Unter Prompt Enrichment versteht man die automatische oder halbautomatische Verbesserung der ursprünglichen Eingabeaufforderung eines Nutzers, bevor sie an ein Modell der Künstlichen Intelligenz (KI), insbesondere an Large Language Models (LLMs), weitergegeben wird. Das Ziel ist es, relevanten Kontext hinzuzufügen, Mehrdeutigkeiten zu klären, Einschränkungen aufzuerlegen oder spezifische Details einzubauen, die der KI helfen, eine genauere, relevantere und nützlichere Antwort zu geben. Diese Technik verbessert die Qualität der Interaktion zwischen Nutzern und KI-Systemen, indem sie die Prompts effektiver macht, ohne dass der Nutzer ein Experte für Prompt Engineering sein muss.
So funktioniert Prompt Enrichment
Der Prozess umfasst in der Regel die Analyse der ursprünglichen Eingabeaufforderung und die Nutzung zusätzlicher Informationsquellen oder vordefinierter Regeln, um sie zu erweitern. Dies kann den Zugriff auf die Benutzerhistorie, das Abrufen relevanter Dokumente aus einer Wissensdatenbank, die Einbeziehung des Konversationskontexts oder die Anwendung spezifischer Formatierungsanweisungen beinhalten. Zum Beispiel könnte eine vage Aufforderung wie "Erzähl mir etwas über Ultralytics YOLO" mit Kontext angereichert werden, der angibt, dass der Nutzer an der neuesten Version(YOLOv11) oder der Leistung im Vergleich zu anderen Modellen wie YOLOv8. Häufig werden Techniken wie Retrieval-Augmented Generation (RAG) eingesetzt, bei denen das System relevante Datenschnipsel abruft und sie dem Kontextfenster der Eingabeaufforderung hinzufügt.
Anwendungen und Beispiele
Promptes Enrichment findet Anwendung bei verschiedenen KI-gesteuerten Aufgaben:
- Chatbots für den Kundendienst: Eine Benutzeranfrage wie "Meine Bestellung ist nicht angekommen" kann automatisch mit der aktuellen Bestell-ID, der Lieferadresse und dem voraussichtlichen Lieferdatum aus einer Datenbank angereichert werden. Auf diese Weise kann der Chatbot sofort eine konkrete und hilfreiche Antwort geben, anstatt weitere Fragen zu stellen. So werden kontextbezogene Daten genutzt, ähnlich wie bei virtuellen Assistenten.
- Tools zur Inhaltserstellung: Ein Nutzer könnte fragen: "Schreibe eine E-Mail, in der ein neues Produkt angekündigt wird." Das System könnte diese Aufforderung um Details zur Sprache des Unternehmens (z. B. formell, leger), zur Zielgruppe (z. B. bestehende Kunden, potenzielle Kunden), zu den wichtigsten Produktmerkmalen und zu einer Handlungsaufforderung auf der Grundlage von vordefinierten Kampagnenzielen oder Vorlagen ergänzen. Dies führt zu einer maßgeschneiderten Texterstellung.
Prompt Enrichment vs. Verwandte Konzepte
Es ist wichtig, die prompte Anreicherung von ähnlichen Begriffen zu unterscheiden:
- Prompt Engineering: Dies ist die umfassendere Praxis, effektive Prompts manuell zu entwerfen und zu erstellen. Die Anreicherung von Prompts ist oft eine automatisierte Technik, die im Rahmen einer größeren Prompt-Engineering-Strategie eingesetzt wird.
- Prompt Tuning: Dabei werden "weiche Prompts" erlernt oder die Einbettung der Eingaben während der Feinabstimmung des Modells geändert, anstatt den Textprompt selbst zu verändern. Dies ist eine Form der parameter-effizienten Feinabstimmung (PEFT).
- Retrieval-Augmented Generation (RAG): RAG ist eine spezielle Methode, die häufig zur Anreicherung von Prompts verwendet wird. Sie konzentriert sich darauf, externe Informationen abzurufen, um den Kontext des Prompts zu erweitern.
Während das Konzept bei traditionellen Computer Vision Aufgaben wie der Standard-Objekterkennung weniger verbreitet ist, ist es für neuere Promptable Vision Modelle wie YOLOE relevant, die Text- oder Bildaufforderungen verwenden, die möglicherweise von einer kontextuellen Anreicherung für eine verbesserte Zero-Shot-Leistung profitieren könnten. Plattformen wie Ultralytics HUB könnten solche Techniken einbauen, um die Benutzerinteraktion bei der Definition komplexer Bildverarbeitungsaufgaben zu vereinfachen.
DE
EN
ZH
KO
JA
RU
FR
ES
PT
IT
AR
TR
VI
