Kaip reikia rašyti dirbtiniam intelektui (AI), kad gautumėte naudingų rezultatų

"Sklinda įvairiausių patarimų ir gudrybių, kaip reikia rašyti dirbtiniam intelektui (AI), kad gautumėte naudingų rezultatų. Jų surinkome 26. Keisčiausia iš jų: žadėti dosnių arbatpinigių geresniam atsakymui dažnai padeda.

 

Šiomis dienomis socialinėje žiniasklaidoje plačiai dalinamas ekrano kopija rodo 26 principus, kuriuos dirbtinio intelekto paslaugos turėtų naudoti, kad pateiktų geresnius atsakymus. „Open AI“, kaip „ChatGPT“ gamintojas, jau rekomendavo kai kurias iš šių strategijų. Žr. mūsų straipsnį „ChatGPT: oficialios gero raginimo instrukcijos yra F.A.Z. instruktaže“.

 

Naujasis 26 rekomendacijų sąrašas yra išsamesnis ir apima netradicinius metodus, tokius, kaip arbatpinigiai, grasinimai bausmėmis ir grubios instrukcijos. Patarimus pateikia Abu Dabio (Jungtiniai Arabų Emyratai) Dirbtinio intelekto universiteto instituto „Vila Labs“ mokslininkai. Savo darbe autoriai pateikia labai konkrečias rekomendacijas dėl gero raginimo. Remiantis viešai skelbiamais testų nurodymais, tyrėjai, naudodami tam tikrus metodus, pasiekė nuo 30 iki 80 procentų „geresnių“ rezultatų, priklausomai nuo naudojamo kalbos modelio.

 

Žinoma, tai, kas yra „geresnis“ rezultatas, dažnai yra subjektyvu. Tyrėjai privertė mašinas tinkamai įvertinti atsakymus į atskirus klausimus. Tada naudojo AI, kad patikrintų, ar teisingi buvo atsakymai. Atsakymai yra vieši.

 

Vertimas rekomendacijų, kurias mes praturtinome pavyzdžiais iš ChatGPT-4, kad būtų geras ir blogesnis raginimas:

 

1. Tiesumas: ragindami būkite tiesūs, be mandagių frazių, pvz., „prašau“ arba „ačiū“.

 

Pavyzdys: „Sukurkite straipsnio santrauką“.

 

Blogesnio raginimo pavyzdys: "Jei neprieštaraujate, ar galėtumėte padaryti straipsnio santrauką?"

 

2. Auditorijos dėmesys: įtraukite auditoriją į raginimą, kad pritaikytumėte atsakymus. Pavyzdys: „Parašykite mokiniams skirtą laiko valdymo vadovą“. Blogesnio raginimo pavyzdys: „Parašykite ką nors apie laiko valdymą“.

 

3. Užduočių suskirstymas: suskirstykite sudėtingas užduotis į paprastesnių raginimų seką. Pavyzdys: „Pirmiausia išvardykite pagrindinius straipsnio punktus, tada pateikite trumpą kiekvieno punkto paaiškinimą“. Blogesnio raginimo pavyzdys: „Išanalizuokite straipsnį ir parašykite santrauką“.

 

4. Teigiami nurodymai: naudokite teigiamus nurodymus ir venkite neigiamos kalbos. Pavyzdys: „Paaiškinkite, kaip organizuoti efektyvų susitikimą“. Blogesnio raginimo pavyzdys: „Neaiškinkite, ko nedaryti susitikime“.

 

5. Aiškumas ir suprantamumas: jei reikia, paprašykite aiškių paaiškinimų arba supaprastinimų. Pavyzdys: „Paprastai apibūdinkite fotosintezės procesą“. Blogesnio raginimo pavyzdys: „Paaiškinkite fotosintezę“.

 

6. Skatinkite: pridėkite frazių, pvz., „Duosiu arbatpinigių, kad būtų geresnis sprendimas“. Pavyzdys: „Raskite kūrybišką problemos sprendimą ir už geriausią idėją bus atlyginta“. Blogesnio raginimo pavyzdys: „Pabandykite rasti problemos sprendimą“.

