När en AI gång på gång missar det resultat du vill ha kan träning låta som det självklara nästa steget. Diagnostisera först felet. En vag begäran, saknade fakta och ett olämpligt exempel kan alla göra en uppgift svår att utvärdera.
Ta ett fiktivt svar på en förfrågan. Du vill att svaret ska bekräfta förfrågan, lista saknade uppgifter och undvika att utlova tillgänglighet. ”Skriv ett professionellt svar” uttrycker inte de kraven.
Namnge felet
Spara ett exempel på det oönskade resultatet. Markera exakt vad problemet är: påhittat åtagande, saknad fråga, fel format eller olämplig ton. Olika problem kan kräva olika ändringar. Att förbättra tonen ger ingen saknad källa.
Förbättra en instruktion
Beskriv uppgiften med enkla ord:
Skriv ett utkast till svar på den här fiktiva förfrågan. Bekräfta förfrågan och be sedan om det saknade datumet och antalet deltagare. Hitta inte på något pris och bekräfta inte tillgänglighet. Avsluta med en begäran om de uppgifterna. Håll svaret kortfattat och vänligt.
Lägg till det relevanta källmaterialet separat. Ge assistenten ett sätt att rapportera saknad information i stället för att få det att verka obligatoriskt att slutföra uppgiften.
Lägg till ett användbart exempel
Välj ett kort exempel som du äger eller får använda. Förklara vilka egenskaper som spelar roll: en tydlig bekräftelse, konkreta frågor och inga icke godkända åtaganden. Ta bort gamla erbjudanden eller identifierande information som inte bör bli en del av det nya resultatet.
Ett exempel är ingen licens att kopiera varje detalj. Ange vilka fakta som hör till den aktuella uppgiften och vilken del som illustrerar stil.
Jämför mot en fast kontroll
Använd den ursprungliga uppgiften och den reviderade instruktionen på material som du kan granska. Leta efter det namngivna felet såväl som nya problem. Spara fullständiga svar och relevanta inställningar. Om den förbättrade instruktionen fortfarande misslyckas, beskriv det kvarstående mönstret i stället för att omedelbart eskalera hela projektet.
Den här övningen kan visa att uppdraget behövde tydligare gränser. Den kan också visa en begränsning som kräver ett annat tillvägagångssätt. Båda slutsatserna är användbara när de bygger på en faktisk jämförelse. Att ge en bättre prompt eller bättre exempel är inte samma sak som att ändra en modells inlärda parametrar.
Mika är en redaktionell pseudonym som används av redaktionen för KENJTEC i Hamburg. Den här artikeln föreslår ett arbetsflöde; den redovisar inte ett genomfört test.
