ลึกลงไปในฮาร์ดแวร์: ChatGPT ทำงานอย่างไร (ไม่มีศัพท์เฉพาะ แค่ข้อเท็จจริง)

หากคุณเคยใช้ AI เขียนอีเมล แปลข้อความ หรือสรุปรายงาน คุณคงเคยพบกับ ChatGPT บทความนี้อธิบายวิธีการทำงานของมันด้วยภาษาง่ายๆ ไม่มีเวทมนตร์ ไม่มีการสร้างภาพ เพียงกลไก: วิธีการที่โมเดลถูกฝึกฝน วิธีเปลี่ยนคำของคุณให้เป็นคำตอบ เหตุใดบางครั้งมันจึงทำผิดพลาด และวิธีการได้ผลลัพธ์ที่ดียิ่งขึ้น ในบทความนี้ เราจะยกตัวอย่างที่ใช้ได้จริงที่คุณสามารถลองได้วันนี้และกฎง่ายๆ ที่จะช่วยให้คุณหลีกเลี่ยงปัญหา เมื่อใดก็ตามที่เราใช้คำว่า ChatGPT ให้สันนิษฐานว่าเราหมายถึงตระกูลของโมเดลภาษาทรานส์ฟอร์เมอร์สมัยใหม่ที่พลังงานผลิตภัณฑ์ที่คุณใช้ในแอปหรือผ่าน API

อะไรที่ทำให้ ChatGPT ทำงาน

คิดถึงระบบนี้ว่าเป็นนักสังเกตลวดลายขนาดใหญ่ มันอ่านคำกระตุ้นของคุณ แบ่งมันเป็นชิ้นเล็ก ๆ ที่เรียกว่าโทเค็น และทำนายว่าจะต้องมีอะไรต่อไป มันทำเช่นนี้ซ้ำแล้วซ้ำอีกทีละขั้นตอนจนกว่าจะสร้างคำตอบที่สมบูรณ์ ข้างหลังฉากมีเครือข่ายประสาทลึกที่มีพารามิเตอร์นับพันล้านชุดซึ่งประเมินความเป็นไปได้ทั้งหมดและเลือกลำดับที่เป็นไปได้ นี่คือทั้งหมดที่ “ปัญญา” หมายถึงที่นี่: การทำนายลวดลายที่รวดเร็วมากที่เรียนรู้จากการฝึกฝน เมื่อผู้คนพูดว่า ChatGPT “เข้าใจ” คุณ หมายถึงลวดลายที่มันเรียนรู้ มาตรการทำงานร่วมกับคำพูดของคุณพอที่จะสร้างข้อความที่เป็นประโยชน์ได้ เนื่องจากกลไกเดียวกันนี้ทำงานบนโค้ด ตาราง และมาร์กดาวน์ คุณสามารถขอให้ ChatGPT เขียน SQL ทำความสะอาดไฟล์ CSV หรือสร้างเค้าโครง JSON ได้เหมือนกับที่มันเขียนบทกวีหรือแผนงาน

สรุปโดยใช้ภาษาอังกฤษแบบตรงไปตรงมา

ก่อนที่เราจะลงรายละเอียด นี่คือเวอร์ชันสั้น โมเดล AI สมัยใหม่ได้รับการฝึกฝนจากข้อความจำนวนมากและข้อมูลอื่น ๆ ในระหว่างการฝึกเรียนรู้ โมเดลเรียนรู้ที่จะทำนายโทเค็นถัดไปในลำดับ ในระหว่างการปรับละเอียด มันถูกผลักดันให้มีประโยชน์ ซื่อสัตย์ และปลอดภัยมากขึ้น ในระหว่างการทำงานจริง คำกระตุ้นของคุณจะผ่านโทเค็นเซอร์ ไหลผ่านเครือข่ายทรานส์ฟอร์เมอร์ และออกมาเป็นโทเค็นที่ถูกถอดรหัสกลับมาเป็นคำ ส่วนที่เหลือทั้งหมด—เครื่องมือ รูปภาพ เสียง และการท่องเน็ต—ถูกซ้อนบนรอบฐานดังกล่าว ถ้าคุณจำได้เพียงสิ่งเดียว จำสิ่งนี้: มันคือวงจรที่รวดเร็วของการทำนายหนึ่งโทเค็น แล้วทำนายโทเค็นถัดไป

การฝึก 101: ข้อมูล โทเค็น และลวดลาย

แหล่งข้อมูล. โมเดลเรียนรู้จากส่วนผสมของข้อมูลที่มีลิขสิทธิ์ ข้อมูลที่สร้างโดยผู้ฝึกมนุษย์ และเนื้อหาที่มีอยู่สาธารณะ เป้าหมายไม่ใช่การจดจำหน้า; แต่เรียนรู้ลวดลายทางสถิติข้ามหลายสไตล์และโดเมน

