Prompts en IA Générative : Canaliser la puissance des modèles Vidéo

Dans cette vidéo intitulée "Prompts en IA Générative : Canaliser la Puissance des Modèles", nous allons au cœur des mécanismes qui guident les puissants algorithmes de l'intelligence artificielle générative. Nous débutons par expliquer le rôle primordial des prompts, ces boussoles qui orientent la capacité computationnelle vers des territoires spécifiques d'intérêt. Ensuite la nature complexe des prompts est décrite en soulignant leurs caractéristiques essentielles : la Contextualisation, qui ancre l'IA dans un cadre déterminé ; la Spécificité, qui affûte la précision des résultats ; et la Stimulation, éveillant la créativité du modèle. Nous concluons en illustrant l'évolution dynamique des prompts dans les interactions, où un prompt façonne et est influencé par la sortie précédente, évoquant une interaction entre l'utilisateur et le modèle. Voici un aperçu approfondi de l'art et de la science des prompts, révélant leur importance inestimable dans le domaine en pleine expansion de l'IA générative.

3:17
1268 vues

Lecteur vidéo en cours de chargement.

Introduction

Temps actuel 0:00

Durée 0:00

Chargé: 0%

Type de flux EN DIRECT

Temps restant 0:00

00:00:05

L'IA générative :

00:00:06

là où des algorithmes puissants

00:00:08

rencontrent des prompts ingénieux.

00:00:10

Mais qu'est ce qui rend un prompt

00:00:12

si central dans cette dynamique ?

00:00:13

Les prompts agissent comme des

00:00:15

boussoles, orientant l'immensité des

00:00:17

capacités computationnelles de l'IA.

00:00:19

Plutôt que de laisser le

00:00:21

modèle vagabonder librement,

00:00:23

les prompts canalisent l'exploration

00:00:25

vers des domaines d'intérêt.

00:00:27

Ils ne sont pas de simples requêtes.

00:00:29

Ils déclenchent des réflexions,

00:00:30

invoquent des mémoires stockées

00:00:32

dans les modèles et peuvent

00:00:34

initier des réponses complexes.

00:00:36

Pour bien comprendre, disséquons

00:00:38

un prompt. La contextualisation :

00:00:40

elle définit le cadre.

00:00:43

En ancrant l'IA dans un contexte précis,

00:00:46

vous donnez une direction claire.

00:00:48

C'est comme dire à une machine de

00:00:50

traduction qu'elle opère entre le français

00:00:52

et l'anglais et non entre dix autres langues.

00:00:55

La spécificité :

00:00:56

elle façonne la précision.

00:00:58

Les travaux de OpenAI avec GPT-4

00:01:00

ont montré que la manière dont

00:01:02

vous formulez un prompt peut

00:01:04

grandement affecter les résultats.

00:01:06

C'est la différence entre demander

00:01:08

une "description d'un chat" et

00:01:10

demander "une description biologique

00:01:12

détaillée du Felis catus".

00:01:16

La stimulation :

00:01:17

il s'agit de provoquer la créativité de l'IA.

00:01:19

Un prompt stimulant peut pousser l'IA

00:01:22

à créer du contenu qui n'est pas

00:01:25

seulement informatif, mais aussi imaginatif.

00:01:27

C'est la nuance entre "raconter une

00:01:29

histoire" et "décrire une rencontre entre

00:01:32

un astronaute et une sirène sur la lune".

00:01:34

Les prompts peuvent également

00:01:37

évoluer. Avec des modèles génératifs,

00:01:39

utiliser des sorties comme des

00:01:40

entrées successives permet une

00:01:42

interaction plus fluide,

00:01:43

presque comme une conversation naturelle.

00:01:46

Voici une explication

00:01:47

plus détaillée :

00:01:48

Les modèles d'IA générative,

00:01:50

ne fonctionnent pas seulement en

00:01:52

mode "question-réponse" unique.

00:01:54

Ils peuvent être utilisés dans

00:01:56

des scénarios interactifs qui

00:01:58

s'apparentent à des dialogues.

00:01:59

Par exemple,

00:02:00

supposons que vous fournissiez

00:02:02

un premier prompt à GPT-3 : Prompt :

00:02:05

"Raconte-moi une histoire sur un dragon".

00:02:08

Réponse de l'IA :

00:02:09

"Dans un royaume lointain,

00:02:11

un dragon nommé Zéphyr

00:02:13

vivait dans les montagnes.

00:02:14

Contrairement à d'autres dragons,

00:02:16

zéphyr préférait la paix aux trésors".

00:02:19

Maintenant,

00:02:19

au lieu de fournir un nouveau prompt non lié,

00:02:22

vous pouvez continuer à partir

00:02:24

de la réponse précédente : Prompt :

00:02:26

"Pourquoi zéphyr préférait-il

00:02:27

la paix aux trésors ?"

00:02:30

Réponse de l'IA :

00:02:31

"Zéphyr avait vu les ravages que

00:02:34

la quête de trésors avait causés

00:02:35

parmi les humains et les dragons.

00:02:37

Il avait été témoin de nombreuses

00:02:39

guerres et avait perdu des

00:02:41

amis chers. Pour lui,

00:02:42

la paix était le trésor le plus précieux".

00:02:46

Ici,

00:02:46

le second prompt est basé sur

00:02:48

la sortie du premier.

00:02:50

Ces

00:02:51

interactions successives peuvent continuer,

00:02:53

créant un dialogue qui évolue avec le temps.

00:02:56

Ce type de dynamique -sortie-prompt crée

00:02:59

une interaction qui peut sembler plus

00:03:01

fluide ou naturelle, car elle simule une

00:03:04

conversation continue avec le modèle.

00:03:06

Les prompts sont le cœur battant de

00:03:08

l'IA générative. En les comprenant

00:03:10

et en les utilisant avec stratégie,

00:03:12

nous façonnons l'avenir de

00:03:14

la génération automatique.

00:03:15

La découverte ne fait que commencer.

00:00:05

Generative KI:

00:00:06

wo leistungsfähige Algorithmen

00:00:08

Erfüllen Sie geniale Aufforderungen.

00:00:10

Aber was macht eine Aufforderung aus?

00:00:12

So zentral für diese Dynamik?

