# Pesquisadores explicaram como melhorar a qualidade das respostas de IA
Prompts contextuais cuidadosamente elaborados aumentam a precisão das respostas dos modelos de IA. Essa conclusão está contida no artigo do Laboratório de Inteligência Artificial de Xangai.
Apesar da capacidade das redes neurais de entender a fala natural, elas ainda precisam de informações adicionais e de solicitações claramente formuladas para fornecer resultados de qualidade. Por exemplo, se pedir ao IA “planejar uma viagem”, ele pode sugerir um cruzeiro de luxo, sem saber sobre o orçamento limitado.
Boas perguntas ajudam a evitar a “entropia” — confusão devido à excessiva incerteza.
Como criar prompts de qualidade
O artigo propõe maneiras de aumentar a eficácia da comunicação com a inteligência artificial. Elas são baseadas no design de prompts (prompt engineering).
Algumas dicas:
É necessário começar pelo básico: quem, o que, porquê. É sempre importante incluir o contexto para criar uma base. Em vez do prompt “Escreva um poema”, vale a pena tentar o pedido: “Você é um poeta romântico que escreve em homenagem ao meu aniversário. O tema é amor eterno. Que o poema seja curto e doce”.
Deve-se formar a informação «em camadas», como um bolo— do geral ao específico**.** Comece pelo geral e depois adicione detalhes. Para a tarefa de programação: «Sou um programador iniciante. Primeiro explique os fundamentos do Python. Depois ajude a depurar este código [inserir código]. Contexto: isto é para um simples aplicativo de jogo». Isso ajudará a IA a processar solicitações complexas sem sobrecarga.
Aplicação de etiquetas e estrutura. Os prompts devem ser organizados usando etiquetas. Exemplo: “Objetivo: planejar férias com orçamento. Limitações: $500. Adequado para famílias. Preferências: destino de praia”. Isso é semelhante a fornecer um mapa para a inteligência artificial.
Ativação de elementos multimodais. Se o pedido pressupõe a aplicação de elementos visuais ou chats anteriores, é necessário fazer uma descrição. Exemplo: “Com base nesta imagem [descrição ou link], sugira opções de roupas. Contexto anterior: eu prefiro um estilo casual”. Para tarefas longas, é necessário resumir a história.
Filtragem de ruído. No prompt, deve-se incluir apenas o mais necessário. Se a IA “desviar-se do caminho”, é necessário adicionar uma explicação. Por exemplo: “Ignore os tópicos irrelevantes — concentre-se apenas nos benefícios para a saúde.”
Consideração de erros passados. É importante pensar à frente, por exemplo: “Da última vez, propuseste X, mas isso não funcionou devido a Y — ajusta de acordo.”
Recordamos que, em outubro, um estudo da Universidade da Pensilvânia mostrou que os grandes modelos de linguagem respondem com mais precisão quando são abordados de forma direta.
Ver original
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
Pesquisadores explicaram como melhorar a qualidade das respostas da IA - ForkLog: criptomoedas, IA, singularidade, futuro
Prompts contextuais cuidadosamente elaborados aumentam a precisão das respostas dos modelos de IA. Essa conclusão está contida no artigo do Laboratório de Inteligência Artificial de Xangai.
Apesar da capacidade das redes neurais de entender a fala natural, elas ainda precisam de informações adicionais e de solicitações claramente formuladas para fornecer resultados de qualidade. Por exemplo, se pedir ao IA “planejar uma viagem”, ele pode sugerir um cruzeiro de luxo, sem saber sobre o orçamento limitado.
Boas perguntas ajudam a evitar a “entropia” — confusão devido à excessiva incerteza.
Como criar prompts de qualidade
O artigo propõe maneiras de aumentar a eficácia da comunicação com a inteligência artificial. Elas são baseadas no design de prompts (prompt engineering).
Algumas dicas:
Recordamos que, em outubro, um estudo da Universidade da Pensilvânia mostrou que os grandes modelos de linguagem respondem com mais precisão quando são abordados de forma direta.