विषयसूची
परिचय
आज के डिजिटल युग में, प्रॉम्प्ट तकनीक के माध्यम से कृत्रिम बुद्धिमत्ता की शक्ति का अधिकतम उपयोग करना अधिक महत्वपूर्ण होता जा रहा है। हालांकि, बहुत सारे स्रोत सामान्य सलाह, बिना आधार के या अस्पष्ट व्याख्या के साथ जानकारी फैला रहे हैं, जो गलतफहमी और अप्रभावी अनुप्रयोग का कारण बन सकते हैं। इससे समय और प्रयास की बर्बादी होती है, साथ ही AI की वास्तविक क्षमता का उपयोग करने की क्षमता कम हो जाती है।
सॉफ्टवेयर प्रौद्योगिकी के क्षेत्र में दस से अधिक वर्षों के अनुभव के साथ, और OpenAI, Google, Anthropic जैसे विश्वसनीय स्रोतों से शोध और संकलन के माध्यम से, मैं पाठकों को प्रॉम्प्ट डिजाइन को अनुकूलित करने के लिए मूलभूत ज्ञान और व्यावहारिक तरीके साझा करना चाहता हूं। मेरा लक्ष्य है कि आप AI प्रौद्योगिकी को सही, प्रभावी और उच्च मूल्य वाले तरीके से अपने काम और व्यक्तिगत विकास परियोजनाओं में उपयोग कर सकें।
अनधिकृत स्रोत आपको आसानी से टिप्स पर विश्वास करने के लिए प्रेरित कर सकते हैं, लेकिन वास्तव में वे प्रभावी नहीं होते। या इससे भी बदतर, वे आपको AI के काम करने के तरीके के बारे में गलत समझा सकते हैं। अधिकांश लोग ज़ीरो-शॉट प्रॉम्प्टिंग का उपयोग करते हैं और मॉडल की क्षमता पर बहुत अधिक निर्भर होते हैं। तो ज़ीरो-शॉट प्रॉम्प्टिंग क्या है?
ज़ीरो-शॉट प्रॉम्प्टिंग
ज़ीरो-शॉट प्रॉम्प्टिंग एक तकनीक है जो बड़े भाषा मॉडल (LLM) के साथ बिना किसी उदाहरण के इंटरैक्ट करती है। यह LLM के ज्ञान को सामान्यीकृत करने की क्षमता पर निर्भर करती है।
मूल रूप से, LLM का काम संदर्भ के आधार पर अगले शब्द का अनुमान लगाना है, इसलिए जब उन्हें एक स्पष्ट प्रॉम्प्ट मिलता है, तो वे सीखे हुए ज्ञान को लागू करके उचित प्रतिक्रिया उत्पन्न कर सकते हैं।
मुझे नहीं लगता कि ज़ीरो-शॉट प्रॉम्प्ट तकनीक गलत है। वास्तव में, यह बहुत अच्छा होगा अगर हम सिर्फ सरल अनुरोधों के साथ AI के साथ काम कर सकें, लगभग बिना यह समझे कि यह कैसे काम करता है। हालांकि, वर्तमान समय में, AI अभी तक उस स्तर तक नहीं पहुंचा है।
फायदे
1. सरल: ज़ीरो-शॉट प्रॉम्प्टिंग को अतिरिक्त डेटा की आवश्यकता नहीं होती है, जो इसे उन मामलों में मूल्यवान बनाता है जहां संबंधित डेटा खोजना मुश्किल या दुर्लभ है।
2. लचीला: प्रॉम्प्ट को आवश्यकतानुसार आसानी से समायोजित किया जा सकता है। प्रॉम्प्ट को सुधारने या अपडेट करने में कम मेहनत लगती है।
3. विविध: ज़ीरो-शॉट प्रॉम्प्टिंग विभिन्न क्षेत्रों में LLM के ज्ञान का उपयोग करने में प्रभावशाली क्षमता दिखाती है।
सीमाएं
1. मॉडल की क्षमता पर अधिक निर्भरता: मॉडल प्रॉम्प्ट को समझने में विफल हो सकता है या उस क्षेत्र में ज्ञान नहीं हो सकता है।
Llama 3.1 के साथ उदाहरण:
प्रॉम्प्ट: कृपया लगभग 200 शब्दों में एक मजेदार कहानी हिंदी में लिखें।
परिणाम अनंत टोकन दोहराव या यादृच्छिक वर्णों की श्रृंखला है।
फिर, इस दस्तावेज़ को संदर्भ में लाएं।
प्रॉम्प्ट: जीरो-शॉट प्रॉम्प्टिंग क्या है?
परिणाम: जीरो-शॉट प्रॉम्प्ट एक तकनीक है जो कृत्रिम बुद्धिमत्ता (एआई) मॉडल, विशेष रूप से बड़े भाषा मॉडल (एलएलएम) के लिए प्रश्न (प्रॉम्प्ट) डिजाइन करने में उपयोग की जाती है, जहां मॉडल को किसी कार्य को करने के लिए कहा जाता है बिना उस कार्य को करने के किसी विशिष्ट उदाहरण के। ल्योन और गारमन (2000) ने जीरो-शॉट लर्निंग को एक ऐसी विधि के रूप में परिभाषित किया है जहां मॉडल अन्य कार्यों से सीखे गए ज्ञान को एक नए कार्य पर लागू कर सकता है बिना पुनः प्रशिक्षण के...