โทเค็น. คอมพิวเตอร์ไม่ได้ “มองเห็น” คำเหมือนที่เราทำ พวกมันใช้โทเค็น—สายอักขระที่สั้น “Apple,” “apples,” และ “applet” แปลงเป็นลวดลายโทเค็นที่ซ้อนกัน โมเดลทำนายโทเค็น ไม่ใช่ตัวอักษรหรือคำเต็ม ๆ นั่นเป็นเหตุผลที่บางครั้งมันสร้างถ้อยคำแปลก ๆ ออกมา: คณิตศาสตร์ทำงานอยู่บนโทเค็น

ขนาด. การฝึกใช้แบทช์ขนาดใหญ่บนฮาร์ดแวร์ที่เชี่ยวชาญ ข้อมูลและการคำนวณที่มากขึ้นทำให้โมเดลสามารถจับลวดลายที่กว้างขึ้น (ไวยากรณ์ ข้อเท็จจริง สไตล์การเขียน โครงสร้างโค้ด) แต่ขนาดเพียงอย่างเดียวไม่รับประกันคุณภาพ วิธีการคัดกรองข้อมูลและรูปแบบการฝึกมีความสำคัญพอ ๆ กับขนาดดิบ

การทั่วไป. ผลลัพธ์หลักคือการทั่วไป โมเดลเรียนรู้จากตัวอย่างนับล้าน และนำลวดลายเหล่านั้นไปใช้กับคำกระตุ้นแบรนด์ใหม่ มันไม่สามารถ “ดู” ฐานข้อมูลส่วนตัวได้เว้นแต่คุณจะเชื่อมต่อมัน และมันไม่มีความจำส่วนตัวของผู้ใช้เว้นแต่จะให้ในเซสชันปัจจุบันหรือตามเครื่องมือที่รวมอยู่

ความปลอดภัย. ตัวกรองเนื้อหาและนโยบายความปลอดภัยถูกซ้อนรอบ ๆ โมเดลเพื่อให้คำกระตุ้นที่เป็นอันตรายถูกปฏิเสธและหัวข้อที่ละเอียดอ่อนได้รับการจัดการอย่างระมัดระวัง

ทรานส์ฟอร์เมอร์ แบบง่าย

ทรานส์ฟอร์เมอร์เป็นสถาปัตยกรรมหลัก เครือข่ายก่อนหน้านี้อ่านข้อความจากซ้ายไปขวา ทรานส์ฟอร์เมอร์อ่านทุกอย่างแบบขนานและใช้ ความใส่ใจในตัวเอง เพื่อวัดว่าโทเค็นเกี่ยวข้องกันอย่างไร หากคำที่ท้ายประโยคขึ้นอยู่กับคำที่เริ่มต้น ความใส่ใจช่วยให้โมเดลติดตามความเชื่อมโยงระยะไกลนั้นได้ ชั้นที่ซ้อนกันของความใส่ใจและบล็อกฟีดเฟอร์เวิร์ดสร้างตัวแทนที่มีสภาพมั่งคั่งขึ้น ทำให้โมเดลจัดการคำกระตุ้นยาว โค้ด และสไตล์ผสมได้อย่างคล่องแคล่ว แปลกประหลาด เนื่องจากโมเดลมองที่ทั้งลำดับในครั้งเดียว จึงสามารถเชื่อมโยงคำใบ้จากส่วนที่อยู่ไกลกันในคำกระตุ้นของคุณ ซึ่งเป็นเหตุผลที่หน้าต่างบริบทยาวมีประโยชน์มากที่ปลายสแต็ค โมเดลจะแสดงคะแนนสำหรับโทเค็นถัดไปที่เป็นไปได้ทั้งหมด ฟังก์ชันซอฟต์แม็กซ์เปลี่ยนคะแนนเหล่านั้นเป็นความน่าจะเป็น ดีโคดเดอร์จากนั้นสุ่มโทเค็นหนึ่งตัวตามการตั้งค่าของคุณ

จากการฝึกเรียนรู้สู่การปรับละเอียด

การฝึกเรียนรู้. โมเดลฐานมีทักษะหนึ่ง: ทำนายโทเค็นถัดไป ให้ว่า “ปารีสเป็นเมืองหลวงของ” โทเค็นถัดไปที่ดีที่สุดมักจะเป็น “ฝรั่งเศส” นั่นไม่ได้หมายความว่าโมเดล “รู้” ภูมิศาสตร์เหมือนมนุษย์; มันเรียนรู้ลวดลายทางสถิติที่แข็งแรงซึ่งสอดคล้องกับความจริง

การปรับละเอียดที่กำกับดูแล. ผู้ฝึกฝนป้อนคำกระตุ้นตัวอย่างที่มีคำตอบคุณภาพสูงให้โมเดล เพื่อสอนโทน รูปแบบ และการปฏิบัติภารกิจ (เขียนอีเมล ร่างแผน แปลงโค้ด)

