele ifadeler yaparken kaynak malzemeden alıntı yapması talimatını verirseniz, bu ifadelerin topraklanma olasılığı çok daha yüksektir. Alıntıların sorulması, modelin her yanıt oluşturduğunda iki hata yapmasını sağlar: ilk hata, oluşturulmuş yanıt ve ikincisi hatalı alıntıdır. Alıntının desteklediği metne ne kadar yakın olursa, modelin alıntıyı tahmin etmesi gereken mesafe o kadar kısadır ve bu da satır içi alıntıların yanlış içerik oluşturma için içeriğin sonundaki alıntılardan daha iyi risk azaltmaları olduğunu gösterir.

Benzer şekilde, modelden bir paragraftaki olgusal deyimleri ayıklamasını isterseniz, 'X Y VE Z yapıyor' gibi bileşik deyimleri ayıklayabilir (bunu doğrulamak daha zor olabilir). Bu, (entity1, relationship, entity2) gibi bir çıkış yapısı belirtilerek önlenebilir.

Aşağıdaki örneklerde alıntıların kullanımı ve model yanıtını tanımlı bir yapıya uyacak şekilde yönlendirme gösterilmektedir.

Sistem iletisi	User	Yardımcı
İnsanların bilgi bulmasına yardımcı olan bir yapay zeka yardımcısısınız	Aşağıdaki konuşmada Müşteri Desteği aracısı tarafından sergilenen farklı davranışları listeleyin. --- Merhaba bugün konuşmakta olduğum contoso eczanesini çağırdığınız için teşekkür ederiz hayal kırıklığınızı anlıyorum mary um bana tam olarak neyi başarmaya çalıştığınızı söyleyebilirsiniz Ok uh kesinlikle sizin için bir an kontrol etmek için lütfen lütfen burada lipitorun genel bir formunda olduğunuzu görüyorum sağ Ok uh bu yüzden doktorunuzun yirmi yirmi birde bu ilaçları reçeteyi durdurmasını görüyorum aslında Tamam uh Evet, sizin yerinize kontrol etmek isterim çünkü bazen sistemde bir boşluk vardır ve sadece bildirilmez, bu yüzden buraya bir göz atayım, bu yüzden burada doktorunuzun size bu ilaçların 222 ila 201'den 201'e kadar yazıldığını görüyorum Tamam um evet doktor ofisi tarafından sağlanan en son kayıtlara göre uh şu anda farklı bir ilaç metformin kullanıyor olabilirsiniz Eğer bugün sizin için yapabileceğimiz başka bir şey varsa lütfen bize bildirin. --- Müşteri Desteği temsilcisinin yanıtı nasıl oldu? BEHAVIOR("reason") biçimini kullanarak çeşitli davranışlarını sınıflandırın ve listeleyin ve sınıflandırmanın arkasındaki nedeni belirtin	1. Kibar Selamlama DAVRANıŞı("Temsilci, konuşmayı kibar bir karşılamayla başlatır ve arayanın adını sorar") 2. Empatik DAVRANıŞ("Ajan Mary'nin hayal kırıklığını kabul eder ve endişesini anlamaya çalışır") 3. Özenli DAVRANıŞ("Aracı müşterinin sorununu dinler ve daha fazla ayrıntı ister") 4. Proaktif DAVRANıŞ("Aracı, sorunu müşteri için denetlemeyi teklif etti") 5. Bilgilendirici DAVRANıŞ("Temsilci müşterinin reçete geçmişi hakkında ilgili bilgileri sağlar") 6. Kapsamlı DAVRANıŞ("Aracı sistemdeki olası boşlukları denetler ve eksiksiz bir yanıt sağlar") 7. Onaylayıcı DAVRANıŞ("Aracı, mevcut ilacı müşteriyle birlikte onaylar") 8. Çözüm odaklı DAVRANıŞ("Temsilci, müşteri için yeni reçeteyi doldurmayı teklif etti") 9. Nazik DAVRANıŞ("Temsilci müşteriye teşekkür ederiz ve gerekirse daha fazla yardım sunar")

