Apa itu teknik cepat?

Rekayasa cepat mengacu pada praktik menyusun dan mengoptimalkan petunjuk input dengan memilih kata, frasa, kalimat, tanda baca, dan karakter pemisah yang sesuai untuk menggunakan LLM secara efektif untuk berbagai macam aplikasi. Dengan kata lain, teknik cepat adalah seni berkomunikasi dengan LLM. Permintaan berkualitas tinggi mengkondisikan LLM untuk menghasilkan respons yang diinginkan atau lebih baik. Panduan terperinci yang disediakan dalam dokumen ini berlaku di semua LLM dalam Amazon Bedrock.

Pendekatan teknik cepat terbaik untuk kasus penggunaan Anda bergantung pada tugas dan data. Tugas umum yang didukung oleh LLM di Amazon Bedrock meliputi:

• Klasifikasi: Prompt mencakup pertanyaan dengan beberapa kemungkinan pilihan untuk jawabannya, dan model harus merespons dengan pilihan yang benar. Contoh kasus penggunaan klasifikasi adalah analisis sentimen: input adalah bagian teks, dan model harus mengklasifikasikan sentimen teks, seperti apakah itu positif atau negatif, atau tidak berbahaya atau beracun.

• Pertanyaan-jawaban, tanpa konteks: Model harus menjawab pertanyaan dengan pengetahuan internalnya tanpa konteks atau dokumen apa pun.

• Tanya-jawaban, dengan konteks: Pengguna menyediakan teks masukan dengan pertanyaan, dan model harus menjawab pertanyaan berdasarkan informasi yang diberikan dalam teks input.

• Ringkasan: Prompt adalah bagian teks, dan model harus merespons dengan bagian yang lebih pendek yang menangkap poin utama input.

• Pembuatan teks terbuka: Diberikan prompt, model harus merespons dengan bagian teks asli yang cocok dengan deskripsi. Ini juga termasuk generasi teks kreatif seperti cerita, puisi, atau skrip film.

• Pembuatan kode: Model harus menghasilkan kode berdasarkan spesifikasi pengguna. Misalnya, prompt dapat meminta pembuatan kode Text-to-SQL atau Python.

• Matematika: Input menggambarkan masalah yang membutuhkan penalaran matematika pada tingkat tertentu, yang mungkin numerik, logis, geometris atau lainnya.

• Penalaran atau pemikiran logis: Model harus membuat serangkaian deduksi logis.

• Ekstraksi entitas: Ekstraksi entitas dapat mengekstrak entitas berdasarkan pertanyaan masukan yang diberikan. Anda dapat mengekstrak entitas tertentu dari teks atau input berdasarkan prompt Anda.

• C hain-of-thought penalaran: Berikan step-by-step alasan tentang bagaimana jawaban diturunkan berdasarkan prompt Anda.