فصل ۴ · قسمت ۱
شکلِ خروجی را تو تعیین کن
متنِ این قسمت
تا اینجا یاد گرفتهاید چه چیزی به مدل بدهید. این قسمت دربارهی روی دیگرِ همان سکه است: چه چیزی از مدل بخواهید بسازد. این دو یکی نیستند. میتوانید کاملاً درست به مدل بگویید که هستید و چه میخواهید، و باز هم جوابی بگیرید که باید از نو بازنویسی کنید، فقط چون شکلش آن چیزی نبود که به کارتان میآمد.
و این نکتهی کوچک، ریشهی بیشترِ جوابهای ناامیدکننده است. معمولاً مشکل از این نیست که مدل چیزی بلد نبوده؛ از این است که درخواست مبهم بوده و مدل مجبور شده خودش حدس بزند شما چه شکلی میخواهید. ابهام، نه کمدانشیِ مدل، عاملِ اصلیِ خروجیِ بیمصرف است.
یک موضوع را در نظر بگیرید، مثلاً پریایمپلنتایتیس. حالا سه کارِ متفاوت که ممکن است با این موضوع داشته باشید:
«علائمِ افتراقیِ پریایمپلنتایتیس از موکوزیتِ پریایمپلنت را در یک جدول بگذار: ستون اول یافتهی بالینی، ستون دوم یافتهی رادیوگرافیک.»
«یک چکلیستِ ششمرحلهای بنویس که سرِ یونیت موقعِ ویزیتِ یک ایمپلنتِ مشکوک دنبالش کنم.»
«یک پیامِ کوتاه برای بیمار بنویس که چرا باید برای کنترلِ التهابِ دورِ ایمپلنتش زودتر مراجعه کند، به زبانِ ساده و بدونِ ترساندن.»
هر سه دربارهی یک موضوعاند و مدل در هر سه همانقدر بلد است. ولی سه خروجیِ بنیادین متفاوت میگیرید: یک جدولِ تشخیصی، یک ابزارِ بالینی، و یک متنِ ارتباط با بیمار. تفاوت در دانشِ مدل نبود؛ در این بود که شما شکل را تعیین کردید.
اگر شکل را تعیین نکنید، مدل خودش پیشفرضترین شکل را انتخاب میکند، و پیشفرضش معمولاً یک متنِ توضیحیِ عمومی است؛ همان چیزی که کمتر از همه به کارِ یک کارِ مشخص میآید. پس تعیینِ شکل کاری نیست که فقط جواب را بهتر کند؛ کاری است که تعیین میکند جواب اصلاً قابلِاستفاده باشد یا نه.
دو تصمیم پشتِ «شکل» هست. اول، چه نوع چیزی بسازد: متنِ توضیحی، جدولِ مقایسه، چکلیست، پیامِ بیمار، خلاصهی چندبندیِ یک مقاله. دوم، در چه قالبی: حتی وقتی نوعش را مشخص کردید، باز قالب باز است. یک پاراگراف پیوسته یا چند جملهی کوتاهِ جدا؟ فهرستِ نقطهای یا متنِ روان؟ توضیحی که قرار است سرِ یونیت بلند بخوانید با توضیحی که در پرونده مینویسید، یک محتوا دارند ولی دو قالبِ متفاوت میخواهند.
این سادهترین و در عینِ حال پربازدهترین حرکتِ این فصل است، چون چند ثانیه وقت میگیرد و هیچ تخصصِ تازهای از شما نمیخواهد؛ فقط باید بدانید خروجی را برای چه میخواهید.
وقتی توصیف کم میآورد، نمونه نشان بده
گاهی شکلی که در ذهن دارید آنقدر مشخص است که توصیفش با کلمات سختتر از نشاندادنش میشود. اینجا قویترین تکنیکِ پرامپتنویسی به کار میآید، و آنقدر ساده است که اغلب نادیده گرفته میشود: بهجای آنکه شکلِ خروجی را توصیف کنید، یک نمونه از آن را خودتان بدهید.
فرض کنید میخواهید برای چند بیمار، خلاصهی وضعیتشان را به یک شکلِ ثابت بنویسید تا در پرونده یکدست باشد. میتوانید با کلمات توضیح بدهید «اول تشخیص، بعد یافتههای کلیدی، بعد برنامهی درمان، هر کدام یک خط». یا میتوانید فقط یک نمونهی پُرشده نشان بدهید:
میخواهم خلاصهی بیمار را به این شکل بنویسی:
تشخیص: پالپیتِ برگشتناپذیرِ دندانِ ۳۶
یافتهها: دردِ خودبهخودی، پاسخِ طولانی به سرما، بدونِ تورم
برنامه: درمانِ ریشه، یک جلسه
حالا برای این بیمار همین شکل را پر کن: [شرحِ بیمار]
مدل از این یک نمونه، الگو را برمیدارد: ترتیب، لحن، طولِ هر خط، حتی نوعِ جزئیاتی که باید بیاید. چیزی که توصیفش چند جمله طول میکشید و باز هم جای ابهام داشت، با یک نمونه کاملاً روشن میشود.
