Cependant, la forme des invites est très différente. En théorie, il peut y avoir d'innombrables invites pour terminer la tâche, mais en général, nous diviserons une invite en les parties suivantes :
Instruction (Instruction) La tâche à accomplir par le modèle
Contexte L'information externe donnée au modèle
Questions (données d'entrée) questions spécifiques auxquelles le modèle doit répondre
Exigences de format de sortie (Indicateur de sortie) Exigences de format pour les résultats de sortie du modèle
En bref, nous savons que Prompt affectera directement la sortie de ChatGPT.
Par conséquent, si vous voulez obtenir la réponse souhaitée, vous devez écrire des mots rapides .
Aujourd'hui, nous allons examiner quelques exemples de tâches de base. Ces tâches de base peuvent être considérées comme la couche inférieure de toutes les tâches de ChatGPT. Peu importe le problème que vous demandez à ChatGPT de résoudre, il s'agit en fait de l'une de ces tâches de base . Ces tâches de base les tâches comprennent :
Résumé de texte
Extraction d'informations
Réponse aux questions
Classement du texte
Génération de code
Résumé de texte
Résumé de texte Le résumé de texte, également appelé résumé de texte, est une tâche standard dans l'ensemble du domaine du langage naturel.
La synthèse de texte peut automatiquement compresser de longs articles ou documents en brefs résumés sans perdre d'informations importantes.
Avant ChatGPT, la précision et la cohérence du résumé du texte n'étaient pas suffisantes, et il était également incapable de gérer un contenu textuel plus long. Après l'utilisation de ChatGPT, ces problèmes ont été bien résolus.
Vous pouvez également ajouter une description d'instructions plus détaillée lors de la génération d'un résumé, comme le nombre de mots, le style et l'objectif que ChatGPT doit générer.
Extraction d'informations
En termes simples, l'extraction d'informations consiste à extraire des informations utiles d'une grande quantité de texte , telles que l'extraction de noms, de noms de lieux, de noms d'entreprises, de temps, d'argent, etc. à partir d'un texte volumineux, qui font tous partie de l'extraction d'informations.
Il existe de nombreux scénarios d'application pour l'extraction d'informations. Par exemple, dans le domaine financier, des informations clés telles que le nom de la société, le montant de la transaction et l'heure de la transaction peuvent être extraites d'un grand nombre de textes de rapport via l'extraction d'informations . Dans le domaine médical, des informations telles que les noms de maladies, les symptômes et les noms de médicaments peuvent également être extraites de la littérature pour faciliter la recherche médicale et le diagnostic.
Réponse aux questions
La tâche de réponse aux questions QA est un type de tâche très courant dans le domaine du TAL Nous utilisons directement ChatGPT pour poser des questions, ce qui équivaut à une tâche de réponse aux questions.
Cela équivaut à ce que l'ordinateur ait besoin de comprendre les questions que nous saisissons et d'être en mesure de fournir les réponses correspondantes .
Une façon de poser des questions est de poser des questions directement.À l'heure actuelle, parce que le grand modèle de langage utilisé par ChatGPT a appris beaucoup de connaissances, il peut répondre directement à la plupart des questions.
Par exemple, ce qui suit est une requête directe "Quelle maladie était la vitamine découverte dans l'étude"
ChatGPT des bases au combat de projet 
https://edu.csdn.net/course/detail/38557
Mais si vous posez des questions à ce moment, le résultat de la réponse modèle peut ne pas être ce dont nous avons besoin.
Par exemple, il y a trop de réponses ci-dessus, et je veux juste qu'il réponde aux questions sans m'envoyer un long discours.
Ensuite, vous pouvez ajouter une instruction de description spécifique au problème .
Je peux même aller plus loin et laisser le modèle renvoyer uniquement le nom de l'entité , c'est-à-dire que j'ai seulement besoin de savoir quelle est la maladie, dites-moi simplement le nom de la maladie.
