Quais são os fundamentos da solicitação?

Um prompt é a entrada ou comando dado a um sistema de IA que o instrui a realizar uma tarefa específica ou gerar uma resposta específica.

Um dos tipos mais simples de solicitações é uma pergunta básica com uma única resposta correta, como:

Prompto: Qual é a maior floresta do mundo?

Saída: A maior floresta do mundo é a Floresta Amazónica.

Um prompt ligeiramente mais complexo pode envolver pedir à IA para:

Prompt: Por favor, crie uma lista das três maiores florestas, em ordem de área de superfície.

Saída:

1. Floresta Amazónica - América do Sul
2. Taiga ou Floresta Boreal - América do Norte, Europa e Ásia
3. A Floresta Tropical do Congo - África Central

Os prompts determinam a qualidade de saídas específicas de sistemas de IA generativa. Criar prompts sólidos que produzam resultados relevantes e utilizáveis é a chave para usar a IA generativa com sucesso. Sistemas de IA generativa dependem do refinamento de técnicas de engenharia de prompts para aprender com dados diversos, minimizar preconceitos reduzir confusão e produzir respostas precisas.

Os engenheiros de prompts elaboram consultas que ajudam os sistemas de IA a compreender a linguagem, a nuance e a intenção por trás de um prompt. Um prompt bem elaborado e completo influencia significativamente a qualidade do conteúdo gerado por IA—seja imagens, código, resumos de dados ou texto.

Prompts eficazes preenchem a lacuna entre consultas brutas e respostas significativas de IA. Os engenheiros de prompts ajustam os prompts para melhorar a qualidade e a relevância dos resultados do modelo, atendendo tanto a necessidades específicas quanto gerais. Este processo reduz a necessidade de revisão manual e edição pós-geração, economizando tempo e esforço na obtenção dos resultados desejados.

Exemplos de engenharia de prompts

Os utilizadores interagem com modelos de IA generativa através de prompts de texto. Os modelos preveem a próxima série de palavras com base no texto anterior. Pense em perguntar “Qual é a primeira coisa que lhe vem à mente quando eu digo <prompt>?” Por exemplo, iniciar com as palavras iniciais de uma citação ou frase bem conhecida permite que o modelo continue o texto com precisão:

Prompt: A relva é

Saída: verde.

Prompts mais complexos funcionam da mesma forma, pois o modelo responde com a sua ideia da resposta mais provável. Técnicas de engenharia de prompts ajudam o sistema de IA a compreender melhor pedidos e instruções, melhorando a qualidade dos resultados do modelo.

Quais são alguns métodos básicos de solicitação?

Prompting sem exemplos

Isto envolve dar ao modelo uma tarefa direta sem fornecer quaisquer exemplos ou contexto. Existem várias maneiras de usar este método:

• Pergunta: Isto pede uma resposta específica e é útil para obter respostas diretas e factuais. Exemplo: Quais são as principais causas das alterações climáticas?
• Instrução: Isto orienta a IA a realizar uma tarefa específica ou fornecer informações num formato específico. É eficaz para gerar respostas estruturadas ou completar tarefas definidas. Exemplo: Liste os cinco impactos mais significativos das alterações climáticas no ambiente e forneça uma breve explicação para cada um.

O sucesso da solicitação zero-shot depende das tarefas específicas para as quais o modelo foi treinado para desempenhar bem, além da complexidade da tarefa dada.

Considere este exemplo: Explique como o desmatamento contribui para as alterações climáticas.

É possível que a resposta gerada tenha cerca de 2.000 palavras—demasiado longa e abrangente para ser útil se apenas precisar de uma única frase. Se for esse o caso, é hora de refinar a abordagem com prompting de uma ou poucas tentativas:

Prompting de uma só vez

Isto fornece um único exemplo para ilustrar o formato ou estilo de resposta desejado, ajudando a guiar o modelo de forma mais eficiente do que a solicitação sem exemplos. Exemplo:

Exemplo dado: Queimar combustíveis fósseis liberta dióxido de carbono, que retém calor na atmosfera, levando ao aquecimento global.

Agora, explique como a agricultura industrial contribui para as alterações climáticas.