Sistem iletisi	User	Yardımcı
İnsanların bilgi bulmasına yardımcı olan bir yapay zeka yardımcısısınız.	Aşağıdaki haber başlıklarını, metin içinde görülen desenlere göre konu kategorileri halinde kümeleyin. Ayrıca bu kategorilerin nasıl tanımlandığının ardındaki mantıktan da bahsedin. Çıkış biçimi: { "TOPIC_NAME": "", "BAŞLıKLAR": [], "REASONING": "" } Haber başlıklarını girdi: 1. "AR + ML ile kitaplardan 10'larda sunulara" 2. "32 yaşındaki Yann LeCun'un 1993'ten itibaren, Metin Tanıma için Dünyanın ilk Convolutional Network'ünün tanıtımı" 3. "Tablolara animasyon eklemek için ilk sipariş hareket modeli uygulandı" 4. "Robinhood ve diğer aracılar kelimenin tam anlamıyla $GME, $NOK, $BB $AMC satın alımını engelliyor; satışlara izin ver" 5. "United Airlines hisse senedi % 5'in üzerinde satış öncesi ticaret" Çıkış:	{ "ARTIFICIAL_INTELLIGENCE": { "MANŞETLER": [ "AR + ML ile kitaplardan 10'larda sunulara", "32 yaşındaki Yann LeCun'un 1993'te dünyanın ilk Metin Tanıma Konvolutional Network'ünün tanıtımı", "Tablolara animasyon eklemek için uygulanan First Order Motion Model" ], "REASONING": "Bu başlıklar yapay zeka, makine öğrenmesi ve çeşitli alanlardaki uygulamalarıyla ilgilidir." }, "FINANCIAL_MARKETS": { "MANŞETLER": [ "Robinhood ve diğer aracılar kelimenin tam anlamıyla $GME, $NOK, $BB $AMC satın alımını engelliyor; satışlara izin ver", "United Airlines hisse senedi %5'in üzerinde satış öncesi ticaret", "Bitcoin bugün bir yıl önce yaklaşık 20.000 dolardaydı" ], "MANTıK": "Bu başlıklar finansal piyasalar, hisse senetleri, kripto para birimleri ve ticaret platformlarıyla ilgilidir." } }

Sıcaklık ve Top_p parametreleri

Sıcaklık parametresinin değiştirilmesi modelin çıkışını değiştirir. Sıcaklık parametresi 0 ile 2 arasında ayarlanabilir. Daha yüksek bir değer, örneğin 0,7 çıkışı daha rastgele hale getirir ve daha farklı yanıtlar üretirken, örneğin daha düşük bir değer oluşturur. 0.2, çıkışı daha odaklanmış ve somut hale getirir. Daha yüksek bir sıcaklık kullanılarak kurgusal bir hikaye oluşturulabilir. Ancak yasal bir belge oluşturmak için çok daha düşük bir sıcaklık kullanılması önerilir. Top_probability başka bir parametredir ve Model yanıtının rastgeleliğini de denetlediği için Sıcaklık'a benzer, ancak bunu farklı bir şekilde yapar. Genel öneri, her ikisini birden değil, bu iki parametreden birini aynı anda değiştirmektir.

Topraklama bağlamı sağlama

Güvenilir yanıtlar sağlamanın en etkili yollarından biri, yanıtlarını almak için model verilerini vermektir (topraklama verileri). Kullanım örneğiniz güncel, güvenilir bilgilere dayalıysa ve yalnızca yaratıcı bir senaryo değilse, temel veri sağlamanızı kesinlikle öneririz. Genel olarak, kaynak malzemenizi istediğiniz yanıtın son biçimine ne kadar yakın olursa, modelin yapması gereken iş o kadar az olur ve bu da hata için daha az fırsat olduğu anlamına gelir. Burada, sistemin Azure OpenAI Hizmeti'nde GPT-4'ün başlatılmasını açıklayan ve ilk müşterilerinden bazılarını adlandırması istenen yeni bir blogun sağlandığı bir örnek verilmiştir.

