Shadowing Practice: Prompt engineering - Introduction - Learn English Speaking with Video
בחר מצב תרגול
כל מצב פותח חדר תרגול במסך מלא.
68 משפטים
אם המשפטים קצרים או ארוכים מדי, לחץ על ערוך כדי להתאים אותם.
1
Welcome to this course on ChatGPT problem engineering for developers.
2
I'm thrilled to have with me Iza Fulford to teach this along with me.
3
She is a member of the technical staff of OpenAI and had built the popular ChatGPT retrieval plugin.
4
And a large part of work has been teaching people how to use OEM or large language model technology in products.
5
She's also contributed to the OpenAI cookbook that teaches people prompting.
6
So thrilled to have you with you.
7
And I'm thrilled to be here and share some prompting best practices with you all.
8
I'm not sure.
9
So there's been a lot of material on the internet for prompting,
10
with articles like "30 Prompts Everyone Has to Know" A lot of that has been focused on the ChatGPT web user interface,
11
which many people are using to do specific and often one -off tasks.
12
I think the power of LOM's large language models as a developer too, that is using API calls to LOMs to quickly build software applications.
13
I think that is still very underappreciated.
14
In fact, my team at AI Fund, which is a sister company to deep learning AI,
15
has been working with many startups on applying these technologies to many different applications.
16
It's been exciting to see what LOM APIs can enable developers to very quickly build.
17
So in this course, we'll share with you some of the possibilities for what you can do, as well as best practices for how you can do them.
18
There's a lot of material to cover.
19
First, you'll learn certain prompting best practices for software development.
20
Then we'll cover some common use cases, summarising, inferring, transforming, expanding.
21
And then you'll build a chatbot using an LLM.
22
Thank you.
23
We hope that this will spark your imagination about new applications that you can build.
24
So in the development of large language models or LLMs, there have been broadly two types of LLMs,
25
which I'm going to refer to as base LLMs and instruction -tuned LLMs.
26
So base LLM has been trained to predict the next word, based on text training data, often trained on large amount of data from the internet and other sources,
27
to figure out what's the next most likely word to follow.
28
So for example, if you were to prompt this, once upon a time there was a unicorn, it may complete this, that is, it may predict the next several words are,
29
that live in the magical forest of all unicorn friends.
30
But if you were to prompt us with what is the capital of France, then based on what articles on the internet might have,
31
it's quite possible that the base LM will complete this with, what is France's largest city, what is France's population and so on.
32
Because articles on the internet could quite plausibly be lists of quiz questions about the country of France.
33
Thank you.
34
In contrast, an instruction tuned LLM, which is where a lot of momentum of LLM research and practice has been going,
35
An instruction team has been trained to follow instructions.
36
So if you were to ask it, what is the capital of France is much more likely to output something like the capital of France is Paris
37
So the way that instruction -tuned OOMs are typically trained is, you start off with a base OOM that's been trained on a huge amount of text data,
38
and further train it, further fine tune it with inputs and outputs that are instructions and good attempts to follow those instructions.
39
And then often further refine using a technique called RLHF, reinforcement learning from human feedback,
40
to make the system better able to be helpful and follow instructions.
41
Because instruction TNLMs have been trained to be helpful, honest, and harmless.
42
So for example, they're less likely to output problematic texts, such as toxic outputs compared to base LLM.
43
a lot of the practical usage scenarios have been shifting toward instruction to,
44
you know, Some of the best practices you find on the internet may be more suited for a base LLM, but for most practical applications today,
45
we would recommend most people instead focus on instruction tuned LLMs, which are easier to use.
46
And also because of the work of OpenAI and other LLM companies becoming safer and more aligned.
47
So this course will focus on best practices for instruction to neural arms
48
which is what we recommend you use for most of your applications.
49
Before moving on, I just want to acknowledge the team from OpenAI
50
and DeepLearn .AI that had contributed to the materials that Ysia and I will be presenting.
51
I'm very grateful to Andrew Main, Joe Palermo, Boris Power, Ted Sanders, and Lillian Wang from OpenAI.
52
They were very involved with us brainstorming materials, vetting the materials to put together.
53
the curriculum for this short course.
54
And I'm also grateful on the deep learning side for the work of Jeff Lodwick, Eddie Hsu and Tommy Nelson.
55
So when you use an instruction tuned LLM, think of giving instructions to another person.
