思维导图
介绍
GPT、ChatGPT区别
特色 | GPT | ChatGPT |
模型目的 | 根据提示或上下文生成内容文本 | 专为对话交互设计/专为人类对话设计 |
训练数据 | 大量多样化文本源的语料库（例如，书籍、文章） | 大量多样化文本源的语料库 |
提示特性 | 使用提示来指导GPT | 使用对话历史来维持ChatGPT的上下文 |
交互反馈 | 没有交互反馈机制/主要是单向交互（输入 -> 输出） | 支持具有交互反馈的多轮对话/适合以对话方式进行双向交互 |
对话响应性 | 较少关注维持对话流动性 | 提高理解和响应对话的能力 |
上下文保留 | 不保留对话历史 | 保留对话历史以更好地了解上下文 |
对话流动性 | 较少强调维持连贯和有意义的对话 | 优先保持连贯的对话流动性 |
GPT-4、ChatGPT-4区别
特性 | ChatGPT-4 | GPT-4 |
目的 | 主要用于在对话中生成类似人类的文本、回答问题和提供解释。 | 虽然也可以生成类似人类的文本，但它设计用于更广泛的任务，包括语言翻译、摘要、内容创作等。 |
训练数据 | 它以多样化的文本进行训练，同时也通过具有特定指南的人类审阅者进行微调。 | 与ChatGPT-4类似，GPT-4也在多样化的文本上进行训练。 |
应用 | 主要用于聊天机器人、客户服务和辅导系统。 | 它有更广泛的应用范围，包括创建内容、编码助手、语言翻译和游戏叙述等。 |
理解细微差别 | 设计用于更好地理解和复制对话中的细微差别。 | 虽然它理解语言差异，但在理解对话的效率上可能不如ChatGPT-4。 |
可扩展性 | 它特别优化用于交互式和实时应用。 | 由于它的关注点更广泛，可能在交互式应用中没有做到优化。 |
上下文保留 | 不保留对话历史。 | 保留对话历史以更好地了解上下文。 |
定制化 | 它设计得更加可定制，因此可以更好地模仿用户的对话风格或语调。 | GPT-4的定制性较低，因为它设计用于更广泛的任务。 |
GPT 1-4比较
模型 | 参数 | 能力/应用 |
GPT-1 | 117M | 自然语言理解，<br/>自然语言生成，问题解答，文本摘要，代码生成，翻译 |
GPT-2 | 1.5B | 自然语言理解，<br/>自然语言生成，问题解答，文本摘要，代码生成，翻译 |
GPT-3 | 175B | 自然语言理解，自然语言生成，问题解答，文本摘要，代码生成，翻译，客户服务，聊天机器人，剧本写作 |
GPT-3.5 | 175B | 自然语言理解，自然语言生成，问题解答，文本摘要，代码生成，翻译，客户服务，聊天机器人，剧本写作，语言转SQL，创意写作，研究等 |
GPT-4 | 1.37T | 自然语言理解，自然语言生成，问题解答，文本摘要，代码生成，翻译，客户服务，聊天机器人，剧本写作，语言转SQL，创意写作，研究等 |
提示工程的力量
提示工程本质上是指制定精确和有效的提示技术，引导AI模型生成期望的回应。
使用步骤
- 确定目标
- 明确要求
- 提供背景信息
提示工程是一种设计有效提示或指令的艺术，以从AI模型（如ChatGPT-4）获取期望的输出。
重要性
提示工程是一门精细的艺术，其目的是设计问题或陈述，也称为“提示”，以从人工智能（AI）模型中提取特定的回答。
原理
个性化提示
1.收集数据：通过收集相关数据来了解用户的行为、偏好和模式。
2.分析数据：使用人工智能工具分析数据并找出趋势。这可以包括用户最活跃的时间、偏好、对不同类型提示的反应等。
3.设计个性化提示或根据预测采取行动：根据所获得的见解，创建与每个用户相关、及时和个性化的提示；根据预测采取行动：利用预测结果制定有针对性的提示或干预措施。
4.测试和迭代：与任何策略一样，根据用户反馈和行为变化不断测试和改进您的提示。
指令提示
引导AI生成特定类型的输出响应。
- 定义任务：明确概述您希望AI完成的任务。无论是撰写博客、回答问题还是提供见解，请明确任务。
- 设置上下文：上下文对于AI模型更好地理解任务并为其提供必要的背景信息至关重要。
- 定义输出：确保指定您需要的输出类型和格式。例如，如果您要求AI撰写一份报告，请指定格式、篇幅和结构。
- 提供示例：如果可能的话，请提供所需输出的示例。这有助于AI模型更好地理解您的要求。
- 迭代和改进：指令提示可能在第一次尝试中不能给出完美的结果。根据AI的输出，不断完善您的输入提示，以接近您所期望的结果。
探索性提示
发掘真正创新的解决方案。
- 明确你的目标：虽然探索性问题是开放式的，但有一个广泛的目标可以为AI的探索提供一个起点。