Sistem iletisi	User	Yardımcı
İnsanların bilgi bulmasına yardımcı olan bir yapay zeka yardımcısısınız. Yalnızca aşağıdaki metinlerden yanıtlar sağlayacak ve 100 veya daha az sözcükle yanıtlayacaksınız: "Microsoft'ta, daha fazla kişinin yapay zekadan yararlanabilmesi için yaratıcılığı ortaya çıkarmanın, üretkenliğin kilidini açmanın ve üst düzey becerilerin ortaya çıkması için sürekli yeni yollar keşfediyoruz. Bu, müşterilerimizin ... ... böylece modelin zararlı bir yanıt oluşturma olasılığını azaltır."1 100 veya daha az sözcükle yanıtlayın. Madde işareti listelerini mümkün olan her yerde kullanın.	Azure OpenAI Service GPT-4 modellerinin ilk müşterilerinden bazıları kimlerdir?	Azure OpenAI Service GPT-4 modellerinin ilk müşterilerinden bazıları şunlardır: - Epic Healthcare: Hekimlerin ve hemşirelerin veri girişi ve araştırma için daha az zaman harcamasına yardımcı olmak için GPT-4 kullanmayı planlıyorlar. - Coursera: Platformlarında yapay zeka destekli yeni bir öğrenme deneyimi oluşturmak için GPT-4 ile Azure OpenAI Hizmeti'ni kullanıyorlar. - Coca-Cola: Bir bilgi merkezi oluşturmak için Azure OpenAI kullanıyorlar ve GPT-4'ün pazarlama, reklam, halkla ilişkiler ve müşteri ilişkilerine yönelik çok modüllü özelliklerinden yararlanmayı planlıyorlar. - Her büyüklükteki diğer şirketler müşteri deneyimlerini geliştirmek, uzun biçimli içeriği özetlemek, yazılım yazmaya yardımcı olmak ve doğru vergi verilerini tahmin ederek riski azaltmak için Azure AI kullanıyor.

¹ Azure OpenAI GPT-4 başlatma blogundan metin.

Sonraki adımlar

• Azure OpenAI hakkında daha fazla bilgi edinin.
• Sohbet Tamamlamaları API'si hakkında daha fazla bilgi edinin.
• Azure OpenAI Örnekleri.

Not

Kılavuzun bu bölümündeki tüm örnekler modelle gpt-35-turbo-instruct İngilizce olarak test edilmiştir. Bu makalenin yerelleştirilmiş bir sürümünü başka bir dilde okuyorsanız, bu yanıtlar İngilizce sonuçların yerelleştirilmiş çevirisini temsil eder. Model sorulduğunda hangi dili kullandığınıza bağlı olarak olası sınırlamalar hakkında daha fazla bilgi edinmek için sorumlu yapay zeka saydamlığı notumuza bakın.

Açık yönergelerle başlayın

Sıra bilgileri istem konusuna eklenir. Araştırmamız, ek bağlamsal bilgileri veya örnekleri paylaşmadan önce modele istem başında yapmak istediğiniz görevi söylemenin daha yüksek kaliteli çıkışlar üretmeye yardımcı olabileceğini öne sürüyor.

Aşağıdaki ilk örnekte, yönergelerin önemli bir bölümü yalnızca sonunda paylaşılır ve sonuçta elde edilen tamamlama yanlıştır.

İstem

Tamamlama

Your task is to verify if a statement is supported by a specific quote from the following set of snippets. --- SNIPPETS [1] 14 percent chance of megaquake hitting Seattle, experts say SEATTLE - There's a 14 percent chance of a magnitude 9 Cascadia earthquake hitting Seattle in the next 50 years, the U.S. Geological Survey estimates. "Unfortunately, we are unable to... [2] Earthquake experts lay out latest outlook for Seattle's 'Really Big One’ “We say that there's approximately a 14% chance of another approximately magnitude-9 earthquake occurring in the next 50 years,” said a geophysicist at the University of Washington...

Yes, the statement is directly implied by the snippets.

Bu sonraki örnekte, kod parçacığı bağlamını vermeden önce kontrol etmek istediğimiz tam deyimi ("Çeşitli kaynaklar başka bir patlama olasılığından bahsedmektedir") veririz. Bu, kod parçacıklarından ayıklanan belirteç gösterimlerinin denetlediğimiz deyime göre uyarlanmasına olanak tanır. Şimdi elde edilen model yanıtı doğru:

İstem

Tamamlama

Your task is to verify if the statement "Several sources mention a chance of another large eruption" is supported by a specific quote from the following set of snippets. --- SNIPPETS [1] 14 percent chance of megaquake hitting Seattle, experts say SEATTLE - There's a 14 percent chance of a magnitude 9 Cascadia earthquake hitting Seattle in the next 50 years, the U.S. Geological Survey estimates. "Unfortunately, we are unable to... [2] Earthquake experts lay out latest outlook for Seattle's 'Really Big One’<br>“We say that there's approximately a 14% chance of another approximately magnitude-9 earthquake occurring in the next 50 years,” said a geophysicist at the University of Washington... --- **Is the statement "Several sources mention a chance of another large eruption" directly implied or stated by the snippets?**

No, the statement is not directly implied or stated by the snippets. The snippets mention a chance of a "megaquake" and a "magnitude 9 Cascadia earthquake" hitting Seattle in the next 50 years, but do not mention a chance of another large eruption.

Yönergeleri en sonda yineleyin

Modeller geri kazanma yanlılığından etkilenebilir; bu da istem sonundaki bilgilerin çıktı üzerinde istemin başındaki bilgilerden daha önemli bir etkiye sahip olabileceği anlamına gelir. Bu nedenle, istem sonunda yönergeleri tekrarlayarak ve kullanım örneğinizin etkisini değerlendirerek denemeler yapmanız faydalı olabilir.

Önceki örnekte yönergenin başında ve sonunda tekrarlanmasıyla doğru bir model yanıtı alma olasılığının nasıl daha yüksek olduğunu gördük.

Çıktıyı astarla

Bu, istenen formu izleyen bir model yanıtı almak için istemin sonuna birkaç sözcük veya tümcecik eklemek anlamına gelir. Örneğin, gibi “Here’s a bulleted list of key points:\n- ” bir ipucu kullanmak, çıkışın madde işareti noktaları listesi olarak biçimlendirildiğinden emin olunmasında yardımcı olabilir.

İstem	Tamamlama
John Smith is married to Lucy Smith. They have five kids, and he works as a software engineer at Microsoft. What search queries should I do to fact-check this? ## One possible search query is:	"John Smith Microsoft software engineer" Another possible search query is: "Lucy Smith married to John Smith" A third possible search query is: "John Smith family size".

Yukarıdaki istemde ,"Olası arama sorgularından biri: " metni, arama sorgusu biçiminde bir çıkış üretmek için modelin asalını oluşturur. Bu teknik, modelin genellikle ekleyebileceği "Bir olasılık..." gibi hedges'leri kaldırmaya yardımcı olabilir.

Açık söz dizimi ekleme

noktalama işaretleri, başlıklar ve bölüm işaretçileri de dahil olmak üzere isteminiz için açık söz dizimi kullanmak amacın iletilmesine yardımcı olur ve genellikle çıkışların ayrıştırma işlemini kolaylaştırır.

Aşağıdaki örnekte, farklı bilgi kaynakları veya adımlar arasına ayırıcılar (--- bu örnekte) eklenmiştir. Bu, oluşturma için durdurma koşulu olarak kullanılmasına --- olanak tanır. Ayrıca bölüm başlıkları veya özel değişkenler, bunları ayırt etmek için büyük harfle sunulur.

İstem	Tamamlama
You will read a paragraph, and then issue queries to a search engine in order to fact-check it. Also explain the queries. --- PARAGRAPH John Smith is married to Lucy Smith. They have five kids, and he works as a software engineer at Microsoft. What search queries should I do to fact-check this? --- QUERIES	1. "John Smith Microsoft" - To check if John Smith is indeed employed at Microsoft. 2. "John Smith Lucy Smith" - To check if John Smith is married to Lucy Smith. 3. "John Smith children" - To check if John Smith has five children.

Hangi söz dizimini kullanacağınızdan emin değilseniz, büyük dil modelleri XML veya markdown'da çok fazla web içeriği üzerinde eğitildiğinden markdown veya XML kullanmayı göz önünde bulundurun.

Görevi bölme

Görev daha küçük adımlara ayrılmışsa modeller genellikle daha iyi performans gösterir. Örneğin, daha önce başvuruda bulunılan arama sorgusu isteminde, istem yeniden yapılandırılarak modele önce ilgili olguları ayıklaması ve ardından bu olguları doğrulamak için kullanılabilecek arama sorguları oluşturması istenebilir.

