Update basics.it.mdx
Giornale di Sistema
4 months ago
committed by
GitHub
parent
38ef788299
commit
71c4b0a4e7
@ -1,135 +1,28 @@
|
||||
# I fondamentali del Prompt
|
||||
# Elementi di un Prompt
|
||||
|
||||
import {Screenshot} from 'components/screenshot'
|
||||
import INTRO1 from '../../img/introduction/sky.png'
|
||||
Man mano che si approfondiscono gli esempi e le applicazioni possibili con il prompt engineering, si noterà che ci sono alcuni elementi che compongono un prompt.
|
||||
|
||||
## Prompt di base
|
||||
Un prompt può contenere uno dei seguenti componenti:
|
||||
|
||||
Si può ottenere molto con semplici prompt, ma la qualità dei risultati dipende da quante informazioni vengono fornite e da quanto è ben fatto il prompt. Un prompt può contenere informazioni come l'*istruzione* o la *domanda* che si sta passando al modello e includere altri dettagli come *contesto*, *input* o *esempi*. Si possono usare questi elementi per istruire meglio il modello e di conseguenza ottenere risultati migliori.
|
||||
**Istruzione** - un compito o un'istruzione specifica che il modello deve eseguire
|
||||
|
||||
Cominciamo con un esempio di base di un semplice prompt:
|
||||
**Contesto** - può coinvolgere informazioni esterne o contesti aggiuntivi che possono indirizzare il modello verso risposte migliori.
|
||||
|
||||
*Prompt*
|
||||
|
||||
```md
|
||||
Il cielo è
|
||||
```
|
||||
|
||||
*Output:*
|
||||
|
||||
```md
|
||||
blu
|
||||
```
|
||||
|
||||
Se si utilizza OpenAI Playground o qualsiasi altro playground LLM, è possibile inviare un comando al modello come mostrato nello screenshot seguente:
|
||||
|
||||
<Screenshot src={INTRO1} alt="INTRO1" />
|
||||
**Dati in Input** - è l'input o la domanda per la quale ci interessa trovare una risposta
|
||||
|
||||
Una cosa da notare è che quando si utilizzano i modelli di chat di OpenAI come `gtp-3.5-turbo` o `gpt-4`, è possibile strutturare il prompt utilizzando tre diversi ruoli: `system`, `assistant` e `user`. Il prompt nel ruolo di system non è necessario, ma aiuta a impostare il comportamento generale del ruolo assistant. L'esempio precedente include un prompt solo nel ruolo user che può essere usato per fare richieste direttamente al modello. Per semplicità tutti gli esempi, tranne quando è esplicitamente indicato, useranno solo il ruolo `user` per fare richieste al modello `gpt-3.5-turbo`. Il messaggio di `assistant` nell'esempio precedente corrisponde alla risposta del modello. Si può anche definire il messaggio di assistant passandogli esempi del comportamento desiderato. È possibile saperne di più su come lavorare con i modelli di chat [qui](https://www.promptingguide.ai/it/models/chatgpt).
|
||||
**Indicatore dell'Output** - indica il tipo o il formato dell'output.
|
||||
|
||||
Si può osservare dall'esempio del prompt di cui sopra che il modello linguistico risponde con una sequenza di token che hanno senso dato il contesto "Il cielo è". L'output potrebbe essere inaspettato o lontano dal compito che si vuole svolgere. In effetti, questo esempio di base evidenzia la necessità di fornire un contesto più ampio o istruzioni su ciò che si vuole ottenere specificamente con il sistema. Questo è ciò di cui tratta il prompt engineering, l'ingegneria dei prompt.
|
||||
|
||||
Cerchiamo di migliorarlo un po':
|
||||
|
||||
*Prompt:*
|
||||
```
|
||||
Completare la frase:
|
||||
|
||||
Il cielo è
|
||||
```
|
||||
|
||||
*Output:*
|
||||
|
||||
```
|
||||
blu di giorno e scuro di notte.
|
||||
```
|
||||
|
||||
Così va meglio? Con il prompt sopra si sta istruendo il modello a completare la frase, per cui il risultato appare molto migliore poiché segue esattamente ciò che gli si è detto di fare ("completare la frase"). Questo approccio, che consiste nel progettare prompt efficaci per istruire il modello a eseguire un compito desiderato, viene definito in questa guida **prompt engineering** o ingegneria dei prompt.
|
||||
|
||||
L'esempio precedente è un esempio base di ciò che è possibile fare oggi con gli LLM. Gli LLM di oggi sono in grado di eseguire tutti i tipi di compiti avanzati, dalla sintesi del testo al ragionamento matematico alla generazione di codice.