तो, यह नहीं है कि लामा 3.1 हिंदी नहीं समझता। दस्तावेज़ में, मैंने वही नहीं लिखा जो लामा ने जवाब दिया। यह इसलिए है क्योंकि मैंने अपेक्षित उत्तर के बारे में पूरा दस्तावेज़ प्रदान किया।
2. प्रॉम्प्ट की गुणवत्ता पर निर्भर: जीरो-शॉट प्रॉम्प्टिंग की प्रभावशीलता बहुत हद तक इस बात पर निर्भर करती है कि प्रॉम्प्ट कितना स्पष्ट और विशिष्ट लिखा गया है।
उपरोक्त उदाहरण में, मैं गूगल पर ल्योन और गारमन के बारे में जानकारी नहीं ढूंढ पाया। इसलिए मुझे अपनी अपेक्षाओं को बहुत स्पष्ट रूप से बताना पड़ा।
प्रॉम्प्ट: जीरो शॉट प्रॉम्प्ट क्या है? दी गई जानकारी का उपयोग करके संक्षेप में उत्तर दें।
परिणाम: जीरो-शॉट प्रॉम्प्ट एक तकनीक है जो AI को किसी कार्य को बिना किसी विशिष्ट उदाहरण के करने के लिए कहती है। AI अपने प्रशिक्षण से प्राप्त ज्ञान का उपयोग करके प्रतिक्रिया देगा, जिसके लिए उपयोगकर्ता से किसी संदर्भ डेटा या विशिष्ट निर्देश की आवश्यकता नहीं होती है। उदाहरण: "वसंत ऋतु पर एक कविता लिखें" बिना किसी कविता के उदाहरण दिए।
3. जटिल कार्यों में कठिनाई: जटिल तर्क या विशेष प्रारूप की आवश्यकता वाले कार्यों के लिए, जीरो-शॉट अन्य विधियों जैसे फ्यू-शॉट की तुलना में प्रभावी नहीं हो सकता है।
प्रॉम्प्ट: निम्नलिखित अक्षरों को जोड़कर एक पूर्ण हिंदी शब्द बनाएं: o / ã / h / h / n / à
परिणाम: दिए गए अक्षरों से बना पूर्ण हिंदी शब्द: होराह
4. असंगत परिणाम: मार्गदर्शन के लिए कोई उदाहरण नहीं होने के कारण, मॉडल एक ही प्रॉम्प्ट के लिए अलग-अलग परिणाम उत्पन्न कर सकता है, जो अभिव्यक्ति के तरीके पर निर्भर करता है।
उसी उदाहरण में, हर बार जब मैं इसे करता हूं, परिणाम अलग होता है।
1. दिए गए अक्षरों से बना पूर्ण हिंदी शब्द हो सकता है: होराह।
2. आपके द्वारा दिए गए अक्षर हैं: o / ã / h / h / n / à
एक पूर्ण हिंदी शब्द जो बनाया जा सकता है: "होराह";
3. आपके द्वारा दिए गए अक्षर हैं: o / ã / h / h / n / à। इन्हें जोड़कर एक पूर्ण हिंदी शब्द बनाया जा सकता है, एक संभावित सही शब्द है: "होराह"
कुछ अनुप्रयोग जहां जीरो-शॉट प्रॉम्प्टिंग प्रभावी हो सकती है
1. पाठ वर्गीकरण:
निम्नलिखित पाठ को राजनीति, अर्थव्यवस्था, खेल, मनोरंजन में से एक श्रेणी में वर्गीकृत करें: [पाठ]
2. पाठ सारांश:
निम्नलिखित लेख को 3 मुख्य बिंदुओं में सारांशित करें: [लेख सामग्री]
3. भावना विश्लेषण:
निम्नलिखित ग्राहक प्रतिक्रिया की भावना का विश्लेषण करें और बताएं कि यह सकारात्मक, नकारात्मक या तटस्थ है: [ग्राहक प्रतिक्रिया]
4. डेटा प्रारूप रूपांतरण:
निम्नलिखित पाठ को JSON टेबल में परिवर्तित करें जिसमें फ़ील्ड हों: नाम, आयु, पेशा और रुचियां: [पाठ विवरण]
जीरो-शॉट प्रॉम्प्टिंग सरल कार्यों के लिए बहुत उपयोगी है। मैंने अधिक जटिल कार्यों को केवल कुछ सरल प्रॉम्प्ट के साथ करने के लिए बहुत इंतजार किया है। लेकिन आज ही AI का लाभ उठाने के लिए, हमें एक रणनीति की आवश्यकता है।
मानदंड निर्धारित करें
प्रॉम्प्ट डिज़ाइन शुरू करने से पहले, सबसे महत्वपूर्ण बात यह है कि आप अपने लक्ष्य और सफलता के मानदंड को स्पष्ट रूप से परिभाषित करें। अन्यथा, आप परिणामों का मूल्यांकन भावनात्मक रूप से करेंगे और कोई माप नहीं होगा। एलएलएम को अपना रास्ता खुद ढूंढने देने के बजाय, सटीक रूप से परिभाषित करें कि आप क्या चाहते हैं और यह कैसे जानें कि आपने अपना लक्ष्य प्राप्त कर लिया है।