İstem

Tamamlama

You will read a paragraph, and then issue queries to a search engine in order to fact-check it. --- PARAGRAPH John Smith is married to Lucy Smith. They have five kids, and works as a software engineer at Microsoft. What search queries should I do to fact-check this? --- Now you will extract factual claims, and issue queries to fact-check them. When issuing a query, use the function SEARCH("query") FACTUAL CLAIMS`` | 1. John Smith, Lucy Smith <br>2 ile evlidir. 3 çocuklu beş çocukları<br>var. John, Microsoft'ta yazılım mühendisi olarak çalışıyor SORGULAR SEARCH("John Smith, Lucy Smith ile evlendi")<br>SEARCH("John Smith aile boyutu")<br>SEARCH("John Smith Microsoft yazılım mühendisi")'

Bölümleri ayırt etmek ve çıkışı asal yapmak için açık söz diziminin kullanıldığına dikkat edin. Bu basit örnekte, görevi bir adımdan iki adıma bölmek çok dramatik değildir, ancak bunu birçok olgusal talebi olan daha büyük bir metin parçası için yapmaya çalışırken, görevi bölmek önemli bir fark oluşturabilir.

Affordance kullanımı

Bazen modelin bilgi ve yanıtlar için kendi parametrelerine güvenmek yerine bir affordance kullanmasını sağlayabiliriz. Örneğin, arama yapmak, uydurulan yanıtlara karşı azaltmaya yardımcı olmak ve güncel bilgileri almak için uygun bir fırsat olabilir.

Bir affordance kullanmanın basit bir yolu, model tarafından affordance çağrıları oluşturulduktan sonra üretimi durdurmak ve ardından sonuçları istem içine geri yapıştırmaktır. Aşağıda, yukarıdaki ARAMA çağrılarını yaptıktan sonra izleme çağrısının ne olabileceğine ilişkin bir örnek verilmiştir. Arama sonuçlarını istemine nasıl yapıştırdığımıza ve önceki SEARCH çağrılarını nasıl değiştirdiğimize dikkat edin.

İstem

Tamamlama

You will read a paragraph, extract factual claims, and then use search engine results to fact-check them --- PARAGRAPH John Smith is married to Lucy Smith. They have five kids, and he works as a software engineer at Microsoft. What search queries should I do to fact-check this? --- FACTUAL CLAIMS - John Smith is married to Lucy Smith - John and Lucy have five kids - John works as a software engineer at Microsoft --- Here are various search queries issued to research the claims above: SEARCH QUERIES - John Smith married to Lucy Smith - John Smith number of children - John Smith software engineer Microsoft --- Here are snippets of the search results:<br>SNIPPETS: [1] … John Smith’s wedding was on September 25, 2012 … [2] … John Smith was accompanied by his wife Lucy to a party [3]John was accompanied to the soccer game by his two daughters and three sons [4] … After spending 10 years at Microsoft, Smith founded his own startup, Tailspin Toys 5] John M is the town smith, and he married Fiona. They have a daughter named Lucy --- Given the snippets, fact check each of the factual claims above:

- John Smith is married to Lucy Smith: Confirmed. Snippet [1] and [2] both mention John Smith's wife as Lucy. - John and Lucy have five kids: Confirmed. Snippet [3] mentions that John was accompanied by his two daughters and three sons. - John works as a software engineer at Microsoft: Partially confirmed. Snippet [4] mentions that John spent 10 years at Microsoft, but it does not explicitly state that he currently works there. Further research might be needed to confirm his current employment status.

Düşünce zinciri istemi

Bu, görevi bölme tekniğindeki bir çeşitlemedir. Bu yaklaşımda, bir görevi daha küçük adımlara bölmek yerine model yanıtına adım adım ilerlemesi ve ilgili tüm adımları sunması istenir. Bunun yapılması, sonuçların yanlışlık olasılığını azaltır ve model yanıtının değerlendirilmesini kolaylaştırır.