การเสริมแรงเรียนรู้จากคำติชมของมนุษย์ (RLHF). มนุษย์เปรียบเทียบคำตอบของโมเดลแบบหลายๆ แบบต่อคำกระตุ้นเดียวกัน โมเดลที่ให้รางวัลจะเรียนรู้ว่าคำตอบไหนดีกว่า จากนั้นโมเดลฐานจะถูกปรับให้สร้างคำตอบที่มนุษย์ชอบ—สุภาพ อยู่ในหัวข้อ และเสี่ยงน้อยลง กฎความปลอดภัยจะถูกเพิ่มเพื่อลดผลลัพธ์ที่เป็นอันตราย

การใช้เครื่องมือ. บนกระดูกสันหลังของภาษา บางรุ่นสามารถเรียกใช้เครื่องมือ: การค้นหาเว็บ ตัวแปลโค้ด ตัววิเคราะห์ภาพ หรือ API ที่กำหนดเอง โมเดลตัดสินใจ (ตามคำกระตุ้นและการตั้งค่าระบบของคุณ) เมื่อจะเรียกใช้เครื่องมือ อ่านผลลัพธ์ แล้วดำเนินการต่อ คิดว่าเครื่องมือเปรียบเสมือนสัมผัสและมือที่เพิ่มเติม ไม่ใช่ส่วนหนึ่งของสมองเอง

การให้เหตุผลและการทำงานหลายขั้นตอน

โมเดลขนาดใหญ่เก่งในการตอบที่เป็นผิวเผิน ปัญหาที่ยากต้องใช้ขั้นตอนที่ตั้งใจ ด้วยการเรียบเรียงคำกระตุ้นอย่างระมัดระวัง โมเดลสามารถวางแผนได้: วางผังงาน งานบางส่วนตามลำดับ และตรวจสอบผลลัพธ์ นี่เรียกว่า การให้เหตุผลที่มีโครงสร้าง. มันแลกความเร็วกับความน่าเชื่อถือ นี่คือเหตุผลที่งานที่ซับซ้อนอาจทำงานช้าลงหรือใช้การคำนวณมากขึ้น คำกระตุ้นที่ดีที่สุดทำให้ขั้นตอนชัดเจน: “ระบุสมมุติฐาน คำนวณตัวเลข แล้วอธิบายการเลือก” อีกหนทางคือให้ตัวอย่าง (“การกระตุ้นโดยตัวอย่างน้อย”) ซึ่งจะแสดงให้โมเดลว่าคำตอบที่ดีมีลักษณะอย่างไรก่อนที่จะขอคำตอบของคุณเอง ด้วยข้อจำกัดที่เหมาะสม โมเดลสามารถแปลคำขอเป็นรายการตรวจสอบ แปลงคำขอที่คลุมเครือเป็นขั้นตอนที่ทดสอบได้ และอธิบายการเสียสละในภาษาง่ายๆ

การป้อนข้อมูลหลายโหมด

ระบบสมัยใหม่หลายระบบสามารถประมวลผลภาพ เสียง และบางครั้งวิดีโอ หลักการพื้นฐานเหมือนกัน: ทุกอย่างถูกแปลงเป็นโทเค็น (หรือการฝังตัว) นำผ่านทรานส์ฟอร์เมอร์ และแปลงกลับเป็นคำ ป้าย หรือเลข นี่คือวิธีที่โมเดลสามารถอธิบายภาพ อ่านแผนภูมิ หรือสร้างข้อความเสริม วอยซ์โหมดเพิ่มแปลงคำพูดเป็นข้อความขาเข้าและข้อความไปยังคำพูดขาออก แม้เมื่อจัดการกับภาพหรือเสียง ผลลัพธ์สุดท้ายยังคงถูกผลิตโดยโมเดลภาษาที่ทำนายโทเค็นถัดไป เนื่องจากอินเทอร์เฟซมีความเสมอต้นเสมอปลาย คุณสามารถขอให้ ChatGPT อธิบายภาพ วางเค้าโครงเนื้อหาสไลด์ของคุณ และเขียนโน้ตของผู้บรรยายโดยไม่ต้องเปลี่ยนเครื่องมือ

ขีดจำกัดและโหมดความล้มเหลว

ภาพลวงตา. บางครั้งโมเดลระบุสิ่งที่ฟังดูถูกต้องแต่ไม่ใช่ มันไม่ใช่การโกหก มันกำลังทำนายข้อความที่ดูเป็นไปได้ ลดความเสี่ยงโดยขอให้มันอ้างอิงแหล่งข้อมูล ตรวจสอบด้วยเครื่องคิดเลข หรือใช้เครื่องมือ

