DentCast
DentCast
دکتر فواد شهابیان
← بازگشت به پرامپتولوژیست English
فصل ۴ · قسمت ۴

روشِ کار، نه فقط متنِ درخواست

⏱ ۷ دقیقه مطالعه

سه قسمتِ گذشته درباره‌ی این بود که چه بنویسید. این قسمت درباره‌ی این است که چطور کار را جلو ببرید. تفاوتش را جدی بگیرید: می‌توانید هر سه حرکتِ قبل را بی‌نقص انجام دهید و باز هم نتیجه‌ی بدی بگیرید، فقط چون همه‌ی کار را در یک درخواستِ غول‌پیکر ریختید و منتظر یک جوابِ کامل ماندید.

کارِ بزرگ را بشکنید

فرض کنید یک مقاله‌ی بالینی دارید و می‌خواهید هم بفهمیدش، هم بدانید نتیجه‌اش به بیمارهای شما می‌خورد یا نه، هم خلاصه‌ای برای خودتان نگه دارید. اگر همه‌ی این‌ها را در یک پیام بریزید، جوابی می‌گیرید که هر سه کار را نصفه‌نیمه انجام داده: خلاصه‌ای سطحی، نقدی کلی، و نتیجه‌ای که معلوم نیست از کجا آمده.

همان کار، پله‌پله: اول فقط «روشِ کار و جمعیتِ موردِ مطالعه را توضیح بده». بعد که این را خواندید و فهمیدید با چه‌جور مطالعه‌ای طرفید: «حالا یافته‌های اصلی را بگو.» بعد: «با توجه به همین جمعیتِ مطالعه، این نتیجه برای بیمارِ معمولِ مطبِ یک دندانپزشکِ عمومی چقدر قابلِ تعمیم است؟»

چرا این بهتر جواب می‌دهد؟ چون در هر پله شما هم حضور دارید. پله‌ی دوم روی چیزی ساخته می‌شود که شما پله‌ی اول تأییدش کردید. اگر مدل جمعیتِ مطالعه را بد خوانده باشد، همان‌جا می‌گیریدش، نه اینکه سه لایه بعد بفهمید کلِ نتیجه‌گیری روی یک بدفهمی بنا شده.

بینِ فهم و تصمیم، ایست بگذارید

این یکی حالتِ خاص و قوی‌ترِ همان شکستن است، و شاید کاربردی‌ترین حرکتِ کلِ این فصل باشد.

عادتِ مدل این است که سریع به نتیجه برسد. سؤال را می‌خواند و تقریباً بلافاصله شروع می‌کند به پیشنهاددادن، حتی وقتی هنوز درست وضعیت را نخوانده. مشکل اینجاست که وقتی پیشنهاد ساخته شد، بقیه‌ی حرف‌هایش هم دور همان پیشنهاد می‌چرخد؛ عملاً از همان جمله‌ی اول شیب پیدا کرده.

راهِ حل ساده است: صریح جلوی نتیجه‌گیری را بگیرید.

«این شرحِ بیمار را بخوان. فعلاً فقط وضعیت را بررسی کن و گزارش بده: چه یافته‌هایی هست، چه چیزهایی مبهم یا ناقص است. هنوز هیچ پیشنهادی نده.»

گزارش که آمد، خودتان بازرسی‌اش می‌کنید. چیزی را جا انداخته؟ یافته‌ای را بد تفسیر کرده؟ همان‌جا اصلاح می‌کنید. و بعد:

«حالا بر اساسِ همین گزارش، گزینه‌ها را بگو.»

دو چیز اینجا اتفاق افتاد. اول، مدل مجبور شد فهمش را قبل از تصمیمش رو کند، و فهم چیزی است که شما می‌توانید بسنجید. دوم، پیشنهادِ نهایی روی فهمی ساخته شد که شما تأییدش کرده بودید، نه روی حدسِ اولِ مدل.

این همان نقشِ ناظری است که از فصلِ سوم با شماست، ولی این‌بار به‌جای اینکه بعد از جواب چک کنید، خودِ ساختارِ کار مجبورش می‌کند وسطِ راه بایستد و کارتش را نشان دهد.

پرامپت پیش‌نویس است، نه شلیک

عادتِ رایج این است که یک درخواست می‌نویسیم، جوابِ نامناسب می‌گیریم، و بعد شروع می‌کنیم به وصله‌زدنِ همان گفت‌وگو: «نه، منظورم این نبود»، «این را عوض کن»، «کوتاه‌ترش کن». گاهی جواب می‌دهد. ولی وقتی جوابِ اول از اساس بیراه بود، معمولاً بهتر است به‌جای وصله‌زدن، خودِ درخواست را از نو بنویسید.