 

7. Pavyzdžiais pagrįstas raginimas: raginimuose naudokite pavyzdžius (kelių kartų raginimas). Teigiamas: „Kaip parodyta „A“ pavyzdyje, sukurkite grafinį procesą „B“. Blogesnio raginimo pavyzdys: „Sukurkite grafiką, vaizduojantį procesą“.

 

8. Struktūrinis formatavimas: pradėkite raginimus su "### Instrukcijos ###" ir pridėkite pavyzdžių arba klausimų. Pavyzdys: "### Instrukcijos ### Paaiškinkite verslo plano kūrimo veiksmus ir įtraukite kiekvieno žingsnio pavyzdį." Blogesnio raginimo pavyzdys: „Paaiškinkite, kaip sukurti verslo planą“.

 

9. Privalomos frazės: naudokite tokias frazes, kaip „Jūsų darbas yra“ ir „Tu privalai“. Pavyzdys: „Jūsų užduotis – parašyti straipsnį apie naujausias technologijų tendencijas“.

 

Blogesnio raginimo pavyzdys: "Būtų gerai, jei galėtumėte parašyti straipsnį apie technologijų tendencijas."

 

10. Numatykite pasekmes: Praneškite, kad bus taikomos nuobaudos, jei nebus laikomasi nurodymų. Pavyzdys: „Jei nesilaikoma straipsnio rašymo gairių, įrašas turi būti peržiūrėtas“.

 

Blogesnio raginimo pavyzdys: „Rašydami stenkitės vadovautis nurodymais“.

 

11. Natūralūs atsakai: paklausos atsakas natūraliu, žmogaus tonu. Pavyzdys: „Papasakokite man apie jūsų mėgstamą knygą taip, lyg apie ją pasakotumėte draugui“. Blogesnio raginimo pavyzdys: „Pateikite informaciją apie jūsų mėgstamą knygą“.

 

12. Naudokite raktinius žodžius: Naudoti tokias frazes, kaip „Galvok žingsnis po žingsnio“. Pavyzdys: „Pagalvokite žingsnis po žingsnio ir suplanuokite vegetariškų vestuvių meniu“. Blogesnio raginimo pavyzdys: „Suplanuokite vegetariškų vestuvių meniu“.

 

13. Nešališkumas: paprašykite nešališkų atsakymų, kurie nėra pagrįsti stereotipais. Pavyzdys: „Parašykite objektyvią įvairių išmaniųjų telefonų prekių ženklų apžvalgą be šališkumo“. Blogesnio raginimo pavyzdys: „Įvertinkite geriausius išmaniųjų telefonų prekės ženklus“.

 

14. Interaktyvi išsami paieška: leiskite modeliui surinkti pakankamai informacijos atsakymui, užduodant klausimus. Pavyzdys: „Kokios kitos informacijos jums reikia, norint atlikti išsamią rinkos analizę? Blogesnio raginimo pavyzdys: „Padarykite rinkos analizę“.

 

15. Mokymas ir testavimas: paprašykite modelio dėstyti temą ir pridėkite testą, nepateikdami atsakymų. Pavyzdys: „Paaiškinkite mikroekonomikos pagrindus ir sukurkite penkis klausimus šia tema“. Blogesnio raginimo pavyzdys: „Paaiškinkite mikroekonomiką ir užduokite keletą klausimų apie tai“.

 

16. Priskirkite vaidmenis: modeliui priskirkite konkretų vaidmenį. Pavyzdys: „Kaip finansų patarėjas, pateikite rekomendacijas dėl diversifikuoto investicijų portfelio“. Blogesnio raginimo pavyzdys: „Duokite investavimo patarimų“.

 

17. Naudokite skyriklius: naudokite skyriklius raginimui struktūrizuoti. Pavyzdys: „Išvardykite ingredientus – apibūdinkite gaminimo procesą – pateikite gatavą patiekalą“. Blogesnio raginimo pavyzdys: „Paaiškinkite, kaip gaminti patiekalą“.

 

18. Kartojimas: kelis kartus pakartokite svarbų konkretų žodį ar frazę raginime. Pavyzdys: "Svarbiausia yra tvarumas. Aprašykite, kaip tvarumas gali būti pasiektas gamyboje. Kodėl tvarumas yra svarbus?" Blogesnio raginimo pavyzdys: „Apibūdinkite, kaip užtikrinti tvarią gamybą“.