ความล้าหลัง. ความรู้ภายในตัวของโมเดลมีการตัดช่วงเวลา มันสามารถท่องเน็ตหรือใช้ข้อมูลที่เชื่อมต่อได้ถ้ามีความสามารถนั้นเปิดใช้งาน มิฉะนั้นมันจะไม่ทราบข่าวสัปดาห์ที่แล้ว

ความคลุมเครือ. ถ้าคำกระตุ้นของคุณคลุมเครือ คุณจะได้คำตอบที่คลุมเครือ ให้บริบท ข้อจำกัด และตัวอย่าง ระบุเป้าหมาย ผู้ชม ฟอร์แมต และขีดจำกัด

เลขคณิตและหน่วย. โมเดลฐานดิบสามารถพลาดในคณิตศาสตร์หรือการแปลงหน่วย ขอการคำนวณทีละขั้นตอนหรือเปิดเครื่องมือคำนวณ

อคติ. ข้อมูลการฝึกสะท้อนโลก รวมถึงอคติของมัน ระบบความปลอดภัยตั้งใจที่จะลดอันตราย แต่ยังไม่สมบูรณ์ ในพื้นที่ที่มีความเสี่ยงสูง (การแพทย์ กฎหมาย การเงิน) ปฏิบัติต่อผลลัพธ์เป็นร่างที่จะต้องตรวจสอบโดยบุคลากรที่มีคุณสมบัติ

ที่ ChatGPT ทำผิด

นี่คือรายการตรวจสอบที่รวดเร็วเพื่อผลลัพธ์ที่ปลอดภัยกว่า:

• ขอแหล่งข้อมูลเมื่อข้อมูลสำคัญ

• สำหรับการคำนวณ ขอขั้นตอนและตัวเลขสุดท้าย

• สำหรับนโยบายหรือกฎหมาย ขอให้ระบุข้อความและยืนยันว่าตรวจสอบมัน

• สำหรับการเขียนโค้ด รันการทดสอบยูนิตและทดสอบตามเกณฑ์

• สำหรับงานสร้างสรรค์ ให้แนวทางและตัวอย่าง

• เมื่อใช้เครื่องมือที่เชื่อมต่อ ยืนยันว่าผลลัพธ์ที่เครื่องมือส่งกลับก่อนที่คุณจะดำเนินการ

• ทำให้คำกระตุ้นสั้น เจาะจง และทดสอบได้

แนวทางการกระตุ้น (สำหรับวัยรุ่น)

1. ตั้งบทบาทและเป้าหมาย. “คุณคือผู้ประสานงาน HR เขียนร่างนโยบายการสลับกะใน 200 คำ”

2. ให้บริบท. “ทีมงานของเราทำงานตลอด 24 ชั่วโมง การทำงานล่วงเวลาต้องได้รับการอนุมัติล่วงหน้า ใช้รายการแบบจุดดำ”

3. รายการข้อจำกัด. “หลีกเลี่ยงคำแนะนำตามกฎหมาย ใช้โทนแบบกลางๆ รวมข้อจำกัดสั้นๆ”

4. ขอโครงสร้าง. “ให้ H2 หัวข้อย่อยและเคล็ดลับสิ้นต้น”

5. ขอการตรวจสอบ. “ระบุข้อมูลที่ขาดหายและข้อสมมติที่มีความเสี่ยงในตอนท้าย”

6. การทำซ้ำ. วางความคิดเห็นและขอให้ทำแก้ไขแทนที่จะเริ่มจากศูนย์

7. ใช้ตัวอย่าง. แสดงคำตอบที่ดีหนึ่งตัวและคำตอบที่ไม่ดีหนึ่งตัวเพื่อให้โมเดลเรียนรู้รสนิยมของคุณ

8. หยุดการขยายขอบเขต. หากคำตอบออกนอกประเด็น ตอบกลับด้วย “ตั้งค่าให้โฟกัสที่ X เท่านั้น” และมันจะปรับตัว