این تکنیک بهخصوص جایی میدرخشد که خروجی باید قالبِ تکرارشونده داشته باشد. اگر یکبار نمونهی خوب بسازید، میتوانید بارها برای ورودیهای مختلف از همان الگو استفاده کنید و هر بار خروجیِ یکدست بگیرید. یک نمونه معمولاً کافی است؛ اگر کار پیچیدهتر بود، دو سه نمونه الگو را محکمتر میکند.
یک نکتهی ظریف: کیفیتِ نمونه مستقیم به کیفیتِ خروجی میرود. اگر نمونهای که میدهید شلخته یا مبهم باشد، مدل همان شلختگی را الگو میگیرد. نمونه برای مدل حکمِ دستور دارد، نه پیشنهاد؛ پس نمونهای بدهید که دقیقاً همان چیزی باشد که میخواهید، نه چیزی نزدیک به آن.
و یک نسخهی سبکترِ همین ایده که گاهی به کار میآید: بهجای نمونهی کامل، فقط شروعِ جواب را خودتان بنویسید و بگذارید مدل ادامهاش دهد. اگر آخرِ درخواست بنویسید «جواب را اینطور شروع کن: دکتر، برای دندانِ شما...»، مدل از همانجا و با همان لحن ادامه میدهد. چون مدل در ذاتش ادامهدهنده است، وقتی شروع را در دست بگیرید، کمتر از قالبی که میخواهید منحرف میشود.
تا اینجا دو کار کردید: شکلِ خروجی را تعیین کردید، و جایی که توصیف کم آورد، نمونه نشان دادید. هر دو دربارهی این بودند که خروجی چه ریختی داشته باشد. در قسمتِ بعد میرویم سراغِ چیزی متفاوت: نه شکلِ خروجی، بلکه طرزِ بیانِ خودِ درخواست، و دو عادتِ ظریف که جوابِ مدل را دقیقتر میکنند.
و این نکتهی کوچک، ریشهی بیشترِ جوابهای ناامیدکننده است. معمولاً مشکل از این نیست که مدل چیزی بلد نبوده؛ از این است که درخواست مبهم بوده و مدل مجبور شده خودش حدس بزند شما چه شکلی میخواهید. ابهام، نه کمدانشیِ مدل، عاملِ اصلیِ خروجیِ بیمصرف است.
یک موضوع را در نظر بگیرید، مثلاً پریایمپلنتایتیس. حالا سه کارِ متفاوت که ممکن است با این موضوع داشته باشید:
«علائمِ افتراقیِ پریایمپلنتایتیس از موکوزیتِ پریایمپلنت را در یک جدول بگذار: ستون اول یافتهی بالینی، ستون دوم یافتهی رادیوگرافیک.»
«یک چکلیستِ ششمرحلهای بنویس که سرِ یونیت موقعِ ویزیتِ یک ایمپلنتِ مشکوک دنبالش کنم.»
«یک پیامِ کوتاه برای بیمار بنویس که چرا باید برای کنترلِ التهابِ دورِ ایمپلنتش زودتر مراجعه کند، به زبانِ ساده و بدونِ ترساندن.»
هر سه دربارهی یک موضوعاند و مدل در هر سه همانقدر بلد است. ولی سه خروجیِ بنیادین متفاوت میگیرید: یک جدولِ تشخیصی، یک ابزارِ بالینی، و یک متنِ ارتباط با بیمار. تفاوت در دانشِ مدل نبود؛ در این بود که شما شکل را تعیین کردید.
اگر شکل را تعیین نکنید، مدل خودش پیشفرضترین شکل را انتخاب میکند، و پیشفرضش معمولاً یک متنِ توضیحیِ عمومی است؛ همان چیزی که کمتر از همه به کارِ یک کارِ مشخص میآید. پس تعیینِ شکل کاری نیست که فقط جواب را بهتر کند؛ کاری است که تعیین میکند جواب اصلاً قابلِاستفاده باشد یا نه.
