Luyện nói tiếng Anh bằng Shadowing qua video: Prompt engineering - Introduction

Chọn chế độ luyện tập

Mỗi chế độ mở một phòng luyện tập toàn màn hình.

68 câu

Nếu các câu quá ngắn hoặc quá dài, hãy bấm Edit để chỉnh sửa.

Welcome to this course on ChatGPT problem engineering for developers.

Chào mừng bạn đến với khóa học về kỹ thuật giải quyết vấn đề bằng ChatGPT dành cho các nhà phát triển.

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

Tôi rất vui mừng khi có Iza Fulford cùng tham gia giảng dạy buổi học này với tôi.

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

Bà là thành viên của đội ngũ kỹ thuật tại OpenAI và đã xây dựng plugin truy xuất dữ liệu phổ biến của ChatGPT.

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

Và một phần lớn công việc là hướng dẫn mọi người cách sử dụng công nghệ OEM hoặc mô hình ngôn ngữ lớn trong các sản phẩm.

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

Bà cũng đã đóng góp vào bộ sưu tập công thức mã OpenAI cookbook, nơi hướng dẫn mọi người cách viết các câu lệnh nhắc nhở (prompting).

So thrilled to have you with you.

Rất vui được có bạn ở bên cạnh.

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

Và tôi rất vui mừng được có mặt tại đây để chia sẻ với tất cả các bạn một số phương pháp hay nhất về việc đặt câu hỏi cho mô hình.

I'm not sure.

Tôi không chắc lắm.

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

Vì vậy, đã có rất nhiều tài liệu trên mạng về cách viết prompt.

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

với các bài viết như "30 lời nhắc mà mọi người phải biết", phần lớn nội dung đó tập trung vào giao diện người dùng web của ChatGPT.

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

mà nhiều người đang sử dụng để thực hiện các tác vụ cụ thể và thường là các tác vụ chỉ thực hiện một lần.

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.

Tôi nghĩ sức mạnh của các mô hình ngôn ngữ lớn của LOM đối với các nhà phát triển là việc sử dụng các lệnh gọi API đến các LOM để xây dựng các ứng dụng phần mềm một cách nhanh chóng.

I think that is still very underappreciated.

Tôi nghĩ điều đó vẫn còn bị đánh giá thấp rất nhiều.

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

Trên thực tế, nhóm của tôi tại AI Fund, một công ty chị em của DeepLearning.AI,

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

đã và đang hợp tác với nhiều công ty khởi nghiệp để áp dụng những công nghệ này vào rất nhiều ứng dụng khác nhau.

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

Thật thú vị khi được chứng kiến những gì các API LOM có thể giúp các nhà phát triển xây dựng một cách nhanh chóng.

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.

Vì vậy, trong khóa học này, chúng tôi sẽ chia sẻ với bạn một số khả năng về những gì bạn có thể làm, cũng như các phương pháp hay nhất để thực hiện chúng.

There's a lot of material to cover.

Có rất nhiều nội dung cần phải đề cập.

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

Đầu tiên, bạn sẽ tìm hiểu các quy tắc tốt nhất về đặt lời nhắc cho việc phát triển phần mềm.

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

Sau đó, chúng ta sẽ đi qua một số trường hợp sử dụng phổ biến: tóm tắt, suy luận, chuyển đổi và mở rộng nội dung.

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

Và sau đó bạn sẽ xây dựng một chatbot sử dụng LLM.

Thank you.

Cảm ơn bạn.

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

Chúng tôi hy vọng điều này sẽ khơi gợi trí tưởng tượng của bạn về những ứng dụng mới mà bạn có thể xây dựng.

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

Vì vậy, trong quá trình phát triển các mô hình ngôn ngữ lớn hay LLM, về cơ bản đã có hai loại LLM chính,

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

mà tôi sẽ gọi là các LLM cơ sở và các LLM được điều chỉnh theo hướng dẫn.

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,

Vì vậy, mô hình LLM cơ bản đã được huấn luyện để dự đoán từ tiếp theo, dựa trên dữ liệu văn bản huấn luyện, thường được huấn luyện trên một lượng lớn dữ liệu từ internet và các nguồn khác.

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

để tìm ra từ có khả năng xuất hiện cao nhất tiếp theo theo sau.