00:00:13

Eingabeaufforderungen fungieren als

00:00:15

Kompasse, die die Unermesslichkeit der

00:00:17

Rechenfähigkeiten von KI.

00:00:19

Anstatt die

00:00:21

Modell frei herumlaufen,

00:00:23

Fordert die Kanalerkundung auf

00:00:25

zu Interessengebieten.

00:00:27

Es handelt sich nicht um bloße Abfragen.

00:00:29

Sie lösen Reflexionen aus,

00:00:30

Gespeicherten Speicher aufrufen

00:00:32

in den Modellen und Kannen

00:00:34

Initiieren Sie komplexe Reaktionen.

00:00:36

Um das zu verstehen, sezieren wir

00:00:38

eine Eingabeaufforderung. Kontextualisierung:

00:00:40

Sie setzt den Rahmen.

00:00:43

Durch die Verankerung von KI in einem bestimmten Kontext

00:00:46

Du gibst eine klare Richtung vor.

00:00:48

Es ist, als würde man einer Maschine sagen, dass sie

00:00:50

Übersetzung zwischen Französisch

00:00:52

und Englisch und nicht zwischen zehn anderen Sprachen.

00:00:55

Spezifität:

00:00:56

Sie prägt die Präzision.

00:00:58

OpenAIs Arbeit mit GPT-4

00:01:00

zeigte, dass die Art und Weise, in der

00:01:02

Sie erstellen eine Eingabeaufforderung können

00:01:04

die Ergebnisse stark beeinflussen.

00:01:06

Es ist der Unterschied zwischen Fragen

00:01:08

eine "Beschreibung einer Katze" und

00:01:10

Fragen Sie nach einer biologischen Beschreibung

00:01:12

Felis Catus".

00:01:16

Anregung:

00:01:17

es geht darum, die Kreativität der KI zu provozieren.

00:01:19

Ein promptes Stimulans kann KI pushen

00:01:22

, um Inhalte zu erstellen, die nicht

00:01:25

Nicht nur informativ, sondern auch einfallsreich.

00:01:27

Es ist die Nuance zwischen dem "Erzählen einer Geschichte"

00:01:29

Geschichte" und "beschreiben eine Begegnung zwischen

00:01:32

ein Astronaut und eine Meerjungfrau auf dem Mond."

00:01:34

Eingabeaufforderungen können auch

00:01:37

entwickeln. Mit generativen Modellen

00:01:39

Verwenden Sie die Ausgaben als

00:01:40

Aufeinanderfolgende Einträge ermöglichen eine

00:01:42

reibungslosere Interaktion,

00:01:43

fast wie ein natürliches Gespräch.

00:01:46

Hier ist eine Erklärung:

00:01:47

Ausführlicher:

00:01:48

Generative KI-Modelle,

00:01:50

nicht nur in

00:01:52

Einzigartiger Q&A-Modus.

00:01:54

Sie können verwendet werden in

00:01:56

interaktive Szenarien, die

00:01:58

ähneln Dialogen.

00:01:59

Zum Beispiel

00:02:00

Angenommen, Sie geben

00:02:02

eine erste Eingabeaufforderung an GPT-3: Eingabeaufforderung:

00:02:05

"Erzähl mir eine Geschichte über einen Drachen."

00:02:08

KI-Antwort:

00:02:09

"In einem fernen Reich,

00:02:11

ein Drache namens Zephyr

00:02:13

lebte in den Bergen.

00:02:14

Im Gegensatz zu anderen Drachen

00:02:16

Zephyr zog den Frieden den Schätzen vor."

00:02:19

Jetzt gerade

00:02:19

Anstatt eine neue, ungebundene Eingabeaufforderung bereitzustellen,

00:02:22

Sie können weiterhin gehen

00:02:24

aus der vorherigen Antwort: Eingabeaufforderung:

00:02:26

"Warum hat Zephyr es vorgezogen?

00:02:27

Friede den Schätzen?«

00:02:30

KI-Antwort:

00:02:31

"Zephyr hatte die Verwüstung gesehen, die

00:02:34

Die Suche nach dem Schatz hatte

00:02:35

zwischen Menschen und Drachen.

00:02:37

Er war Zeuge vieler

00:02:39

Kriege geführt und verloren

00:02:41

Liebe Freunde. Für ihn

00:02:42

Der Friede war der kostbarste Schatz."

00:02:46

Hier

00:02:46

Die zweite Eingabeaufforderung basiert auf

00:02:48

die Veröffentlichung des ersten.

00:02:50

Jene

00:02:51

sukzessive Interaktionen fortgesetzt werden können,

00:02:53

Einen Dialog zu schaffen, der sich im Laufe der Zeit entwickelt.

00:02:56

Diese Art von dynamischer Ausgabeaufforderung erzeugt

00:02:59

Eine Interaktion, die mehr

00:03:01

flüssig oder natürlich, da es eine

00:03:04

Fortlaufende Konversation mit dem Model.

00:03:06

Eingabeaufforderungen sind das schlagende Herz von

00:03:08

generative KI. Indem man sie versteht

00:03:10

und sie strategisch einzusetzen,

00:03:12

Wir gestalten die Zukunft von

00:03:14

Automatische Generierung.

00:03:15

Die Entdeckung hat gerade erst begonnen.

00:00:05

IA generativa:

00:00:06

donde poderosos algoritmos

00:00:08

Cumple con indicaciones ingeniosas.

00:00:10

Pero, ¿qué hace que un prompt

00:00:12

¿Tan central en esta dinámica?

00:00:13

Las indicaciones actúan como

00:00:15

brújulas, orientando la inmensidad de la

00:00:17

capacidades computacionales de la IA.

00:00:19

En lugar de dejar que el

00:00:21

modelo deambular libremente,

00:00:23

Solicita la exploración del canal

00:00:25

a áreas de interés.

00:00:27

No son meras consultas.

00:00:29

Desencadenan reflexiones,

00:00:30

Invocar memoria almacenada

00:00:32

en los modelos y lata

00:00:34

Iniciar respuestas complejas.

00:00:36

Para entender esto, analicemos

00:00:38

un mensaje. Contextualización:

00:00:40

Establece el marco.

