Ảnh hưởng trả lời của mô hình với học trong bối cảnh (tiếp tục)
Để tiếp tục với ví dụ, tôi sẽ hướng dẫn model trả về chỉ tên của pilot và racing team, sử dụng chính one-shot.
#one-shot
context_user = [{‘role’:’system’, ‘content’:
“””You are an expert in F1.
Who won the 2000 f1 championship?
Driver: Michael Schumacher.
Team: Ferrari.”””}]
print(return_OAIResponse(“Who won the F1 2011?”, context_user))
Driver: Sebastian Vettel.
Team: Red Bull Racing.
Với chính one-shot, model đã có thể hiểu dạng trong đó nó nên trả về trả lời và dữ liệu nào chúng ta muốn giành. Vì
vậy, nó đã thích nghi trả lời, bỏ qua thông tin cái không thuộc quan tâm đối với chúng ta.
Bạn vừa giành cùng kết quả bằng cách cung cấp các lệnh công khai tới model. Đó là, bạn có thể hợp nhất trong prompt
“Return only the name of the pilot and the racing team, with each instruction on a separate line and preceded by the
tags ‘Driver’ and ‘Team’ respectively.” Tuy nhiên, sử dụng học trong bối cảnh là hiệu quả và theo đường thẳng hơn
nhiều.
Mặc dù một prompt có thể được tạo mà không sử dụng công khai các vai trò của OpenAI, như một cái được sử dụng trong
ví dụ trước, hợp nhất các vai trò này vào cấu trúc của prompt nâng cao đáng kể trải nghiệm học của model. Bằng cách
tránh một trình bày trực tiếp của prompt như một chuỗi các lệnh hệ thống, chúng ta làm model có thể hấp thụ kiến thức
từ một thiết lập cuộc nói chuyện tự nhiên hơn, cuối cùng cải thiện hiểu biết tổng thể của nó.
#Recomended solution
context_user = [{‘role’:’system’, ‘content’:’You are and expert in f1.\n\n’},
{‘role’:’user’, ‘content’:’Who won the 2010 f1 championship?’},
{‘role’:’assistant’, ‘content’:”””Driver: Sebastian Vettel. \nTeam:
Red Bull. \nPoints: 256. “””},
{‘role’:’user’, ‘content’:’Who won the 2009 f1 championship?’},
{‘role’:’assistant’, ‘content’:”””Driver: Jenson Button.
\nTeam: BrawnGP. \nPoints: 95. “””},]
print(return_OAIResponse(“Who won the F1 2019?”, context_user))
Driver: Lewis Hamilton.
Team: Mercedes.
Points: 413.
Đây là một ví dụ về cái gì có thể được giành với một model mạnh mẽ và học bối cảnh, nhưng những tiện ích của nó
là rất rộng. Để cung cấp bạn một ý tưởng, tôi nghĩ chúng ta có thể xem ví dụ khác trong đó chúng ta sẽ sử dụng
few-shot learning để có model nhận dạng tình cảm của các ý kiến người dùng.