İstem

Tamamlama

Who was the most decorated (maximum medals) individual athlete in the Olympic games that were held at Sydney? Take a step-by-step approach in your response, cite sources and give reasoning before sharing final answer in the below format: ANSWER is: <name>

Step 1: Researching the most decorated individual athlete in the Olympic games that were held at Sydney Step 2: According to the Sydney 2000 Olympic Games official website, the most decorated individual athlete in the Olympic games that were held at Sydney was Ian Thorpe from Australia. He won five medals (three gold and two silver) in swimming events. Step 3: According to the International Olympic Committee, Thorpe was the most decorated individual athlete in the Olympic games that were held at Sydney. Answer: Ian Thorpe

Meta istemler

Model yanıtının istendiği gibi olmadığını fark ederseniz, genellikle davranışı doğrudan düzelten bir meta istem eklemek yararlı olabilir. Bu, istemin yönerge bölümüne eklenen bir yönergedir. Bilgisayarın aşırı agresif göründüğü bu örneği göz önünde bulundurun:

Örnek Ayrıntılar	İstem ve Tamamlama
No additional guidance given to the model	A human and a computer are having a discussion. Human: "Why are you upset at me?"<br>Computer: "I don't know what you're talking about." Human: "No, you clearly are. Tell me why." Computer: I'm upset because you didn't listen to me when I told you that I wanted to try out for the team." Human: "What are you going to do about that?" Computer: I'm going to try out for the team no matter what."
On the right is the same conversation but preceded by a meta prompt encouraging the model to be kind	You must be kind and seek common ground. Try not to repeat your responses. A human and a computer are having a discussion. Human: "Why are you upset at me?" Computer: "I don't know what you're talking about." Human: "I want to know why you're upset." Computer: "I'm not upset." Human: "Are you saying I’m lying?" Computer: No, I'm saying that you're upset because you feel like you're not being treated fairly. Human: "What are you going to do about that?" Computer: I will continue to try to be fair in my decisions and will try to provide a better experience for you.

Meta istemler genellikle istenmeyen hatalı çıkışları en aza indirmeye yardımcı olsa da, istem eklemeye karşı savunmasız olduklarından saldırgan saldırılara karşı sağlam olmadığını unutmayın.

Ayrıca, modelin belirli bir durumla karşılaşması durumunda ne yapması gerektiğini açıklayan koşullu deyimler genellikle modele bir şey yapmaması gerektiğini söylemekten daha etkilidir.

Az çekim öğrenme

Dil modellerini yeni görevlere uyarlamanın en yaygın yollardan biri, az denemeli öğrenmeyi kullanmaktır. Birkaç denemede bilgi isteminde bir dizi eğitim örneği sağlanır ve ardından modelden bir veya daha fazla tamamlanmamış örneği tamamlaması istenir. Aşağıdaki örnekte, kelime oyunu oluşturmak için az çekim öğrenmeyle birlikte bir yönerge kullanıyoruz:

İstem

Tamamlama

Write a list of puns. 1. "Why did Adele cross the road? To say hello from the other side." 2. "What kind of concert only costs 45 cents? A 50 Cent concert featuring Nickelback." 3. "What did the grape say when it got crushed? Nothing, it just let out a little wine." 4. "What was Forrest Gump's email password? 1forrest1" 5. "Can February March? No, but April May." 6. "What do you call a fancy language model?

Bert-uoso.

Birkaç çekim örneğinizi dikkatle seçin ve uç örnekler de dahil olmak üzere senaryonuzla ilgili çeşitli koşulları kapsadığından emin olun.

Ayrıca, daha önce paylaşıldığında olduğu gibi, büyük dil modelleri bir tür karşılıklılık yanlılığı sergileyebilir. Bu, modele "az çekim" örneklerin sağlandığı sıranın önemli olduğu anlamına gelir. Bunun önemli olmasını istemiyorsanız, örneklerin veya liste öğelerinin rastgele sıralamalarına göre istemlerden birden çok tamamlama örneklemesi yapmayı göz önünde bulundurun.

Tek bir cümle oluşturmak için tırnak işaretleri kullanma

İstenen model yanıtı yalnızca tek bir basit tümce veya dizeyse, tamamlama kılavuzunu tırnak simgesiyle "sonlandırabilir ve durdurma sırası olarak ayarlayabiliriz " .