00:00:43

Al anclar la IA en un contexto específico,

00:00:46

Das una dirección clara.

00:00:48

Es como decirle a una máquina que

00:00:50

traducción entre francés

00:00:52

y el inglés y no entre otros diez idiomas.

00:00:55

Especificidad:

00:00:56

Da forma a la precisión.

00:00:58

El trabajo de OpenAI con GPT-4

00:01:00

mostró que la forma en que

00:01:02

Haces un prompt lata

00:01:04

afectan en gran medida los resultados.

00:01:06

Es la diferencia entre preguntar

00:01:08

una "descripción de un gato" y

00:01:10

Pida una descripción biológica

00:01:12

Felis Catus".

00:01:16

Estimulación:

00:01:17

se trata de provocar la creatividad de la IA.

00:01:19

Un estimulante rápido puede impulsar la IA

00:01:22

para crear contenido que no sea

00:01:25

no solo informativo, sino también imaginativo.

00:01:27

Es el matiz entre "contar una historia

00:01:29

historia" y "describen un encuentro entre

00:01:32

un astronauta y una sirena en la luna".

00:01:34

Las indicaciones también pueden

00:01:37

evolucionar. Con modelos generativos,

00:01:39

Utilice las salidas como

00:01:40

Las entradas sucesivas permiten una

00:01:42

interacción más fluida,

00:01:43

casi como una conversación natural.

00:01:46

Aquí hay una explicación

00:01:47

Más detalles:

00:01:48

Modelos de IA generativa,

00:01:50

No te limites a trabajar en

00:01:52

Modo único de preguntas y respuestas.

00:01:54

Se pueden utilizar en

00:01:56

escenarios interactivos que

00:01:58

son semejantes a los diálogos.

00:01:59

Como qué

00:02:00

Supongamos que proporciona

00:02:02

un primer mensaje a GPT-3: Aviso:

00:02:05

"Cuéntame una historia sobre un dragón".

00:02:08

Respuesta de la IA:

00:02:09

"En un reino distante,

00:02:11

un dragón llamado Céfiro

00:02:13

vivía en las montañas.

00:02:14

A diferencia de otros dragones,

00:02:16

Céfiro prefería la paz a los tesoros.

00:02:19

Ahora mismo

00:02:19

En lugar de proporcionar una nueva solicitud sin enlazar,

00:02:22

Puedes seguir yéndote

00:02:24

de la respuesta anterior: Indicación:

00:02:26

"¿Por qué Zephyr prefirió

00:02:27

¿Paz a los tesoros?

00:02:30

Respuesta de la IA:

00:02:31

"Zephyr había visto la devastación que

00:02:34

La búsqueda del tesoro había causado

00:02:35

entre humanos y dragones.

00:02:37

Había sido testigo de muchas

00:02:39

guerras y había perdido

00:02:41

Queridos amigos. Para él,

00:02:42

La paz era el tesoro más preciado".

00:02:46

Aquí

00:02:46

El segundo mensaje se basa en

00:02:48

el lanzamiento de la primera.

00:02:50

Aquellos

00:02:51

las interacciones sucesivas pueden continuar,

00:02:53

creando un diálogo que evoluciona con el tiempo.

00:02:56

Este tipo de prompt de salida dinámica crea

00:02:59

una interacción que puede parecer más

00:03:01

fluido o natural, ya que simula una

00:03:04

Conversación continua con la modelo.

00:03:06

Las indicaciones son el corazón palpitante de

00:03:08

IA generativa. Entendiéndolos

00:03:10

y utilizándolos estratégicamente,

00:03:12

Estamos dando forma al futuro de

00:03:14

Generación automática.

00:03:15

El descubrimiento no ha hecho más que empezar.

00:00:05

AI Generatif:

00:00:06

di mana algoritma yang kuat

00:00:08

memenuhi petunjuk cerdik.

00:00:10

Tapi apa yang membuat prompt

00:00:12

Begitu sentral dari dinamika ini?

00:00:13

Prompt bertindak sebagai

00:00:15

kompas, mengorientasikan besarnya

00:00:17

kemampuan komputasi AI.

00:00:19

Daripada membiarkan

00:00:21

model berkeliaran dengan bebas,

00:00:23

Meminta eksplorasi saluran

00:00:25

ke bidang yang diminati.

00:00:27

Mereka bukan hanya pertanyaan.

00:00:29

Mereka memicu refleksi,

00:00:30

Memanggil memori tersimpan

00:00:32

dalam model dan kaleng

00:00:34

Mulai respons yang kompleks.

00:00:36

Untuk memahami ini, mari kita bedah

00:00:38

sebuah prompt. Kontekstualisasi:

00:00:40

Ini menetapkan kerangka kerja.

00:00:43

Dengan menjangkarkan AI dalam konteks tertentu,

00:00:46

Anda memberikan arah yang jelas.

00:00:48

Ini seperti menyuruh mesin untuk

00:00:50

terjemahan antara bahasa Perancis

00:00:52

dan bahasa Inggris dan bukan di antara sepuluh bahasa lainnya.

00:00:55

Kekhususan:

00:00:56

Ini membentuk presisi.

00:00:58

Pekerjaan OpenAI dengan GPT-4

00:01:00

menunjukkan bahwa cara di mana

00:01:02

Anda membuat prompt dapat

00:01:04

sangat mempengaruhi hasil.

00:01:06

Ini perbedaan antara bertanya

00:01:08

"deskripsi kucing" dan

00:01:10

Mintalah deskripsi biologis

00:01:12

Felis Catus".

00:01:16

Stimulasi:

00:01:17

ini tentang memprovokasi kreativitas AI.

00:01:19

Stimulan Cepat Dapat Mendorong AI

00:01:22

untuk membuat konten yang tidak

00:01:25

Tidak hanya informatif, tetapi juga imajinatif.

00:01:27

Ini adalah nuansa antara "menceritakan sebuah kisah

00:01:29

sejarah" dan "menggambarkan pertemuan antara

00:01:32

seorang astronot dan putri duyung di bulan."

00:01:34

Prompt juga bisa

00:01:37

berkembang. Dengan model generatif,

00:01:39

Gunakan output sebagai

00:01:40

entri berturut-turut memungkinkan untuk

00:01:42

interaksi yang lebih halus,

00:01:43

hampir seperti percakapan alami.