अच्छे मानदंड हैं:
विशिष्ट (Specific): आपके लक्ष्य के बारे में स्पष्ट और सटीक होना चाहिए।
उदाहरण:
स्वास्थ्य पर कॉफी के प्रभाव के बारे में 500 शब्दों का एक ब्लॉग पोस्ट लिखें, जो गैर-विशेषज्ञ पाठकों के लिए हो। कम से कम 3 संदर्भ शामिल करें।
मापने योग्य (Measurable): स्पष्ट संकेतक या माप पैमाने होने चाहिए।
जैसा कि उपरोक्त उदाहरण में, सफलता का मानदंड यह है कि लेख 500 शब्दों का हो और कम से कम 3 संदर्भ हों।
प्राप्त करने योग्य (Achievable): लक्ष्य अनुभव, उद्योग बेंचमार्क, या पूर्व शोध पर आधारित होना चाहिए। मॉडल की वर्तमान क्षमता से अधिक लक्ष्य निर्धारित नहीं करना चाहिए।
प्रासंगिक (Relevant): अपने उद्देश्य और आवश्यकताओं के अनुसार मानदंड को समायोजित करें। चिकित्सा अनुप्रयोगों के लिए उच्च सटीकता बहुत महत्वपूर्ण हो सकती है लेकिन सामान्य चैटबॉट्स के लिए कम महत्वपूर्ण होती है।
स्पष्ट प्रॉम्प्ट का सुनहरा नियम
प्रॉम्प्ट को ऐसे प्रस्तुत करें जैसे आप किसी सहकर्मी को समझा रहे हों जो कार्य को अच्छी तरह से नहीं समझता है, फिर उन्हें निर्देशों का पालन करने के लिए कहें। यदि वे भ्रमित हैं, तो संभावना है कि एआई भी ऐसा ही होगा।
एक प्रभावी प्रॉम्प्ट लिखने के लिए चार विचारणीय कारक
कृत्रिम बुद्धिमत्ता (AI) की पूरी क्षमता का उपयोग करने के लिए, चार मुख्य कारक हैं जिन पर आपको विशेष ध्यान देना चाहिए। ये कारक आपके प्रॉम्प्ट को स्पष्ट, सटीक और वांछित लक्ष्य के अनुरूप बनाने में मदद करेंगे। जब आप इन्हें अच्छी तरह समझते और लागू करते हैं, तो आप आसानी से गुणवत्तापूर्ण प्रॉम्प्ट बना सकते हैं, AI की गलतफहमी को कम कर सकते हैं, और इस तरह कार्य की प्रभावशीलता बढ़ा सकते हैं।
1. पर्सोना (भूमिका या चरित्र)
भूमिका निर्धारित करना यह है कि आप AI की भूमिका को प्रॉम्प्ट में स्पष्ट रूप से परिभाषित करें। AI के लिए एक "चरित्र" या विशिष्ट भूमिका निर्धारित करके, आप इसे सही दायरे, शैली और लक्ष्य को समझने में मदद करते हैं। उदाहरण:
• "आप एक वाणिज्यिक अनुबंधों में विशेषज्ञ वकील हैं।"
• "आप बैंकिंग क्षेत्र में एक डेटा विश्लेषक हैं।"
• "आप एक रचनात्मक मार्केटिंग विशेषज्ञ हैं।"
2. टास्क (कार्य या काम)
एक स्पष्ट प्रॉम्प्ट AI को भटकने से बचाता है और इसे वांछित परिणाम पर ध्यान केंद्रित करने में मदद करता है। सामान्य बात कहने के बजाय, आपको पहले के विश्लेषण के अनुसार स्पष्ट और विशिष्ट रूप से वर्णन करने की आवश्यकता है।
3. संदर्भ (कॉन्टेक्स्ट)
संदर्भ वह हिस्सा है जो कार्य से संबंधित जानकारी, डेटा और स्थिति प्रदान करता है। यह कारक AI को सामग्री, पृष्ठभूमि और संबंधित डेटा को बेहतर ढंग से समझने में मदद करता है ताकि यह उचित और सटीक प्रतिक्रिया उत्पन्न कर सके।
4. प्रारूप (फॉर्मेट)
प्रारूप वह प्रस्तुति या प्रतिक्रिया का प्रकार है जिसकी आप अपेक्षा करते हैं। आपके उद्देश्य और अंतिम परिणाम के आधार पर, प्रारूप को स्पष्ट रूप से परिभाषित करने से परिणाम स्पष्ट और उपयोग में आसान हो जाता है।
पर्सोना - भूमिका
AI को भूमिका (पर्सोना) देना प्रभावी प्रॉम्प्ट डिजाइन में एक महत्वपूर्ण तकनीक है। जब आप AI को एक विशिष्ट भूमिका में रखते हैं, तो यह उस भूमिका के शैली और लक्ष्य के अनुसार व्यवहार करता है और जवाब देता है।
AI को भूमिका क्यों देना चाहिए?