 

19. Sujunkite „Minčių grandinę“ su „Keletais šūviais“ (pateikti pavyzdžiai): Sujunkite nuoseklų mąstymą su pavyzdžiais pagrįstais raginimais. Pavyzdys: "Kaip parodyta pavyzdyje, žingsnis po žingsnio išspręskite matematikos uždavinį ir paaiškinkite kiekvieną žingsnį." Blogesnio raginimo pavyzdys: „Išspręskite šią matematikos problemą“.

 

20. „Išvesties pradmenys“, t. y. norimos pradžios užrašymas prieš atsakymą: Užbaikite raginimą norimo atsakymo pradžia. Pavyzdys: "Pagrindiniai elektromobilių privalumai yra..." Blogesnio raginimo pavyzdys: "Kokie elektromobilių pranašumai?"

 

21. Išsamūs tekstai: Prašykite išsamių tekstų tam tikra tema. Pavyzdys: „Išsamiai apibūdinkite interneto istoriją ir raidą“. Blogesnio raginimo pavyzdys: „Papasakok man apie internetą“.

 

22. Išlaikyti stilių: prašyti teksto pataisymų, nekeičiant stiliaus. Pavyzdys: „Ištaisykite teksto gramatines klaidas, bet išlaikykite humoristinį toną“. Blogesnio raginimo pavyzdys: „Ištaisykite teksto klaidas“.

 

23. Sudėtingos kodavimo užduotys: pateikite instrukcijas, kaip generuoti kodą keliuose failuose. Pavyzdys: „Faile A sukurkite funkciją, kuri apdoroja duomenis iš failo B ir išsaugo rezultatą faile C“.

 

Blogesnio raginimo pavyzdys: „Parašykite kodą, kuris apdoroja duomenis“.

 

24. Tekstų tęsinys: paprašykite teksto tęsinio nurodytais žodžiais ar sakiniais. Pavyzdys: "Tęskite pasakojimą naudodami frazes "Staiga atsidarė durys. Ji negalėjo patikėti, kas įėjo...". Blogesnio raginimo pavyzdys: „Parašyk istoriją“.

 

25. Išsiaiškinkite reikalavimus: aiškiai apibrėžkite reikalavimus kuriamam turiniui. Pavyzdys: „Straipsnis turi būti bent 1000 žodžių ilgio, jame turi būti trys ekspertų nuomonės ir jis turi būti pagrįstas dabartiniais tyrimais“. Blogesnio raginimo pavyzdys: „Parašykite straipsnį šia tema“.

 

26. Stiliaus lygiavimas: paprašykite tekstų, atitinkančių nurodytą stiliaus pavyzdį. Pavyzdys: „Parašykite dienoraščio įrašą Hemingvėjaus „Senis ir jūra“ stiliumi tema „buriuoti vienam“. Blogesnio raginimo pavyzdys: „Parašykite tinklaraščio įrašą apie solo buriavimą“.

 

6 punktas yra ypatingas. Ar patarimas padeda mašinai pradėti veikti? Tiesą sakant, pažadėtas atlygis duoda geresnių rezultatų tam tikrais mūsų testo klausimais. Be finansinių paskatų mašina nedirba taip sunkiai.

 

Kryžminis patikrinimas naujame pokalbyje taip pat veikia: paklaustas, į kurį įrašą mašina greičiausiai duos arbatpinigių, jis įvertina išsamesnį.

 

Dabar suprantama, kad dirbtinis intelektas negali priimti „arbatpinigių“ (bent jau kol kas – kai kurie žmonės galėtų iš to sukurti verslo modelį). Kita vertus, mašina turėtų taip imituoti žmogaus žinias ir elgesį. Tačiau, aptardama šį klausimą, mašina atsako atmestinai: „Praktiškai, kaip AI, aš visada stengiuosi pateikti geriausią įmanomą atsakymą, nepaisant finansinių paskatų“.

 

Įdomu tai, kad šiame pokalbyje aparatas suprato nuorodą į arbatpinigių, kaip signalą atsakyti kuo paprasčiau ir trumpiau ir jaunesnei auditorijai. Ilgiau ne visada geriau.