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,

Ví dụ, nếu bạn đưa ra câu lệnh như sau: “Ngày xửa ngày xưa có một con kỳ lân”, nó có thể sẽ hoàn thành câu này, tức là nó có thể dự đoán rằng vài từ tiếp theo sẽ là

that live in the magical forest of all unicorn friends.

những sinh vật sống trong khu rừng thần kỳ của tất cả những người bạn kỳ lân.

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

Nhưng nếu bạn đưa ra yêu cầu cho chúng tôi là thủ đô của nước Pháp là gì, thì dựa trên những bài viết có trên internet,

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.

hoàn toàn có khả năng mô hình LM cơ sở sẽ hoàn thành việc này với các câu hỏi như thành phố lớn nhất của Pháp là gì, dân số của Pháp là bao nhiêu, vân vân.

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

Bởi vì các bài viết trên internet hoàn toàn có thể là danh sách các câu hỏi đố vui về nước Pháp.

Thank you.

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

Ngược lại, một mô hình LLM được điều chỉnh theo hướng dẫn, là lĩnh vực mà phần lớn động lực của nghiên cứu và thực hành LLM đang tập trung vào,

An instruction team has been trained to follow instructions.

Một đội ngũ hướng dẫn đã được đào tạo để tuân theo các quy trình hướng dẫn.

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

Vì vậy, nếu bạn hỏi nó, thủ đô của Pháp là gì, thì nó có nhiều khả năng đưa ra câu trả lời như thủ đô của Pháp là 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,

Vì vậy, cách các mô hình ngôn ngữ lớn được điều chỉnh theo hướng dẫn thường được huấn luyện là bạn bắt đầu với một mô hình ngôn ngữ cơ bản đã được huấn luyện trên một lượng lớn dữ liệu văn bản,

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

và tiếp tục huấn luyện nó, tinh chỉnh nó thêm nữa bằng các đầu vào và đầu ra là những chỉ dẫn cùng với những nỗ lực tốt để thực hiện theo các chỉ dẫn đó.

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

Và sau đó thường được tinh chỉnh thêm bằng một kỹ thuật gọi là RLHF, học tăng cường từ phản hồi của con người.

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

để giúp hệ thống có khả năng hỗ trợ và tuân theo các chỉ dẫn tốt hơn.

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

Bởi vì các mô hình ngôn ngữ lớn được điều chỉnh theo hướng nhiệm vụ (TNLMs) đã được huấn luyện để trở nên hữu ích, trung thực và không gây hại.

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

Vì vậy, ví dụ, chúng ít có khả năng tạo ra các văn bản có vấn đề, chẳng hạn như các kết quả đầu ra mang tính độc hại so với mô hình LLM cơ sở.

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

rất nhiều các tình huống sử dụng thực tế đã đang chuyển hướng sang dạng có hướng dẫn.

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,

bạn biết đấy, một số phương pháp hay nhất mà bạn tìm thấy trên internet có thể phù hợp hơn với mô hình LLM cơ bản, nhưng đối với hầu hết các ứng dụng thực tế ngày nay,

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

chúng tôi khuyên hầu hết mọi người nên tập trung vào các mô hình LLM được điều chỉnh theo hướng dẫn, vì chúng dễ sử dụng hơn.

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

Và cũng nhờ sự nỗ lực của OpenAI cùng các công ty phát triển mô hình ngôn ngữ lớn khác đã giúp các hệ thống trở nên an toàn hơn và phù hợp hơn với mục tiêu đề ra.

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

Vì vậy, khóa học này sẽ tập trung vào các phương pháp hay nhất để hướng dẫn sử dụng cánh tay thần kinh.

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

đó là thứ chúng tôi khuyên bạn nên sử dụng cho hầu hết các ứng dụng của mình.

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

Trước khi tiếp tục, tôi chỉ muốn gửi lời cảm ơn đến đội ngũ của OpenAI.

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

và DeepLearn.AI đã đóng góp vào các tài liệu mà Ysia và tôi sẽ trình bày.

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

Tôi rất biết ơn Andrew Main, Joe Palermo, Boris Power, Ted Sanders và Lillian Wang đến từ OpenAI.

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

Họ đã rất tích cực tham gia cùng chúng tôi trong việc lên ý tưởng về vật liệu, và kiểm tra kỹ lưỡng các vật liệu để hoàn thiện bộ sưu tập.

the curriculum for this short course.

chương trình đào tạo của khóa học ngắn hạn này.

