INOVACE

Konverzační AI jsou příležitost naučit se komunikovat s lidmi

Nevím, jak to vypadá ve vašem koutu LinkedIn (nebo jiné platformy, kterou pravidelně navštěvujete), ale můj feed je plný zvěstí o revoluci, kterou přináší ChatGPT a další konverzační AI. Inovace! Budoucnost! Nový svět! Nezůstane kámen na kameni! Jak to celé bude, nevím. A ani nemám ambici cokoli předpovídat. Na celém tom haló mě zaujala jen jedna konkrétní věc.

Vždy když se objeví nový nástroj, velmi rychle se začne horlivě debatovat o dovednostech, které jeho užívání předpokládá – a nových profesích, které díky poptávce po této dovednosti vzniknou.

Zvlášť ve světě digitálních technologií jsme to viděli*y už mnohokrát – při nástupu vyhledávačů, při boomu sociálních médií, během hodinky slávy hlasových asistentů (pamatujete?)… V případě konverzačních AI je vyhlíženou profesí budoucnosti „prompt engineering“, tedy schopnost formulovat takové vstupy, na základě kterých AI generuje kvalitní výstupy.

Dobrý prompt precizně popisuje naše očekávání od výsledku


Pro pochopení toho, proč přesně by nějaká taková profese měla být potřeba, je dobré nakouknout konverzačním AI pod kapotu. V jejich jádru dnes nejčastěji bývá tzv. velký jazykový model, který popisuje distribuci výskytu různých sekvencí znaků (patterns) v trénovacích datech – kterých bývá obrovské množství. Například při tvorbě GPT-3 modelu bylo použito 570 GB textových dat.

Podstatou těchto AI je tedy statistické modelování pravděpodobnosti. Na základě výskytu patternů v trénovacích datech odhadují, jaké výstupy jsou s největší pravděpodobností adekvátní reakcí na vstupy zadané uživatelem*kou.

Důležité je přitom slovo „pravděpodobnost“. Práce s pravděpodobností spočívá ve snaze předpovědět výsledek nějakého procesu s co největší přesností. K tomu je třeba popsat, jaké faktory ovlivňují výsledek procesu a jak se liší míra vlivu jednotlivých faktorů. Čím více (relevantních) faktorů jsme schopni přesně popsat, tím pravděpodobnější je, že skutečný výsledek daného procesu bude velmi podobný naší předpovědi – neboli našim očekáváním.

Zní to strašně komplikovaně, co? Jinak by za to lidi neplatili! V zásadě to ale znamená jen to, že abychom výstup považovali za kvalitní, musíme si nejprve sami pro sebe kvalitně nadefinovat, jaká očekávání od něho máme. A v tom spočívá prompt engineering.

Největším nepřítelem promptů jsou nejednoznačné formulace


Pojďme se podívat na anatomii promptu, jak ji popisují na portálu Prompt Engineering Guide:

  • Instrukce – specifický úkol nebo instrukce, kterou chceme, aby model vykonal.

  • Kontext – může obsahovat externí informace nebo doplňující kontext, který může model navést k lepším odpovědím.

  • Vstupní data – vstup nebo otázka, ke které/mu chceme najít odpověď.

  • Indikátor výstupu – naznačuje typ nebo formát výstupu.

Jednotlivé prvky vymezují konkrétní typy faktorů, které je třeba popsat a specifikovat. Čím lepší popis, tím lepší výsledek. Největším nepřítelem jsou nejednoznačné formulace – každá nejednoznačnost totiž rozšiřuje počet možných výsledků, čímž se snižuje pravděpodobnost, že bude odhadovaný výsledek podobný tomu skutečnému.

K mání jsou i tipy, jak z promptu dostat maximum. Vybírám pár příkladů z článku ve znalostní bázi organizace OpenAI, která vyvinula ChatGPT:

  • oddělujte instrukce od kontextu,

  • buďte specifičtí, popisní a co nejdetailnější ohledně požadovaného kontextu, výsledku, délky, formátu, stylu atd.,

  • přibližte požadovaný formát výstupu skrze příklady,

  • omezte „upovídané“ a nepřesné popisy,

  • místo abyste řekli*y, co nedělat, řekněte co dělat.

Nevím jak vám, ale mně to všechno zní jako návod, jak dobře zadávat a delegovat práci nejen AI, ale hlavně lidem. A zaráží mě, že jsem zatím neviděl nikoho, kdo by na tuhle paralelu upozornil. Prompt engineering přináší velmi málo nového. Populárním představám navzdory, AI nesimuluje lidské myšlení, ale imituje lidskou komunikaci. A to je sakra velký rozdíl.

Do hlav druhých vidíme stejně špatně jako pod kapotu AI


Spousta lidí v práci každodenně komunikuje s dalšími lidmi. Zadávají úkoly nebo po někom něco chtějí. Už stovky let. Ale jak efektivně předat zadání nebo si říct o pomoc, se stane tématem až v případě, kdy je příjemcem (údajně zázračná) technologie. Smutné. Přitom do hlav druhých vidíme stejně špatně jako pod kapotu AI. Proč by tedy (pracovní) komunikace s lidmi měla být snazší nebo přirozeně úspěšnější?

Vůbec si nejsem jistý, že potřebujeme z prompt engineeringu dělat samostatnou profesi. Naopak, zdatnými inženýry*kami promptů bychom se měli*y stát všichni, kteří spolupracujeme s dalšími lidmi. Nástup konverzačních AI proto vnímám hlavně jako příležitost, jak se naučit lépe komunikovat s lidmi (v práci).

Jaká doporučení ohledně prompt engineeringu používáte při zadávání práce vědomě a jaká nevědomě? A jaká zatím nepoužíváte vůbec?

Nová vydání Bez Balastu přímo do vašeho emailu

Přihlášením k odběru souhlasíte se zpracováním osobních údajů.

Líbí se vám naše práce?
Pojďme najít cestu ke spolu-práci

Marek Mencl
marek@pabeni.cz
+420 774 444 012