(Cette étape utilise l'indicateur de sortie mentionné dans l'article précédent)
Parfois, le modèle ne peut pas répondre directement à votre question car le modèle lui-même ne contient pas cette partie des connaissances pendant le processus de formation.
À ce stade, vous pouvez ajouter le contexte Contexte à l'invite pour compléter les informations d'arrière-plan .
Classement du texte
Une autre tâche de base est la classification de texte Text Classification, qui équivaut à classer un morceau de texte dans une étiquette . La classification de texte peut nous aider à mieux comprendre et traiter une grande quantité de données textuelles, comme l'analyse des commentaires des utilisateurs sur les réseaux sociaux et sur les actualités. Catégoriser les actualités, etc. La classification de texte peut également être utilisée dans l'analyse des sentiments, le filtrage du spam, l'étiquetage automatique et d'autres champs.
Dans le passé, lorsqu'il n'y avait pas de GPT, le principal problème de la classification de texte était la précision et la capacité de généralisation du modèle, car les algorithmes traditionnels d'apprentissage automatique doivent extraire manuellement les fonctionnalités, et ces fonctionnalités peuvent ne pas couvrir toutes les situations, ce qui conduira à performances limitées du modèle, et maintenant les fonctionnalités peuvent être automatiquement extraites via le modèle GPT, l'effet de la tâche de classification de texte sera très bon , on peut dire qu'il répond essentiellement aux besoins des utilisateurs.
Dans ChatGPT, nous ne pouvons pas directement laisser ChatGPT classer un élément de contenu textuel, car le modèle ne sait pas quelles étiquettes de classification vous avez au total, et il n'y a pas de données de référence, donc il ne peut pas être directement demandé.
Pour le moment, nous n'avons qu'à donner à ChatGPT quelques exemples d'abord , puis lui demander un nouveau contenu, et il pourra directement classer le nouveau contenu
Génération de code
Dans le passé, la génération de code n'était pas aussi populaire qu'aujourd'hui, principalement parce que dans les méthodes de programmation traditionnelles, l'écriture de code nécessite une compréhension approfondie de la syntaxe et de la sémantique du langage de programmation, et il faut beaucoup de temps et d'efforts pour écrire le code. Cependant, l'avènement des grands modèles de langage a rendu la génération de code beaucoup plus facile et plus efficace.
En utilisant de grands modèles de langage, nous pouvons désormais convertir des descriptions en langage naturel en code de programme , ce qui peut réduire considérablement le temps et les efforts d'écriture de code . Ceci est très utile pour les tâches qui nécessitent un codage fréquent, telles que les tests automatisés et l'analyse des données. De plus, la génération de code peut également aider ceux qui n'ont pas l'expérience de programmation du langage spécifié à générer rapidement du code, ce qui permet de raccourcir le cycle de développement et d'améliorer la productivité.En même temps, cela ne nécessite pas que les développeurs soient particulièrement compétents dans une certaine langue, et peut toujours effectuer des tâches de développement .
Regardons un exemple de génération de code :
D'abord, je dis à ChatGPT la structure de ma table
Ensuite, je lui ai demandé de générer une instruction SQL pour remplir les exemples de données entre les deux tables.
Résumer
Dans cet article, nous avons présenté 5 tâches de base que ChatGPT peut effectuer à l'aide de Prompt, notamment la synthèse de texte, l'extraction d'informations, la réponse aux questions, la classification de texte et la génération de code. Quelles que soient les tâches que nous demandons à ChatGPT d'effectuer ou les questions auxquelles répondre, nous ne pouvons fondamentalement pas échapper à ces tâches de classification. En même temps, lorsque nous expliquons ces tâches, nous approfondissons à nouveau les concepts de contexte, d'instructions et d'exigences de sortie dans Prompt.
ChatGPT des bases au combat de projet https://edu.csdn.net/course/detail/38557