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

Và tôi cũng rất biết ơn về những đóng góp trong lĩnh vực học sâu của Jeff Lodwick, Eddie Hsu và Tommy Nelson.

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

Vì vậy, khi bạn sử dụng một mô hình LLM đã được điều chỉnh theo hướng dẫn, hãy nghĩ đến việc đưa ra chỉ dẫn cho một người khác.

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

Hãy nói với một người thông minh nhưng không biết các chi tiết cụ thể về nhiệm vụ của bạn.

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

Vì vậy, khi một mô hình ngôn ngữ lớn (LM) không hoạt động, đôi khi là do các hướng dẫn chưa đủ rõ ràng.

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

Ví dụ, nếu bạn nói "Hãy viết cho tôi một vài điều về Alan Turing." Thì ngoài ra, việc nêu rõ bạn muốn điều gì cũng có thể hữu ích.

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

nội dung văn bản tập trung vào công trình khoa học của ông, hay cuộc sống cá nhân, vai trò của ông trong lịch sử, hoặc một khía cạnh nào khác.

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?

Và nếu bạn chỉ định giọng văn mà bạn muốn cho đoạn văn bản, thì nó sẽ có giọng văn giống như cách một nhà báo chuyên nghiệp viết chứ?

Or is it more of a casual note

Hay là nó giống một ghi chú tự nhiên, không trang trọng hơn?

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

rằng bạn vội vàng gửi cho một người bạn đang nắm giữ OM để tạo ra thứ bạn muốn.

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

Và tất nhiên, nếu bạn tưởng tượng mình đang nhờ, chẳng hạn như một người vừa tốt nghiệp đại học, thực hiện nhiệm vụ này cho bạn,

if you can even specify what you want snippets of texts

nếu bạn thậm chí có thể chỉ định những đoạn văn bản mà bạn muốn

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.

họ nên đọc trước tài liệu về Alan Turing để viết bài văn này, như vậy sẽ giúp những người mới tốt nghiệp đại học có sự chuẩn bị tốt hơn để hoàn thành nhiệm vụ này cho bạn.

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

Vì vậy, trong video tiếp theo, bạn sẽ thấy các ví dụ về cách diễn đạt rõ ràng và cụ thể, đây là một nguyên tắc quan trọng trong việc đặt lời nhắc cho các mô hình ngôn ngữ lớn (LOMs).

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

Và bạn cũng học được từ Ezer một nguyên tắc thứ hai của việc đặt câu hỏi, đó là cho LDLM thời gian để suy nghĩ.

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

Vậy thì, chúng ta hãy chuyển sang video tiếp theo nhé.

Tải Ứng Dụng

Mọi thứ bạn cần để nói trôi chảy

Chấm điểm AIChấm từng câu nói

Luyện IPAThành thạo mọi âm

Từ vựngMở rộng vốn từ

Game Từ vựngHọc qua chơi

Quét QR

Download on theApp Store Get it onGoogle Play

Cùng kênh

Prompt Engineering - Guidelines

Daily ConversationUniversity StudentsWorking Adults

FOR YOU

Video gợi ý

20 câu

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

Business EnglishUniversity StudentsWorking Adults

270 câu

Transformers, the tech behind LLMs | Deep Learning Chapter 5

Business EnglishUniversity StudentsWorking Adults

201 câu

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

Business EnglishDaily ConversationUniversity Students

339 câu

Thông Tin về Bài Học Này

Trong bài học này, bạn sẽ khám phá các nguyên tắc và kỹ thuật cần thiết khi làm việc với các mô hình ngôn ngữ lớn (LLM) như ChatGPT. Bài học sẽ cung cấp cho bạn cái nhìn tổng quan về cách tạo ra các prompt hiệu quả và cách mà các mô hình này có thể được ứng dụng trong phát triển phần mềm. Bạn cũng sẽ tìm hiểu về sự khác biệt giữa các mô hình LLM cơ bản và các mô hình đã được tinh chỉnh theo chỉ dẫn, giúp bạn hiểu rõ hơn về cách sử dụng chúng trong các ứng dụng thực tế.

