You cannot select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
115 lines
3.5 KiB
Markdown
115 lines
3.5 KiB
Markdown
# I fondamentali del Prompt
|
|
|
|
## Prompt di base
|
|
|
|
Si può ottenere molto con semplici prompt, ma la qualità dei risultati dipende da quante informazioni vengono fornite e da quanto sono ben fatte. Un prompt può contenere informazioni come l'*istruzione* o la *domanda* che si sta passando al modello e includere altri dettagli come *contesto*, *ingressi* o *esempi*. Si possono usare questi elementi per istruire meglio il modello e di conseguenza ottenere risultati migliori.
|
|
|
|
Cominciamo con un esempio di base di un semplice prompt:
|
|
|
|
*Prompt*
|
|
```
|
|
Il cielo è
|
|
```
|
|
|
|
*Output:*
|
|
```
|
|
blu
|
|
|
|
Il cielo è blu nelle giornate serene. In una giornata nuvolosa, il cielo può essere grigio o bianco.
|
|
```
|
|
|
|
Come si può vedere, il modello linguistico produce una serie di stringhe che hanno senso in base al contesto "Il cielo è". L'output potrebbe essere inaspettato o lontano dal compito che vogliamo svolgere.
|
|
|
|
Questo esempio di base evidenzia anche la necessità di fornire un contesto più ampio o istruzioni su ciò che si vuole ottenere nello specifico.
|
|
|
|
Cerchiamo di migliorarlo un po':
|
|
|
|
*Prompt:*
|
|
```
|
|
Completare la frase:
|
|
|
|
Il cielo è
|
|
```
|
|
|
|
*Output:*
|
|
|
|
```
|
|
così bello oggi.
|
|
```
|
|
|
|
È meglio? Beh, abbiamo detto al modello di completare la frase, quindi il risultato è molto migliore perché segue esattamente ciò che gli abbiamo detto di fare ("completare la frase"). Questo approccio, che consiste nel progettare prompt ottimali per istruire il modello a eseguire un compito, è definito **prompt engineering** (ingegneria dei prompt).
|
|
|
|
L'esempio precedente è un'illustrazione di 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
|
|
|
|
Abbiamo provato un prompt molto semplice. Un prompt standard ha il seguente formato:
|
|
|
|
```
|
|
<Domanda>?
|
|
```
|
|
|
|
oppure
|
|
|
|
```
|
|
<Istruzione>
|
|
```
|
|
|
|
Questo può essere formattato in un formato di risposta alle domande (QA), 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* 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 zero-shot prompt, ma dipende dalla complessità e dalla conoscenza del compito da svolgere.
|
|
|
|
Dato il formato standard di cui sopra, una tecnica popolare ed efficace di stimolo è quella denominata *few-shot* (a pochi colpi) prompt, in cui vengono forniti degli esempi (es. dimostrazioni). Le richieste few-shot possono essere formattate come segue:
|
|
|
|
```
|
|
<Domanda>?
|
|
<Risposta>
|
|
|
|
<Domanda>?
|
|
<Risposta>
|
|
|
|
<Domanda>?
|
|
<Risposta>
|
|
|
|
<Domanda>?
|
|
|
|
```
|
|
|
|
La versione del formato QA avrebbe il seguente aspetto:
|
|
|
|
```
|
|
Q: <Domanda>?
|
|
A: <Risposta>
|
|
|
|
Q: <Domanda>?
|
|
A: <Risposta>
|
|
|
|
Q: <Domanda>?
|
|
A: <Risposta>
|
|
|
|
Q: <Domanda>?
|
|
A:
|
|
```
|
|
|
|
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:*
|
|
```
|
|
È fantastico! // Positivo
|
|
Questo è brutto! // Negativo
|
|
Wow, quel film era fantastico! // Positivo
|
|
Che spettacolo orribile! //
|
|
```
|
|
|
|
*Output:*
|
|
```
|
|
Negativo
|
|
```
|
|
|
|
I prompt few-shot consentono l'apprendimento in contesto, ovvero la capacità dei modelli linguistici di apprendere compiti con poche dimostrazioni.
|