การประยุกต์ใช้เทคนิค prompt engineering

Amazon Bedrock เบื้องต้น

Nikhil Rangarajan

Data Scientist

Few-shot learning

Few-shot learning คืออะไร?
- เทคนิคการให้ตัวอย่างในพรอมต์เพื่อแนะนำโมเดล
- ช่วยให้โมเดลเข้าใจรูปแบบและตอบสนองได้แม่นยำขึ้น
ประโยชน์หลัก:
- ลดความคลุมเครือในพรอมต์
- ได้ผลลัพธ์ที่สม่ำเสมอและแม่นยำขึ้น

แผนภาพแสดงแนวคิดการเรียนรู้จากตัวอย่าง

Few-shot learning กับโมเดล

prompt = """Here are examples of AWS service summaries:

Service: Amazon S3
Summary: Object storage service for storing and retrieving any amount of data.

Service: Amazon EC2
Summary: Virtual servers in the cloud for running applications.

Now, write a similar summary for:
Service: AWS Lambda\n\nSummary:"""

การจัดรูปแบบผลลัพธ์แบบมีโครงสร้างคืออะไร?

จัดรูปแบบการตอบสนองของโมเดลให้ชัดเจนและคาดเดาได้
เหมาะสำหรับงานอัตโนมัติและการดึงข้อมูล

การควบคุมรูปแบบการตอบสนอง

ระบุโครงสร้างผลลัพธ์ที่ต้องการ
ใช้ตัวคั่นที่ชัดเจนเพื่อการแยกวิเคราะห์
กำหนดข้อจำกัดของรูปแบบ

prompt = """Analyze AWS Lambda and provide output in this format:
DESCRIPTION:[2-3 sentence description]
KEY FEATURES:
- [feature 1]
- [feature 2]
USE CASES:
1. [use case 1]
2. [use case 2]"""

การสร้างพรอมต์ที่มีประสิทธิภาพ

ผสมตัวอย่าง few-shot เข้ากับ system prompt
ใช้รูปแบบที่มีโครงสร้างร่วมกับตัวอย่าง
ซ้อนเทคนิคหลายอย่างเพื่อผลลัพธ์ที่ดีขึ้น

prompt = """You are an AWS technical writer. 
Here's an example of how to document APIs:
API: GetItem
Format: - Purpose: [one line], 
- Parameters: [list], 
- Returns: [description]
Now document the following API:
API: PutItem"""

มาฝึกกันเถอะ!

Amazon Bedrock เบื้องต้น