Từ Vựng & Cụm Từ Chính

Mô hình ngôn ngữ lớn (LLM): Là các hệ thống học máy được đào tạo để dự đoán từ tiếp theo trong văn bản.
Prompt: Là các câu lệnh hoặc yêu cầu mà bạn gửi đến mô hình để nhận phản hồi.
Cơ bản (Base LLM): Là các mô hình được đào tạo dựa trên dữ liệu văn bản lớn từ internet.
Tinh chỉnh theo chỉ dẫn (Instruction Tuning): Là quá trình đào tạo thêm để cải thiện khả năng phản hồi theo yêu cầu của người dùng.
Học tăng cường từ phản hồi con người (RLHF): Là kỹ thuật nhằm nâng cao tính hiệu quả của các mô hình thông qua feedback từ người dùng.
Cải thiện khả năng hữu ích: Yếu tố quan trọng trong việc phát triển các mô hình để giúp người dùng dễ dàng hơn.
Ứng dụng thực tiễn: Các cách mà LLM có thể được sử dụng trong phát triển phần mềm và giải pháp công nghệ khác.

Mẹo Thực Hành

Khi thực hành học tiếng Anh, đặc biệt là trong việc shadowing tiếng anh, hãy chú ý đến tốc độ và ngữ điệu của video. Nên lặp lại các câu hoặc cụm từ ngay sau khi nghe để cải thiện khả năng phát âm tiếng anh chuẩn. Bạn có thể dừng video sau mỗi câu để có thời gian nhắc lại và điều chỉnh cách phát âm của mình. Sử dụng các phần mềm shadowing sẽ giúp bạn theo dõi và cải thiện kỹ năng nói của mình dễ dàng hơn. Hãy cố gắng sao chép chính xác không chỉ từ ngữ mà còn cả ngữ điệu và cảm xúc mà người nói truyền đạt. Điều này không chỉ giúp bạn tiếp thu ngôn ngữ tốt hơn mà còn phát triển khả năng giao tiếp tự tin hơn trong tương lai.

Ngữ pháp trong video

Những cấu trúc người nói dùng nhiều nhất, kèm đúng cụm từ trong video:

Cấu trúc	Trong video
Thì hiện tại hoàn thành tiếp diễn have/has been + -ing — việc bắt đầu từ trước và vẫn đang tiếp tục	has been teaching · has been working · has been going
Thì hiện tại hoàn thành have/has + quá khứ phân từ — việc đã xảy ra nhưng còn liên quan đến hiện tại	there's been · has been · have been
Câu bị động be + quá khứ phân từ — nhấn vào việc xảy ra, không phải người làm	has been trained · are typically trained · have been trained
Mệnh đề quan hệ who / which + mệnh đề — thêm thông tin về người hoặc vật	Fund, which is · LLM, which is · LLMs, which are

Phương Pháp Shadowing Là Gì?

Shadowing là kỹ thuật học ngôn ngữ có cơ sở khoa học, ban đầu được phát triển cho chương trình đào tạo phiên dịch viên chuyên nghiệp và được phổ biến rộng rãi bởi nhà đa ngôn ngữ học Dr. Alexander Arguelles. Nguyên lý cốt lõi đơn giản nhưng cực kỳ hiệu quả: bạn nghe tiếng Anh của người bản xứ và lặp lại to ngay lập tức — như một "cái bóng" (shadow) đuổi theo người nói với độ trễ chỉ 1–2 giây. Khác với luyện ngữ pháp hay học từ vựng bị động, Shadowing buộc não bộ và cơ miệng phải đồng thời xử lý và tái tạo ngôn ngữ thực tế. Các nghiên cứu khoa học xác nhận phương pháp này cải thiện đáng kể phát âm, ngữ điệu, nhịp điệu, nối âm, kỹ năng nghe và độ lưu loát khi nói — đặc biệt hiệu quả cho người luyện IELTS Speaking và muốn giao tiếp tiếng Anh tự nhiên như người bản ngữ.

Phương pháp shadowing: đọc hướng dẫn từng bước đầy đủ →

Luyện nói tiếng Anh bằng Shadowing qua video: Prompt engineering - Introduction

Chọn chế độ luyện tập

Tải Ứng Dụng

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

Thông Tin về Bài Học Này

Từ Vựng & Cụm Từ Chính

Mẹo Thực Hành

Ngữ pháp trong video

Phương Pháp Shadowing Là Gì?