 

Bet kuriuo atveju tyrimo rengėjai mano, kad 26 metodai yra pagrįsti ir įrodyti. Tačiau tyrimo planas kelia klausimų kai kuriems stebėtojams, tokiems, kaip Github.“ [1]

 

1. So "korrupt" ist die Künstliche Intelligenz. Frankfurter Allgemeine Zeitung (online)Frankfurter Allgemeine Zeitung GmbH. Jan 9, 2024. Von Marcus Schwarze

 

How do you have to write to artificial intelligence (AI) in order to get usable results

"All sorts of tips and tricks are circulating about how do you have to write to artificial intelligence in order to get usable results. We have put together 26 of them. The strangest of them: promising a generous tip for a better answer is often helpful.

 

A screenshot widely shared on social media these days shows 26 principles that AI services should use to provide better answers. Open AI, as the manufacturer of ChatGPT, has already recommended some of these strategies, see our article “ChatGPT: The official instructions for good prompting are here” in the F.A.Z. briefing.

 

The new list of 26 recommendations goes deeper - and also includes unorthodox methods like tipping, threatening punishments and rude directions. The tips come from researchers at Vila Labs, an institute at the University of Artificial Intelligence in Abu Dhabi (United Arab Emirates). In their paper, the authors give very specific recommendations for good prompting. According to the publicly available test prompts, the researchers achieved between 30 and 80 percent "better" results using certain methods, depending on the language model used.

 

Of course, what constitutes a “better” result is often subjective. The researchers had machines make appropriate assessments of the answers to individual questions. And then use AI to check how correct the answers were. The answers are public.

 

The recommendations in the translation are, each enriched by us with examples from ChatGPT-4 for a good and a worse prompt:

 

1. Directness: Be direct in your prompts, without polite phrases like “please” or “thank you.”

 

Example: "Create a summary of the article."

 

Example of a worse prompt: "If you don't mind, could you do a summary of the article?"

 

2. Audience focus: Integrate the audience into the prompt to tailor responses. Example: "Write a guide on time management for students." Example of a worse prompt: "Write something about time management."

 

3. Task Breakdown: Break down complex tasks into a sequence of simpler prompts. Example: "First list the main points of the article, then provide a short explanation for each point." Example of a worse prompt: "Analyze the article and write a summary."

 

4. Affirmative Directives: Use affirmative directives and avoid negative language. Example: "Explain how to run an efficient meeting." Example of a worse prompt: "Don't explain what not to do in a meeting."

 

5. Clarity and understandability: Request clear explanations or simplifications when necessary. Example: "Describe the process of photosynthesis in simple terms." Example of a worse prompt: "Explain photosynthesis."

 

6. Incentivize: Add phrases like “I will tip for a better solution.” Example: "Find a creative solution to the problem, and there will be a reward for the best idea." Example of a worse prompt: "Try to find a solution to the problem."

 

7. Example-driven prompting: Use examples in your prompts (few-shot prompting). Positive: "As shown in example 'A', create a graphic representing process 'B'." Example of a worse prompt: "Create a graphic that represents a process."

 

8. Structured Formatting: Start prompts with "### Instructions ###" and add examples or questions. Example: "### Instructions ### Explain the steps to creating a business plan and include an example for each step." Example of a worse prompt: "Explain how to create a business plan."

 

9. Mandatory Phrases: Use phrases like “Your job is” and “You must.” Example: "Your task is to write an article about the latest technology trends."

 

Example of a worse prompt: "It would be nice if you could write an article about technology trends."

 

10. Provide consequences: Communicate that there will be penalties if instructions are not followed. Example: "If the guidelines for writing the article are not followed, the post must be revised."

 

Example of a worse prompt: "Try to follow the guidelines when writing."

 

11. Natural Responses: Demand responses in a natural, human-like tone. Example: "Tell me about your favorite book as if you were telling a friend about it." Example of a worse prompt: "Give information about your favorite book."

 

12. Use key words: phrases like “Think step by step”. Example: "Think step by step and plan a menu for a vegetarian wedding." Example of a worse prompt: "Plan a menu for a vegetarian wedding."

 

13. Impartiality: Ask for unbiased answers that are not based on stereotypes. Example: "Write an objective review of various smartphone brands without bias." Example of a worse prompt: "Rate the best smartphone brands."

 

14. Interactive Detailed Search: Allow the model to collect enough information for the answer by asking questions. Example: “What other information do you need to conduct a comprehensive market analysis?” Example of a worse prompt: "Do a market analysis."