00:01:46

Berikut penjelasannya

00:01:47

Lebih rinci:

00:01:48

Model AI generatif,

00:01:50

Jangan hanya bekerja di

00:01:52

Mode Tanya Jawab yang unik.

00:01:54

Mereka dapat digunakan dalam

00:01:56

skenario interaktif yang

00:01:58

mirip dengan dialog.

00:01:59

Seperti apa

00:02:00

Misalkan Anda menyediakan

00:02:02

prompt pertama untuk GPT-3: Prompt:

00:02:05

"Ceritakan padaku sebuah cerita tentang seekor naga."

00:02:08

Respons AI:

00:02:09

"Di alam yang jauh,

00:02:11

seekor naga bernama Zephyr

00:02:13

tinggal di pegunungan.

00:02:14

Tidak seperti naga lainnya,

00:02:16

Zephyr lebih memilih kedamaian daripada harta."

00:02:19

Sekarang

00:02:19

alih-alih memberikan prompt baru yang tidak terikat,

00:02:22

Anda dapat terus pergi

00:02:24

dari jawaban sebelumnya: Cepat:

00:02:26

"Kenapa Zephyr lebih suka

00:02:27

Damai dengan harta?"

00:02:30

Respons AI:

00:02:31

"Zephyr telah melihat kehancuran itu

00:02:34

Pencarian harta karun telah menyebabkan

00:02:35

di antara manusia dan naga.

00:02:37

Dia telah menyaksikan banyak orang

00:02:39

perang dan telah kalah

00:02:41

Teman-teman yang Terhormat. Untuk dia,

00:02:42

Perdamaian adalah harta yang paling berharga."

00:02:46

Sini

00:02:46

Prompt kedua didasarkan pada

00:02:48

rilis yang pertama.

00:02:50

Itu

00:02:51

interaksi berturut-turut dapat berlanjut,

00:02:53

menciptakan dialog yang berkembang seiring waktu.

00:02:56

Jenis dynamic-output-prompt ini membuat

00:02:59

interaksi yang mungkin tampak lebih

00:03:01

cairan atau alami, karena mensimulasikan a

00:03:04

Percakapan yang sedang berlangsung dengan model.

00:03:06

Prompt adalah detak jantung

00:03:08

AI generatif. Dengan memahami mereka

00:03:10

dan menggunakannya secara strategis,

00:03:12

Kami membentuk masa depan

00:03:14

generasi otomatis.

00:03:15

Penemuan baru saja dimulai.

00:00:05

Intelligenza artificiale generativa:

00:00:06

dove potenti algoritmi

00:00:08

Incontra suggerimenti ingegnosi.

00:00:10

Ma cosa rende un prompt

00:00:12

Al centro di questa dinamica?

00:00:13

I prompt agiscono come

00:00:15

bussole, orientando l'immensità del

00:00:17

capacità computazionali dell'IA.

00:00:19

Piuttosto che lasciare che il

00:00:21

il modello vaga liberamente,

00:00:23

Richiede l'esplorazione del canale

00:00:25

alle aree di interesse.

00:00:27

Non sono semplici domande.

00:00:29

Innescano riflessioni,

00:00:30

Richiamare la memoria archiviata

00:00:32

nei modelli e può

00:00:34

Avvia risposte complesse.

00:00:36

Per capirlo, analizziamo

00:00:38

un prompt. Contestualizzazione:

00:00:40

Definisce il quadro di riferimento.

00:00:43

Ancorando l'IA in un contesto specifico,

00:00:46

Dai una direzione chiara.

00:00:48

E' come dire a una macchina di

00:00:50

traduzione tra il francese

00:00:52

e l'inglese e non tra altre dieci lingue.

00:00:55

Specificità:

00:00:56

Dà forma alla precisione.

00:00:58

Il lavoro di OpenAI con GPT-4

00:01:00

ha dimostrato che il modo in cui

00:01:02

Si fa un prompt può

00:01:04

influenzare notevolmente i risultati.

00:01:06

E' la differenza tra chiedere

00:01:08

una "descrizione di un gatto" e

00:01:10

Chiedi una descrizione biologica

00:01:12

Felis Catus".

00:01:16

Stimolazione:

00:01:17

si tratta di provocare la creatività dell'IA.

00:01:19

Uno stimolante rapido può spingere l'IA

00:01:22

per creare contenuti che non sono

00:01:25

Non solo informativo, ma anche fantasioso.

00:01:27

È la sfumatura tra "raccontare una storia

00:01:29

storia" e "descrivere un incontro tra

00:01:32

un astronauta e una sirena sulla luna".

00:01:34

I prompt possono anche

00:01:37

evolvere. Con i modelli generativi,

00:01:39

Usa gli output come

00:01:40

Le voci successive consentono un

00:01:42

un'interazione più fluida,

00:01:43

quasi come una conversazione naturale.

00:01:46

Ecco una spiegazione

00:01:47

Più in dettaglio:

00:01:48

Modelli di IA generativa,

00:01:50

non limitarti a lavorare in

00:01:52

Modalità Q&A unica.

00:01:54

Possono essere utilizzati in

00:01:56

scenari interattivi che

00:01:58

sono simili a dialoghi.

00:01:59

Come quello che

00:02:00

Si supponga di fornire

00:02:02

un primo prompt a GPT-3: Prompt:

00:02:05

"Raccontami la storia di un drago."

00:02:08

Risposta dell'IA:

00:02:09

"In un regno lontano,

00:02:11

un drago di nome Zefiro

00:02:13

viveva in montagna.

00:02:14

A differenza di altri draghi,

00:02:16

Zefiro preferiva la pace ai tesori".

00:02:19

Subito

00:02:19

invece di fornire un nuovo prompt non associato,

00:02:22

Puoi continuare ad andartene

00:02:24

dalla risposta precedente: Prompt:

00:02:26

"Perché Zefiro ha preferito

00:02:27

Pace ai tesori?"

00:02:30

Risposta dell'IA:

00:02:31

"Zefiro aveva visto la devastazione che

00:02:34

La ricerca del tesoro aveva causato

00:02:35

tra umani e draghi.