9. ขอทางเลือก. สองหรือสามเวอพชันช่วยให้คุณเลือกบรรทัดหรือตำแหน่งที่ดีที่สุด

10. เก็บห้องสมุด. บันทึกคำกระตุ้นที่ดีที่สุดของคุณและใช้ซ้ำเป็นแม่แบบ

การตั้งค่าที่เปลี่ยนผลลัพธ์

อุณหภูมิ. ค่าสูงเพิ่มความหลากหลาย ค่า ต่ำใช้ถ้อยคำที่ปลอดภัยและคาดเดาได้มากขึ้น สำหรับข้อความธุรกิจส่วนใหญ่ ควรใช้ค่าต่ำถึงปานกลาง
Top-p (การสุ่มในเซตโลกทัศน์). จำกัดตัวเลือกไปที่โทเค็นที่เป็นไปได้มากที่สุดจนกว่าความน่าจะเป็นรวมจะถึงเกณฑ์
โทเค็นสูงสุด. กำหนดความยาวของคำตอบ ถ้าผลลัพธ์หยุดกลางประโยค, เพิ่มขีดจำกัดนี้
คำกระตุ้นระบบ. คำแนะนำสั้นๆ ที่ซ่อนที่กำหนดบทบาทของผู้ช่วย คำกระตุ้นระบบที่ดีจะกำหนดขอบเขตและสไตล์ก่อนที่ผู้ใช้จะพิมพ์อะไร
ลำดับหยุด. สายที่บอกโมเดลว่าเมื่อไหร่จะหยุดสร้าง—มีประโยชน์เมื่อคุณต้องการเพียงส่วนที่อยู่ก่อนเครื่องหมาย
ซีด. เมื่อสามารถใช้ ฟิกซ์ซีดช่วยให้ผลลัพธ์ทำซ้ำได้มากขึ้นสำหรับการทดสอบ

ตัวอย่าง: จากคำกระตุ้นสู่คำตอบ

1. คุณพิมพ์คำกระตุ้น ตัวอย่าง: “เขียนจุดสามข้อที่อธิบายว่านาฬิกาเวลาใช้ทำอะไรได้บ้าง”

2. ข้อความถูกเปลี่ยนเป็นโทเค็น.

3. ทรานส์ฟอร์เมอร์อ่านโทเค็นทั้งหมด ใช้ความสนใจในการวัดความสัมพันธ์ และทำนายโทเค็นถัดไป

4. ดีโคดเดอร์สุ่มโทเค็นตามการตั้งค่าของคุณ

5. ขั้นตอนที่ 3–4 ทำซ้ำจนกว่าจะถึงสัญลักษณ์หยุดหรือขีดจำกัดความยาว

6. โทเค็นถูกเปลี่ยนกลับเป็นข้อความ คุณจะเห็นคำตอบ

หากการใช้เครื่องมือได้รับอนุญาต โมเดลอาจแทรกการเรียกเครื่องมือกลางทาง (เช่น เครื่องคิดเลข) เครื่องมือส่งคืนผลลัพธ์ ซึ่งโมเดลจะอ่านเป็นโทเค็นเพิ่มเติม แล้วดำเนินการต่อคำตอบ หากการดึงได้ถูกเปิดใช้งาน ระบบสามารถดึงช่วงบางส่วนจากเอกสารของคุณ ให้พวกเขาเป็นบริบทเพิ่มเติมแก่โมเดล และขอให้มันตอบคำถามโดยใช้บริบทนั้น วิธีนี้เรียกว่ากระบวนการสร้างโดยใช้การดึง (RAG)

RAG: นำความรู้ของคุณมาเอง

RAG เชื่อมต่อเนื้อหาของคุณกับโมเดลโดยไม่ต้องฝึกฝนใหม่ ขั้นตอนง่าย ๆ:

1. แบ่งเอกสารของคุณเป็นบางส่วนเล็ก ๆ

2. สร้างการฝัง (เวคเตอร์) สำหรับแต่ละบางๆ และเก็บมันในฐานข้อมูล

3. เมื่อผู้ใช้ถามคำถาม ทำการฝังคำถามและดึงบาง ๆ ที่คล้ายกันที่สุด

4. ให้บาง ๆ นั้นเป็นบริบทเพิ่มเติมให้โมเดลในการตอบคำถาม

5. ขอคำตอบที่อ้างถึงบาง ๆ

สิ่งนี้ช่วยให้คำตอบยึดอยู่กับข้อมูลของคุณ หากคุณใช้ RAG ที่ทำงาน ให้เพิ่มการตรวจสอบคุณภาพ: คัดกรองวันที่ล่าสุด กำจัดบางที่คล้ายกันแทบจะทุกอัน และแสดงแหล่งที่มาเพื่อให้ผู้ตรวจสอบสามารถยืนยันได้ นอกจากนี้ ช่วยลดโอกาสที่ ChatGPT จะสร้างรายละเอียดขึ้นมา เพราะถูกกำหนดให้ยึดตามบริบทที่ให้มา

การปรับละเอียด: การสอนสไตล์

การปรับละเอียดทำให้โมเดลฐานมีแนวโน้มที่จะชอบโทนและรูปแบบของคุณ คุณรวบรวมคู่ของคำกระตุ้นและผลลัพธ์ที่คุณต้องการ เก็บชุดข้อมูลให้เล็ก สะอาด และสอดคล้องกัน สิบตัวอย่างที่ยอดเยี่ยมดีกว่าพันตัวอย่างที่ยุ่งเหยิง ใช้เมื่อคุณต้องการโครงสร้างเดียวกันทุกครั้ง (เช่น จดหมายปฏิบัติตามระเบียบหรือการกรอกแบบฟอร์ม) การปรับละเอียดไม่ให้โมเดลมีข้อมูลส่วนตัวเพียงตัวมันเอง; ควรใช้คู่กับ RAG หรือ API เมื่อข้อมูลต้องแม่นยำ เมื่อคุณประเมินโมเดลที่ได้รับการปรับละเอียดแล้ว ให้เปรียบเทียบกับค่าเริ่มต้นของการกระตุ้นอย่างแรงเพื่อให้แน่ใจว่าค่าใช้จ่ายเพิ่มเติมคุ้มค่า