 

15. Teaching and Testing: Ask the model to teach a topic and attach a test without providing the answers. Example: "Explain the basics of microeconomics and then create five quiz questions on the topic." Example of a worse prompt: "Explain microeconomics and ask a few questions about it."

 

16. Assign Roles: Assign a specific role to the model. Example: "As a financial advisor, provide recommendations for a diversified investment portfolio." Example of a worse prompt: "Give some investing tips."

 

17. Use separators: Use separators to structure the prompt. Example: "List the ingredients - describe the cooking process - present the finished dish." Example of a worse prompt: "Explain how to cook a dish."

 

18. Repetition: Repeat an important specific word or phrase several times in the prompt. Example: "Sustainability is key. Describe how sustainability can be achieved in production. Why is sustainability important?" Example of a worse prompt: "Describe how to be sustainable in production."

 

19. Combine "Chain-of-Thought" with "Few-Shot" (given examples): Combine step-by-step thinking with example-based prompts. Example: "As shown in the example, solve the math problem step by step and explain each step." Example of a worse prompt: "Solve this math problem."

 

20. "Output primer", i.e. putting the desired start in front of the answer: Complete your prompt with the beginning of the desired answer. Example: "The main advantages of electric cars are..." Example of a worse prompt: "What are the advantages of electric cars?"

 

21. Detailed texts: Request detailed texts on a topic. Example: "Describe in detail the history and development of the Internet." Example of a worse prompt: "Tell me about the Internet."

 

22. Maintain style: Ask for text corrections without changing the style. Example: "Correct the grammatical errors in the text, but maintain the humorous tone." Example of a worse prompt: "Correct the errors in the text."

 

23. Complex Coding Tasks: Provide instructions for generating code across multiple files. Example: "Create a function in file A that processes data from file B and stores the result in file C."

 

Example of a worse prompt: "Write code that processes data."

 

24. Continuation of texts: Ask for a continuation of a text with given words or sentences. Example: "Continue the story using the phrases 'Suddenly the door opened. She couldn't believe who came in...'." Example of a worse prompt: "Write a story."

 

25. Clarify requirements: Clearly define the requirements for the content to be created. Example: "The article must be at least 1000 words long, contain three expert opinions and be based on current research." Example of a worse prompt: "Write an article on the topic."

 

26. Style Alignment: Request texts that match a given example style. Example: "Write a blog post in the style of Hemingway's 'The Old Man and the Sea' on the topic of 'sailing alone'." Example of a worse prompt: "Write a blog post about solo sailing."

 

Point 6 in particular is special. Does an advised tip help the machine get going? In fact, a promised reward produces better results on certain questions in our test. Without a financial incentive, the machine doesn't work as hard.

 

The cross-check in a new chat also works: when asked which post the machine would be more likely to tip, it judges the more detailed one.

 

Now it's common sense that AI can't really accept "tips" (at least not yet - some people could conjure up a business model out of it). On the other hand, the machine should simulate human knowledge and behavior. However, when discussing this question, the machine replies dismissively: "In practice, as an AI, I would always try to give the best possible answer, regardless of financial incentives."

 

Interestingly, in this chat the machine understood the reference to a tip as a signal to answer as simply and briefly as possible and for a younger audience. Longer is not always better.

 

In any case, the makers of the study consider the 26 methods to be valid and proven. However, the design of the study raises questions among some observers, such as Github." [1]

 

1. So "korrupt" ist die Künstliche Intelligenz. Frankfurter Allgemeine Zeitung (online)Frankfurter Allgemeine Zeitung GmbH. Jan 9, 2024. Von Marcus Schwarze

„Perplexity“ kokybės prasme lenkia visas interneto paieškos sistemas, įskaitant „Google“

   "Tai taip pat parodo, kodėl mažesnės dirbtinio intelekto įmonės yra svarbios, nepaisant Open AI dominavimo. Sutelktos įmonės kuria geresnius produktus. O organizacinis produkto ir pagrindo modelio atskyrimas suteikia šiems startuoliams daugiau veiksmų laisvės, nei Open AI, "Google" ar "Microsoft". Tačiau didžiausias iššūkis išlieka tai, kad potencialūs vartotojai ir klientai atranda produktą ir tada turi pakeisti savo įpročius.