00:02:37

Aveva assistito a molte

00:02:39

guerre e aveva perso

00:02:41

Cari amici. Per lui

00:02:42

La pace era il tesoro più prezioso".

00:02:46

Qui

00:02:46

Il secondo prompt si basa su

00:02:48

l'uscita del primo.

00:02:50

Quelli

00:02:51

le interazioni successive possono continuare,

00:02:53

creando un dialogo che si evolve nel tempo.

00:02:56

Questo tipo di prompt di output dinamico crea

00:02:59

un'interazione che può sembrare più

00:03:01

fluido o naturale, in quanto simula un

00:03:04

Conversazione continua con la modella.

00:03:06

I prompt sono il cuore pulsante di

00:03:08

IA generativa. Comprendendoli

00:03:10

e utilizzandoli in modo strategico,

00:03:12

Stiamo plasmando il futuro di

00:03:14

generazione automatica.

00:03:15

La scoperta è appena iniziata.

00:00:05

ジェネレーティブAI:

00:00:06

強力なアルゴリズム

00:00:08

独創的なプロンプトに会いましょう。

00:00:10

しかし、プロンプトを作るもの

00:00:12

では、このダイナミックな動きの中心にあるのでしょうか?

00:00:13

プロンプトは

00:00:15

コンパス、の広大さを方向付ける

00:00:17

AIの計算能力。

00:00:19

ではなく、

00:00:21

モデルは自由に歩き回り、

00:00:23

チャネル探索を促す

00:00:25

関心のある領域に。

00:00:27

これらは単なるクエリではありません。

00:00:29

それらは反射を引き起こし、

00:00:30

保存されたメモリを呼び出す

00:00:32

モデルで、缶

00:00:34

複雑な対応を開始します。

00:00:36

これを理解するために、解剖してみましょう

00:00:38

プロンプト。コンテキスト化:

00:00:40

フレームワークを設定します。

00:00:43

AIを特定のコンテキストに定着させることで、

00:00:46

あなたは明確な方向性を与えます。

00:00:48

これは、機械に

00:00:50

フランス語間の翻訳

00:00:52

そして英語であり、他の10の言語の間ではありません。

00:00:55

特異性：

00:00:56

それは精度を形作ります。

00:00:58

OpenAI の GPT-4 への取り組み

00:01:00

その方法を示しました

00:01:02

プロンプトは

00:01:04

結果に大きく影響します。

00:01:06

それは尋ねることの違いです

00:01:08

「猫の説明」と

00:01:10

生物学的な説明を求める

00:01:12

Felis Catus」です。

00:01:16

刺激：

00:01:17

それは、AIの創造性を刺激することです。

00:01:19

即効性のある覚醒剤がAIを後押しできる

00:01:22

そうでないコンテンツを作成するには

00:01:25

有益であるだけでなく、想像力にも富んでいます。

00:01:27

それは「ストーリーを語る」ことのニュアンスです

00:01:29

歴史」と「出会いを描写する」と

00:01:32

月面の宇宙飛行士と人魚」

00:01:34

プロンプトでは、

00:01:37

進化。ジェネレーティブモデルでは、

00:01:39

出力を次のように使用します

00:01:40

連続するエントリでは、

00:01:42

よりスムーズなインタラクション、

00:01:43

まるで自然な会話のようです。

00:01:46

ここでは、その説明をご紹介します

00:01:47

より詳細に:

00:01:48

ジェネレーティブAIモデル、

00:01:50

Don't just work in (ただ働くだけではダメ)

00:01:52

独自のQ&Aモード。

00:01:54

これらは、

00:01:56

インタラクティブなシナリオでは、

00:01:58

対話に似ています。

00:01:59

たとえば

00:02:00

あなたが

00:02:02

GPT-3への最初のプロンプト: プロンプト:

00:02:05

「龍の話を聞かせてくれ」

00:02:08

AIの応答:

00:02:09

「遠い領域では、

00:02:11

ゼファーという名の龍

00:02:13

山に住んでいた。

00:02:14

他のドラゴンと違って、

00:02:16

ゼファーは財宝よりも平和を好んだ」

00:02:19

今すぐ

00:02:19

バインドされていない新しいプロンプトを提供する代わりに、

00:02:22

そのまま退出できます

00:02:24

前の回答から: プロンプト:

00:02:26

「なぜゼファーは好んだのか

00:02:27

宝物に平和を?」

00:02:30

AIの応答:

00:02:31

「ゼファーは惨状を目の当たりにした。

00:02:34

宝探しが引き起こした

00:02:35

人間とドラゴンの間で。

00:02:37

彼は多くのものを目撃した

00:02:39

戦争と負けていた

00:02:41

親愛なる友人。彼にとって、

00:02:42

平和は最も貴重な宝物でした。

00:02:46

ここは

00:02:46

2 番目のプロンプトは、

00:02:48

最初のもののリリース。

00:02:50

夫

00:02:51

連続した対話を続けることができ、

00:02:53

時間とともに進化する対話を作成します。

00:02:56

このタイプの動的出力プロンプトは、

00:02:59

より多く見えるかもしれない相互作用

00:03:01

fluidまたはnaturalで、

00:03:04

モデルとの継続的な会話。

00:03:06

プロンプトは心臓部です

00:03:08

ジェネレーティブAI。それらを理解することによって

00:03:10

そして、それらを戦略的に使用し、

00:03:12

私たちは未来を形作っています

00:03:14

自動生成。

00:03:15

発見はまだ始まったばかりです。

00:00:05

Generatieve AI:

00:00:06

waar krachtige algoritmen

00:00:08

Maak kennis met ingenieuze prompts.

00:00:10

Maar wat maakt een prompt

00:00:12

Zo centraal in deze dynamiek?

00:00:13

Prompts fungeren als

00:00:15

kompassen, die de onmetelijkheid van de

00:00:17

rekenmogelijkheden van AI.

00:00:19

In plaats van de

00:00:21

model vrij rondlopen,

00:00:23

Vraagt om kanaalverkenning

00:00:25

naar interessegebieden.

00:00:27

Het zijn niet zomaar vragen.