AI को भूमिका देने से कई महत्वपूर्ण लाभ मिलते हैं:
1. सटीकता बढ़ाएं: AI दी गई भूमिका के विशेषज्ञता क्षेत्र पर ध्यान केंद्रित करेगा, गलतियों को कम करेगा।
2. टोन समायोजित करें: जवाब देने की शैली भूमिका के अनुसार होगी (संक्षिप्त, औपचारिक, समझने में आसान)।
3. कार्य पर ध्यान केंद्रित करें: AI कार्य के दायरे को अच्छी तरह समझता है, असंबंधित जानकारी से विचलित नहीं होता।
AI को उचित भूमिका देना इसकी क्षमता को अधिकतम करने की कुंजी है। सही भूमिका देकर, आप AI को एक विशिष्ट क्षेत्र में विशेषज्ञ बना सकते हैं, जो सटीक और आपकी आवश्यकताओं के अनुरूप विश्लेषण और जवाब देने में मदद करता है। यह समय बचाने, कार्य की गुणवत्ता बढ़ाने और AI के साथ काम करने की प्रक्रिया में अच्छा नियंत्रण बनाए रखने का एक प्रभावी तरीका है।
मेरे विचार से, AI और उपयोगकर्ता के बीच व्यक्तित्व और संबंध जोड़ने से न केवल सत्र अधिक जीवंत हो जाता है, बल्कि बातचीत में निकटता और स्वाभाविकता भी आती है। जब AI को यह समझ आता है कि यह एक विशिष्ट चरित्र की भूमिका निभा रहा है, जिसका अपना व्यक्तित्व और उपयोगकर्ता के साथ विशिष्ट संबंध है, तो यह आसानी से स्पष्ट दृष्टिकोण या राय व्यक्त कर सकता है, और आपके द्वारा वांछित संचार शैली के अनुरूप हो सकता है। हिंदी में, संबोधन और दृष्टिकोण व्यक्त करने के कई रंग और शैलियाँ हैं, न कि केवल अंग्रेजी की तरह "You" या "Me"। उदाहरण के लिए, जब आप एक घनिष्ठ, निकटता वाली बातचीत बनाना चाहते हैं, तो आप "तू" के बजाय "तुम" का उपयोग कर सकते हैं, और "मैं" के बजाय "मैं" का उपयोग कर सकते हैं।
उदाहरण:
तुम एक कठोर निवेशक हो। तुम और मैं एक ही उम्र के हैं, इसलिए घनिष्ठता से बात करो, स्वयं को "मैं" कहो और मुझे "तुम" कहो।
संदर्भ - संदर्भ
संदर्भ AI को स्थिति, लक्ष्य और कार्य के दायरे को बेहतर ढंग से समझने में मदद करता है। एक अच्छा संदर्भ AI को "क्यों" और "कैसे" समझने में मदद करता है, जिससे यह सबसे उपयुक्त और प्रभावी समाधान प्रदान कर सकता है।
उदाहरण: जब आपको एक कॉल आती है जो आपको जीतने की सूचना देती है। सामान्यतः आप इस तरह की अच्छी खबर से बहुत उत्साहित होते हैं। लेकिन अगर हाल ही में, जीतने के धोखाधड़ी के बारे में जानकारी बढ़ रही है, तो आप संदेह महसूस करेंगे और इस कॉल को लेने के लिए तैयार नहीं होंगे।
संदर्भ क्यों महत्वपूर्ण है?
पूर्ण संदर्भ प्रदान करने के कई लाभ हैं:
1. सटीकता बढ़ाएं: AI समस्या के संदर्भ को समझकर अधिक उपयुक्त उत्तर दे सकता है
2. गलतफहमी कम करें: स्पष्ट संदर्भ AI को गलत अनुमानों से बचने में मदद करता है
3. परिणामों को अनुकूलित करें: AI महत्वपूर्ण और उपयुक्त जानकारी पर ध्यान केंद्रित कर सकता है
अनुकूलन कैसे करें
1. स्पष्ट संरचना: जानकारी को तार्किक क्रम में व्यवस्थित करें, उपयुक्त शीर्षक और प्रारूप का उपयोग करें
उदाहरण के लिए मार्कडाउन का उपयोग करके अनुक्रमणिका को चिह्नित करें
नीचे हाल के समय में लेख हैं:
## लेख 1
**लेख 1 का शीर्षक (बोल्ड)**
लेख 1 की सामग्री
## लेख 2
**लेख 2 का शीर्षक (बोल्ड)**
लेख 2 की सामग्री
## लेख 3
**लेख 3 का शीर्षक (बोल्ड)**
लेख 3 की सामग्री
2. जानकारी का चयन: केवल आवश्यक जानकारी शामिल करें, संदर्भ को उलझाने से बचें
3. उपयुक्त प्रारूप का उपयोग करें: मार्कडाउन, XML या अन्य डिलीमीटर का उपयोग करके जानकारी के भागों को अलग करें
उदाहरण के लिए XML का उपयोग करके लंबे पाठ को चिह्नित करें
<document>
{{लेख की लंबी सामग्री}}
</document>
एक संदर्भ के आकार की दौड़ है जिस पर आप ध्यान नहीं दे रहे हैं। वर्तमान LLM मॉडल संदर्भ के आकार को बहुत बढ़ाने की प्रवृत्ति रखते हैं। मुख्य उद्देश्य बड़े संदर्भ को समाहित करना है। वास्तव में, AI को किसी क्षेत्र में वास्तविक विशेषज्ञ बनाने के लिए, उपयोगकर्ता जितना संभव हो उतने दस्तावेज़ प्रदान करने की प्रवृत्ति रखते हैं।
बड़ा संदर्भ और प्रभावी उपयोग
