من یک کتابخانه از «پیشنهادات فکری» برای کلود ایجاد کردم. اینها مواردی هستند که من بیشتر استفاده می کنم

جدیدترین مدلهای هوش مصنوعی سریعتر، هوشمندانهتر و در استدلال بهتر از همیشه هستند. هر ربات چت را برای استفاده انتخاب کنید، وقتی از آن سوالی بپرسید، فوراً پاسخ دریافت خواهید کرد. از او بخواهید یک ایمیل پیش نویس کند، ایده ها را تجزیه و تحلیل کند یا مشکلات پیچیده را حل کند. در عرض چند ثانیه همه چیزهایی را که نیاز دارید دریافت خواهید کرد.
اما یک مشکل وجود دارد: کیفیت پاسخ اغلب به نحوه قالب بندی مشکل بستگی دارد. من نمی توانم به شما بگویم که چند بار از یک چت بات سوال پرسیده ام بدون اینکه دستور را به درستی قاب بندی کنم، فقط یک پاسخ آزاردهنده و کلی دریافت کردم.
اما ارجاعاتی که بیشتر به آنها اعتماد دارم، کار متفاوتی انجام می دهند. آنها به هوش مصنوعی می گویند که چگونه فکر کند. من اینها را «تغیرات تفکر» می نامم: کتابخانه کوچکی از تکنیک های کادربندی که نه تنها خروجی مدل بلکه فرآیند استدلال آن را نیز تغییر می دهد. به جای پرسیدن سوال بهتر، مدل ذهنی بهتری را به هوش مصنوعی ارائه میدهید.
اینها انگیزه های فکری هستند که من بیشتر به آنها دسترسی دارم. آنهایی که به طور مداوم نتایج بهتری تولید می کنند.
1. دستور “اصول اول”.
سریع: “این مشکل را با استفاده از تفکر اصول اولیه توضیح دهید. مسئله را به اساسی ترین حقایق تقسیم کنید و توضیح را از ابتدا بازسازی کنید.”
ادامه مقاله در زیر
تفکر اصل اول کلود را به کنار گذاشتن مفروضات، کلیشه ها و خرد متعارف سوق می دهد. به جای تکرار رایج ترین توضیح، باید مسئله را به اجزای اساسی آن تقسیم کرد و پاسخ را از ابتدا بازسازی کرد. این اغلب منجر به پاسخ های واضح تر، منطقی تر و اصلی تر می شود.
این امر به ویژه زمانی مفید است که موضوعی بیش از حد پیچیده، پر از اصطلاحات تخصصی یا بر اساس «روشی که کارها معمولاً انجام میشوند» در نظر گرفته شود. با وادار کردن مدل به بازگشت به اصول اولیه، به توضیحی دست می یابید که قابل اعتماد و درک آسان تر است.
2. ادعای «سوء»
سریع: “فرض رایج پشت این ایده را به چالش بکشید. شکاکان یا منتقدان چه می توانند بگویند؟”
مدلهای هوش مصنوعی بر روی مجموعه دادههای بزرگی آموزش داده میشوند که اغلب تفکر جریان اصلی را منعکس میکنند. در نتیجه، پاسخهای پیشفرض آنها تمایل به تقویت مفروضات رایج یا دیدگاههای رایج دارند.
این اعلان با درخواست از مدل برای خارج شدن از تفکر اجماع و به طور فعال به دنبال نقاط ضعف در یک ایده، این الگو را قطع می کند. با بررسی آنچه ممکن است منتقدان، شکاکان یا مخالفان بگویند، پاسخ متعادل تر و از نظر فکری دقیق تر می شود. من هنگام شکل دادن به ایده هایم یا در بحث هایی که نقاط کور را می توان پنهان کرد، از این بسیار استفاده می کنم.
3. اعلان “پنل متخصص”.
سریع: گروهی از کارشناسان را در نظر بگیرید که در مورد این مشکل بحث می کنند. کارشناسان مختلف در مورد چه چیزی اختلاف نظر دارند؟
ممکن است متوجه شده باشید که هوش مصنوعی مطمئن به نظر می رسد و یک ایده را در یک چشم انداز ساده تبدیل می کند. من این را مفید نمی دانم. بنابراین من این درخواست را ایجاد کردم تا مدل را تشویق کنم تا مکالمه بین انواع مختلف متخصصان را شبیه سازی کند، که هر کدام اولویت ها، مفروضات و زمینه های تخصصی خود را دارند.
پاسخ زمانی لایهلایهتر میشود که دیدگاههای متعددی مانند یک فنآور، اقتصاددان، روانشناس یا استراتژیست ارائه شود. بهجای ارائه یک راهحل «درست»، هوش مصنوعی نقاطی را که کارشناسان ممکن است با هم موافق نباشند، جاهایی که مبادلات وجود دارد و کدام عوامل مهمتر هستند را برجسته میکند. شما می توانید این را بر اساس نوع خاصی از متخصص مورد نیاز خود تنظیم کنید.
4. اعلان “ساده سازی”.
سریع: “این ایده را تا حد امکان واضح برای مبتدیان توضیح دهید. از اصطلاحات خاص خودداری کنید و از مثال های ساده استفاده کنید.”
