Enriquecimento de prompts

Como funciona o Enriquecimento por Prompt

Normalmente, o processo envolve a análise do pedido original e a utilização de fontes de informação adicionais ou regras predefinidas para o aumentar. Isto pode incluir o acesso ao histórico do utilizador, a recuperação de documentos relevantes de uma base de conhecimentos, a incorporação do contexto da conversa ou a aplicação de instruções de formatação específicas. Por exemplo, um pedido vago como "Fala-me do Ultralytics YOLO" pode ser enriquecido com o contexto que especifica que o utilizador está interessado na versão mais recente(YOLOv11) ou no seu desempenho em comparação com outros modelos como YOLOv8. São frequentemente utilizadas técnicas como a Retrieval-Augmented Generation (RAG), em que o sistema vai buscar excertos de dados relevantes e adiciona-os à janela de contexto do pedido.

Aplicações e exemplos

O enriquecimento imediato encontra aplicações em várias tarefas orientadas para a IA:

1. Chatbots de apoio ao cliente: Uma consulta do utilizador como "A minha encomenda não chegou" pode ser automaticamente enriquecida com a ID da encomenda recente do utilizador, a morada de envio e a data de entrega estimada recuperadas de uma base de dados. Isto permite que o chatbot forneça imediatamente uma atualização específica e útil, em vez de fazer perguntas de esclarecimento. Isto aproveita os dados contextuais de forma semelhante à forma como os assistentes virtuais funcionam.
2. Ferramentas de criação de conteúdo: Um utilizador pode pedir: "Escreve um e-mail a anunciar um novo produto." O sistema pode enriquecer este pedido adicionando detalhes sobre a voz da marca da empresa (por exemplo, formal, informal), o público-alvo (por exemplo, clientes existentes, potenciais clientes potenciais), as principais caraterísticas do produto a destacar e uma chamada para ação, com base em objectivos ou modelos de campanha predefinidos. Isto leva a uma geração de texto mais personalizada.

Enriquecimento do prompt vs. Conceitos relacionados

É importante distinguir o enriquecimento imediato de termos semelhantes:

• Engenharia de prompts: Esta é a prática mais alargada de conceber e criar manualmente prompts eficazes. O enriquecimento de prompts é frequentemente uma técnica automatizada utilizada numa estratégia de engenharia de prompts mais alargada.
• Afinação de avisos: Envolve a aprendizagem de "prompts suaves" ou a modificação de embeddings de entrada durante o ajuste fino do modelo, em vez de alterar o próprio prompt textual. É uma forma de afinação eficiente de parâmetros (PEFT).
• Geração Aumentada por Recuperação (RAG): O RAG é um método específico frequentemente utilizado para o enriquecimento de mensagens, centrado na recuperação de informações externas para melhorar o contexto da mensagem, particularmente útil para tarefas que exigem conhecimentos actualizados ou específicos de um domínio, tal como explorado em alguma investigação avançada sobre IA.

Embora seja menos comum em tarefas tradicionais de visão por computador, como a deteção de objectos padrão, o conceito é relevante para modelos de visão mais recentes, como o YOLOE, que utilizam avisos de texto ou imagem que podem beneficiar potencialmente do enriquecimento contextual para um melhor desempenho de zero-shot. Plataformas como o Ultralytics HUB poderiam potencialmente incorporar essas técnicas para simplificar a interação do utilizador ao definir tarefas de visão complexas.