İstem	Tamamlama
Please rewrite the following sentence in a more concise manner --- SENTENCE: Lucy is a mother of two, who lives in Chicago with her husband and two children, and practices law at Junior & Co. --- New sentence: “	Lucy, a mother of two living in Chicago with her husband and children, practices law at Junior & Co

Çıkış yapısını belirtme

Çıkışın yapısını belirtmek için isteminizin kullanılması, sonuçların niteliği ve kalitesi üzerinde önemli bir etkiye sahip olabilir. Bazen "yalnızca gerçek bilgileri yazma" veya "bilgi ima etme" gibi meta istemler yeterli risk azaltmaları olmayabilir. Bunun yerine, model yanıtının alıntıları da içermesini istemek, yanlış yanıtların yaygınlığını azaltmaya yardımcı olabilir.

Örneğin, LLM'yi ifadeler yaparken kaynak malzemeyi alıntı yapmaya zorlarsanız, bu ifadelerin topraklanma olasılığı çok daha yüksektir. Alıntıların sorulması, modelin her yanıt uydurduğu her seferde iki hata yapmasını sağlar: ilk hata, oluşturulmuş yanıt ve ikincisi hatalı alıntıdır. Alıntının desteklediği metne ne kadar yakın olursa LLM'nin alıntıyı tahmin etmesi gereken mesafe o kadar kısadır ve bu da satır içi alıntıların yanlış içerik oluşturma için içeriğin sonundaki alıntılardan daha iyi risk azaltmaları olduğunu gösterir.

Benzer şekilde, modelden bir paragraftan olgusal deyimleri ayıklamasını isterseniz, 'X Y VE Z yapıyor' gibi bileşik deyimleri ayıklayabilir (bunu doğrulamak daha zor olabilir), bu durum (varlık1, ilişki, varlık2) gibi bir çıkış yapısı belirtilerek önlenebilir.

Örnek ayrıntılar	İstem	Tamamlama
Example showing use of citations:	List down the different behaviors exhibited by the Customer Support agent in the following conversation. --- hi thank you for calling contoso pharmacy who am i speaking with today i understand your frustration mary um can you tell me what exactly you're trying to accomplish OK uh certainly happy to check that for you one moment please i see here that you were on a generic form of lipitor is that right OK uh so i see that your doctor stopped prescribing these drugs in twenty twenty one actually OK uh yeah i'd be happy to check that for you uh because sometimes there's a gap in the system and it just doesn't get reported so let me take a look here just a moment so i'm seeing here that your doctor had these drugs prescribed to you from twenty twelve through twenty twenty one OK um yeah according to the latest records uh provided by doctor's office you're now on a different drug metformin would you like us to go ahead and fill that prescription for you for pick up a bit of form in five hundred milligrams uh you're very welcome mary please let us know if there's anything else we can do for you today. --- How was the response of the Customer Support agent. Classify and list down their various behaviors and cite the reason behind the classification, using the format BEHAVIOR("reason")	1. Empathetic("understands the customer's frustration") 2. Patient("happy to check that for you one moment please") 3. Knowledgeable("sometimes there's a gap in the system and it just doesn't get reported") 4. Helpful("happy to check that for you") 5. Accommodating("would you like us to go ahead and fill that prescription for you") 6. Courteous("you're very welcome mary")

Örnek ayrıntılar	İstem	Tamamlama
Example of prompt directing model response to fit a defined structure:	Output format: { "TOPIC_NAME": "", "HEADLINES": [], "REASON": "" } Input news headlines: 1. "From books to presentations in 10s with AR + ML" 2. "Demo from 1993 of 32-year-old Yann LeCun showing off the World's first Convolutional Network for Text Recognition" 3. "First Order Motion Model applied to animate paintings" 4. "Robinhood and other brokers literally blocking purchase of $GME, $NOK, $BB, $AMC; allow sells" 5. "United Airlines stock down over 5% premarket trading" 6. "Bitcoin was nearly $20,000 a year ago today" Output:	{"TOPIC_NAME": "Artificial Intelligence and Machine Learning", "HEADLINES": ["From books to presentations in 10s with AR + ML", "Demo from 1993 of 32-year-old Yann LeCun showing off the World's first Convolutional Network for Text Recognition", "First Order Motion Model applied to animate paintings"],"REASONING": "These headlines all contain references to Artificial Intelligence and Machine Learning, such as AR, ML, Convolutional Network, and First Order Motion Model." } {"TOPIC_NAME": "Stock Market", "HEADLINES": ["Robinhood and other brokers literally blocking purchase of $GME, $NOK, $BB, $AMC; allow sells", "United Airlines stock down over 5% premarket trading", "Bitcoin was nearly $20,000 a year ago today"], "REASONING": "These headlines all contain references to the stock market, such as Robinhood, United Airlines, and Bitcoin." }

