Prompt Techniken
Wir zeigen verschiedene Strategien, Techniken und Herangehensweisen an das Prompting. Durch das Training der Sprachmodelle sind ihnen einige Reflexionstechniken und -strategien bereits bekannt und man kann daher schnell darauf zurückgreifen.
Fortschrittliche Praxisbeispiele für das Prompting:
2. Self-Refine
In-Context Learning (ICL)
One-Shot
Man übergibt eine Frage und Antwort als Beispiel an die LLM und stellt dann eine Frage, die im gleichen Stil und Umfang beantwortet werden soll. Teilweise reicht One-Shot nicht aus, weil die LLM in ihrem gewohnten Stil antwortet. Mit der "Few-Shot" Methode lassen sich dann zuverlässigere Ergebnisse erzielen
Ich möchte dir ein Beispiel geben und dann eine ähnliche Frage stellen:
Beispiel:
Frage: "Was ist Machine Learning?"
Antwort: "Machine Learning ist ein Teilbereich der KI, bei dem Computer durch Erfahrung lernen. Statt fest programmierten Regeln zu folgen, erkennen sie Muster in Daten und verbessern sich selbstständig. Ein klassisches Beispiel ist die Spam-Erkennung in E-Mails, wo das System aus markierten E-Mails lernt, was Spam ist."
Basierend auf diesem Beispiel, beantworte bitte:
"Wie funktioniert KI?"
Few-Shot
Um die LLM von einer bestimmten Arbeitsweise zu überzeugen, übergibt man nun mehrere Fragen und Antworten als Beispiele und wünscht dann eine Beantwortung im gleichen Stil und Umfang auf seine eigentliche Frage. Für einmalige Anfragen ist der Aufwand etwas zu hoch, bei wiederkehrenden Aufgaben, die in einer bestimmten Art und Weise bearbeitet werden sollen, lässt sich so eine Vorlage gut anlegen und wiederverwenden
Ich gebe dir mehrere Beispiele für technische Erklärungen und möchte dann eine ähnliche Frage beantwortet haben:
Beispiel 1:
Frage: "Was ist Cloud Computing?"
Antwort: "Cloud Computing bedeutet, dass Computer-Ressourcen über das Internet bereitgestellt werden. Statt einen eigenen Server zu haben, mietet man Speicher und Rechenleistung bei Anbietern wie AWS. Beispiel: Wenn Sie Fotos auf Google Drive speichern, nutzen Sie Cloud Computing."
Beispiel 2:
Frage: "Was ist Blockchain?"
Antwort: "Blockchain ist wie ein digitales Kassenbuch, das nicht verändert werden kann. Jede neue Transaktion wird in einem 'Block' gespeichert und mit vorherigen Blocks verkettet. Ein praktisches Beispiel ist Bitcoin, wo jede Überweisung permanent und für alle sichtbar gespeichert wird."
Beispiel 3:
Frage: "Was ist Big Data?"
Antwort: "Big Data beschreibt die Verarbeitung großer, komplexer Datenmengen. Diese Daten kommen zu schnell, sind zu groß oder zu unstrukturiert für traditionelle Verarbeitungsmethoden. Ein Beispiel ist Netflix, das Millionen von Nutzerdaten analysiert, um Filmempfehlungen zu geben."
Basierend auf diesen Beispielen, beantworte bitte:
"Wie funktioniert KI?"
Self-Refine (SR)
Die LLM wird aufgefordert, ihre eigenen Argumentationsprozess zu bewerten und anschließend zu verbessern. Das kann gerade bei komplexen Fragen zu besseren Ergebnissen führen und zeigt auch die Zwischenschritte, die bei der Antworterstellung generiert werden. Dies kann zusätzlicher hilfreicher Input sein, bei der Identifizierung der wichtigen Aspekte einer Fragestellung.
Divide and Conquer (DC)
Die Fragestellung bzw. das Problem wird in mehrere Teilprobleme mittels Divide and Conquer zerlegt. In wie viele Teilprobleme das erfolgen soll, kann man beim Prompt selbst angeben. Anschließend werden die Teilfragen einzeln beantwortet und die Ergebnisse zusammengefasst.
Bitte wende die Divide and Conquer Methode auf folgende Frage an:
"Wie digitalisiere ich einen Prozess in der Verwaltung einer Hochshchule?"
Gehe dabei so vor:
1. Teile die Hauptfrage in 3-4 zentrale Teilfragen auf
2. Formuliere diese Teilfragen präzise aus
3. Beantworte dann jede Teilfrage separat
4. Fasse am Ende die wichtigsten Erkenntnisse zusammen
Method Reuse (MR)
Man greift auf eine bekannte Methode zurück und gibt diese als Anleitung, in diesem Fall mit fünf Schritten an.
Ich möchte, dass du die folgende bewährte Erklärungsmethode auf ein neues Thema anwendest
Methode:
1. Start mit einer Alltagsanalogie
2. Schrittweise Erklärung der Grundprinzipien
3. Ein konkretes Beispiel durchspielen
4. Häufige Missverständnisse klären
5. Zukunftsperspektiven aufzeigen
Bitte wende nun diese Methode an um zu erklären:
"Wie funktioniert ein großes Sprachmodell?"
Kontextidentifikation (CI)
Bei dieser Methode wird zusätzlicher Kontext eingebunden und betrachtet. Dies hilft, die Randaspekte der eigenen Fragestellung besser zu verstehen und einen ganzheitlicheren Blick zu bekommen.
Bitte wende die Kontextidentifikation-Methode auf folgende Frage an:
"Wie funktioniert ein großes Sprachmodell?"
Gehe dabei in diesen Schritten vor:
1. Identifiziere relevante Kontextebenen:
- Technischer Kontext (Welches technische Vorwissen wird vorausgesetzt?)
- Anwendungskontext (In welchem Bereich soll KI verstanden werden?)
- Zielgruppenkontext (Für wen soll die Erklärung sein?)
- Zeitlicher Kontext (Aktuelle oder historische Perspektive?)
2. Analysiere fehlende Kontextinformationen:
- Welche wichtigen Kontextinformationen fehlen in der Frage?
- Welche Annahmen müssen wir treffen?
- Welche Kontextfragen sollten geklärt werden?
3. Erstelle die kontextspezifische Version der Frage:
- Formuliere die Frage neu mit allen wichtigen Kontextaspekten
- Spezifiziere die relevanten Parameter
4. Beantworte dann die kontextspezifische Frage
Systematische Analyse (SA)
Bei dieser wird ein übergreifender Lösungsansatz angestrebt
Bitte führe eine systematische Analyse der folgenden Frage durch:
"Wie funktioniert ein großes Sprachmodell?"
Analyseschema:
1. Kernkomponenten identifizieren:
- Hauptbegriffe definieren
- Zentrale Konzepte herausarbeiten
- Beziehungen zwischen den Komponenten aufzeigen
2. Systemgrenzen bestimmen:
- Was gehört zum Thema?
- Was liegt außerhalb?
- Welche Schnittstellen gibt es?
3. Prozessanalyse durchführen:
- Welche Prozesse laufen ab?
- In welcher Reihenfolge?
- Welche Abhängigkeiten bestehen?
4. Einflussfaktoren untersuchen:
- Welche internen Faktoren wirken?
- Welche externen Einflüsse gibt es?
- Wie beeinflussen sie das System?
5. Synthese erstellen:
- Wie wirken alle Teile zusammen?
- Welche Muster sind erkennbar?
- Welche Schlüsse können wir ziehen?
Bitte beantworte die Frage basierend auf dieser systematischen Analyse.