Enrichissement des messages-guides

Comment fonctionne l'enrichissement par l'exemple ?

Le processus consiste généralement à analyser l'invite originale et à exploiter des sources d'informations supplémentaires ou des règles prédéfinies pour l'enrichir. Il peut s'agir d'accéder à l'historique de l'utilisateur, de récupérer des documents pertinents dans une base de connaissances, d'intégrer le contexte de la conversation ou d'appliquer des instructions de formatage spécifiques. Par exemple, une question vague comme "Parlez-moi d'Ultralytics YOLO" pourrait être enrichie par un contexte spécifiant que l'utilisateur est intéressé par la dernière version(YOLOv11) ou par ses performances comparées à celles d'autres modèles comme YOLOv8. Des techniques telles que la génération améliorée par récupération (RAG) sont souvent employées, où le système récupère des bribes de données pertinentes et les ajoute à la fenêtre contextuelle de l'invite.

Applications et exemples

L'enrichissement rapide trouve des applications à travers diverses tâches pilotées par l'IA :

1. Chatbots d'assistance à la clientèle : Une requête d'utilisateur telle que "Ma commande n'est pas arrivée" peut être automatiquement enrichie avec l'identifiant de commande récent de l'utilisateur, l'adresse de livraison et la date de livraison estimée récupérés dans une base de données. Cela permet au chatbot de fournir immédiatement une mise à jour spécifique et utile, plutôt que de poser des questions de clarification. Cela permet d'exploiter les données contextuelles de manière similaire au fonctionnement des assistants virtuels.
2. Outils de création de contenu : Un utilisateur peut demander : "Écrire un courriel annonçant un nouveau produit." Le système pourrait enrichir cette invite en ajoutant des détails sur la voix de la marque de l'entreprise (par exemple, formelle, décontractée), le public cible (par exemple, les clients existants, les prospects potentiels), les principales caractéristiques du produit à mettre en évidence et un appel à l'action, en fonction d'objectifs ou de modèles de campagne prédéfinis. Cela permet de générer des textes plus personnalisés.

Enrichissement des messages-guides et concepts connexes

Il est important de distinguer l'enrichissement rapide des termes similaires :

• Ingénierie des messages-guides: Il s'agit d'une pratique plus large qui consiste à concevoir et à élaborer manuellement des messages-guides efficaces. L'enrichissement des messages-guides est souvent une technique automatisée utilisée dans le cadre d'une stratégie plus large d'ingénierie des messages-guides.
• Ajustement des messages-guides: Il s'agit d'apprendre des "invites douces" ou de modifier l'intégration des entrées pendant le réglage fin du modèle plutôt que de modifier l'invite textuelle elle-même. Il s'agit d'une forme de paramétrage fin efficace (PEFT).
• Génération améliorée par récupération (RAG): La RAG est une méthode spécifique souvent utilisée pour l'enrichissement de l'invite, axée sur la récupération d'informations externes pour améliorer le contexte de l'invite, particulièrement utile pour les tâches nécessitant des connaissances actualisées ou spécifiques à un domaine, telles qu'elles sont explorées dans certaines recherches avancées sur l'IA.

Bien que moins courant dans les tâches traditionnelles de vision par ordinateur telles que la détection d'objets standard, le concept est pertinent pour les nouveaux modèles de vision prompts comme YOLOE, qui utilisent des invites textuelles ou imagées qui pourraient potentiellement bénéficier d'un enrichissement contextuel pour améliorer les performances du zéro pointé. Des plateformes comme Ultralytics HUB pourraient potentiellement intégrer de telles techniques pour simplifier l'interaction avec l'utilisateur lors de la définition de tâches de vision complexes.