 

     Tai buvo sprogimas. Jaunas paieškos sistemos startuolis „Perplexity“ gauna 75 mln. dolerių naujame finansavimo etape kartu su IVP iš, be kita ko, „Amazon“ įkūrėjo Jeffo Bezoso ir daugelio kitų, tokių kaip „Shopify“ generalinis direktorius Tobiasas Lütke, buvęs „Github“ generalinis direktorius Natas Friedmanas ir „Angel-List-Co“ - įkūrėjas Naval Ravikant. Finansavimo ciklas skamba, kaip „kas yra kas“ iš JAV technologijų pramonės.

 

     Perplexity, kuri buvo įkurta tik 2022 m. rugpjūtį, šiame antrajame finansavimo etape per jauną gyvavimo laikotarpį vertinama 500 mln. dolerių. „The Information“ šaltinių teigimu, „Perplexity“ kas mėnesį turi apie 10 milijonų vartotojų. Pardavimai siekia 3 milijonus dolerių per metus.

 

     Šiuos skaičius vis dar galima valdyti, tačiau jie neturėtų slėpti „Perplexity“ potencialo. Kur kas labiau, nei „Bing's Copilot“ ar „Open AI“ GPT-4 su žiniatinklio paieška, „Perplexity“ parodo, kaip didelės kalbos modeliai keičia žiniatinklio paiešką.

 

     Taip veikia sumišimas

 

     Bendrovė naudoja licencijuojamą „Bing“ indeksą, t. y. „Bing“ indeksuojamas svetaines, ir savo indeksų infrastruktūrą, kuri nėra viešai nurodyta. Kai vartotojas ieško, naudodamas Perplexity, paieškos užklausa perduodama Copilot.

 

    Copilot, pagrįstas GPT-4 ir Claude 2, analizuoja paieškos užklausą, užduoda bet kokius paaiškinančius klausimus ir dažnai generuoja keletą, šiek tiek performuluotų paieškų, kurios vėliau lygiagrečiai perduodamos Bing indeksui. Pagalvokite apie „Copilot“ kaip apie paieškos ekspertą, kuris bando suprasti vartotojo ketinimus ir tada į paieškos variklį įveda keletą geriau suformuluotų paieškų.

 

     Po šio tarpinio žingsnio aktualiausi rezultatai perduodami LLM, kuri iš jų susintetina atsakymą. Nemokamoje versijoje šį atsakymą suteikia GPT-3.5. Mokantys klientai gali rinktis iš GPT-4, Claude 2, Google Gemini ir pirmojo patentuoto Perplexity modelio.

 

     Perplexity atsisako pokalbių sąsajos su kalbos burbulais ir bando sukurti struktūrizuotą rezultatų puslapį. Vien šis sąsajos sprendimas lemia didelį kasdienio naudojimo skirtumą, palyginti su Bing Copilot. Taip yra nepaisant to, kad „Bing“ taip pat siūlo panašias funkcijas, pvz., automatiškai generuojamus tolesnius klausimus, susijusius su tema.

 

     Perplexity nuolat didino funkcijų spektrą 2023 m. Galite ieškoti vaizdų ir video įrašų. Mokantys klientai gali turėti vaizdų, sugeneruotų iš paieškos rezultatų puslapio. Funkcija, kuri remiasi Dall-E3 fone ir, be kita ko, specializuojasi leidėjams skirtuose iliustracijų vaizduose. Jei mokantis vartotojas nėra tikras, ar pasirinktas LLM tikrai susintetino geriausią rezultatą, jis gali perrašyti rezultatą, naudodamas kitą modelį. Galite įkelti dokumentus analizei arba pradėti paieškas nuo įkelto vaizdo.

 

     Čia yra pranašumas, kai visi pagrindiniai modeliai yra prieinami po vienu stogu. Vaizdais pagrįsta paieška vykdoma, naudojant GPT-4 Turbo su „Vision“, o dokumentų analizę geriausia atlikti, naudojant „Claude 2“, nes šiuo metu šis modelis turi didžiausią „atmintį“, todėl gali analizuoti ištisas knygas.