00:00:29

Ze zetten aan tot reflecties,

00:00:30

Opgeslagen geheugen aanroepen

00:00:32

in de modellen en kan

00:00:34

Initieer complexe reacties.

00:00:36

Laten we, om dit te begrijpen, ontleden

00:00:38

een prompt. Contextualisering:

00:00:40

Het bepaalt het kader.

00:00:43

Door AI te verankeren in een specifieke context,

00:00:46

Je geeft een duidelijke richting.

00:00:48

Het is alsof je tegen een machine zegt dat hij dat moet doen

00:00:50

vertaling tussen het Frans

00:00:52

en Engels en niet tussen tien andere talen.

00:00:55

Specificiteit:

00:00:56

het geeft vorm aan precisie.

00:00:58

OpenAI's werk met GPT-4

00:01:00

bleek dat de manier waarop de

00:01:02

Je maakt een prompt blikje

00:01:04

sterk van invloed zijn op de resultaten.

00:01:06

Het is het verschil tussen vragen

00:01:08

een "beschrijving van een kat" en

00:01:10

Vraag om een biologische beschrijving

00:01:12

Felis Catus".

00:01:16

Stimulatie:

00:01:17

het gaat om het provoceren van de creativiteit van AI.

00:01:19

Een prompt stimulerend middel kan AI pushen

00:01:22

om inhoud te maken die niet

00:01:25

Niet alleen informatief, maar ook fantasierijk.

00:01:27

Het is de nuance tussen 'een verhaal vertellen'

00:01:29

geschiedenis" en "beschrijf een ontmoeting tussen

00:01:32

een astronaut en een zeemeermin op de maan."

00:01:34

Prompts kunnen ook

00:01:37

evolueren. Met generatieve modellen,

00:01:39

Gebruik uitgangen als

00:01:40

Opeenvolgende vermeldingen maken een

00:01:42

vlottere interactie,

00:01:43

bijna als een natuurlijk gesprek.

00:01:46

Hier is een uitleg

00:01:47

Meer gedetailleerd:

00:01:48

Generatieve AI-modellen,

00:01:50

Werk niet alleen in

00:01:52

Unieke Q&A-modus.

00:01:54

Ze kunnen worden gebruikt in

00:01:56

interactieve scenario's die

00:01:58

zijn verwant aan dialogen.

00:01:59

Zoals wat

00:02:00

Stel dat u

00:02:02

een eerste prompt naar GPT-3: Prompt:

00:02:05

"Vertel me een verhaal over een draak."

00:02:08

AI-reactie:

00:02:09

"In een ver rijk,

00:02:11

een draak genaamd Zephyr

00:02:13

woonde in de bergen.

00:02:14

In tegenstelling tot andere draken,

00:02:16

Zephyr gaf de voorkeur aan vrede boven schatten."

00:02:19

Nu onmiddellijk

00:02:19

in plaats van een nieuwe, ongebonden prompt te geven,

00:02:22

U kunt blijven vertrekken

00:02:24

uit het vorige antwoord: Prompt:

00:02:26

"Waarom gaf Zephyr de voorkeur aan

00:02:27

Vrede tot schatten?"

00:02:30

AI-reactie:

00:02:31

"Zephyr had de verwoesting gezien die

00:02:34

De zoektocht naar schatten had ertoe geleid dat

00:02:35

onder mensen en draken.

00:02:37

Hij had er veel van meegemaakt

00:02:39

oorlogen en had verloren

00:02:41

Beste vrienden. Voor hem,

00:02:42

Vrede was de kostbaarste schat."

00:02:46

Hier

00:02:46

De tweede prompt is gebaseerd op

00:02:48

de release van de eerste.

00:02:50

Die

00:02:51

opeenvolgende interacties kunnen doorgaan,

00:02:53

het creëren van een dialoog die in de loop van de tijd evolueert.

00:02:56

Dit type dynamische-output-prompt creëert

00:02:59

een interactie die misschien meer lijkt

00:03:01

vloeibaar of natuurlijk, omdat het een

00:03:04

Doorlopend gesprek met het model.

00:03:06

Prompts zijn het kloppend hart van

00:03:08

generatieve AI. Door ze te begrijpen

00:03:10

en ze strategisch te gebruiken,

00:03:12

We geven vorm aan de toekomst van

00:03:14

automatische generatie.

00:03:15

De ontdekking is nog maar net begonnen.

00:00:05

IA generativa:

00:00:06

onde algoritmos poderosos

00:00:08

atender a solicitações engenhosas.

00:00:10

Mas o que faz um prompt

00:00:12

Tão central para esta dinâmica?

00:00:13

Os prompts agem como

00:00:15

bússolas, orientando a imensidão do

00:00:17

capacidades computacionais da IA.

00:00:19

Em vez de deixar o

00:00:21

modelo vagueia livremente,

00:00:23

Solicita a exploração do canal

00:00:25

para áreas de interesse.

00:00:27

Não são meras consultas.

00:00:29

Desencadeiam reflexões,

00:00:30

Invocar memória armazenada

00:00:32

nos modelos e lata

00:00:34

Inicie respostas complexas.

00:00:36

Para entender isso, vamos dissecar

00:00:38

um prompt. Contextualização:

00:00:40

estabelece o quadro.

00:00:43

Ao ancorar a IA num contexto específico,

00:00:46

Você dá uma direção clara.

00:00:48

É como dizer a uma máquina para

00:00:50

tradução entre francês

00:00:52

e inglês e não entre dez outras línguas.

00:00:55

Especificidade:

00:00:56

molda a precisão.

00:00:58

O trabalho da OpenAI com GPT-4

00:01:00

mostrou que a forma como

00:01:02

Você faz uma solicitação pode

00:01:04

afetam muito os resultados.

00:01:06

É a diferença entre perguntar

00:01:08

uma "descrição de um gato" e

00:01:10

pedir uma descrição biológica

00:01:12

Felis Catus".

00:01:16

Estimulação:

00:01:17

trata-se de provocar a criatividade da IA.

00:01:19

Um estimulante imediato pode impulsionar a IA

00:01:22

para criar conteúdo que não é

00:01:25

não só informativo, mas também imaginativo.

00:01:27

É a nuance entre "contar uma história

00:01:29

história" e "descrever um encontro entre

00:01:32

um astronauta e uma sereia na Lua."

