São Paulo — InkDesign News —
Pesquisas em machine learning e inteligência artificial estão revelando novas maneiras de interagir com modelos generativos, destacando a importância dos inputs dados pelos usuários na produção de resultados mais eficazes.
Contexto da pesquisa
Pesquisadores da Universidade Carnegie Mellon propuseram uma nova técnica para ensinar usuários comuns a elaborar prompts mais eficientes para modelos de inteligência artificial generativa. Com a evolução dos modelos de linguagem, a habilidade de programar pode se tornar menos crucial, enquanto a experiência em engenharia de prompts pode ganhar destaque.
Método proposto
A abordagem, chamada Requirement-Oriented Prompt Engineering (ROPE), incentiva os usuários a fornecer instruções claras e específicas sobre o que a IA deve realizar. O estudo, intitulado “O que devemos engenheirar em prompts? Treinando humanos no uso orientado por requisitos de LLM”, destaca a importância dessa técnica na interação com modelos de linguagem de grande escala (LLMs).
“Você precisa conseguir dizer ao modelo exatamente o que deseja. Não pode esperar que ele adivinhe suas necessidades personalizadas.”
(“You need to be able to tell the model exactly what you want. You can’t expect it to guess all your customized needs.”)— Christina Ma, Estudante de doutorado, Instituto de Interação Humano-Computador
Resultados e impacto
Os pesquisadores realizaram um experimento com 30 participantes, onde metade foi treinada na técnica ROPE e a outra metade assistiu a um tutorial no YouTube. Ao comparar os resultados antes e depois, notou-se que os que receberam o treinamento ROPE obtiveram uma melhora de 20% em suas pontuações, em contraste com apenas 1% do outro grupo.
“Não apenas propusemos um novo framework para ensinar engenharia de prompts, mas também criamos uma ferramenta de treinamento para avaliar como os participantes se saem e quão bem o paradigma funciona.”
(“We not only proposed a new framework for teaching prompt engineering but also created a training tool to assess how well participants do and how well the paradigm works.”)— Ken Koedinger, Professor na HCII
Isso ilustra uma mudança paradigmática na forma como o software é desenvolvido, onde usuários sem formação em programação podem, efetivamente, construir aplicativos e chatbots. Os pesquisadores também disponibilizaram suas ferramentas de treinamento de forma aberta, visando aumentar a acessibilidade da engenharia de prompts para não especialistas. A aplicação dessa técnica pode permitir que um público mais amplo utilize LLMs, expandindo as possibilidades criativas e tecnológicas.
Fonte: (TechXplore – Machine Learning & AI)