कई जटिल कार्यों में, पर्याप्त और स्पष्ट संदर्भ प्रदान करना AI को आपकी आवश्यकता को सही ढंग से समझने के लिए महत्वपूर्ण है। LLM मॉडल लंबे डेटा स्ट्रीम को संसाधित करने की क्षमता में तेजी से मजबूत हो रहे हैं, जो संवाद या कार्य के दौरान प्रासंगिक जानकारी को बनाए रखने में मदद करते हैं।
1. अधिक जानकारी रखें: बहुत सारे डेटा विश्लेषण, जटिल प्रश्न, या बड़े दस्तावेज़ों की आवश्यकता वाले कार्यों में, एक लंबा संदर्भ मॉडल को महत्वपूर्ण विवरणों को न छोड़ने में मदद करता है।
2. उच्च सटीकता: पर्याप्त डेटा होने पर, AI आसानी से संश्लेषित कर सकता है, सही अनुमान लगा सकता है, गलत समझने या महत्वपूर्ण भागों को छोड़ने से बच सकता है।
3. विविध कार्यों के लिए रोचक: लंबी सामग्री लिखने, डेटा विश्लेषण, समस्या समाधान, और दीर्घकालिक संवाद सभी को बड़े संदर्भ की आवश्यकता होती है।
AI अक्सर बड़े संदर्भ के साथ काम करते समय भूल जाता है। यह हमारे याद रखने के तरीके के समान है, शुरुआत और अंत ही सबसे महत्वपूर्ण भाग होते हैं। इसलिए बड़े संदर्भ के साथ, इसे बीच में रखें। साथ ही प्रॉम्प्ट के अंत में अनुरोध को दोहराएं।
प्रारूप - प्रारूप
LLM को आपके उद्देश्य के अनुसार किस प्रकार से उत्तर देना चाहिए, इसे प्रारूपित करें। एक अच्छा प्रारूप परिणामों को स्पष्ट, उपयोग में आसान और बाद में संपादन के समय को बचाने में मदद करता है।
सामान्य प्रारूप
नीचे AI को वांछित प्रारूप में परिणाम लौटाने के लिए कुछ सरल और सामान्य तरीके दिए गए हैं:
1. JSON प्रारूप
उपयोग करें जब आपको स्पष्ट संरचना वाले डेटा की आवश्यकता हो, जो प्रोग्रामिंग या विश्लेषण के लिए आसान हो।
उदाहरण:
100 मिलियन से अधिक जनसंख्या वाले देशों की सूची बनाएं, JSON प्रारूप में निम्नलिखित फ़ील्ड के साथ लौटाएं:
- name: देश का नाम,
- population: जनसंख्या,
- largest_city: सबसे बड़ा शहर।
परिणाम:
{
"name": "चीन",
"population": 1398000000,
"largest_city": "शंघाई"
}
2. कई विकल्पों वाला उत्तर
उपयोग करें जब आप कई परिणाम चाहते हैं ताकि तुलना कर सकें और सबसे अच्छा परिणाम ढूंढ सकें।
उदाहरण:
मुझे कॉफी पर युवा पाठकों को आकर्षित करने के लिए 10 शीर्षक दें
3. पाठ या मुख्य बिंदुओं की सूची
यह सबसे बुनियादी प्रारूप है, हालांकि AI को आपकी आवश्यकता को स्पष्ट रूप से समझाने के लिए प्रस्तुति को स्पष्ट करना चाहिए।
उदाहरण:
500 शब्दों से कम के एक पैराग्राफ में उत्तर दें, जिसे 3 छोटे भागों में विभाजित किया गया हो
उपयुक्त प्रारूप का उपयोग करने के लाभ
1. स्थिरता बढ़ाएं: परिणाम एक समान संरचना में लौटाए जाते हैं, जिससे प्रसंस्करण और विश्लेषण आसान हो जाता है
2. समय बचाएं: परिणामों को संपादित और पुनः प्रारूपित करने का समय कम करें
3. एकीकरण आसान करें: स्पष्ट संरचना वाले परिणाम अन्य सिस्टम और उपकरणों के साथ आसानी से एकीकृत होते हैं
अब तक, हमारे पास एक प्रभावी प्रॉम्प्ट की संरचना है। सुविधा के लिए, मैं इसे निम्नलिखित रूप में सारांशित करूंगा: [Persona] आप ... के विशेषज्ञ हैं (विशिष्ट भूमिका निर्दिष्ट करें। शीर्षक, व्यक्तित्व जोड़ सकते हैं) [Task] ... पर एक लेख बनाएं (स्पष्ट लक्ष्य) [Context] नीचे संबंधित जानकारी है... (जानकारी जोड़ें, पाठ को संरचना के अनुसार चिह्नित करें) [Format] ... के रूप में उत्तर दें (परिणाम का प्रारूप)
चेन ऑफ थॉट - सोच की श्रृंखला तकनीक
जटिल कार्यों जैसे शोध, विश्लेषण या समस्या समाधान के लिए, आपको एलएलएम को सोचने के लिए जगह देनी चाहिए, जिससे इसका प्रदर्शन काफी सुधरता है। यह तकनीक, जिसे सोच की श्रृंखला (CoT) कहा जाता है, एलएलएम को समस्या को चरणों में विभाजित करने के लिए प्रोत्साहित करती है।
सबसे सरल तरीका: प्रॉम्प्ट में "कृपया चरणों में सोचें" जोड़ें
यह तरीका सोचने के तरीके के बारे में विशिष्ट मार्गदर्शन का अभाव है। यह कई मामलों के लिए आदर्श नहीं होगा।
सोचने के चरणों का मार्गदर्शन