00:01:34

Os prompts também podem

00:01:37

evoluir. Com modelos generativos,

00:01:39

Use saídas como

00:01:40

entradas sucessivas permitem uma

00:01:42

interação mais suave,

00:01:43

quase como uma conversa natural.

00:01:46

Aqui está uma explicação

00:01:47

Mais detalhadamente:

00:01:48

Modelos de IA generativa,

00:01:50

não trabalhe apenas em

00:01:52

Modo de Perguntas e Respostas exclusivo.

00:01:54

Podem ser utilizados em

00:01:56

cenários interativos que

00:01:58

assemelham-se a diálogos.

00:01:59

Como o quê

00:02:00

Suponha que você forneça

00:02:02

um primeiro prompt para GPT-3: Prompt:

00:02:05

"Conte-me uma história sobre um dragão."

00:02:08

Resposta da IA:

00:02:09

"Num reino distante,

00:02:11

um dragão chamado Zéfiro

00:02:13

vivia nas montanhas.

00:02:14

Ao contrário de outros dragões,

00:02:16

Zéfiro preferiu a paz aos tesouros."

00:02:19

Agora

00:02:19

em vez de fornecer um novo prompt não acoplado,

00:02:22

Pode continuar a sair

00:02:24

da resposta anterior: Prompt:

00:02:26

"Por que Zéfiro preferiu?

00:02:27

Paz aos tesouros?"

00:02:30

Resposta da IA:

00:02:31

"Zéfiro tinha visto a devastação que

00:02:34

A busca pelo tesouro tinha causado

00:02:35

entre humanos e dragões.

00:02:37

Ele tinha testemunhado muitos

00:02:39

guerras e tinha perdido

00:02:41

Caros amigos. Para ele,

00:02:42

A paz era o tesouro mais precioso."

00:02:46

Aqui

00:02:46

O segundo prompt é baseado em

00:02:48

o lançamento do primeiro.

00:02:50

Aqueles

00:02:51

as interações sucessivas podem continuar,

00:02:53

criar um diálogo que evolua ao longo do tempo.

00:02:56

Este tipo de prompt de saída dinâmica cria

00:02:59

uma interação que pode parecer mais

00:03:01

fluido ou natural, pois simula um

00:03:04

Conversa contínua com o modelo.

00:03:06

Os prompts são o coração pulsante de

00:03:08

IA generativa. Compreendendo-os

00:03:10

e utilizá-los estrategicamente,

00:03:12

Estamos a moldar o futuro da

00:03:14

geração automática.

00:03:15

A descoberta apenas começou.

00:00:05

AI tạo ra:

00:00:06

nơi các thuật toán mạnh mẽ

00:00:08

đáp ứng những lời nhắc nhở khéo léo.

00:00:10

Nhưng điều gì làm cho một lời nhắc

00:00:12

Vì vậy, trung tâm của động lực này?

00:00:13

Lời nhắc hoạt động như

00:00:15

la bàn, định hướng sự bao la của

00:00:17

khả năng tính toán của AI.

00:00:19

Thay vì để

00:00:21

người mẫu đi lang thang tự do,

00:00:23

Lời nhắc khám phá kênh

00:00:25

đến các lĩnh vực quan tâm.

00:00:27

Chúng không chỉ là những truy vấn.

00:00:29

Chúng kích hoạt phản xạ,

00:00:30

Gọi bộ nhớ đã lưu trữ

00:00:32

trong các mô hình và có thể

00:00:34

Bắt đầu các phản ứng phức tạp.

00:00:36

Để hiểu điều này, chúng ta hãy mổ xẻ

00:00:38

một lời nhắc. Ngữ cảnh hóa:

00:00:40

Nó thiết lập khuôn khổ.

00:00:43

Bằng cách neo AI trong một bối cảnh cụ thể,

00:00:46

Bạn đưa ra một định hướng rõ ràng.

00:00:48

Nó giống như bảo một cái máy

00:00:50

dịch giữa tiếng Pháp

00:00:52

và tiếng Anh chứ không phải giữa mười ngôn ngữ khác.

00:00:55

Đặc trưng:

00:00:56

Nó định hình độ chính xác.

00:00:58

Công việc của OpenAI với GPT-4

00:01:00

cho thấy cách thức mà

00:01:02

Bạn thực hiện một lời nhắc có thể

00:01:04

ảnh hưởng lớn đến kết quả.

00:01:06

Đó là sự khác biệt giữa việc hỏi

00:01:08

một "mô tả về một con mèo" và

00:01:10

Yêu cầu một mô tả sinh học

00:01:12

Felis Catus".

00:01:16

Kích thích:

00:01:17

đó là về việc kích thích sự sáng tạo của AI.

00:01:19

Một chất kích thích nhanh chóng có thể thúc đẩy AI

00:01:22

để tạo nội dung không

00:01:25

Không chỉ thông tin, mà còn giàu trí tưởng tượng.

00:01:27

Đó là sắc thái giữa việc "kể một câu chuyện

00:01:29

lịch sử" và "mô tả cuộc gặp gỡ giữa

00:01:32

một phi hành gia và một nàng tiên cá trên mặt trăng".

00:01:34

Lời nhắc cũng có thể

00:01:37

tiến hoá. Với các mô hình phát sinh,

00:01:39

Sử dụng kết quả đầu ra dưới dạng

00:01:40

Các mục liên tiếp cho phép một

00:01:42

tương tác mượt mà hơn,

00:01:43

gần giống như một cuộc trò chuyện tự nhiên.

00:01:46

Đây là một lời giải thích

00:01:47

Chi tiết hơn:

00:01:48

Các mô hình AI tạo ra,

00:01:50

Đừng chỉ làm việc trong

00:01:52

Chế độ Hỏi &Đáp độc đáo.

00:01:54

Chúng có thể được sử dụng trong

00:01:56

Các kịch bản tương tác

00:01:58

giống như đối thoại.

00:01:59

Thích cái gì

00:02:00

Giả sử bạn cung cấp

00:02:02

lời nhắc đầu tiên đến GPT-3: Nhắc:

00:02:05

"Kể cho tôi nghe một câu chuyện về một con rồng."