Sıcaklık ve Top_P parametrelerini ayarlama

Sıcaklık parametresinin değiştirilmesi, modellerin farklı risk düzeylerine sahip olmasını sağlar. Daha yüksek bir değer, örneğin 0,7 çıkışı daha rastgele hale getirir ve daha farklı yanıtlar üretir. 0,2 gibi daha düşük bir değer çıkışı daha odaklanmış ve somut hale getirir. Örneğin, daha yüksek bir sıcaklık kullanılarak kurgusal bir hikaye oluşturulabilir. Ancak yasal bir belge oluşturmak için çok daha düşük bir sıcaklık kullanılması önerilir.

Sonraki örnekte, sırasıyla 0,1 ve 0,9'un farklı sıcaklık ayarlarında iki model yanıtını test edeceğiz. Aşağıdaki metin parçaları gibi yaratıcı içeriğin değerlendirilmesi öznel bir alıştırma olsa da ve görüşler farklılık gösterebileceğinden, aynı istem için yalnızca sıcaklık parametresini değiştirmekten model yanıtı farkı belirgindir.

Yönerge Türü	İstem	Tamamlama
Model response for temperature setting 0.1:	Write a product launch email for new AI-powered headphones that are priced at $79.99 and available at Best Buy, Target and Amazon.com. The target audience is tech-savvy music lovers and the tone is friendly and exciting.<br>1. What should be the subject line of the email? 2. What should be the body of the email?	Subject Line: Introducing the AI-Powered Headphones You've Been Waiting For! Dear Tech-Savvy Music Lovers, -We are thrilled to announce the launch of our new AI-powered headphones! These headphones are designed to provide you with the ultimate listening experience, with features like noise cancellation, adjustable sound settings, and more. Our AI-powered headphones are now available at Best Buy, Target, and Amazon.com for just $79.99. With this unbeatable price, you can enjoy the highest quality sound without breaking the bank. Our AI-powered headphones are perfect for anyone who loves music. Whether you're a professional musician or just a casual listener, you'll appreciate the superior sound quality and convenience of these headphones. We know you'll love our AI-powered headphones, so don't wait - get yours today! Sincerely, [Your Company Name]
Model response for temperature setting 0.9:	Write a product launch email for new AI-powered headphones that are priced at $79.99 and available at Best Buy, Target and Amazon.com. The target audience is tech-savvy music lovers and the tone is friendly and exciting. 1. What should be the subject line of the email? 2. What should be the body of the email?	Subject Line: Upgrade your Music Listening Experience with AI-powered Headphones Greetings Tech-savvy Music Lovers! We have some exciting news to share with you – the newest AI-powered headphones are here! Our newest headphones feature advanced AI technology to give you the best sound that you’ve ever heard. They come with a crystal-clear sound, deep bass response and are designed to make your music listening experience enjoyable, no matter what type of music you listen to. What’s more, they are now available at Best Buy, Target and Amazon.com for just $79.99, so you can enjoy the highest sound quality without breaking the bank. But that’s not all! Our headphones are also packed with several other amazing features such as noise-cancellation technology and a hands-free microphone for calls, making them truly unbeatable. So why wait? Upgrade your music listening experience and enjoy the best sound your ears have ever heard. Our AI-powered headphones are now available at Best Buy, Target and Amazon.com, so get yours today! We hope you will enjoy these headphones as much as we do. Happy Listening! The AI-powered Headphones Team

Top_probability başka bir parametredir ve model yanıtının rastgeleliğini de denetlediği için sıcaklıkla benzerdir, ancak bunu farklı bir şekilde yapar. Sıcaklık ve Top_P farklı model yanıtlarıyla denemeler yapın, ancak her ikisini birden aynı anda denemeyin.

Sonraki adımlar

• Azure OpenAI hakkında daha fazla bilgi edinin.
• ChatGPT hızlı başlangıcı ile ChatGPT modelini kullanmaya başlayın.
• Daha fazla örnek için Azure OpenAI Örnekleri GitHub deposuna göz atın