56
Say someone that's smart but doesn't know the specifics of your task.
57
So when an LM doesn't work, sometimes it's because the instructions weren't clear enough.
58
For example, if you were to say, "Please write me something about Alan Turing." Well, In addition to that, it can be helpful to be clear about whether you want
59
the text to focus on his scientific work or his personal life or his role in history or something else.
60
And if you specify what you want the tone of the text to be, should it take on the tone like a professional journalist would write?
61
Or is it more of a casual note
62
that you dash off to a friend that holds the OM generate what you want.
63
And of course, if you picture yourself asking, say a fresh college graduate to carry out this task for you,
64
if you can even specify what you want snippets of texts
65
they should read in advance to write this text about Alan Turing, then that even better sets up that fresh college grad for success to carry out this task for you.
66
So in the next video, you see examples of how to be clear and specific, which is an important principle of prompting LOMs.
67
And you also learn from Ezer a second principle of prompting, that is giving LDLM time to think.
68
So with that, let's go on to the next video.
הורד אפליקציה
כל מה שאתה צריך כדי לדבר בשטף
הגיית AIציון לכל משפט
תרגול IPAשלוט בכל צליל
אוצר מיליםבנה את מאגר המילים שלך
משחק אוצר מיליםלמד תוך כדי משחק
אותו ערוץ
FOR YOU
המלץ על סרטון
C13
20 משפטים
Is prompt engineering dead? Advice on optimizing AI interactions | Amazon Web Services
Business EnglishUniversity StudentsWorking Adults
C15
270 משפטים
Transformers, the tech behind LLMs | Deep Learning Chapter 5
American AccentBusiness EnglishUniversity StudentsWorking Adults
C11
309 משפטים
Claude Code: The Advanced Guide (99% of Devs Skip These Features)
Business EnglishUniversity StudentsWorking Adults
C131
201 משפטים
Improve Your English Listening & Speaking Fast | English Shadowing Practice B2 C1
Business EnglishDaily ConversationUniversity Students
C12
339 משפטים
Easy Migration from Postgres to Databricks Lakebase
Business EnglishUniversity StudentsWorking Adults
C13
51 משפטים
Business Partner C1. Unit 1. Video 1.1.1.
Business EnglishUniversity StudentsWorking Adults
C13
43 משפטים
P1 机器学习的应用【2024公认最好的 | 吴恩达机器学习 | 教程 | Machine Learning Specialization(超爽中英!)】
Business EnglishUniversity StudentsWorking Adults
C12
145 משפטים
Most devs don't understand how LLM tokens work
British AccentBusiness EnglishUniversity StudentsWorking Adults
C14
206 משפטים
New Skills! v1.1 brings /wayfinder, /research, /implement, /to-spec, /to-tickets
British AccentBusiness EnglishUniversity StudentsWorking Adults
C16
10 משפטים
What's new in Google Cloud in less than 1 minute
Business EnglishUniversity StudentsWorking Adults
C112
25 משפטים
Introducing the Agents API
Business EnglishUniversity StudentsWorking Adults
C12
241 משפטים
AI Concepts Every Product Manager Should Know in 25 Minutes | Crash Course
Business EnglishUniversity StudentsWorking Adults
אוצר מילים והערות הגייה לשיעור הזה
שיעור הדיבור הזה ברמה C1 מבוסס על הסרטון “Prompt engineering - Introduction”. המילים שחוזרות הכי הרבה: instruction, Llm, text, prompting, trained. בסרטון הזה יש 68 משפטים ו-1082 מילים לתרגול Shadowing. הדיבור נמשך 6:22. הדובר מדבר בקצב טבעי של כ-170 מילים בדקה, קרוב לשיחה יומיומית. רק 81% מהמילים נמצאות בין 3,000 המילים הנפוצות ביותר באנגלית, כך שאוצר המילים מאתגר.