00:02:08

Phản hồi AI:

00:02:09

"Ở một cõi xa xôi,

00:02:11

một con rồng tên Zephyr

00:02:13

sống ở vùng núi.

00:02:14

Không giống như những con rồng khác,

00:02:16

Zephyr thích hòa bình hơn là kho báu."

00:02:19

Ngay bây giờ

00:02:19

thay vì cung cấp một lời nhắc mới, không ràng buộc,

00:02:22

Bạn có thể tiếp tục rời đi

00:02:24

từ câu trả lời trước: Nhắc nhở:

00:02:26

"Tại sao Zephyr lại thích hơn

00:02:27

Bình an cho bảo vật?"

00:02:30

Phản hồi AI:

00:02:31

"Zephyr đã chứng kiến sự tàn phá đó

00:02:34

Cuộc tìm kiếm kho báu đã gây ra

00:02:35

giữa người và rồng.

00:02:37

Ông đã chứng kiến nhiều

00:02:39

chiến tranh và đã thua

00:02:41

Bạn Thân mến. Đối với anh,

00:02:42

Hòa bình là kho báu quý giá nhất".

00:02:46

Ở đây

00:02:46

Lời nhắc thứ hai dựa trên

00:02:48

việc phát hành cái đầu tiên.

00:02:50

Đó

00:02:51

tương tác liên tiếp có thể tiếp tục,

00:02:53

Tạo ra một cuộc đối thoại phát triển theo thời gian.

00:02:56

Loại động đầu ra-nhắc nhở này tạo ra

00:02:59

Một tương tác có vẻ nhiều hơn

00:03:01

chất lỏng hoặc tự nhiên, vì nó mô phỏng một

00:03:04

Cuộc trò chuyện đang diễn ra với người mẫu.

00:03:06

Lời nhắc là trái tim đang đập của

00:03:08

AI tạo ra. Bằng cách hiểu chúng

00:03:10

và sử dụng chúng một cách chiến lược,

00:03:12

Chúng tôi đang định hình tương lai của

00:03:14

thế hệ tự động.

00:03:15

Khám phá này chỉ mới bắt đầu.

00:00:05

產生式 AI：

00:00:06

其中強大的演算法

00:00:08

滿足巧妙的提示。

00:00:10

但是什麼造就了提示

00:00:12

這種動態的核心是什麼？

00:00:13

提示充當

00:00:15

指南針，定向浩瀚無垠的

00:00:17

人工智慧的計算能力。

00:00:19

而不是讓

00:00:21

模特自由漫遊，

00:00:23

提示管道探索

00:00:25

到感興趣的領域。

00:00:27

它們不僅僅是查詢。

00:00:29

它們觸發反射，

00:00:30

調用存儲的記憶體

00:00:32

在模型和可以

00:00:34

啟動複雜的回應。

00:00:36

為了理解這一點，讓我們剖析一下

00:00:38

一個提示。情境化：

00:00:40

它設置了框架。

00:00:43

通過將 AI 錨定在特定上下文中，

00:00:46

你給出了一個明確的方向。

00:00:48

這就像告訴機器

00:00:50

法語之間的翻譯

00:00:52

和英語，而不是其他十種語言。

00:00:55

特異性：

00:00:56

它塑造了精度。

00:00:58

OpenAI 與 GPT-4 的合作

00:01:00

表明，在其中

00:01:02

你做一個提示可以

00:01:04

極大地影響結果。

00:01:06

這是問的區別

00:01:08

“對貓的描述”和

00:01:10

要求提供生物學描述

00:01:12

費利斯·卡圖斯“。

00:01:16

刺激：

00:01:17

這是關於激發人工智慧的創造力。

00:01:19

及時的興奮劑可以推動人工智慧

00:01:22

創建不是的內容

00:01:25

不僅內容豐富，而且富有想像力。

00:01:27

這是“講故事”之間的細微差別

00:01:29

歷史“和”描述之間的相遇

00:01:32

月球上的宇航員和美人魚。

00:01:34

提示也可以

00:01:37

進化。使用生成模型，

00:01:39

將輸出用作

00:01:40

連續的條目允許

00:01:42

更平滑的交互，

00:01:43

幾乎就像一場自然的對話。

00:01:46

這是一個解釋

00:01:47

更詳細：

00:01:48

生成式AI模型，

00:01:50

不要只在

00:01:52

獨特的問答模式。

00:01:54

它們可用於

00:01:56

互動式場景

00:01:58

類似於對話。

00:01:59

比如

00:02:00

假設您提供

00:02:02

GPT-3 的第一個提示：提示：

00:02:05

“給我講一個關於龍的故事。”

00:02:08

AI回應：

00:02:09

“在遙遠的國度，

00:02:11

一條名叫西風的龍

00:02:13

住在山上。

00:02:14

與其他龍不同，

00:02:16

西風更喜歡和平而不是寶藏。

00:02:19

馬上

00:02:19

而不是提供新的、未綁定的提示，

00:02:22

你可以繼續離開

00:02:24

從上一個答案：提示：

00:02:26

“為什麼 Zephyr 更喜歡

00:02:27

平安歸寶？

00:02:30

AI回應：

00:02:31

西風已經看到了破壞

00:02:34

對寶藏的追求導致了

00:02:35

在人類和龍之間。

00:02:37

他親眼目睹了許多

00:02:39

戰爭和失敗

00:02:41

親愛的朋友們。對他來說，

00:02:42

和平是最寶貴的財富。

00:02:46

這裡

00:02:46

第二個提示基於

00:02:48

第一個的發佈。

00:02:50

那些

00:02:51

連續的互動可以繼續，

00:02:53

創造一個隨著時間的推移而發展的對話。

00:02:56

這種類型的動態輸出提示創建

00:02:59

一種可能看起來更像的互動

00:03:01

流體或自然，因為它類比

00:03:04

與模型的持續對話。

00:03:06

提示是跳動的心臟

00:03:08

生成式 AI。通過理解它們

00:03:10

並戰略性地使用它們，

00:03:12

我們正在塑造

00:03:14

自動生成。

00:03:15

這一發現才剛剛開始。

Mandarine AI: CE QUI POURRAIT VOUS INTÉRESSER