11 Prompt Mühendisliği Tekniği
En Azından En Fazlaya Prompting
Bir sonuca mantık ve kanıt üzerine dayanarak varma süreci olan çıkarım, LLM’lere nasıl mantık yürütüleceği ve kanıt kullanılacağı üzerine birkaç örnek sağlanarak teşvik edilebilir. Bu nedenle, en azdan en fazlaya prompting, son bir sonuca ulaşmak için kademeli bir dizi komut kullanma tekniğidir.
Kendi Kendine Soru Sorma (Self-Ask) Prompting
Kendi kendine soru sorma tekniği, Doğrudan ve Zincirleme Düşünce Teknikleri’nden evrilmiştir. Bu yöntemde LLM, soruyu daha küçük takip sorularına ayırır ve nihai cevaba ulaşana kadar bu soruları yanıtlar.
Meta-Prompting
Meta-prompting, modelin kendi performansını değerlendirip talimatlarını buna göre düzeltmesini sağlayan üst düzey bir yöntemdir. Bu süreç boyunca tek bir kapsamlı meta-prompt kullanılır.
Zincirleme Düşünce (Chain-Of-Thought) Prompting
İnsanlar gibi LLM’ler de büyük bir problemi alt görevlere bölerek ve bu alt görevleri birbirine zincirleme bir yöntemle bağlayarak çözer. Bu teknik, LLM’nin sofistike akıl yürütme yeteneklerini geliştirmesini sağlar.
ReAct: Akıl Yürütme ve Eylem
ReAct, akıl yürütme ve eylemi birleştirerek, LLM’lerin dış kaynaklardan ek bilgi toplamasına olanak tanır. Bu, dil ve karar verme görevlerinde üstün sonuçlar elde edilmesine yardımcı olur.
Simgeleme Akıl Yürütme ve PAL
LLM’lerin matematiksel akıl yürütmenin yanı sıra renkler ve nesne türleri gibi simgesel konularda da akıl yürütebilmesi gerekir. PAL, bu süreci yönlendirir ve sonuçta LLM, sayısal bir toplama işlemiyle cevabı verir.
Yinelemeli Prompting
Yinelemeli prompting, çıkarımsal zincirleme düşünceyi kullanarak LLM’lerin alakasız bilgiler üretmesini ve yanılsamalarını engellemeyi amaçlar. Bu, kontekst bilgisi sağlayarak ve konuşma geçmişini kullanarak gerçekleştirilir.
Sıralı Prompting
Sıralı prompting, LLM’lerle güçlü bir öneri sistemi geliştirmeyi hedefler. Bu, genellikle aday üretimi ve sıralama aşamalarını içeren bir boru hattı mimarisiyle yapılır.
Kendi Kendine Tutarlılık (Self-Consistency)
Self-consistency, karmaşık bir problem için çeşitli düşünce yollarını kullanarak tek ve doğru cevaba ulaşmayı hedefler. Bu, LLM’nin bir dizi farklı akıl yürütme yolunu değerlendirip en tutarlı olanı seçmesini sağlar.
Otomatik Akıl Yürütme ve Araç Kullanımı (ART)
ART, donmuş bir LLM’nin çok adımlı görevleri otomatik olarak çözmesini sağlar. LLM, dış araçlar kullanarak görevleri adımlara ayırır ve bu süreç, modelin ince ayara ihtiyaç duymadan akıl yürütme yeteneğini geliştirir.
Üretilen Bilgi
Üretilen bilgi ilkesi, çıkarım sırasında bilginin entegre edilebileceğini ve model ince ayarı yerine referans bilgilerin kullanılabileceğini gösterir. Bu yaklaşım, çeşitli veri setleri üzerinde test edilmiştir.
Yorumlar kapatıldı.