„Microsoft“ mano, kad ji turi pataisymus, susijusius su DI raginimais, atsakymu, kuriame nėra žymės, o ciklas kartojasi.
Šis neefektyvumas yra išteklių eikvojimas. „Bandymų ir klaidų ciklas gali jaustis nenuspėjamas ir atgrasus“, paversdamas tai, kas turėtų būti produktyvumo didinimo priemonė, laiko nugrimzdimu. Žinių darbuotojai dažnai praleidžia daugiau laiko valdydami pačią sąveiką nei suprasdami medžiagą, kurią jie tikėjosi išmokti.
„Microsoft“ išleido „Promptions“ (prompt + parinktys), vartotojo sąsajos sistemą, skirtą išspręsti šią trintį, pakeičiant neaiškias natūralios kalbos užklausas tiksliais, dinamiškais sąsajos valdikliais. Atvirojo kodo įrankis siūlo standartizuoti darbo jėgos sąveiką su didelėmis kalbų modeliais (LLM), pereinant nuo nestruktūrizuoto pokalbio prie vadovaujamų ir patikimų darbo eigų.
Supratimo kliūtis
Visuomenės dėmesys dažnai sutelkiamas į AI, kuriant tekstą ar vaizdus, tačiau didžiulis įmonės naudojimo komponentas apima supratimą – prašymas AI paaiškinti, paaiškinti ar pamokyti. Šis skirtumas yra gyvybiškai svarbus vidiniams įrankiams.
Apsvarstykite skaičiuoklės formulę: vienas vartotojas gali norėti paprasto sintaksės suskirstymo, kitas – derinimo vadovo, o kitas – paaiškinimo, tinkančio mokyti kolegas. Dėl tos pačios formulės gali prireikti visiškai skirtingų paaiškinimų, atsižvelgiant į vartotojo vaidmenį, kompetenciją ir tikslus.
Dabartinės pokalbių sąsajos retai užfiksuoja šį tikslą efektyviai. Vartotojai dažnai pastebi, kad tai, kaip jie suformuluoja klausimą, neatitinka AI reikalingo detalumo lygio. „Norint išsiaiškinti, ko jie iš tikrųjų nori, gali prireikti ilgų, kruopščiai suformuluotų raginimų, kuriuos gaminti vargina“, – aiškina „Microsoft“.
Raginimai veikia kaip tarpinės programinės įrangos sluoksnis, skirtas išspręsti šią pažįstamą AI raginimų problemą. Užuot verčiau vartotojus įvesti ilgas specifikacijas, sistema analizuoja ketinimus ir pokalbių istoriją, kad realiuoju laiku sukurtų spustelėjamas parinktis, pvz., paaiškinimo ilgį, toną ar konkrečias fokusavimo sritis.
Efektyvumas vs sudėtingumas
„Microsoft“ mokslininkai išbandė šį metodą lygindami statinius valdiklius su nauja dinamine sistema. Išvados suteikia realų vaizdą apie tai, kaip tokie įrankiai veikia gyvoje aplinkoje.
Dalyviai nuolat teigė, kad dinaminiai valdikliai padėjo lengviau išreikšti savo užduočių specifiką, neperfrazuojant raginimų. Tai sumažino greito inžinerijos pastangas ir leido vartotojams daugiau dėmesio skirti turinio supratimui, o ne frazių mechanikai. Pateikdama tokias parinktis kaip „Mokymosi tikslas“ ir „Atsakymo formatas“, sistema paskatino dalyvius labiau apgalvoti savo tikslus.
Tačiau įvaikinimas atneša kompromisų. Dalyviai vertino gebėjimą prisitaikyti, tačiau sistemą sunkiau interpretuoti. Kai kurie sunkiai numatė, kaip pasirinkta parinktis paveiks atsaką, ir pažymėjo, kad valdikliai atrodė neskaidrūs, nes poveikis išryškėjo tik pasirodžius išvestis.
Tai pabrėžia pusiausvyrą, kurią reikia pasiekti. Dinaminės sąsajos gali supaprastinti sudėtingas užduotis, tačiau gali sukurti mokymosi kreivę, kai ryšį tarp žymimojo laukelio ir galutinio išvesties reikia pritaikyti vartotojui.
Raginimas: sprendimas, kaip ištaisyti AI raginimus?
Raginimai yra sukurti taip, kad būtų lengvi ir veiktų kaip tarpinės programinės įrangos sluoksnis, esantis tarp vartotojo ir pagrindinio kalbos modelio.
Architektūra susideda iš dviejų pagrindinių komponentų:
- Parinkčių modulis: Peržiūri vartotojo raginimų ir pokalbių istoriją, kad sugeneruotų atitinkamus vartotojo sąsajos elementus.
- Pokalbių modulis: Apima šiuos pasirinkimus, kad sukurtų AI atsakymą.
Ypatingas dėmesys saugos komandoms yra tai, kad „nereikia saugoti duomenų tarp seansų, todėl diegimas yra paprastas“. Šis be pilietybės dizainas sumažina duomenų valdymo problemas, paprastai susijusias su sudėtingomis AI perdangomis.
Pereinant nuo „greito inžinerijos“ prie „greito pasirinkimo“, galima pasiekti nuoseklesnius AI rezultatus visoje organizacijoje. Įdiegę UI sistemas, kuriomis vadovaujamasi vartotojo ketinimais, technologijų lyderiai gali sumažinti AI atsakymų kintamumą ir pagerinti darbo jėgos efektyvumą.
Sėkmė priklauso nuo kalibravimo. Naudojimo iššūkiai išlieka dėl to, kaip dinaminės parinktys veikia AI išvestį ir kelių valdiklių sudėtingumo valdymą. Lyderiai turėtų vertinti tai ne kaip išsamų sprendimą AI raginimų rezultatams pataisyti, o kaip dizaino modelį, kurį reikia išbandyti savo vidinėse kūrėjų platformose ir palaikymo įrankiuose.
Taip pat žiūrėkite: Sumaištis: AI agentai perima sudėtingas įmonės užduotis
Norite daugiau sužinoti apie AI ir didelius duomenis iš pramonės lyderių? Peržiūrėkite „AI & Big Data Expo“, vykstančią Amsterdame, Kalifornijoje ir Londone. Išsamus renginys yra TechEx dalis ir vyksta kartu su kitais pagrindiniais technologijų renginiais. Norėdami gauti daugiau informacijos, spustelėkite čia.
AI naujienas teikia TechForge Media. Čia rasite kitus būsimus įmonių technologijų renginius ir internetinius seminarus.