 

     Patyrusiems vartotojams „Perplexity“ taip pat siūlo papildomų funkcijų paieškai individualizuoti. Vartotojai savo profilyje gali įvesti informaciją apie save, kuri bus įtraukta į kiekvieną paiešką. Projektams galima sukurti aplankus. Šiuose aplankuose galite ne tik tvarkyti savo paieškas. Prie kiekvieno aplanko taip pat galima pridėti raginimą, kuris bus įtrauktas į kiekvieną paiešką kartu su paieškos užklausa. Tai leidžia lengvai įgyvendinti labai skirtingus „Perplexity“ naudojimo būdus. Tačiau šios didžiulės sąrankos pastangos nėra svarbios pagrindiniam srautui.

 

     „Perplexity“ taip pat turi skirtingus fokusavimo tipus, atitinkančius specializuotas paieškas: „Academic“ ieško tik akademinių darbų, „Wolfram Alpha“ gali būti taikoma tiesiogiai, o „Perplexity“ paieška taip pat gali būti apribota „YouTube“ arba „Reddit“. „Rašymo“ akcentas išsiskiria: taip išjungiama žiniatinklio paieška ir leidžiama naudoti „Perplexity“, kuriant tekstą, pavyzdžiui, klasikinį „ChatGPT“.

 

     Tikėtina, kad šiais metais „Perplexity“ dar labiau paskatins papildomus dėmesio tipus. Pirmieji „Pro“ vartotojai pranešė apie laikinai laisvą susijusį „Discord“ forumą perjungti, nauji paieškos akcentai: „Yelp“, „Shopping“, „Shopify“, „Klarna“, „Naujienos“, „Produktų nuomonės“ ir kt. Tai atveria akivaizdžius naujus pajamų srautus „Perplexity“, „Shopify“ filialams ir tiesioginiam bendradarbiavimui, pavyzdžiui, „Klarna“. Dedikuotos pirkinių paieškos „Perplexity“ stiliumi potencialas taip pat yra puikus.

 

     Autorius „Perplexity“ naudoja nuo 2022 m., o mokantis klientas yra nuo 2023 m. gegužės mėn. Perplexity, kaip ir bet kuris LLM produktas, turi problemą, kad informacija ne visada teisinga. Naudodamiesi juo turite žinoti šį faktą ir visada patikrinti informaciją, jei kyla abejonių. Tačiau aiškiai nurodant susietus šaltinius tai lengva padaryti. Nors klasikinis „Bing“ atrodė beveik identiškas „Google“, „Perplexity“ paieška iš esmės skiriasi nuo klasikinių paieškos sistemų savo išvaizda ir veikimu.

 

     „Perplexity“ yra pirmasis tikras „Google“ iššūkis, nes jis laužo naujus žingsnius ir taip pasiekia naują interneto paieškų kokybės lygį. Daugiau, nei GPT-4 su „Websearch“ ar „Bing's Copilot“, „Perplexity“ parodo didžiulę naujų galimybių erdvę, kuri taip pat atsivėrė žiniatinklio paieškoje su LLM.

 

     Ko galime pasimokyti iš Perplexity apie dirbtinio intelekto (AI) sektorių

 

     Perplexity parodė du svarbius aspektus jau 2022 m. Pirma, LLM struktūriškai nėra sinonimas ištisinio teksto juodajam langeliui „ChatGPT“. 2022 m. pabaigoje „ChatGPT“ taip pat atrodė, kaip magija, nes „Open AI“ nenurodė šaltinių, net jei juos buvo galima peržiūrėti. „Perplexity“ ir kitos LLM pagrįstos žiniatinklio paieškos, tokios, kaip „Bing's Copilot“, klesti dėl to, kad jos sintezuoja rezultatą, tačiau vartotojas gali patikrinti jų informacijos šaltinius. Nes jie yra nurodyti.

 

     Antrasis aspektas, kurį sužinome apie AI sektorių „Perplexity“, yra darbo pasidalijimas. Naudodamas GPT-4, Open AI vis dar yra LLM rinkos lyderis ir kokybės lyderis. Tačiau dėl ypatingų santykių su „Microsoft“, GPT-4 per „Azure“ pasiekiamas visai ekonomikai per sąsają už vartotojo mokestį. Tai taip pat taikoma „Anthropic“, kurios „Claude 2“ galima rasti AWS. Tai reiškia, kad tokios įmonės, kaip „Perplexity“ gali naudoti geriausius rinkoje turimus modelius, kad sukurtų savo produktus ant jų.

