Tekoäly tutuksi – Promptaustekniikat

Tämä artikkeli on kolmas osa blogisarjassa “Tekoäly tutuksi”. Kaikki osat löydät alta.

1. Generatiivinen tekoäly käyttöön
2. Promptauksen perusteet
3. Promptaustekniikat
4. Generatiivisen tekoälyn soveltaminen omiin töihin
5. Tekoälyagentit

Jos promptaus on sinulle vieraampaa kannattaa lukea ensin artikkeli Promptauksen perusteet.

Sisällysluettelo

1. Milloin eri tekniikoita tarvitaan
2. Kaksi pikareittiä
3. Kaksi työläämpää tekniikkaa
4. Lopuksi

Milloin eri tekniikoita tarvitaan

Kuten artikkelissa ”Promptauksen perusteet” mainitsin, mihinkään promptiakrobatiaan ei aina kannata lähteä vaan promptin pituus ja laadukkuus on hyvä suhteuttaa tehtävän vaativuuteen ja kuinka hyvin tekoäly osaa sen yksinkertaisellakin promptilla ratkaista.

Jos huomaat usein tarvitsevasi pitkiä keskusteluja chatbotin kanssa ennen toivomasi tasoisen ratkaisun saamista, sinun kannattaa harkita paremman promptin käyttöä. Kun harkitset kuinka paljon aiot käyttää vaivaa promptaamiseen mieti ainakin näitä kahta asiaa:

1. Kuinka hyvä lopputuloksen täytyy olla.

Jos tarvitset nopeasti yleiskatsausta ajankohtaisesta aiheesta, ”Hae viisi viikon tärkeintä uutista koskien tekoälyä ja tee niistä tiivistykset sisällyttäen viitteet” -prompti voi riittää.

Kun haluat saada neuvoja miten yrityksen strategiaa voitaisiin parantaa vastaamaan nykyistä markkinatilannetta tarvitaan tekniikoita, joissa tekoälyn päättelykyvyistä ja faktojen hauista halutaan saada mahdollisimman paljon irti.

2. Kuinka toistettava promptin tuloksen halutaan olevan.

Jos koet vaikeuksia aloittaa kirjoittamista ja haluat voittaa tyhjän paperin kammon, niin ”Tee artikkeli aiheesta promptaustekniikat” -komento saattaa olla todella toimiva vaihtoehto.

Kun taas haluat luoda sisällöntuoton tiimille päivittäin käytettävän promptin, jossa kirjoitetaan mahdollisimman valmis artikkeli brändiä mallintavalla äänensävyllä, H-otsikot on tehty oikein ja tiedon lähteisiin viitataan, niin hyvin suunniteltu ja testattu prompti tulee säästämään lyhyelläkin aikavälillä aikaa.

Kaksi pikareittiä nopeisiin voittoihin

Seuraavat kaksi promptaustekniikkaa ovat nopeita ottaa käyttöön päivittäisessä työssä. Ainakin tunnepromptaamista voi tutkimuksen mukaan myös kokeilla yhdistää muihin promptauksen malleihin ja chain of thought mallia yhdistetään usein few-shottiin. Kaikista näistä termeistä lisää alla.

Chain of thought

Chain of thought on tekniikka, jossa tekoälyä pyydetään ajattelemaan ohjeistuksia ja ongelmaa vaihe vaiheelta. Voit ohjeistaa tekoälyä esimerkiksi seuraavasti:

”Ajattele asia läpi vaihe vaiheelta” ja erityisesti loogisuutta vaativissa tehtävissä lisätä ”…ja tarkasta että päätelmäsi ovat oikein.”

Näin tekoäly pystyy purkamaan ongelman pienempiin palasiin, ja tarkastamaan ovatko ne oikein, sen sijaan että se yrittäisi hypätä suoraan koko tehtävän ratkaisuun. Olen havainnut tämän hyödylliseksi esimerkiksi kun promptissa on paljon yksityiskohtaisia ohjeita.

Tunnepromptaus

Seuraava promptausmenetelmä saattaa vaikuttaa huuhaalta, mutta tutkimuksen mukaan tekoäly tekee keskimäärin noin 10% parempia tuloksia, jos sitä puhuttelee käyttäen tunteita.

 Voit ohjeistaa tekoälyä esimerkiksi kertomalla:

”Lue seuraavat ohjeet erittäin huolellisesti, tämä on erittäin tärkeää urani kannalta”

tai

”Osaat tämän tehtävän hyvin, usko omiin kykyihisi”.

Tutkimuspaperin kirjoittajat eivät lähde tutkimaan syvällisemmin miksi tunnepromptaus toimii. Tekoäly on ahminut valtavan määrän tunteita käsittelevää dataa aina psykologian kirjallisuudesta tsemppaaviin itsehoito-oppaisiin, joten se voi mahdollisesti jäljentää ihmisen käytöstä motivaatiossa.

Kaksi työläämpää tekniikkaa varmempiin tuloksiin

Promptien kohennus on usein työlästä, mutta pitkällä tähtäimellä palkitsevaa. Kannattaakin harkita tapauskohtaisesti haluatko käyttää toistuvasti vähän aikaa tehden osan työstä manuaalisesti vai lähteä kokeilemaan pidemmäksi aikaa kerralla saisitko automatisoitua työvaiheen. Jos hyvä prompti löytyy, saatat säästää aikaa tehtävän automatisoinnilla.