אוצר מילים מרכזי בסרטון הזה
11 המילים המתקדמות ביותר בסרטון, עם ההגייה והמשמעות שלהן:
| מילה | הגייה | משמעות |
|---|---|---|
| unicorn שם עצם | /ˈju.nɪ.kɔɹn/ | חַד־קֶרֶן |
| brainstorming שם עצם | סִעוּר מֹחוֹת | |
| cookbook שם עצם | /ˈkʊkˌbʊk/ | ספר בישול |
| excite פועל | /ɪkˈsaɪt/ | הלהיב, עורר |
| quiz שם עצם | /kwɪz/ | חִידוֹן |
| startup שם עצם | /ˈstɑɹtˌʌp/ | סטארטאפ, חברת סטארטאפ |
| problematic שם תואר | /ˌpɹɑ.bləˈmæt.ɪk/ | בעייתי |
| spark שם עצם | /ˈspɑɹk/ | נִיצוֹץ, גֵּץ |
| dash שם עצם | /ˈdæʃ/ | קו מפריד |
| transform פועל | /tɹænsˈfɔɹm/ | לשנות |
| momentum שם עצם | /ˌmə(ʊ)ˈmɛntəm/ | תֶּנַע |
Phrasal verbs שתשמעו
| מילה | משמעות |
|---|---|
| figure out פועל | הֵבִין, מצא תשובה |
דקדוק בסרטון הזה
המבנים שהדובר משתמש בהם הכי הרבה, עם המילים המדויקות מהסרטון:
| מבנה | בסרטון |
|---|---|
| הווה מושלם ממושך (Present perfect continuous) have/has been + -ing — פעולה שהתחילה בעבר ועדיין נמשכת עכשיו | has been teaching · has been working · has been going |
| הווה מושלם (Present perfect) have/has + past participle — פעולה שקרתה בעבר ועדיין יש לה חשיבות או השפעה עכשיו | there's been · has been · have been |
| סביל (Passive voice) be + past participle — הדגש הוא על מה שקורה, לא על מי שעושה את הפעולה | has been trained · are typically trained · have been trained |
| משפטי זיקה (Relative clauses) who / which + clause — מידע נוסף על אדם או דבר | Fund, which is · LLM, which is · LLMs, which are |
הגייה ששווה לשים לב אליה
הדובר משתמש ב-14 קיצורים וצורות מקוצרות, כמו I'm, doesn't, we'll. אמרו אותם בצורה הקצרה, כפי שאתם שומעים אותם.
- מילים ארוכות — שימו לב להטעמה: reinforcement /ˌɹiːɪnˈfɔːsmənt/, problematic /ˌpɹɑ.bləˈmæt.ɪk/, momentum /ˌmə(ʊ)ˈmɛntəm/
צלילים שדוברי עברית מתקשים בהם:
- /æ/ — פתוח יותר מה-“אֶ” העברית, לא כמו “a” ב-“cup”: chatbot /ˈtʃætbɑt/, problematic /ˌpɹɑ.bləˈmæt.ɪk/, dash /ˈdæʃ/, transform /tɹænsˈfɔɹm/
- /r/ — הלשון לא נוגעת בשום מקום, לא ה-“ר” הגרונית: prompt /pɹɑmpt/, thrill /θɹɪl/, unicorn /ˈju.nɪ.kɔɹn/, predict /pɹɪˈdɪkt/, refine /ɹɪˈfaɪn/
איך לתרגל עם הסרטון הזה
- הקשיבו לכל הסרטון פעם אחת בלי לדבר, ורשמו את המילים שאתם לא מכירים.
- התחילו במהירות 0.75×, תרגלו Shadowing משפט אחר משפט, וחזרו למהירות רגילה כשזה מרגיש קל.
- הקליטו את עצמכם והשוו למקור, תוך תשומת לב למילים כמו unicorn, brainstorming, cookbook.
מהי טכניקת השאדואינג?
שאדואינג היא טכניקת למידת שפה מבוססת מדע שפותחה במקור להכשרת מתורגמנים מקצועיים ופופולרית על ידי הפוליגלוט ד"ר אלכסנדר ארגואלס. השיטה פשוטה אך עוצמתית: אתה מקשיב לאודיו באנגלית ילידית וחוזר עליו בקול רם מיד — כמו צל העוקב אחרי הדובר עם עיכוב של 1–2 שניות בלבד. בניגוד להאזנה פסיבית או תרגילי דקדוק, שאדואינג מכריח את המוח והשרירים בפה לעבד ולשחזר דפוסי דיבור אמיתיים בו זמנית. מחקרים מראים שזה משפר משמעותית את דיוק ההגייה, האינטונציה, הקצב, הדיבור המחובר, הבנת השמיעה ושטף הדיבור — מה שהופך אותו לאחת השיטות היעילות ביותר להכנה לIELTS Speaking ולתקשורת באנגלית בעולם האמיתי.