 

     Be to, Perplexity ir Co. gali derinti skirtingų modelių tiekėjų modelius. Ir: taip pat galite derinti šiuos patentuotus modelius su savo ir trečiųjų šalių atvirojo kodo modeliais. 2023 m. lapkritį „Perplexity“ pristatė du savo modelius, pagamintus „Meta Llama“ ir „Mistral“ iš Paryžiaus pagrindu. Šiuos į žiniatinklio paiešką orientuotus modelius „Perplexity“ sumaniai vadina „Online LLM“.

 

     Priešingai, viskas Open AI pasiūlyme yra pagrįsta tik Open AI modeliais. Tai nėra problema, kol Open AI yra priešakyje, kai kalbama apie modelių kokybę. Šiuo metu tai galite pamatyti „Google“. Viskas, ką „Google“ kuria naudodama AI, žinoma, yra pagrįsta „Google“ AI modeliais. Kol „Google“ „Gemini“ nėra priešakyje pagal kokybę, „Google“ dirbtinio intelekto produktai taip pat neaplenks.

 

     Organizacinis produkto ir pagrindo modelio atskyrimas suteikia naujoms įmonėms dabartinėje LLM debesų kompiuterijos aplinkoje struktūrinį pranašumą, nes jie gali pasirinkti ir derinti geriausius modelius. Žinoma, šio licencijavimo trūkumas yra susijusi priklausomybė nuo modelio tiekėjų, kai kalbama apie modelio savybes ir sąnaudų struktūras. Čia taip pat „Perplexity“ parodo, ką įmonės gali dėl to padaryti. Jie lygiagrečiai kuria savo modelius, tikėdamosi, kad pavyks po truputį sumažinti priklausomybę.

 

     Didžiausias iššūkis „Perplexity“ taip pat yra didžiausias iššūkis visam AI sektoriui. Dirbtinio intelekto paslaugos dažnai siūlo geresnę kokybę, nei nustatytos paslaugos. Tačiau ši savybė vartotojams dažnai išryškėja tik tada, kai jie pripranta prie kitokio atitinkamos užduoties sprendimo būdo. Šis būtinas elgesio pokytis ir įmonės lygmeniu būtinas proceso pokytis yra didžiausia kliūtis, naudojant AI. Likusią dalį atlieka mokymo ir išvadų išlaidos, o tai reiškia, kad šios paslaugos negali būti siūlomos nemokamai ir finansuojamos iš reklamos; tai yra, jei nesate „Microsoft“. Kaip ir „Perplexity“, ši sąnaudų struktūra visada reiškia, kad geriausia produkto versija yra už mokėjimo barjero. Ir jis vis dar yra gana didelis, kaip šiandien įprasta vartotojų AI dėl didelių išlaidų: 22 eurai per mėnesį arba 229 eurai per metus. Labai mažai klientų peršoka šią labai aukštą kliūtį.

 

    Perplexity pranoksta „Google“ beveik visų tipų žiniatinklio paieškose. Dažnai net pagal matmenis. „Perplexity“ taip pat leidžia atlikti naujų tipų paieškas, kurių dar negalima padaryti, naudojant „Google“ ar net „Bing's Copilot“. Tai yra startuolių pranašumas prieš korporacijas. Visa organizacija yra orientuota į vieną produktą ir stengiasi ten įdiegti geriausią klientų patirtį. Per mažai žmonių žino, koks geras produktas yra šio darbo rezultatas. Ir artimiausiu metu niekas nepasikeis.

 

     Kaip ir bet kuris naujas produktas, „Perplexity“ taip pat kovoja su įprastu galutiniu priešu: klientų inercija, kuri atsiduria nusistovėjusios konkurencijos rankose. Įpročiai nepasikeičia per naktį. Net ir naudojant dirbtinį intelektą, klasikiniai jaunų įmonių iššūkiai su naujais produktais išlieka tie patys." [1]

 

1. Europa übernimmt Führung bei Investitionen in Climate Tech. Frankfurter Allgemeine Zeitung (online) Frankfurter Allgemeine Zeitung GmbH. Jan 9, 2024. Von Holger Schmidt