Zero-shot vs few-shot -promptaus

Zero-shot -promptaus tarkoittaa, että mallille ei anneta lainkaan esimerkkejä ennen tehtävän suorittamista. Mallin on tuotettava haluttu sisältö ilman mitään aikaisempia viitteitä tai esimerkkejä. Tämä on haastavampaa, sillä mallin on itse pääteltävä, mitä siltä odotetaan pelkän tehtävänannon perusteella.

Few-shot -promptaus puolestaan tarkoittaa, että koneoppimismallille annetaan muutamia esimerkkejä siitä, mitä sen odotetaan tuottavan. Tämä auttaa mallia ymmärtämään kontekstin ja toivottua tyyliä tai sisältöä paremmin.

Few-shottia kannattaa käyttää kun haluat skaalattavan prosessin, joka toimii aina tietyissä rajoissa. Esimerkiksi OIKIOlla olemme käyttäneet sitä avainsanojen kategorisoinnissa.

Few-shot käytännössä

Ajattele että saisit tehtävän ”Vie paperiroska roskakoriin”, ilman tarkempia ohjeistuksia lähtisit suoraviivaisesti etsimään roskakoria.

Jos taas tehtävänanto olisi ”Paperiroskat menevät paperiroskikseen, muoviroskat menevät muoviroskikseen ja muut roskat menevät sekajäteroskikseen. Vie paperiroska roskakoriin”, lähtisit etsimään paperiroskakoria. Tämänkaltaisella ohjeistuksella voisit itseasiassa lajitella mitä tahansa roskia.

Kuvitellaan esimerkiksi käyttökohde verkkokaupasta, jossa pyrit löytämään negatiiviset kommentit tuotteista, jotta voit vastata niihin. Voit muotoilla promptin tekoälylle esimerkiksi seuraavalla kaavalla, ja testata ymmärtääkö se esimerkeistäsi, jossa pyydät tekoälyä täydentämään viimeisen kohdan.

– Tuote toimi odotetusti = X
– 10/10 ei mitään ongelmia = X
–  En saanut toimimaan, huono asiakaspalvelu = Y
– 3/10 ei vastinetta rahalle =

Jos se ymmärtää few-shotin esimerkin, voit samalla esimerkillä pyytää tekoälyä käymään läpi kaikki asiakaspalautteet ja arvottamaan ne joko positiivisiin tai negatiivisiin.

Tree of thought -promptaus

Tässä artikkelissa käsitellyistä tekniikoista tree of thought on kaikkein työläin, mutta siltä voi odottaa myös laadukkaampia tuloksia. Tätä mallia kannattaa käyttää esimerkiksi ideointiin kun haluat saada lopputulokseksi mahdollisimman hyvän idean.

Tree of thought -menetelmässä ideat kilpailevat useassa vaiheessa, mikä johtaa perusteellisempaan ideoiden kehittelyyn.

1. Aloita kirjoittamalla auki ongelma esimerkiksi ”Ongelma on verkkosivuston konversioiden vähäinen määrä”. Jatka promptia pyytämällä kolme erilaista ratkaisua ”Tee kolme yksilöllistä ratkaisua, miten korjaisin ongelman.”
2. Kun tekoäly on antanut vastaukset, pyydä sitä arvottamaan ne esimerkiksi 0 – 100 asteikolla.
3. Poista kaksi huonoiten arvioitua vastausta.
4. Kopioi alkuperäinen ongelma ja parhaiten pärjännyt vastaus ja pyydä tekoälyä tekemään kaksi uutta uniikkia vastausta.
5. Pyydä tekoälyä arvioimaan kaksi uniikkia vastausta.
6. Toista vaiheita 3 – 5 niin monta kertaa kuin haluat. Yhdessä oppaassa kerrottiin että esimerkiksi 5 kertaa antaa jo hyviä tuloksia.

Saat lopulta todella kilpailutetun ratkaisun ja lisäksi runsaasti yksilöllisiä arvotettuja ideoita kun tekoäly on ns. käynyt läpi pääongelman ideoinnin eri puun haaroja ja oksia läpi.

Lopuksi

Voit aloittaa kokeilemalla käyttämään alussa mainittuja nopeita tekniikoita. Jos et saa niillä tarpeeksi hyvää tulosta voit yhdistää niitä muihin kehittyneempiin malleihin ja lähteä etsimään muita malleja. Tällä hetkellä kehittyneempi promptaus on mielestäni pioneerityötä, jossa uusia tekniikoita kehitetään ja testataan, joten kannattaa olla avoin kokeilemaan eri ratkaisuja ja yhdistelmiä parhaan tuloksen saavuttamiseksi.

Blogisarjan seuraavassa osassa tutustutaan tekoälyn käyttöön ottamiseen omassa työssä.

Jos tarvitsette yrityksessänne apua tekoälyn soveltamisessa digimarkkinointiin, niin ota yhteyttä ja autamme mielellämme.