ฝึกพูดภาษาอังกฤษด้วยเทคนิค Shadowing จากวิดีโอ: Prompt engineering - Introduction

เลือกโหมดฝึก

แต่ละโหมดจะเปิดห้องฝึกแบบเต็มจอ

68 ประโยค

หากประโยคสั้นหรือยาวเกินไป กดที่ Edit เพื่อปรับแก้

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.

ดาวน์โหลดแอป

ทุกอย่างที่ต้องใช้เพื่อพูดได้คล่อง

AI ให้คะแนนการออกเสียงให้คะแนนทุกประโยค

ฝึก IPAเชี่ยวชาญทุกเสียง

คำศัพท์สร้างคลังคำของคุณ

เกมคำศัพท์เล่นไปเรียนไป

สแกน QR

Download on theApp Store Get it onGoogle Play

ช่องเดียวกัน

Prompt Engineering - Guidelines

Daily ConversationUniversity StudentsWorking Adults

FOR YOU

วิดีโอแนะนำ

20 ประโยค

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

Business EnglishUniversity StudentsWorking Adults

270 ประโยค

Transformers, the tech behind LLMs | Deep Learning Chapter 5

Business EnglishUniversity StudentsWorking Adults

201 ประโยค

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

Business EnglishDaily ConversationUniversity Students

339 ประโยค

เกี่ยวกับบทเรียนนี้

ในบทเรียนนี้ ผู้เรียนจะได้เรียนรู้เกี่ยวกับการพัฒนาโมเดลภาษาใหญ่ (LLMs) โดยเฉพาะการใช้ LLM ที่ได้รับการปรับแต่งให้อินสตรัคชัน (instruction-tuned LLMs) ซึ่งมีความสามารถในการตอบสนองคำสั่งได้ดีขึ้น โมเดลเหล่านี้ได้รับการฝึกฝนเพื่อให้สามารถช่วยเหลือและตอบคำถามจากผู้ใช้ได้อย่างเหมาะสม ผู้เรียนจะได้สำรวจกรณีใช้งานทั่วไป เช่น การสรุปข้อมูล การอนุมาน การแปลง และการขยายข้อมูล นอกจากนี้ยังมีโอกาสพัฒนาแชทบอทโดยใช้โมเดล LLM ซึ่งจะช่วยเพิ่มประสิทธิภาพในการฝึกพูดภาษาอังกฤษผ่านการเรียนการสอนออนไลน์ เช่น เรียนภาษาอังกฤษจากยูทูป

คำศัพท์และวลีสำคัญ

โมเดลภาษาใหญ่ (Large Language Model - LLM)
คำสั่ง (Instructions)
การฝึกฝน (Training)
การตอบสนอง (Responses)
การสรุป (Summarizing)
การอนุมาน (Inferring)
การแปลง (Transforming)
การขยาย (Expanding)

เคล็ดลับการฝึก

ในการฝึกพูดภาษาอังกฤษโดยใช้วิดีโอนี้ ผู้เรียนควรใช้เทคนิค shadowing ซึ่งคือการพูดตามเสียงในวิดีโอทันที ให้ผู้เรียนทำตามจังหวะและเสียงของผู้พูด เพื่อที่จะช่วยพัฒนาโทนเสียง การออกเสียง และการใช้คำศัพท์ได้ดียิ่งขึ้น นอกจากนี้ยังสามารถใช้ shadowspeak หรือเทคนิคที่เรียกว่า shadow speech เพื่อพัฒนาทักษะการฟังและการพูด ผู้เรียนควรให้ความสนใจกับความเร็วของบทสนทนาในวิดีโอ และเลียนแบบตามที่ได้ยิน ได้อย่างพอดีกับจังหวะ ซึ่งจะช่วยเพิ่มความมั่นใจในขณะพูด และสามารถสร้างพื้นฐานการฝึกที่แข็งแกร่งในการใช้ภาษาอังกฤษในชีวิตประจำวัน

ไวยากรณ์ในวิดีโอนี้

โครงสร้างที่ผู้พูดใช้บ่อยที่สุด พร้อมคำพูดจริงจากวิดีโอ:

โครงสร้าง	ในวิดีโอ
Present perfect continuous have/has been + -ing — การกระทำที่เริ่มก่อนหน้านี้และยังดำเนินอยู่	has been teaching · has been working · has been going
Present perfect have/has + กริยาช่อง 3 — เหตุการณ์ในอดีตที่ยังเกี่ยวข้องกับปัจจุบัน	there's been · has been · have been
Passive voice be + กริยาช่อง 3 — เน้นสิ่งที่เกิดขึ้น ไม่ใช่ผู้กระทำ	has been trained · are typically trained · have been trained
Relative clauses who / which + อนุประโยค — ข้อมูลเพิ่มเติมเกี่ยวกับคนหรือสิ่งของ	Fund, which is · LLM, which is · LLMs, which are

เทคนิค Shadowing คืออะไร?

Shadowing เป็นเทคนิคการเรียนรู้ภาษาที่ได้รับการรับรองทางวิทยาศาสตร์ พัฒนาขึ้นสำหรับการฝึกนักแปลมืออาชีพ วิธีการนี้เรียบง่ายแต่ทรงพลัง: คุณฟังเสียงภาษาอังกฤษจากเจ้าของภาษาและพูดตามทันที — เหมือนเงาที่ตามผู้พูดด้วยช่วงเวลาห่าง 1-2 วินาที การวิจัยแสดงว่าเทคนิคนี้ปรับปรุงความแม่นยำในการออกเสียง ทำนองเสียง จังหวะ การเชื่อมเสียง การฟังเข้าใจ และความคล่องแคล่วในการพูดได้อย่างมีนัยสำคัญ

เทคนิค shadowing: อ่านคู่มือฉบับเต็มทีละขั้นตอน →

ฝึกพูดภาษาอังกฤษด้วยเทคนิค Shadowing จากวิดีโอ: Prompt engineering - Introduction

เลือกโหมดฝึก

ดาวน์โหลดแอป

Prompt Engineering - Guidelines

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

เกี่ยวกับบทเรียนนี้

คำศัพท์และวลีสำคัญ

เคล็ดลับการฝึก

ไวยากรณ์ในวิดีโอนี้

เทคนิค Shadowing คืออะไร?