- 提出开放性问题：这些问题能够激发思考，让AI能够进入各种可能的解决方案。
- 鼓励创造力：鼓励大脑风暴或非传统的想法的问题可以产生独特的输出，具有创造性。
- 不要害怕未知：记住，探索性问题可能导致一些意想不到的输出结果。拥抱这些惊喜，从中学习，因为它们可能成为你的下一个重大想法！
条件提示
提供一系列条件来计算出一个合适的回答 如果下雨，建议室内活动。如果晴天，建议户外活动。
信息性提示
用来生成更多信息性内容。基于事实的信息提取工具。
- 用通俗的语言解释量子物理原理
- 循环经济的关键特征和优势是什么？
有效提示原则
- 清晰提示：具体主题、动词、相关示例
- 完整性：提供背景信息
- 指导性
- 中性语调：确保清晰度、限制其中偏见。不过于正式也不过于随意
- 迭代：不断调整期望结果
- 实验：从不同角度提问
提示工程高级技术
从人类反馈中学习是AI成长的重要组成部分。因此，我们将学习来自人类反馈的强化学习（RLHF），它使您的AI能够随着时间的推移不断改进和优化其回答。
- 情感连接：情感映射（不同情感回应列表）、共情、迭代
- 个性化：理解受众的兴趣、行为和需求
- 温度调节：0.2：专注和确定；0.8：更多样性和随机
- 令牌设置：回复信息的长短
提示链
组装提示细化过程
自然语言处理任务
- OpenAI's GPT-3 and GPT-4
- Google's Dialog Flow
- IBM's Watson Assistant
- Microsoft's LUIS (语言理解智能服务)
- Amazon Lex
- Rasa
- Wit.ai (Facebook)
应用
数据分析
- 数据清洗：在任何数据分析任务中的第一步是清洗数据集，也就是删除任何异常值或不一致之处，并适当处理缺失数据。
提示示例：「在给定的数据集中识别并删除任何异常值。通过实施适当的方法，识别和处理缺失数据。」
- 数据探索：执行一项探索性数据分析，以了解数据集中的关键特征。其中包括生成描述性统计量和可视化数据。
提示示例：「为数据集中的每个关键特征生成描述性统计量，包括均值、中位数、众数和标准差，并使用适当的图表可视化数据。」
- 顾客细分：使用聚类算法基于顾客的人口统计学和购买行为将顾客分成不同的群组。
提示示例：「实施K-Means聚类算法，将顾客分成不同的群组。识别每个群体的主要特征。」
- 模式识别：识别数据集中各个特征之间的各种模式和相关性。
提示示例：「识别数据集中特征之间的任何强相关关系。使用热力图可视化这些相关性。」
- 见解生成：基于识别出的模式，生成有意义且有价值的见解，以帮助业务改进其服务、满足客户并增加销售。
提示示例：「基于识别出的模式和相关性，生成可操作的见解，以帮助业务改进其服务并增加销售。」
- 预测：使用时间序列分析根据历史数据预测未来销售。
提示示例：「利用历史销售数据，实施ARIMA等时间序列预测模型，预测未来的销售情况。」
个性化
- 用户分组：根据用户的浏览详情和购买行为来帮助客户。
提示示例：“利用用户活动数据，根据他们的浏览模式、浏览数据、购买习惯和产品偏好将用户分成特定的群体。”
- 产品分析：分析每个用户群体内产品的流行度。
提示示例：“分析每个用户群体内产品的流行度，关注浏览、购买和评分等因素。”
- 协同过滤：执行协同过滤来推荐类似用户喜欢或感兴趣的产品。
提示示例：“基于用户行为的相似性，执行协同过滤算法来推荐产品。例如，如果用户A和B对一组产品显示了相似的兴趣，可能将用户A喜欢的产品推荐给用户B，反之亦然。”
- 个性化推荐：为每个用户群体创建个性化的产品推荐。
提示示例：“根据用户分组和产品流行度，在每个用户群体内生成个性化的产品推荐。”
- 反馈循环：建立一个反馈循环，根据用户反馈和行为变化持续改进推荐系统。
提示示例：“建立一个机制来捕捉用户对推荐产品的反馈，并根据这些反馈调整推荐，以持续提升系统的性能。”
- 评估：根据用户参与度、销售和用户反馈等指标评估系统的性能。
提示示例：“考虑点击率、转化率、用户反馈和整体销售增长等指标，评估系统的有效性。”
AI道德
- 规则：建立道德规则
- 透明：玻璃屋原则 ，能看透里面内容
- 公平
- 保护隐私数据
- 责任：明确界定责任
- 监管：有专职人员监管合规性
- 审核：定期审核
未来
AI发展对提示工程发展
- AI更加自治；
- 先进的自然语言理解（NLU）；
- 超个性化；
prompt在未来科技中的角色
- 预测性提示
- 提升用户体验
- 提升效率、自动化
- 革新行业