🚀 הכירו את הטכניקה ששינתה את עולם המודלים השפתיים: "Step-Back Prompting"!
עבודות חדשות עם מודלים שפתיים גדולים חשפו שלעיתים הם נוטים לפתור בעיות מורכבות מבלי להבין לעומק את הגישה הנכונה. "Step-Back Prompting" היא טכניקה יעילה שמובילה לשיפורים משמעותיים.
הרעיון הבסיסי פשוט: במקום לפתור מיד את הבעיה, תחילה יש לבקש מהמודל לזהות את סוג הבעיה ואילו עקרונות רלוונטיים לה.
דוגמה מהחיים:
בעיה בתורת ההסתברות: עמותה מוכרת כרטיסים להגרלה ב-5 דולר כל אחד עם שלושה פרסים: 1000$, 500$ ו-250$. אם נמכרו 500 כרטיסים, מהי הערך הצפוי לכל כרטיס?
• גישה ישירה: המודל נכנס לעומק הבעיה מיד, לעיתים תוך שימוש לא נכון בנוסחאות או החמצת נקודות חשובות.
• גישת Step-back:
– שלב 1: זיהוי הבעיה כבעיה של הסתברות וערך צפוי.
– שלב 2: חישוב ערך צפוי לכל פרס והורדת עלות הכרטיס.
– ערך צפוי כולל: 3.50$ – 5$ = -1.50$.
תוצאות הבדיקות:
• דיוק כללי: מ-72% ל-89% (+17%)
• דיוק בבעיות מורכבות: מ-61% ל-85% (+24%)
היישום של הטכניקה פשוט עם LangChain, באמצעות שני קריאות API:
1. זיהוי סוג הבעיה והעקרונות הרלוונטיים.
2. פתרון הבעיה תוך כדי שמירה על המסגרת הזו בראש.
למידע נוסף ודוגמאות קוד מלאות, ראו את המדריך המפורט ב-Medium.
לעוד טכניקות מעשיות בתחום ה-GenAI, עקבו אחרי ב-LinkedIn.
אילו בעיות נתקלתם בהן שיכולות להרוויח מגישה זו?