ความเชื่อผิดๆ กับความจริง

เชื่อผิด: โมเดลจะท่องเว็บทุกครั้ง ความจริง: มันจะไม่ทำเช่นนั้นเว้นแต่จะเปิดใช้เครื่องมือการท่องเว็บแล้วเรียกใช้งานมัน
เชื่อผิด: มันเก็บทุกสิ่งที่คุณพิมพ์ตลอดไป ความจริง: การเก็บรักษาขึ้นอยู่กับการตั้งค่าและนโยบายของผลิตภัณฑ์ แผนธุรกิจหลายแผนแยกการฝึกอบรมออกจากการใช้งาน
เชื่อผิด: พารามิเตอร์มากขึ้นหมายถึงพฤติกรรมที่ฉลาดขึ้นเสมอ ความจริง: คุณภาพของข้อมูล วิธีการฝึก และการปรับเส้นตรงมักจะมีความสำคัญมากกว่า
เชื่อผิด: สามารถแทนที่ผู้เชี่ยวชาญได้ ความจริง: ช่วยให้ร่างความคิดและตรวจสอบได้เร็วขึ้น แต่การตรวจสอบโดยผู้เชี่ยวชาญยังคงจำเป็นสำหรับการตัดสินใจ
เชื่อผิด: คำตอบจากแชทมีความสุ่ม ความจริง: พวกมันเป็นการคาดเดาที่มีการควบคุม (อุณหภูมิ top-p ซีด) ที่คุณสามารถปรับแต่ง

รายการตรวจสอบองค์กร

• กำหนดกรณีการใช้งานที่ได้รับการอนุมัติและระดับความเสี่ยง

• สร้างเส้นแดง (ไม่มีคำแนะนำทางการแพทย์ ไม่มีคำตัดสินทางกฎหมาย ไม่มี PII ในคำกระตุ้น)

• ให้คำกระตุ้นและคู่มือสไตล์อย่างมาตรฐาน

• เส้นทางงานที่มีความเสี่ยงสูงตามเครื่องมือที่ตรวจสอบข้อมูลหรือการคำนวณ

• ตรวจสอบผลลัพธ์และรวบรวมความคิดเห็น

• ฝึกทีมในเรื่องความเป็นส่วนตัว อคติ และกฎการอ้างอิง

• รักษาความรับผิดชอบไว้กับมนุษย์สำหรับการตัดสินใจสุดท้าย

พื้นฐานการค่าใช้จ่ายและประสิทธิภาพ

โมเดลภาษาคิดราคาตามโทเค็น ไม่ใช่คำ คำภาษาอังกฤษทั่วไปคือ ~1.3 โทเค็น คำกระตุ้นยาวและคำตอบยาวมีค่าใช้จ่ายสูงกว่า การตอบกลับแบบสตรีมดูเร็วกว่าฉลาดเพราะโทเค็นถูกแสดงในขณะที่ถูกถอดรหัส การแคชสามารถลดค่าใช้จ่ายเมื่อคุณใช้งานคำกระตุ้นที่ใกล้เคียงซ้ำๆ การแบทช์และคำกระตุ้นที่มีโครงสร้างลดการลองใหม่ หากคุณพึ่งพา ChatGPT ในการผลิตเนื้อหาลูกค้า สร้างการตกหล่นเพื่อให้ระบบของคุณลดความรุนแรงลงอย่างมีเสถียรภาพหากถึงขีดจำกัดอัตรา

การวัดคุณค่า

อย่าติดตามการสาธิต วัดผลลัพธ์ เมตริกฐานที่ดี:

• นาทีที่ประหยัดต่อภารกิจ (การเขียน การสรุป การจัดรูปแบบ)

• อัตราความผิดพลาดก่อนและหลัง (ขั้นตอนที่ข้าม เลขผิด ลิงก์หัก)

• ปริมาณงาน (ตั๋วที่จัดการ ร่างที่ผลิต การทดสอบที่สร้าง)

• คะแนนความพึงพอใจจากผู้ใช้และผู้ตรวจสอบ

• เปอร์เซ็นต์การทำซ้ำหลังจากรีวิว

เรียกใช้การทดสอบ A/B กับและไม่มีการช่วยเหลือจาก AI เก็บเวอร์ชัน คำกระตุ้น และการตั้งค่าให้คงที่ในขณะที่คุณวัด หากใช้ ChatGPT สำหรับร่างแรก ให้วัดว่าใช้เวลานานแค่ไหนในการตรวจสอบและมีการแก้ไขกี่ครั้งเพื่อให้ถึงคุณภาพที่เผยแพร่ได้