Prompting com poucos exemplos

Esta abordagem oferece múltiplos exemplos ao modelo, melhorando a sua compreensão da tarefa e do resultado esperado. É particularmente útil para consultas mais complexas ou para gerar respostas mais subtis. Exemplo:

Exemplos dados:

• A combustão de combustíveis fósseis em veículos libera gases de efeito estufa, aumentando as temperaturas atmosféricas.
• O desmatamento reduz o número de árvores que podem absorver dióxido de carbono, intensificando o aquecimento global.
• A agricultura industrial produz metano a partir do gado, contribuindo para o efeito de estufa.

Agora, descreva como a urbanização afeta as mudanças climáticas.

Técnicas de engenharia de prompts

Técnicas avançadas de solicitação ajudam as ferramentas de IA generativa a lidar com tarefas complexas de forma mais eficaz. Os engenheiros de prompt utilizam as seguintes técnicas para rapidez e eficiência:

• Contextualização: Fornecer informações de fundo dentro do prompt para ajudar o modelo a entender melhor o tópico. Exemplo: Dado que a temperatura global aumentou 1,2 graus Celsius desde os tempos pré-industriais, discuta os impactos potenciais nas calotas polares.
• Atribuição de função: Instruir o modelo a responder como um tipo específico de especialista ou num estilo particular. Exemplo: Como cientista ambiental, explique a relação entre as emissões de gases de efeito estufa e as mudanças climáticas.
• Injeção de prompt: Inserir instruções específicas que influenciam o modelo a produzir saídas desejadas de um ponto de vista específico, mantendo a relevância e a precisão. Exemplo: Explique as causas das alterações climáticas. Além disso, lembre o leitor de reduzir a sua pegada de carbono utilizando fontes de energia renováveis.
• Prompts sequenciais: Dividir consultas complexas em partes menores e mais geríveis para garantir clareza e profundidade. Exemplo: Primeiro, descreva as principais fontes de emissões de metano. Em seguida, explique como essas fontes contribuem para as alterações climáticas.
• Instruções comparativas: Pedir ao modelo para comparar e contrastar diferentes aspetos de um tópico para fornecer uma perspetiva equilibrada na resposta. Exemplo: Compare o impacto da adoção de energias renováveis na redução das pegadas de carbono em países desenvolvidos vs. países em desenvolvimento.
• Cenários hipotéticos: Usando cenários de "e se" para explorar potenciais resultados ou consequências. Exemplo: E se todos os países adotassem políticas de neutralidade carbónica até 2030? Como isso afetaria as tendências de temperatura global?
• Incorporação de feedback: Fornecer feedback sobre respostas anteriores para refinar e melhorar saídas subsequentes do modelo. Exemplo: Anteriormente, mencionou que o desmatamento é um dos principais contribuintes para as mudanças climáticas. Pode agora elaborar sobre práticas específicas de desmatamento que têm o maior impacto?
• Encadeamento de pensamento: Incentivar o sistema de IA a articular o seu processo de raciocínio passo a passo. Exemplo: Explique como as atividades industriais contribuem para as alterações climáticas. Comece com a extração de matérias-primas, depois discuta o processo de fabricação e, finalmente, as emissões dos produtos acabados.
• Autoconsistência: Gerar múltiplas respostas para o mesmo pedido e selecionar a resposta mais consistente. Exemplo: Quais são as principais causas do aquecimento global? Forneça três respostas diferentes e, em seguida, identifique os fatores comuns entre elas.
• Árvore de pensamentos: Explorando diferentes linhas de raciocínio ou soluções para um problema. Exemplo: Considere três estratégias para reduzir as emissões de carbono: energia renovável, captura de carbono e reflorestação. Discuta os prós e contras de cada abordagem.
• Geração aumentada por recuperação: Melhorando respostas com informações recuperadas de bases de dados externas ou documentos. Exemplo: Com base no último relatório do Painel Intergovernamental sobre Mudanças Climáticas, resuma os impactos projetados das mudanças climáticas nos níveis globais do mar.
• Raciocínio automático e uso de ferramentas: Instruir o sistema de IA a usar ferramentas ou conjuntos de dados externos para apoiar suas respostas. Exemplo: Utilize os dados climáticos da Administração Nacional Oceânica e Atmosférica para analisar a tendência das temperaturas globais nos últimos 50 anos e explicar os resultados.
• Solicitação de gráfico: Utilizar dados estruturados na forma de gráficos ou redes para informar respostas. Exemplo: Dado o gráfico das emissões globais de carbono por setor, discuta quais setores precisam de reformas mais urgentes para alcançar os objetivos climáticos.
• Encadeamento de pensamento multimodal: Integrar múltiplos tipos de dados, como texto, imagens e gráficos, num prompt para melhorar o raciocínio do modelo. Exemplo: Analise o gráfico fornecido que mostra os níveis de CO2 ao longo do século passado e explique como essas mudanças se correlacionam com as tendências de temperatura global mostradas na fotografia.