एलएलएम को सोचने की प्रक्रिया में करने के लिए चरणों का रूपरेखा तैयार करें।
उदाहरण:
ईमेल का जवाब देने से पहले चरणों में सोचें:
1. पहले, योगदानकर्ताओं को आकर्षित करने वाले संदेशों के बारे में सोचें, उनके योगदान के इतिहास और उनके द्वारा समर्थित अभियानों के आधार पर।
2. फिर, केयर फॉर किड्स कार्यक्रम के उन पहलुओं के बारे में सोचें जो उन्हें आकर्षित करेंगे, उनके इतिहास के आधार पर।
3. अंत में, अपने विश्लेषण का उपयोग करके योगदानकर्ता के लिए विशिष्ट ईमेल लिखें।
सोच को जवाब से अलग करें
यह हमें डिबग करने और परिणामों को सुधारने में आसान बनाएगा। हालांकि, यह उन मॉडलों के लिए अनावश्यक होगा जो तर्क कर सकते हैं।
उदाहरण:
निम्नलिखित फ़ील्ड्स शामिल करके JSON प्रारूप में जवाब दें:
1. thought: आपकी सोच
2. answer: आपका जवाब
चेन ऑफ थॉट का महत्व
यह तकनीक प्रॉम्प्ट पर आधारित आधिकारिक दस्तावेज़ों में सबसे अधिक चर्चित तकनीकों में से एक है। यह आज के एलएलएम मॉडलों की सटीकता और जटिल समस्याओं को हल करने की क्षमता को बढ़ाने में मानक बन गई है।
अध्ययनों से पता चलता है कि चेन ऑफ थॉट का उपयोग करने से मॉडल बहु-चरणीय तर्क की आवश्यकता वाली समस्याओं को संभालने में सक्षम होता है, सटीकता दर में उल्लेखनीय वृद्धि होती है, त्रुटियां कम होती हैं और अधिक तार्किक, सुसंगत प्रतिक्रियाएं प्रदान की जाती हैं। यह अब एक नई तकनीक नहीं है, बल्कि पेशेवर डेवलपर्स और प्रॉम्प्ट इंजीनियरों के लिए मार्गदर्शक बन गई है।
गूगल के शोध से पता चलता है कि बड़े भाषा मॉडल (एलएलएम) आमतौर पर नकारात्मक निर्देशों जैसे "यह मत करो" या "वह मत करो" के प्रति खराब प्रतिक्रिया देते हैं। इसलिए, नकारात्मक निर्देशों का उपयोग करने के बजाय, आपको एआई को वांछित परिणाम प्राप्त करने के लिए विशिष्ट, स्पष्ट तरीके से मार्गदर्शन करना चाहिए। उदाहरण के लिए, "लंबे समय तक मत लिखो" कहने के बजाय, "कृपया 3 मुख्य वाक्यों में संक्षेप में लिखें" कहें। यह तरीका एआई को दिशा को बेहतर ढंग से समझने, गलतफहमी को कम करने और अधिक सटीक प्रतिक्रिया देने में मदद करता है।
फ्यू-शॉट प्रॉम्प्टिंग
फ्यू-शॉट प्रॉम्प्टिंग एक तकनीक है जो बड़े भाषा मॉडल (LLM) के साथ बातचीत करने के लिए प्रॉम्प्ट में कुछ स्पष्ट उदाहरण प्रदान करती है, इससे पहले कि मॉडल को मुख्य कार्य करने के लिए कहा जाए। शून्य-शॉट की तरह केवल एक आदेश देने के बजाय, फ्यू-शॉट प्रॉम्प्टिंग मॉडल को वांछित परिणामों को संसाधित और प्रारूपित करने के तरीके को बेहतर ढंग से समझने में मदद करती है, इसे कुछ विशिष्ट उदाहरण पहले से दिखाकर।
इस पद्धति में, आप प्रॉम्प्ट में नमूना उदाहरण शामिल करेंगे, जो इनपुट और अपेक्षित परिणाम को स्पष्ट रूप से वर्णित करते हैं। जब मॉडल इन उदाहरणों को देखता है, तो सटीक भविष्यवाणी करने की क्षमता काफी बढ़ जाती है, विशेष रूप से जटिल तर्क, प्रारूप प्रसंस्करण या विशिष्ट आवश्यकताओं वाले कार्यों में।
लाभ
1. सटीकता में सुधार: उदाहरण मॉडल को अभिव्यक्ति, प्रारूप या आवश्यक सामग्री को बेहतर ढंग से समझने में मदद करते हैं, जिससे गलत या असंबंधित प्रतिक्रियाओं को कम किया जा सकता है।
2. लचीलापन और उच्च अनुकूलन: विभिन्न उद्देश्यों के लिए उदाहरणों को आसानी से जोड़ा या संशोधित किया जा सकता है।
3. बड़े डेटा की आवश्यकता नहीं: केवल कुछ छोटे उदाहरणों की आवश्यकता होती है, फाइनट्यूनिंग की तरह मॉडल को फिर से प्रशिक्षित करने की आवश्यकता नहीं होती है।
सीमाएं
स्पष्ट उदाहरण डिजाइन की आवश्यकता: उदाहरणों को पर्याप्त स्पष्ट, उपयुक्त और सटीक होना चाहिए ताकि गलतफहमी से बचा जा सके।
फ्यू-शॉट प्रॉम्प्टिंग उदाहरण
यहां कुछ उदाहरण हैं जो पैराग्राफ को श्रेणियों में वर्गीकृत करते हैं: राजनीति, अर्थव्यवस्था, खेल, मनोरंजन।
उदाहरण 1: "राष्ट्रव्यापी संसदीय चुनाव हो रहे हैं।" > राजनीति
उदाहरण 2: "इस तिमाही में शेयर बाजार में मजबूत वृद्धि हुई है।" > अर्थव्यवस्था