دو تصمیم پشتِ «شکل» هست. اول، چه نوع چیزی بسازد: متنِ توضیحی، جدولِ مقایسه، چکلیست، پیامِ بیمار، خلاصهی چندبندیِ یک مقاله. دوم، در چه قالبی: حتی وقتی نوعش را مشخص کردید، باز قالب باز است. یک پاراگراف پیوسته یا چند جملهی کوتاهِ جدا؟ فهرستِ نقطهای یا متنِ روان؟ توضیحی که قرار است سرِ یونیت بلند بخوانید با توضیحی که در پرونده مینویسید، یک محتوا دارند ولی دو قالبِ متفاوت میخواهند.
این سادهترین و در عینِ حال پربازدهترین حرکتِ این فصل است، چون چند ثانیه وقت میگیرد و هیچ تخصصِ تازهای از شما نمیخواهد؛ فقط باید بدانید خروجی را برای چه میخواهید.
وقتی توصیف کم میآورد، نمونه نشان بده
گاهی شکلی که در ذهن دارید آنقدر مشخص است که توصیفش با کلمات سختتر از نشاندادنش میشود. اینجا قویترین تکنیکِ پرامپتنویسی به کار میآید، و آنقدر ساده است که اغلب نادیده گرفته میشود: بهجای آنکه شکلِ خروجی را توصیف کنید، یک نمونه از آن را خودتان بدهید.
فرض کنید میخواهید برای چند بیمار، خلاصهی وضعیتشان را به یک شکلِ ثابت بنویسید تا در پرونده یکدست باشد. میتوانید با کلمات توضیح بدهید «اول تشخیص، بعد یافتههای کلیدی، بعد برنامهی درمان، هر کدام یک خط». یا میتوانید فقط یک نمونهی پُرشده نشان بدهید:
میخواهم خلاصهی بیمار را به این شکل بنویسی:
تشخیص: پالپیتِ برگشتناپذیرِ دندانِ ۳۶
یافتهها: دردِ خودبهخودی، پاسخِ طولانی به سرما، بدونِ تورم
برنامه: درمانِ ریشه، یک جلسه
حالا برای این بیمار همین شکل را پر کن: [شرحِ بیمار]
مدل از این یک نمونه، الگو را برمیدارد: ترتیب، لحن، طولِ هر خط، حتی نوعِ جزئیاتی که باید بیاید. چیزی که توصیفش چند جمله طول میکشید و باز هم جای ابهام داشت، با یک نمونه کاملاً روشن میشود.
این تکنیک بهخصوص جایی میدرخشد که خروجی باید قالبِ تکرارشونده داشته باشد. اگر یکبار نمونهی خوب بسازید، میتوانید بارها برای ورودیهای مختلف از همان الگو استفاده کنید و هر بار خروجیِ یکدست بگیرید. یک نمونه معمولاً کافی است؛ اگر کار پیچیدهتر بود، دو سه نمونه الگو را محکمتر میکند.
یک نکتهی ظریف: کیفیتِ نمونه مستقیم به کیفیتِ خروجی میرود. اگر نمونهای که میدهید شلخته یا مبهم باشد، مدل همان شلختگی را الگو میگیرد. نمونه برای مدل حکمِ دستور دارد، نه پیشنهاد؛ پس نمونهای بدهید که دقیقاً همان چیزی باشد که میخواهید، نه چیزی نزدیک به آن.
و یک نسخهی سبکترِ همین ایده که گاهی به کار میآید: بهجای نمونهی کامل، فقط شروعِ جواب را خودتان بنویسید و بگذارید مدل ادامهاش دهد. اگر آخرِ درخواست بنویسید «جواب را اینطور شروع کن: دکتر، برای دندانِ شما...»، مدل از همانجا و با همان لحن ادامه میدهد. چون مدل در ذاتش ادامهدهنده است، وقتی شروع را در دست بگیرید، کمتر از قالبی که میخواهید منحرف میشود.
تا اینجا دو کار کردید: شکلِ خروجی را تعیین کردید، و جایی که توصیف کم آورد، نمونه نشان دادید. هر دو دربارهی این بودند که خروجی چه ریختی داشته باشد. در قسمتِ بعد میرویم سراغِ چیزی متفاوت: نه شکلِ خروجی، بلکه طرزِ بیانِ خودِ درخواست، و دو عادتِ ظریف که جوابِ مدل را دقیقتر میکنند.
کلیدواژهها
تعیینِ شکلِ خروجی
تفاوتِ نوعِ محتوا و قالبِ آن
پرامپتنویسیِ نمونهمحور (few-shot)
تکمیلِ جمله توسط مدل
ابهام در درخواست، نه کمدانشیِ مدل
مدل زبانی بزرگ (LLM)
ChatGPT
سواد هوش مصنوعی
برچسبها
محتوای مرتبط
بازگشت به فهرست پرامپتولوژیست
← قسمت قبلی
قسمت بعدی →