# Как заработать $335 000 на запросах к ИИ: гайд Ани Кубоу

Источник: https://www.youtube.com/watch?v=_ZvnD73m40o
Канал: freeCodeCamp.org
Опубликовано: 05.09.2023

---

Аня Кубоу сообщает: по данным Bloomberg, компании готовы платить специалистам по промпт-инжинирингу до 335 000 долларов в год. Эта профессия не требует обязательных навыков программирования и фокусируется на оптимизации взаимодействия человека с искусственным интеллектом.

## 🛠️ Суть и задачи промпт-инжиниринга
[[JUMP:01:31]]

Промпт-инжиниринг возник как ответ на развитие систем искусственного интеллекта (ИИ). Специалист в этой области занимается написанием, уточнением и оптимизацией текстовых запросов в структурированном виде [01:34]. Его цель — довести взаимодействие между человеком и нейросетью до максимально эффективного уровня. 

В обязанности промпт-инженера входят следующие задачи:

*   Постоянный мониторинг эффективности существующих промптов.
*   Обновление библиотеки запросов по мере развития моделей ИИ [02:02].
*   Составление отчетов о результатах тестирования.
*   Выполнение роли идейного лидера в области использования языковых моделей.

Аня Кубоу подчеркивает, что современные архитекторы ИИ иногда сами с трудом контролируют выдачу своих систем. Промпт-инжиниринг помогает управлять этим процессом через точные инструкции [03:52].

## 🧠 Основы машинного обучения и лингвистики
[[JUMP:02:17]]

Искусственный интеллект представляет собой симуляцию человеческих процессов мышления с помощью машин [02:15]. Текущие инструменты, такие как ChatGPT, работают на базе машинного обучения. Они анализируют огромные массивы данных для поиска корреляций и закономерностей [02:43].

Ключевую роль в работе с промптами играет лингвистика. Для качественного результата необходимо понимать несколько аспектов языка:

*   Синтаксис: структура предложений.
*   Семантика: значение языковых единиц.
*   Прагматика: использование языка в конкретном контексте [07:09].
*   Компьютерная лингвистика: обработка человеческого языка компьютерами.

Модели обучаются на стандартных грамматических структурах. Использование универсальных языковых стандартов в промптах повышает точность ответов системы [07:50].

## 📜 Эволюция языковых моделей
[[JUMP:08:04]]

История текстовых интерфейсов началась с программы Eliza, созданной Джозефом Вайценбаумом в MIT в период с 1964 по 1966 год [10:22]. Она имитировала работу психотерапевта, используя метод сопоставления с образцом. Eliza не понимала смысл слов, а лишь перефразировала утверждения пользователя в вопросы [11:41].

Развитие технологии прошло через несколько вех:

*   1970-е: появление программы SHRDLU, взаимодействовавшей с виртуальным миром блоков [12:48].
*   2010-е: начало использования глубокого обучения и нейронных сетей.
*   2018 год: OpenAI выпустила первую версию GPT [13:26].
*   2020 год: выход GPT-3 с 175 миллиардами параметров [13:51].

Современная модель GPT-4 обучается практически на всем массиве данных из интернета [14:16].

## 💡 Эффективные практики написания запросов
[[JUMP:20:41]]

Промпт-инжиниринг — это не просто написание одного предложения, а научный подход к коммуникации. Аня Кубоу сравнивает этот навык с умением эффективно пользоваться поиском Google [14:56].

Для улучшения результатов рекомендуется использовать следующие методы:

*   Детализация: не пишите «когда выборы», уточняйте — «когда пройдут следующие президентские выборы в Польше?» [22:39].
*   Указание контекста: вместо абстрактного запроса кода опишите язык программирования и структуру данных.
*   Назначение роли: попросите ИИ действовать как учитель английского или опытный писатель [26:47].
*   Ограничение формата: задавайте лимиты по количеству слов или требуйте вывод в виде списка [25:37].

Использование персонажа меняет качество текста. Запрос написать стих от лица 25-летней поэтессы в стиле Рупи Каур дает более личный и глубокий результат, чем общая просьба [28:18].

## 🎯 Продвинутые техники: Zero-shot и Few-shot
[[JUMP:31:20]]

Существует два основных подхода к обучению модели через промпт. Zero-shot подразумевает запрос без примеров. Модель опирается на свои внутренние знания, накопленные при обучении [32:17].

Few-shot prompting предполагает передачу нескольких примеров данных прямо в тексте запроса [32:46]. Это необходимо в случаях, когда информация специфична:

*   Обучение ИИ вашим личным предпочтениям в еде [33:54].
*   Передача корпоративных стандартов написания текстов.
*   Демонстрация специфического стиля программирования.

После предоставления примеров модель способна давать рекомендации, учитывая индивидуальный контекст пользователя [34:40].

## ⚠️ Галлюцинации и технические аспекты
[[JUMP:35:06]]

ИИ может выдавать необычные или ложные результаты, называемые галлюцинациями. Это происходит, когда модель неверно интерпретирует данные или пытается заполнить пробелы в знаниях творческим путем [35:32]. Примером визуальных галлюцинаций является проект Google Deep Dream. В текстовых моделях галлюцинации могут проявляться в выдумывании исторических фактов или биографий [36:52].

Для понимания того, как ИИ «видит» текст, Аня Кубоу вводит понятие текстовых эмбеддингов. Это процесс преобразования слов в многомерные векторы — массивы чисел [37:46].

*   Вектор фиксирует семантическое (смысловое) значение слова.
*   Это позволяет компьютеру понимать, что слова «бургер» и «еда» близки по смыслу.
*   Обычный поиск по словарю (лексикографический) выдал бы слово «единица» как похожее на «еда», что бесполезно для смысла [38:23].

OpenAI предоставляет API для создания таких эмбеддингов. Это позволяет разработчикам сравнивать разные фрагменты текста и находить наиболее похожие по смыслу значения [40:46].