|
||||
|
||||
## Formattazione del Prompt
|
||||
|
||||
Prima abbiamo provato un prompt molto semplice. Un prompt standard ha il seguente formato:
|
||||
|
||||
```
|
||||
<Domanda>?
|
||||
```
|
||||
|
||||
oppure
|
||||
|
||||
```
|
||||
<Istruzione>
|
||||
```
|
||||
|
||||
Questo può essere formattato in un formato di Domande e Risposte (QA, Questions and Answers), che è standard in molti set di dati QA, come segue:
|
||||
|
||||
```
|
||||
D: <Domanda>?
|
||||
R:
|
||||
```
|
||||
|
||||
Quando si esegue un prompt come quello descritto sopra, si parla anche di *zero-shot prompting* (prompt a colpo zero), cioè si sollecita direttamente il modello a dare una risposta senza alcun esempio o dimostrazione del compito che si vuole fargli svolgere. Alcuni modelli linguistici di grandi dimensioni sono in grado di eseguire lo zero-shot prompting, ma ciò dipende dalla complessità e dalla conoscenza del compito da svolgere e dai compiti per i quali il modello è stato addestrato.
|
||||
|
||||
Un esempio concreto di prompt è il seguente:
|
||||
|
||||
*Prompt*
|
||||
```
|
||||
D: Che cos'è il prompt engineering?
|
||||
```
|
||||
|
||||
Con alcuni dei modelli più recenti è possibile saltare "D:", essa è implicita e compresa dal modello come compito di risposta a una domanda in base a come è composta la sequenza. In altre parole, il prompt potrebbe essere semplificato come segue:
|
||||
Per mostrare meglio gli elementi del prompt, ecco un semplice prompt che mira a eseguire un compito di classificazione del testo:
|
||||
|
||||
*Prompt*
|
||||
```
|
||||
Che cos'è il prompt engineering?
|
||||
```
|
||||
|
||||
Dato il formato standard di cui sopra, una tecnica popolare ed efficace di prompting è quella denominata *few-shot prompting* (prompting con pochi esempi), in cui si forniscono esempi (es. dimostrazioni). È possibile formattare i prompt few-shot come segue:
|
||||
|
||||
```
|
||||
<Domanda>?
|
||||
<Risposta>
|
||||
|
||||
<Domanda>?
|
||||
<Risposta>
|
||||
|
||||
<Domanda>?
|
||||
<Risposta>
|
||||
|
||||
<Domanda>?
|
||||
|
||||
```
|
||||
|
||||
La versione in formato QA si presenterebbe così:
|
||||
|
||||
```
|
||||
Q: <Domanda>?
|
||||
A: <Risposta>
|
||||
Classifica il testo come neutro, negativo o positivo
|
||||
|
||||
Q: <Domanda>?
|
||||
A: <Risposta>
|
||||
Testo: Penso che il cibo fosse accettabile.
|
||||
|
||||
Q: <Domanda>?
|
||||
A: <Risposta>
|
||||
|
||||
Q: <Domanda>?
|
||||
A:
|
||||
Sentimento:
|
||||
```
|
||||
|
||||
Tenete presente che non è obbligatorio utilizzare il formato QA. Il formato del prompt dipende dal compito da svolgere. Per esempio, si può eseguire un semplice compito di classificazione e fornire esempi che dimostrino il compito come segue:
|
||||
|
||||
*Prompt:*
|
||||
```
|
||||
Questo è fantastico! // Positivo
|
||||
Questo è brutto! // Negativo
|
||||
Wow, quel film era fantastico! // Positivo
|
||||
Che spettacolo orribile! //
|
||||
```
|
||||
|
||||
*Output:*
|
||||
```
|
||||
Negativo
|
||||
```
|
||||
Nell'esempio precedente, le istruzioni corrispondono al compito di classificazione "Classificare il testo in neutro, negativo o positivo". I dati di input corrispondono alla parte "Penso che il cibo fosse accettabile" e l'indicatore di output utilizzato è "Sentimento:". Si noti che questo esempio di base non utilizza il contesto, ma questo può essere fornito come parte del prompt. Ad esempio, il contesto per questa richiesta di classificazione del testo può essere costituito da esempi aggiuntivi forniti come parte della richiesta per aiutare il modello a comprendere meglio il compito e a orientare il tipo di output che ci si aspetta.
|
||||
|
||||
I prompt few-shot consentono l'apprendimento in contesto, cioè la capacità dei modelli linguistici di apprendere compiti con poche dimostrazioni. Nelle prossime sezioni discuteremo in modo più approfondito il zero-shot prompting ed il few-shot prompting.
|
||||
Non tutti i componenti sono necessari per un prompt e il formato dipende dal compito da svolgere. Nel proseguo della guida verranno illustrati esempi più concreti.
|
||||
|
||||
Loading…
Reference in New Issue