Ο Andrew Ng υπερασπίζεται την τεχνική των «τεμπέλικων» υποδείξεων στην εποχή της έξυπνης Τεχνητής Νοημοσύνης

Ο Andrew Ng υπερασπίζεται την τεχνική των «τεμπέλικων» υποδείξεων στην εποχή της έξυπνης Τεχνητής Νοημοσύνης
Photo: Shutterstock
Ο πρωτοπόρος του κλάδου εξηγεί γιατί το να δίνουμε λιγότερες οδηγίες στα μοντέλα Τεχνητής Νοημοσύνης—το λεγόμενο lazy prompting—μπορεί να είναι πιο αποτελεσματικό, ειδικά σε εργασίες όπως το debugging κώδικα.

Ο Andrew Ng, καθηγητής στο Πανεπιστήμιο Stanford και πρώην επικεφαλής της Google Brain, υποστήριξε πρόσφατα ότι η χρήση «τεμπέλικων» προτροπών (lazy prompting) προς τα μεγάλα γλωσσικά μοντέλα (LLMs) μπορεί να είναι όχι μόνο αποδεκτή, αλλά και ιδιαίτερα αποτελεσματική σε πολλές περιπτώσεις. Σε ανάρτησή του στην πλατφόρμα X (πρώην Twitter), ο Ng εξήγησε ότι ενώ οι περισσότερες οδηγίες χρήσης για τα LLMs προτείνουν εκτενή και λεπτομερή prompts, υπάρχουν σενάρια στα οποία η λιτότητα είναι πιο πρακτική και αποδοτική.

Το λεγόμενο lazy prompting σημαίνει ότι ο χρήστης δίνει πολύ περιορισμένο πλαίσιο ή και καθόλου οδηγίες στο μοντέλο, βασιζόμενος στην ικανότητά του να καταλαβαίνει το νόημα και την πρόθεση από μόνο του. Ο Ng ανέφερε χαρακτηριστικά το παράδειγμα των προγραμματιστών, οι οποίοι συχνά απλώς επικολλούν μηνύματα σφαλμάτων (error messages) —μερικές φορές σελίδες ολόκληρες— σε ένα LLM χωρίς να εξηγούν τι ακριβώς θέλουν. Παρ’ όλα αυτά, τα σύγχρονα μοντέλα είναι αρκετά έξυπνα ώστε να κατανοούν ότι τους ζητείται να βοηθήσουν στην ανάλυση και επίλυση προβλημάτων.

Η μέθοδος αυτή αξιοποιεί την αυξανόμενη ικανότητα των LLMs να προβαίνουν σε επαγωγική σκέψη και να εξάγουν νόημα χωρίς να τους παρέχεται λεπτομερές πλαίσιο. Οι developers των υποδομών Τεχνητής Νοημοσύνης (AI) εργάζονται όλο και περισσότερο για να κάνουν τα μοντέλα πιο «διαισθητικά», ώστε να αναγνωρίζουν την πρόθεση πίσω από ένα prompt ακόμη και όταν δεν διατυπώνεται ρητά.

ΔΙΑΒΑΣΤΕ ΑΚΟΜΑ

Ωστόσο, ο Ng τόνισε ότι το lazy prompting είναι μια πιο προχωρημένη τεχνική που δεν λειτουργεί πάντα. Είναι πιο αποτελεσματική όταν ο χρήστης έχει τη δυνατότητα να επαναλάβει άμεσα το prompt μέσα από ένα διαδραστικό interface, όπως ένα web app. Αντίθετα, σε περιπτώσεις που απαιτείται λεπτομερής απάντηση ή όταν το μοντέλο δεν είναι σε θέση να εντοπίσει π.χ. κρυφά σφάλματα στον κώδικα, τότε είναι απαραίτητο το πλήρες πλαίσιο και η σαφής καθοδήγηση.

Το lazy prompting συνδέεται με μια ευρύτερη εξέλιξη στην αλληλεπίδραση ανθρώπων και τεχνητής νοημοσύνης, ιδίως στον προγραμματισμό. Μια σχετική τάση που έχει αποκτήσει δημοτικότητα στη Silicon Valley και αλλού είναι το λεγόμενο «vibe coding» — μια μέθοδος όπου οι χρήστες δίνουν ασαφείς, συχνά συναισθηματικού χαρακτήρα εντολές στη φυσική γλώσσα, και τα LLMs δημιουργούν κώδικα βασισμένο σε αυτές.

Σε αυτό το πλαίσιο, ο Ng ξεκίνησε πρόσφατα και ένα δωρεάν εισαγωγικό μάθημα με τίτλο “Vibe Coding 101”, με στόχο να εκπαιδεύσει αρχάριους στο πώς να χρησιμοποιούν εργαλεία γενετικής τεχνητής νοημοσύνης για την παραγωγή και διαχείριση κώδικα.

Όπως επεσήμανε ο Ng, η τάση ανάμεσα στους ηγέτες της τεχνολογικής καινοτομίας είναι να δημιουργούν εργαλεία που απαιτούν λιγότερη επεξήγηση και περισσότερο «διάλογο» με τον χρήστη. Αν και η μέθοδος του lazy prompting δεν είναι κατάλληλη για κάθε περίπτωση, αποτελεί ισχυρό εργαλείο για τους εξοικειωμένους χρήστες που μπορούν να πειραματιστούν με την απόδοση του LLM και να αξιοποιήσουν τις διαισθητικές του ικανότητες.

ΔΙΑΒΑΣΤΕ ΠΕΡΙΣΣΟΤΕΡΕΣ ΕΙΔΗΣΕΙΣ:

Πηγή: Business Insider