Ảnh hưởng trả lời của mô hình với học trong bối cảnh (tiếp tục)
Trong trường hợp này, chúng ta sẽ có ít nhất một ví dụ cho mỗi tình cảm chúng ta muốn phát hiện, mặc dù nó sẽ được
khuyên để cung cấp một vài ví dụ của mỗi cái, nên số shots sử dụng có thể là cao hơn một chút.
context_user = [
{‘role’:’system’, ‘content’:
“””You are an expert in reviewing product opinions and classifying them as positive or negative.
It fulfilled its function perfectly, I think the price is fair, I would buy it again.
Setiment: Positive
It didn’t work bad, but I wouldn’t buy it again, maybe it’s a bit expensive for what it does.
Sentiment: Negative.
I wouldn’t know what to say, my son uses it, but he doesn’t love it.
Sentiment: Neutral
“””}]
print(return_OAIResponse(“I’m not going to return it, but I don’t plan to buy it again.”, context_user))
Sentiment: Negative
Như chúng ta đã thấy, học trong bối cảnh hay các mẫu few-shot là một kĩ thuật rất mạnh mẽ và linh hoạt. Trong khi
nó đặc biệt xuất sắc với các models huấn luyện trước trang bị với các khả năng luận lí ngoại lệ, như các phát hành
gần đây từ OpenAI, Mistral, Meta hay Anthropic, những cái này chính xác là các models chúng ta sẽ sử dụng trong
các dự án của chúng ta. Vì vậy, hiểu và làm chủ các kĩ thuật gắn với các models này là then chốt.
Nó là đơn giản để thực thi, hơn là tinh chỉnh model, và nó cho phép điều chỉnh cả dữ liệu trả về và hình thức trong
đó nó được phân phát bởi model. Chúng ta chỉ cần nhận dạng như thế nào chúng ta cần model trả về dữ liệu và nhân
rộng nó trong một vài ví dụ cho nó bắt đầu có hành vi như chúng ta cần.