ที่ช่วยในงานปฏิบัติการ

สนับสนุน. จัดการข้อความ ร่างการตอบกลับ และแนะนำลิงก์ฐานข้อมูลความรู้ ควรให้มนุษย์มีส่วนร่วมในน้ำเสียงและกรณีที่ซับซ้อน
HR. แปลงนโยบายเป็นรายการตรวจสอบ แปลงกฎเป็นขั้นตอนการเริ่มงานใหม่ และร่างประกาศ
การจัดตารางเวลา สร้างแม่แบบ อธิบายกฎการครอบคลุม และการจัดเรียงคำขอเปลี่ยนกะในภาษาที่ง่าย
การเงิน เปลี่ยนบันทึกการซื้อให้เป็นรายการหมวดหมู่; ร่างบทสรุปความแตกต่างพร้อมเหตุผลชัดเจนและขั้นตอนถัดไป
วิศวกรรม เขียนการทดสอบ อธิบาย API และตรวจสอบบันทึกสำหรับรูปแบบ ในทั้งหมดนี้ ChatGPT ทำหน้าที่เป็นผู้ช่วยที่รวดเร็ว แปลงอินพุตที่ยุ่งเหยิงเป็นเอาต์พุตที่สะอาดขึ้นเพื่อให้คุณตรวจสอบ

ตัวอย่างการไหลของงานใน Shifton

• แปลงเธรดคำขอเปลี่ยนกะที่ยุ่งเหยิงให้เป็นตารางมีโครงสร้างพร้อมชื่อ วันที่ และเหตุผล

• แปลงการส่งออกรายการนาฬิกาแบบดิบให้เป็นบทสรุปพร้อมสัญลักษณ์การทำงานล่วงเวลาและบันทึกการอนุมัติ

• ร่างข้อความถึงทีมเกี่ยวกับการเปลี่ยนแปลงตาราง แล้วแปลเป็นภาษาท้องถิ่นสำหรับทีมภูมิภาค

• ขอรายการตรวจสอบที่ผู้จัดการสามารถใช้ตรวจสอบความผิดปกติของการเข้าร่วมได้

• สร้างกรณีทดสอบสำหรับกฎการจัดตารางใหม่ – ขีดจำกัดวันหยุดสุดสัปดาห์ การกระตุ้นการทำงานล่วงเวลา และการส่งต่อเวลา

การไหลของงานเหล่านี้ทำงานได้ดีเพราะโมเดลเก่งในการจัดรูปแบบใหม่ สรุป และปฏิบัติตามกฎง่าย ๆ เมื่อคุณขอให้ ChatGPT ช่วยที่นี่ ให้ระบุรูปแบบเป้าหมาย ผู้ชม และขีดจำกัดให้ชัดเจน

คู่มือการแก้ปัญหา

ทั่วไปเกินไปไหม? เพิ่มตัวอย่างและห้ามคำโฆษณา ถามหาตัวเลข ขั้นตอน หรือโค้ด
ยาวเกินไปไหม? กำหนดขีดจำกัดอย่างเข้มงวดแล้วขอเวอร์ชันขยายหากจำเป็น
พลาดประเด็นไปไหม? ระบุงานไว้ในประโยคหนึ่งแล้วแสดงรายการว่าสิ่งที่สำเร็จควรมีลักษณะเป็นอย่างไร
ข้อเท็จจริงผิดหรือไม่? ขอแหล่งอ้างอิง หรือป้อนข้อมูลที่ถูกต้องในพรอมต์
หัวข้อที่อ่อนไหวไหม? ขอสรุปเป็นกลางและเพิ่มการตัดสินใจของคุณเอง
ติดขัดหรือไม่? ขอให้โมเดลเขียนย่อหน้าแรกและหัวข้อย่อย แล้วคุณดำเนินการเอง
เนื้อหาที่มีการกำกับดูแล? ให้รีวิวโดยมนุษย์เข้ามามีส่วนร่วมและบันทึกการตัดสินใจสุดท้าย

การกำกับดูแลในแบบง่าย

เขียนนโยบายแบบหน้าเดียว ครอบคลุม: กรณีใช้งานที่อนุญาต หัวข้อที่ห้าม การจัดการข้อมูล การตรวจสอบโดยมนุษย์ และจุดติดต่อสำหรับคำถาม เพิ่มแบบฟอร์มการอนุมัติแบบเบา ๆ สำหรับกรณีการใช้งานใหม่ เก็บบันทึก ตรวจสอบนโยบายทุกไตรมาส อธิบายกฎให้กับทั้งบริษัทไม่ให้ใครรู้จักด้วยวิธีที่ยาก ทำให้ชัดเจนว่าใครเป็นเจ้าของพรอมต์และผลลัพธ์ที่สร้างด้วย ChatGPT ภายในองค์กรของคุณ

