Практика Shadowing: Prompt engineering - Introduction - Изучайте разговорный английский по видео

Выберите режим практики

Каждый режим открывает полноэкранную комнату практики.

68 предложений

Если предложения слишком короткие или длинные, нажмите Edit, чтобы их изменить.

Welcome to this course on ChatGPT problem engineering for developers.

I'm thrilled to have with me Iza Fulford to teach this along with me.

She is a member of the technical staff of OpenAI and had built the popular ChatGPT retrieval plugin.

And a large part of work has been teaching people how to use OEM or large language model technology in products.

She's also contributed to the OpenAI cookbook that teaches people prompting.

So thrilled to have you with you.

And I'm thrilled to be here and share some prompting best practices with you all.

I'm not sure.

So there's been a lot of material on the internet for prompting,

with articles like "30 Prompts Everyone Has to Know" A lot of that has been focused on the ChatGPT web user interface,

which many people are using to do specific and often one -off tasks.

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.

I think that is still very underappreciated.

In fact, my team at AI Fund, which is a sister company to deep learning AI,

has been working with many startups on applying these technologies to many different applications.

It's been exciting to see what LOM APIs can enable developers to very quickly build.

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.

There's a lot of material to cover.

First, you'll learn certain prompting best practices for software development.

Then we'll cover some common use cases, summarising, inferring, transforming, expanding.

And then you'll build a chatbot using an LLM.

Thank you.

We hope that this will spark your imagination about new applications that you can build.

So in the development of large language models or LLMs, there have been broadly two types of LLMs,

which I'm going to refer to as base LLMs and instruction -tuned LLMs.

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,

to figure out what's the next most likely word to follow.

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,

that live in the magical forest of all unicorn friends.

But if you were to prompt us with what is the capital of France, then based on what articles on the internet might have,

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.

Because articles on the internet could quite plausibly be lists of quiz questions about the country of France.

Thank you.

In contrast, an instruction tuned LLM, which is where a lot of momentum of LLM research and practice has been going,

An instruction team has been trained to follow instructions.

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

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,

and further train it, further fine tune it with inputs and outputs that are instructions and good attempts to follow those instructions.

And then often further refine using a technique called RLHF, reinforcement learning from human feedback,

to make the system better able to be helpful and follow instructions.

Because instruction TNLMs have been trained to be helpful, honest, and harmless.

So for example, they're less likely to output problematic texts, such as toxic outputs compared to base LLM.

a lot of the practical usage scenarios have been shifting toward instruction to,

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,

we would recommend most people instead focus on instruction tuned LLMs, which are easier to use.

And also because of the work of OpenAI and other LLM companies becoming safer and more aligned.

So this course will focus on best practices for instruction to neural arms

which is what we recommend you use for most of your applications.

Before moving on, I just want to acknowledge the team from OpenAI

and DeepLearn .AI that had contributed to the materials that Ysia and I will be presenting.

I'm very grateful to Andrew Main, Joe Palermo, Boris Power, Ted Sanders, and Lillian Wang from OpenAI.

They were very involved with us brainstorming materials, vetting the materials to put together.

the curriculum for this short course.

And I'm also grateful on the deep learning side for the work of Jeff Lodwick, Eddie Hsu and Tommy Nelson.

So when you use an instruction tuned LLM, think of giving instructions to another person.

Say someone that's smart but doesn't know the specifics of your task.

So when an LM doesn't work, sometimes it's because the instructions weren't clear enough.

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

the text to focus on his scientific work or his personal life or his role in history or something else.

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?

Or is it more of a casual note

that you dash off to a friend that holds the OM generate what you want.

And of course, if you picture yourself asking, say a fresh college graduate to carry out this task for you,

if you can even specify what you want snippets of texts

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.

So in the next video, you see examples of how to be clear and specific, which is an important principle of prompting LOMs.

And you also learn from Ezer a second principle of prompting, that is giving LDLM time to think.

So with that, let's go on to the next video.