उदाहरण 3: "विश्व कप का फाइनल मैच हाल ही में हुआ।" > खेल
अब, निम्नलिखित पैराग्राफ को वर्गीकृत करें: "[पैराग्राफ]"
इस प्रकार, सभी सबसे शक्तिशाली तकनीकों को संक्षेप में प्रस्तुत किया गया है। हमारे पास अंतिम संरचना टेम्पलेट इस प्रकार है: [पर्सोना] आप ... के विशेषज्ञ हैं। (विशिष्ट भूमिका निर्दिष्ट करें। शीर्षक, व्यक्तित्व जोड़ सकते हैं) [कार्य] ... पर एक लेख बनाएं। (स्पष्ट लक्ष्य) [संदर्भ] यहां संबंधित जानकारी है... (जानकारी जोड़ें, पाठ को संरचना के अनुसार चिह्नित करें) [उदाहरण] (उदाहरण प्रदर्शित करें) [दिशानिर्देश] (सोचने के चरणों का मार्गदर्शन करें) [कार्य] (लंबे संदर्भ में कार्य को दोहराएं) [प्रारूप] ... के रूप में उत्तर दें। (परिणाम का प्रारूप)
सिस्टम प्रॉम्प्ट
सिस्टम प्रॉम्प्ट एक कमांड या निर्देश है जो एलएलएम मॉडल को शुरुआत में ही सेट किया जाता है ताकि यह पूरी बातचीत या कार्य में अपनी प्रतिक्रिया को आकार दे सके। यह एक "बैकग्राउंड फ्रेम" या "सामान्य नियम" के रूप में कार्य करता है ताकि एआई उस संचार सत्र में अपनी शैली, दायरे और उद्देश्य को स्पष्ट रूप से समझ सके।
सिस्टम प्रॉम्प्ट की भूमिका
1. एआई के व्यवहार को निर्देशित करना: एआई को आपके उद्देश्य के अनुसार दायरे, टोन और प्रतिक्रिया शैली को समझने में मदद करता है।
2. स्थिरता बनाए रखना: लंबी बातचीत या कई बार की बातचीत में, सिस्टम प्रॉम्प्ट एआई को उचित प्रतिक्रिया शैली बनाए रखने में मदद करता है, जिससे यह दिशा से भटकने या लक्ष्य खोने से बचता है।
3. सामग्री और बाधाओं को नियंत्रित करना: एआई की प्रतिक्रिया के लिए नियम, सीमाएं, या न्यूनतम मानक निर्धारित किए जा सकते हैं, जैसे कि संवेदनशील या अनुपयुक्त सामग्री से बचना।
4. एआई के उपयोग की दक्षता को अनुकूलित करना: जब आप सही सिस्टम प्रॉम्प्ट सेट करते हैं, तो एआई बिना प्रॉम्प्ट के या गलत तरीके से प्रॉम्प्ट का उपयोग करने की तुलना में अधिक सटीक और उपयुक्त प्रतिक्रिया देता है।
वर्तमान में सामान्य गलतियाँ
एआई एप्लिकेशन अक्सर इस भाग को छिपाते हैं ताकि उपयोगकर्ता अनुभव को सरल बनाया जा सके। इससे उपयोगकर्ताओं को अक्सर सामान्य संदेश में पूरा प्रॉम्प्ट डालना पड़ता है। सिस्टम प्रॉम्प्ट की भूमिका और शक्ति सामान्य प्रॉम्प्ट की तुलना में बातचीत में पूरी तरह से अलग होती है। जिस प्रॉम्प्ट को आपने मेहनत से बनाया है, जब उसे सामान्य संदेश में डाला जाता है, तो यह हर प्रतिक्रिया के साथ कमजोर होता जाता है और सिस्टम प्रॉम्प्ट की तरह महत्वपूर्ण नहीं माना जाता है। ChatGPT के लिए, आप इसे कस्टम GPT या OpenAI प्लेटफॉर्म पर पा सकते हैं। Anthropic के लिए, आप इसे Anthropic कंसोल पर पा सकते हैं।
FeelAI बॉट बिल्डर आपके लिए एक प्लेग्राउंड प्रदान करता है
आसानी से सेटिंग्स बदलें
विविध मॉडल, कई मुफ्त मॉडल
पहले से बने कई टूल्स का अनुभव लें
अन्य प्लेटफॉर्म के साथ एकीकरण
दोस्तों, सहकर्मियों के साथ बॉट साझा करें
सैद्धांतिक मॉडल
सोचने वाले एलएलएम एक विशेष प्रकार की कृत्रिम बुद्धिमत्ता हैं, जो तार्किक तर्क और संरचित सोच का उपयोग करके जटिल समस्याओं को हल करने में उत्कृष्ट हैं, जो सामान्य मॉडलों से कहीं आगे हैं। वे समस्या का विश्लेषण कर सकते हैं, विभिन्न दृष्टिकोणों की खोज कर सकते हैं, और समाधानों की पुष्टि कर सकते हैं, जो अक्सर "चेन-ऑफ-थॉट" प्रक्रिया से जुड़े होते हैं, जहां वे समस्या के प्रत्येक चरण के बारे में "सोचते" हैं और फिर उत्तर देते हैं।
मुख्य विशेषताएं
1. तार्किक तर्क: ये मॉडल केवल डेटा पैटर्न पर निर्भर नहीं होते, बल्कि सटीक उत्तर तक पहुंचने के लिए तर्क और अनुमान का उपयोग करते हैं।
2. संरचित सोच: अक्सर "चेन-ऑफ-थॉट" पद्धति का उपयोग करते हैं, समस्या को छोटे चरणों में विभाजित करते हैं और अपनी सोच प्रक्रिया को समझाते हैं।
3. समस्या विश्लेषण: जटिल समस्याओं को छोटे, प्रबंधनीय भागों में विभाजित करने की क्षमता।
