AWS 講座 拆解「提示工程」原理與實用技巧

最近「生成式 AI」技術已加入至智能手機，用家可以透過智能手機向人工智能模組發施號令，進行寫作、回覆郵件、生成圖像等各類指令，但再厲害的人工智能模組其實也要一個出色的領航員，適逢早前 AWS 的「Ready AI」課程就拆解何謂「提示工程」（Prompt Eneigneerng），專家更教路如何寫出實用、準確的「提示」，讓你學習如何更輕易發揮人工智能的最強效力。

AWS 的「Ready AI」課程由淺入深，引領用家一步一步踏上使用人工智能之路。繼第一課講解人工智能的原理，來到第二課，AWS 講者拆解何謂「提示工程」（）。在此之前，大家先要理解現時人工智能已發展出「基礎模型」(Foundation model），即一個基於海量資料集訓練的大型深度學習神經網路。這些「基礎模型」讓用家不用再從頭開發人工智能，普通用家亦能透過如 AWS 的雲端平台輕易接觸到各類「基礎模型」，從而進一步建構或訓練適合自己使用需要的人工智能模組。這些經過深度學習的人工智能模組，會按「詞嵌入」（word embedding）方式排列及理解詞語，進行文本分類、句法結構、跨語言理解等工作，能應對更複雜的指令，作出更複雜的回應，生成文字、圖像甚至短片等內容。

正正因為「基礎模組」有著海量資訊，用家就要學懂用「指令」指示人工智能、「生成式 AI」完成要求，這便是「提示工程」的精粹。就此，AWS 講者歸納出「提示工程」（Prompt Eneigneerng）的幾個重要原則，第一，好的「提示」能提高人工智能的工作效率；第二，「提示工程」能大大減低成本，不像「微調」（Fine-Tuning）一般需重新訓練人工智能模組，無需額外投放人力、物力、財力；第三，「提示工程」能針對特定用戶，訓練「基礎模型」成專門處理如金融、保險、傳媒等不同行業、不同需求的模組。

AWS 講者接著亦提到人工智能「提示」的一些基本原則：用家的「提示」應為準確、清楚的指令，盡量以問句形式，明確要求人工智能模組回應甚麼、如何回應、怎樣回應，甚至乎可以輸入一些背景資料或參考例子給人工智能模組作參考（如「提示」太長亦可考慮分拆做較細的問題）。一旦問題的界定範圍愈清晰、指令愈清楚，人工智能的回答就能愈精準、愈豐富。

其次，講者亦分享了幾個進階的「提示工程」技巧。例如，在用家使用參考資料或例子時，用家應盡量選擇有關聯性的資料，讓人工智能可有資料可依循，亦可考慮採用「思維樹」（Tree of thoughts）思考方式，讓人工智能模組以「樹狀」思維同時考慮多種可行答案，再從中選擇最佳解答。其他還有將資料增至人工智能模組並要求人工智能按所提供資料作答、界定範圍的「擷取增強生成」（Retrieval Augmented Generation, RAG）、自動生成多步驟推理和自動使用工具（Automatic Reasoning and Tool-use, ART），或直接要求人工智能模組取用模組外的資料思考答案的「推理、行動」（ReAct prompting），都是一些使用「提示」時能夠運用的進階技巧。

總結而言，現時的「生成式 AI」能回應各種複雜提問，可說是極其強大，但回應的效率及準確性則在於用家的「提示工程」是否做好。AWS 講者的分享，讓聽眾理解了「提示工程」的基本概念與一些進階技巧，如有興趣進一步理解整個課程，可到 AWS 的網站搜索關鍵字「Ready AI」，為已到來的人工智能熱潮做好準備！

立即了解: https://hktw-resources.awscloud.com/aws-hk-quick-start-series-2024