یک عادتِ کوچک که خیلی کمک می‌کند: وقتی بالاخره پرامپتی ساختید که خروجیِ خوبی داد، نگهش دارید. جایی ذخیره‌اش کنید. اگر پرامپتی برای توضیحِ درمانِ ریشه به بیمار خوب جواب داد، دفعه‌ی بعد از صفر ننویسید؛ همان را بردارید و اسمِ درمان و مشخصاتِ بیمار را عوض کنید. این‌طور کم‌کم چند پرامپتِ آماده برای کارهای پرتکرارتان جمع می‌شود، و همین است که پرامپت‌نویسی را از یک تلاشِ هر بار از نو، به یک مهارتِ انباشته تبدیل می‌کند.

پیش‌نویس را به خودِ مدل بسپارید

و حالا حرکتی که تمامِ این فصل را سبک‌تر می‌کند: لازم نیست خودتان پرامپتِ خوب بنویسید. می‌توانید نوشتنش را به مدل بسپارید.

به‌جای اینکه با یک صفحه‌ی خالی کلنجار بروید، به مدل توضیح دهید چه می‌خواهید و از او بخواهید پرامپتش را بنویسد:

«می‌خواهم برای بیمارهایی که تازه ایمپلنت گذاشته‌اند یک متنِ آموزشِ مراقبت داشته باشم، ساده و قابلِ‌فهم، که بشود چاپش کرد و دستشان داد. برای این کار یک پرامپتِ خوب بنویس. خودِ متن را ننویس، فقط پرامپت را.»

چیزی که می‌گیرید معمولاً کامل‌تر از چیزی است که خودتان می‌نوشتید، چون مدل جاهایی را که شما بدیهی فرض کرده بودید صریح می‌کند: طول، لحن، مخاطب، ساختار.

ولی کار اینجا تمام نمی‌شود، و این نکته‌ی اصلی است. آن پرامپت را بخوانید و اصلاحش کنید. مدل نمی‌داند بیمارهای شما چه‌جور آدم‌هایی هستند، نمی‌داند در مطبِ شما چه چیزی جواب می‌دهد، نمی‌داند کدام نکته را همیشه باید تأکید کنید. آن‌ها را خودتان اضافه کنید. مدل پیش‌نویس را نوشت؛ قضاوتِ نهایی مالِ شماست.

و یک یادآوریِ آخر

همه‌ی آنچه در این فصل خواندید یک کار می‌کند: خروجی را مربوط‌تر، دقیق‌تر و قابلِ‌استفاده‌تر می‌کند. اما هیچ‌کدامشان جوابِ مدل را لزوماً درست‌تر نمی‌کند. یک پرامپتِ عالی می‌تواند یک رفرنسِ جعلی یا یک عددِ اشتباه را در بهترین قالبِ ممکن و با روان‌ترین لحن به دستتان بدهد. مهارتِ پرامپت‌نویسی جای نقشِ ناظر را نمی‌گیرد؛ فقط کارِ ناظر را دلپذیرتر می‌کند.

تا اینجا فهمیدید مدل چیست، کجا می‌لغزد، چطور با آن گفت‌وگو کنید و چطور درخواستتان را دقیق بنویسید. سؤالی که هنوز باز مانده، سؤالی است که یک کلینسین زودتر از همه می‌پرسد: این ابزار دقیقاً کجای کارِ بالینیِ من می‌نشیند، و کجا نباید بنشیند؟ فصلِ بعد همین است.

شکستنِ کارِ بزرگ به پله ایست بینِ فهم و تصمیم پرامپت به‌عنوان پیش‌نویس نگه‌داشتنِ پرامپت‌های جواب‌داده سپردنِ نوشتنِ پرامپت به مدل مدل زبانی بزرگ (LLM) ChatGPT سواد هوش مصنوعی
#پرامپتولوژیست#هوش_مصنوعی#سواد_هوش_مصنوعی#AI_Literacy#ChatGPT#پرامپت_نویسی#Prompt_Engineering#شکستن_کار#Task_Decomposition#متاپرامپت#Meta_Prompting#راستی_آزمایی#مدل_زبانی#LLM
← قسمت قبلی قسمت بعدی →

جستجوی سراسری دنت‌کست