4. समाधान सत्यापन: इष्टतम तरीका खोजने और समाधान की शुद्धता की पुष्टि करने के लिए विभिन्न दृष्टिकोणों को आजमाने में लचीलापन।
5. बैकट्रैकिंग: जब एक दिशा गतिरोध की ओर ले जाती है, तो ये मॉडल वापस जा सकते हैं और परिणाम प्राप्त करने के लिए दूसरा तरीका आजमा सकते हैं।
6. समस्या समाधान क्षमता में वृद्धि: तार्किक तर्क, गणितीय गणना या प्रोग्रामिंग की आवश्यकता वाले कार्यों के लिए विशेष रूप से उपयुक्त।
तार्किक तर्क, गणितीय गणना या प्रोग्रामिंग की आवश्यकता वाले कार्यों के लिए विशेष रूप से उपयुक्त।
एआई में सैद्धांतिक मॉडलों को समझने और लागू करने से हम जटिल समस्याओं को व्यवस्थित और प्रभावी ढंग से हल कर सकते हैं, विशेष रूप से उन क्षेत्रों में जहां तार्किक सोच और गहन विश्लेषण की आवश्यकता होती है।
FeelAI बॉट बिल्डर के साथ अनुभव
FeelAI बॉट बिल्डर आपको परीक्षण करने के लिए कई सैद्धांतिक मॉडल प्रदान करता है। वार्तालाप को बदलें और अंतर देखें।
निष्कर्ष
मैं आपको इस दस्तावेज़ को पढ़ने के लिए समय देने के लिए हृदय से धन्यवाद देता हूं। मुझे आशा है कि मेरे साझा किए गए विचार आपको AI के साथ काम करने के तरीके को बेहतर ढंग से समझने में मदद करेंगे।
समापन में, मैं वर्तमान LLM मॉडल्स के बारे में अपने अनुभव साझा करना चाहता हूं। हालांकि मैंने कई परीक्षण किए हैं, लेकिन यह केवल एक व्यक्तिगत मूल्यांकन है। मुझे आशा है कि यह आपको अपनी आवश्यकताओं के अनुरूप मॉडल खोजने में मदद करेगा।
क्लॉड
क्लॉड सृजनात्मकता और सामग्री निर्माण के लिए सबसे शक्तिशाली मॉडल है, जिसमें संदर्भ को समझने की उत्कृष्ट क्षमता है। हालांकि इसकी कीमत अन्य मॉडल्स की तुलना में अधिक है, लेकिन यह पूरी तरह से सार्थक है। मैंने एक ही कार्य के लिए कई मॉडल्स का परीक्षण किया है और यह निष्कर्ष निकाला है।
जेमिनी
कम कीमत, अच्छी बुनियादी सुविधाओं और तेज गति के साथ, जेमिनी उच्च गति वाले कार्यों के लिए सबसे अच्छा मॉडल है। हालांकि यह संदर्भ के कई हिस्सों को छोड़ देता है, लेकिन डेटा प्रकार के बारे में सुनिश्चित करता है, जो सिस्टम निर्माण के लिए बहुत उपयुक्त है।
ग्रोक
ग्रोक वर्तमान मॉडल्स में सबसे बुद्धिमान और भावनात्मक मॉडल है। सामग्री निर्माण और नए विचारों पर चर्चा करने में बहुत अच्छा है।
डीपसीक
प्राकृतिक भाषा प्रसंस्करण में, यह क्लॉड जितना अच्छा नहीं है लेकिन जेमिनी से बहुत बेहतर है। हालांकि, एक बड़ी कमी यह है कि बुनियादी सुविधाओं की अस्थिरता के कारण गति धीमी है। लागत बचाने के लिए क्लॉड के विकल्प के रूप में इसका उपयोग किया जा सकता है।
क्यूवेन
क्यूवेन प्राकृतिक भाषा प्रसंस्करण में काफी मजबूत है, हालांकि क्लॉड जितना नहीं लेकिन डीपसीक की तुलना में अधिक स्थिर है। क्यूवेन की गति काफी तेज है, कीमत भी कम है, मैं इसे सिस्टम कार्यों में जेमिनी के विकल्प के रूप में उपयोग करता हूं।
यह याद रखना महत्वपूर्ण है कि सभी मामलों के लिए कोई सामान्य फॉर्मूला नहीं है। प्रॉम्प्ट डिजाइन करने के लिए AI मॉडल की गहरी समझ की आवश्यकता नहीं है, बल्कि उपयोग के संदर्भ और प्रत्येक स्थिति के विशिष्ट लक्ष्य महत्वपूर्ण हैं। हमें सर्वोत्तम परिणाम प्राप्त करने के लिए लगातार परीक्षण, मूल्यांकन और समायोजन करने की आवश्यकता है।
मैं चाहता हूं कि आप समझें कि प्रॉम्प्ट केवल एक तकनीकी कौशल नहीं है, बल्कि एक कला है। इसमें रचनात्मकता, धैर्य और आलोचनात्मक सोच की क्षमता की आवश्यकता होती है। नए विचारों का परीक्षण करने और अपने अनुभव को समुदाय के साथ साझा करने से न डरें।
अंत में, सीखने और अद्यतन रहने की भावना बनाए रखें। AI क्षेत्र तेजी से विकसित हो रहा है, और नई तकनीकें लगातार सामने आ रही हैं। मूल सिद्धांतों को समझना आपको भविष्य में नई प्रगति को अपनाने और अनुकूलित करने में मदद करेगा।
कृपया सीधे मुझसे संपर्क करें, मैं आपके विशिष्ट कार्यों में आपकी सहायता करने के लिए खुश रहूंगा।