یکی از راه های مورد علاقه من برای استفاده از هوش مصنوعی ساده کردن کارها است. اما برای انجام این کار باید آنها را راهنمایی کنید. مدلهای زبان بزرگ اغلب شامل توضیحات پیچیده پر از اصطلاحات تخصصی، اصطلاحات فنی یا جزئیات غیر ضروری هستند. این می تواند باعث شود که پاسخ ها به نظر برسد که از طرف یک متخصص ارائه شده اند، اما درک آنها بسیار سخت تر است.
این امر هوش مصنوعی را وادار می کند تا مفهوم را ساده کرده و روی ایده اصلی تمرکز کند. این مدل باید با حذف زبان یا اصطلاحات و استفاده از مثالهای مرتبط، پیچیدگی را به چیزی بصری و آسان برای فهم تبدیل کند. مزیت دیگر استفاده از این اعلان این است که وقتی هوش مصنوعی مجبور می شود چیزی را به وضوح برای مبتدیان توضیح دهد، اغلب پاسخ هایی را تولید می کند که نه تنها درک آن آسان تر است، بلکه ساختار منطقی تر و برای یادگیری مفیدتر است.
5. اعلان “ایده را توسعه دهید”.
سریع: “این ایده را نقد کنید و راه هایی را برای بهبود آن پیشنهاد کنید.”
حتی با وجود اینکه کلود نسبت به سایر شخصیترباتها کمتر مورد پسند مردم قرار میگیرد، اما همچنان قابل قبول خواهد بود. وقتی ایده ای را ارائه می کنید، مدل می تواند به تقویت آن کمک کند تا ارزیابی انتقادی آن. این دستور هوش مصنوعی را با درخواست از آن برای شناسایی نقاط ضعف، نقاط کور و فرصتهای بهبود، به نقشی تحلیلیتر تبدیل میکند.
مدل به جای اعتبار سنجی ساده مفهوم، بیشتر شبیه یک منتقد یا ویرایشگر سازنده عمل می کند. این ایده را از زوایای بسیاری بررسی می کند، ایرادات بالقوه را برجسته می کند و راه های عملی برای تقویت آن پیشنهاد می کند.
6. اعلان “تفکر ساختاریافته”.
سریع: “این مشکل را مرحله به مرحله تجزیه و تحلیل کنید و استدلال خود را توضیح دهید.”
اگر از یک ربات چت خسته شده اید که مستقیماً به سمت پاسخ می پرد بدون اینکه سرعتش را کم کند و توضیح دهد که چگونه به آنجا رسیده است، این درخواست برای شما مناسب است. این روند را کند می کند و مدل را تشویق می کند تا به روشی برنامه ریزی شده و ساختارمندتر روی مشکل کار کند.
با درخواست تجزیه و تحلیل گام به گام، هوش مصنوعی را مجبور میکنید تا موضوع را به قطعات کوچکتر تقسیم کند، منطق آن را شفافتر کند و پاسخ را به ترتیبی سادهتر بسازد. این اغلب منجر به پاسخهایی میشود که احساس میکنند سازمانیافتهتر، متفکرانهتر و قابل اعتمادتر هستند. من از این برای حل مسئله در هر موقعیتی که نیاز به درک دلیل و منطق پشت پاسخ داشته باشم استفاده می کنم. این یک راه واقعا سازنده برای یادگیری است.
7. اعلان “تست دنیای واقعی”.
سریع: اگر این ایده در دنیای واقعی اجرا شود، چه چالشها یا مصالحههایی پیش میآید؟
هوش مصنوعی اغلب پاسخ هایی تولید می کند که قانع کننده به نظر می رسند اما در سطح تئوری باقی می مانند. این میل مدل را مجبور میکند از ایدههای انتزاعی به سمت کاوش واقعی پیامدهای دنیای واقعی حرکت کند.
هوش مصنوعی باید محدودیتهای عملی مانند هزینه، مشوقها، عوارض جانبی نامطلوب و معاوضهها را با پرسیدن اینکه در صورت اجرا شدن این ایده واقعاً چه اتفاقی میافتد را در نظر بگیرد. این تغییر اغلب بینشهای اساسیتری ایجاد میکند و موضوعاتی را آشکار میکند که ممکن است در یک توضیح صرفاً نظری مطرح نشوند. زمانی که «ایدهای عالی» دارم که باید از زوایایی که در نظر نگرفتهام در نظر گرفته شود، از این دستور زیاد استفاده میکنم.
در نتیجه
مدلهای زبان بزرگ نه تنها به سؤالات پاسخ میدهند، بلکه به نحوه قالببندی سؤال نیز پاسخ میدهند. این حتی برای بهترین مدل های استدلال نیز صادق است. بنابراین، وقتی فرآیند استدلال را از قبل هدایت میکنید، مدل ساختار واضحتری برای دنبال کردن دارد. به جای تولید یک پاسخ سریع بر اساس الگوهای موجود در داده های آموزشی، به طور عمدی روی مشکل کار می کند.
نتیجه اغلب پاسخ های واضح تر، خلاقانه تر و کمتر عمومی است. این دستورات را امتحان کنید و نظر خود را در نظرات به من بگویید.
دنبال کردن راهنمای تام برای Google News و ما را به عنوان منبع ترجیحی اضافه کنید برای مشاهده آخرین اخبار، تحلیل ها و بررسی های ما در فیدهای خود.