A criação de prompts é uma espécie de arte (dentro de uma disciplina técnica) que é refinada e melhorada ao longo do tempo com experimentação e experiência. Considere estas táticas para obter os melhores resultados:

• Dê instruções específicas. Não deixe espaço para interpretações erradas e limite o leque de possibilidades operacionais.
• Pinte um quadro com palavras. Use comparações relacionáveis.
• Reforce a mensagem. Pode haver ocasiões em que o modelo precise de repetir instruções. Forneça orientação no início e no fim de um prompt.
• Ordene o prompt logicamente. A ordem da informação influencia os resultados. Colocar instruções no início de um prompt, como instruir o modelo a "resumir o seguinte", pode produzir resultados diferentes do que colocar a instrução no final e solicitar ao modelo "resumir o acima". A ordem dos exemplos de entrada também pode afetar os resultados, pois existe um viés de recência nos modelos.
• Forneça uma opção de contingência para o modelo. Se tiver dificuldades em realizar uma tarefa atribuída, sugira uma rota alternativa. Por exemplo, ao formular uma consulta sobre texto, incluir uma declaração como "responder com 'não encontrado' quando não existir resposta" pode impedir que o modelo gere respostas incorretas.

Benefícios da engenharia de prompts

Uma das principais vantagens da engenharia de prompts é a revisão mínima e o esforço necessário após a geração de resultados. Os resultados impulsionados por IA podem variar em qualidade, frequentemente necessitando de revisão e retrabalho por especialistas. No entanto, prompts bem escritos ajudam a garantir que o resultado da IA reflita a intenção original, reduzindo o trabalho extensivo de pós-processamento.

Outros benefícios notáveis da engenharia de prompts incluem:

• Eficiência nas interações de IA a longo prazo, à medida que a IA evolui através do uso contínuo
• Uso inovador de IA que vai além do seu design e propósito original
• Preparação para o futuro à medida que os sistemas de IA aumentam em tamanho e complexidade

Benefícios empresariais da engenharia de prompts

A engenharia de prompts também traz benefícios para as operações diárias de negócios, tais como:

• Melhoria na tomada de decisões graças a insights impulsionados por IA que promovem o crescimento estratégico dos negócios
• Experiências personalizadas para clientes através de respostas adaptadas e interações sem falhas
• Alocação de recursos otimizada que economiza recursos computacionais e reduz custos
• Maior adaptabilidade aos requisitos específicos da indústria, maximizando o valor de uma implementação de IA
• Práticas éticas de IA que abordam o viés e ajudam a garantir a justiça dentro dos sistemas de IA generativa, promovendo a inclusão e resultados mais equitativos nos negócios e na sociedade

Como a engenharia de prompts melhora os sistemas de IA generativa?

A engenharia de prompts eficaz torna os sistemas de IA generativa mais inteligentes ao combinar conhecimento técnico com uma compreensão profunda da linguagem natural, vocabulário e contexto para produzir resultados utilizáveis que requerem revisões mínimas.

Os modelos de base que alimentam a IA generativa são modelos de linguagem grande (LLMs) construídos em arquiteturas de transformadores, modelos de aprendizagem profunda que processam dados de entrada de uma só vez em vez de em sequência. Isso torna-os especialmente úteis para tarefas como tradução de idiomas e geração de texto. Os LLMs contêm toda a informação que o sistema de IA necessita.

Modelos de IA generativa usam arquiteturas de transformadores para entender as complexidades da linguagem e processar grandes quantidades de dados através de redes neurais. AI a engenharia de prompts molda a saída do modelo, garantindo que o sistema de IA responda de forma significativa e coerente.