Скачать приложение

Всё для свободной речи

ИИ-оценка произношенияОценка каждой фразы

Практика IPAОсвойте каждый звук

СловарьСоберите свой словарный запас

Игра со словамиУчитесь играя

Сканировать QR

Download on theApp Store Get it onGoogle Play

Тот же канал

Prompt Engineering - Guidelines

Daily ConversationUniversity StudentsWorking Adults

FOR YOU

Об этом уроке

На этом уроке вы познакомитесь с основами промпт-инжиниринга, изучите, как использовать технологии больших языковых моделей (LLM) для разработки программного обеспечения. Вы узнаете о лучших практиках создания промптов, особенностях инструкционно-настроенных LLM и их применении в различных сценариях. Цель этого урока — вдохновить вас на создание новых приложений с использованием LLM, а также научить вас, как улучшить произношение английского и практиковать разговорный английский с помощью этих технологий.

Ключевая лексика и фразы

промпт-инжиниринг - процесс разработки эффективных запросов для LLM.
образец LLM - модель, обученная для предсказания следующего слова на основе текста.
инструкционно-настроенные LLM - модели, обученные следовать инструкциям и давать точные ответы.
RLHF - обучение с подкреплением на основе обратной связи от человека.
проблемные тексты - тексты, содержащие токсичные или неуместные сообщения.
лучшие практики - рекомендации и стратегии для эффективного использования LLM.
разработка программного обеспечения - процесс создания программных приложений с использованием LLM.
применение технологий - использование языковых моделей в различных сферах.

Советы по практике

Для улучшения вашего произношения английского и практики разговорного английского, попробуйте следующее:

Shadowing: прослушивайте видео и пытайтесь повторять фразы сразу после спикера. Этот метод помогает закрепить правильное произношение и интонацию.
Обратите внимание на темп и тон речи: спикеры в видео говорят достаточно быстро, поэтому старайтесь поддерживать их ритм. Используйте метод shadowspeak, чтобы достичь больших результатов.
Записывайте свое произношение и сравнивайте его с оригиналом. Это поможет вам заметить области, требующие улучшения.
Уделяйте внимание ключевой лексике: изучайте и повторяйте термины из данного урока, это улучшит понимание и уверенность в использовании новых слов.
Регулярно практикуйтесь: чем больше вы будете говорить, тем уверенными станете в разговорном английском.

Грамматика в этом видео

Конструкции, которые говорящий использует чаще всего, с точными словами из видео:

Конструкция	В видео
Present Perfect Continuous have/has been + -ing — действие началось раньше и продолжается	has been teaching · has been working · has been going
Present Perfect have/has + причастие прошедшего времени — прошлое действие, важное сейчас	there's been · has been · have been
Пассивный залог be + причастие прошедшего времени — важно, что происходит, а не кто это делает	has been trained · are typically trained · have been trained
Придаточные определительные who / which + предложение — уточнение о человеке или предмете	Fund, which is · LLM, which is · LLMs, which are

Что такое техника Shadowing?

Shadowing — это научно обоснованная техника изучения языка, изначально разработанная для подготовки профессиональных переводчиков и популяризированная полиглотом доктором Александром Аргуэльесом. Метод прост, но эффективен: вы слушаете аудио на английском от носителей языка и немедленно повторяете вслух — как тень, следующая за говорящим с задержкой в 1–2 секунды. В отличие от пассивного прослушивания или грамматических упражнений, Shadowing заставляет мозг и мышцы рта одновременно обрабатывать и воспроизводить реальные речевые паттерны. Исследования показывают, что это значительно улучшает точность произношения, интонацию, ритм, связную речь, понимание на слух и беглость речи — что делает его одним из самых эффективных методов для подготовки к IELTS Speaking и реального общения на английском.

Техника шедоуинга: читать полное пошаговое руководство →

Практика Shadowing: Prompt engineering - Introduction - Изучайте разговорный английский по видео

Выберите режим практики

Скачать приложение

Тот же канал

Prompt Engineering - Guidelines

Рекомендуемое видео

Is prompt engineering dead? Advice on optimizing AI interactions | Amazon Web Services

Transformers, the tech behind LLMs | Deep Learning Chapter 5

Improve Your English Listening & Speaking Fast | English Shadowing Practice B2 C1

Easy Migration from Postgres to Databricks Lakebase

mattpocock/skills: A complete AI Coding workflow, end-to-end

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!)】

Introducing the Agents API

Most devs don't understand how LLM tokens work

What's new in Google Cloud in less than 1 minute

AI Concepts Every Product Manager Should Know in 25 Minutes | Crash Course

How to Make Anything - Learn to Think Like an Engineer

A Return to Code

Об этом уроке

Ключевая лексика и фразы

Советы по практике

Грамматика в этом видео

Что такое техника Shadowing?