Existem várias táticas que os modelos utilizam para gerar respostas eficazes:

• Tokenização: Dividir o texto em partes menores para uma análise mais fácil, ajudando as máquinas a entenderem melhor a linguagem humana
• Ajuste de parâmetros do modelo: Manter os parâmetros de um modelo pré-treinado iguais para reduzir a carga de computação
• Amostragem Top-k: Restringir a escolha da próxima palavra do output apenas às opções mais prováveis com base na probabilidade prevista, ajudando a manter o contexto e a coerência da resposta

Os modelos de IA generativa podem produzir respostas complexas graças ao processamento de linguagem natural (NLP). PNL é um campo da IA focado na interação entre computadores e humanos através da linguagem natural que permite às máquinas compreender, interpretar e gerar linguagem humana.

Preparações de ciência de dados, arquiteturas de transformadores e algoritmos de aprendizagem automática permitem que estes modelos compreendam a linguagem e usem conjuntos de dados massivos para criar texto ou imagens. Os modelos de texto para imagem utilizam um LLM juntamente com difusão estável, que cria imagens a partir de descrições de texto.

Casos de uso de engenharia de prompts

A maior acessibilidade da IA generativa permite que as empresas explorem a resolução de problemas do mundo real através da engenharia de prompts:

Saúde

Os engenheiros de prompt desempenham um papel crucial na instrução dos sistemas de IA para resumir dados médicos e desenvolver planos de tratamento. Prompts eficazes permitem que os modelos de IA processem dados de pacientes com precisão, levando a recomendações clínicas perspicazes e precisas.

Marketing

A engenharia de prompts ajuda a acelerar a criação de conteúdo, reduzindo custos e tempo de produção. Também ajuda na geração de ideias, personalização e elaboração de todos os tipos de entregáveis.

Codificação de software

Copilotos baseiam-se na força da engenharia de prompts para escrever código com maior rapidez, fornecendo sugestões precisas para linhas de código subsequentes, agilizando a dinâmica do desenvolvimento de software.

Cibersegurança

Cientistas de dados e especialistas de campo usam IA para imitar ciberataques e criar planos de defesa mais fortes. Criar prompts para modelos de IA pode ajudar a encontrar fraquezas no software.

Engenharia de software

Os engenheiros de prompts podem gerar eficientemente trechos de código e simplificar outras tarefas complicadas com sistemas de IA generativa que são treinados em múltiplas linguagens de programação. Com prompts específicos, os programadores automatizam a codificação e a depuração de erros, projetam integrações de API para diminuir tarefas manuais e criam fluxos de trabalho baseados em API para controlar pipelines de dados e alocar melhor os recursos.

Chatbots

Os desenvolvedores de chatbots criam prompts eficazes para garantir que os sistemas de IA compreendam as consultas dos usuários e forneçam respostas significativas e contextualmente relevantes em tempo real.

Que competências precisa um engenheiro de prompts?

Engenheiros de prompt estão atualmente em demanda em grandes empresas de tecnologia para:

• Criar novo conteúdo
• Abordar consultas complexas
• Certifique-se de que os prompts capturam informações relevantes
• Ajuste os prompts para aumentar a precisão
• Melhorar as tarefas de tradução automática e processamento de linguagem natural
• Avalie a qualidade do resultado gerado e refine os prompts de acordo

As competências que os engenheiros de prompts precisam para ter sucesso incluem:

• Compreensão de como funcionam os LLMs
• Comunicação forte para explicar eficazmente conceitos técnicos
• Proficiência em programação, especialmente Python
• Sólido entendimento de estruturas de dados e algoritmos

Uma competência central é o domínio da língua inglesa, a principal língua para o treino de modelos de IA generativa. Os engenheiros de prompts mergulham profundamente no vocabulário, nuances, formulação, contexto e linguística para criar prompts que orientam com precisão as respostas da IA. Quer estejam a instruir o modelo para gerar código, compreender a história da arte para criação de imagens, ou adaptar-se a vários estilos narrativos para tarefas de linguagem, os engenheiros de prompts ajustam meticulosamente os seus prompts para alcançar os resultados desejados.

Perguntas frequentes

O que são redes neurais?

Redes neurais são modelos computacionais com nós agrupados como os neurónios num cérebro biológico. Eles permitem um processamento de sinal rápido e paralelo que melhora o reconhecimento de padrões e o aprendizado profundo.

O que é conteúdo principal?

O conteúdo principal forma a base para quaisquer interações, comunicações ou ações que o modelo de IA generativa empreenda ou proponha. Os engenheiros de prompt fornecem estes dados brutos, e o modelo recolhe, analisa e processa-os para várias aplicações.