บันทึกสำหรับนักพัฒนาซอฟต์แวร์ (ปลอดภัยสำหรับผู้ที่ไม่ใช่นักพัฒนาซอฟต์แวร์)

API เปิดเผยโมเดลหลักเหมือนที่คุณแชทด้วย คุณส่งรายการข้อความและการตั้งค่า; คุณได้รับโทเคนกลับมา เส้นรั้วไม่ได้อยู่ในโค้ดของคุณตามค่าเริ่มต้น - เพิ่มวาลิเดเตอร์ ตัวตรวจสอบ และการทดสอบหน่วยรอบ ๆ การเรียก API ใช้พรอมต์ขนาดเล็กที่ชัดเจนซึ่งจัดเก็บในเครื่องมือควบคุมเวอร์ชัน ติดตามความล่าช้าและจำนวนโทเคนในการผลิต หากผลิตภัณฑ์ของคุณขึ้นอยู่กับ API ติดตามการเปลี่ยนแปลงเวอร์ชัน API เพื่อไม่ให้พรอมต์ของคุณพังเสียหายอย่างเงียบ ๆ

ข้อสรุป

ระบบเหล่านี้เป็นเครื่องจักรรูปแบบที่รวดเร็ว ให้ข้อมูลอาปุดที่ชัดเจน ถามหาเอาต์พุตที่ตรวจสอบได้ และให้คนรับผิดชอบการตัดสินใจ เมื่อใช้ได้ดี พวกมันสามารถกำจัดงานที่น่าเบื่อและทำให้โอกาสที่คุณอาจพลาดแสดงอยู่ ใช้อย่างไม่ระมัดระวัง พวกมันสร้างเสียงที่มั่นใจ ความแตกต่างคือกระบวนการ ไม่ใช่เวทมนตร์ จัดการ ChatGPT ให้เหมือนผู้ช่วยที่มีฝีมือ: เก่งในร่างข้อมูลการแปลงและการอธิบาย ไม่ใช่ทดแทนการตัดสินหรือความรับผิดชอบ

มองใกล้ที่โทเคนและความน่าจะเป็น

นี่คือตัวอย่างที่เรียบง่ายและเล็กมาก สมมติว่าพรอมต์ของคุณคือ “The sky is” แบบจำลองดูที่รูปแบบการฝึกอบรมและกำหนดความน่าจะเป็นให้กับหลายโทเคนถัดไปที่อาจเกิดขึ้น มันอาจให้ 0.60 แก่ “ blue”, 0.08 แก่ “ clear”, 0.05 แก่ “ bright”, และค่าเล็กน้อยแก่โทเคนอื่น ๆ อีกหลายโหล เครื่องถอดโค้ดจากนั้นเลือกโทเคนหนึ่งตัวตามการตั้งค่าของคุณ หากอุณหภูมิต่ำ มันจะเลือก “ blue” เสมอ หากอุณหภูมิสูงขึ้น คุณอาจเห็น “ clear” หรือ “ bright” หลังจากเลือกแล้ว วลีจะกลายเป็น “The sky is blue” และกระบวนการจะทำซ้ำสำหรับโทเคนถัดไป นี่คือเหตุผลที่การรันสองครั้งสามารถผลิตวลีต่าง ๆ ที่ถูกต้องได้ ChatGPT กำลังสุ่มตัวอย่างจากการกระจายตัวมากกว่าการทำซ้ำประโยคที่จดจำได้

การทำโทเคนยังอธิบายว่าทำไมชื่อยาว ๆ บางครั้งถึงแยกออกไปอย่างแปลกประหลาด ระบบกำลังทำงานกับชิ้นส่วนของตัวอักษร ไม่ใช่คำทั้งคำ เมื่อคุณวางรายการยาว ๆ หรือโค้ด ChatGPT สามารถจัดการได้ดีเพราะรูปแบบโทเคนสำหรับเครื่องหมายจุลภาค วงเล็บ และบรรทัดใหม่มีอยู่ทั่วไปในข้อมูลการฝึกอบรม

หน้าต่างบริบทและหน่วยความจำ

โมเดลสามารถดูโทเคนจำนวนหนึ่งพร้อมกันได้ เรียกว่าหน้าต่างบริบท พรอมต์ของคุณ ขั้นตอนการให้เหตุผลภายใน การเรียกใช้งานเครื่องมือ และคำตอบทั้งหมดจะแชร์หน้าต่างนี้ หากการสนทนายืดเยื้อ ส่วนต่าง ๆ ที่มีมาอาจหลุดออกจากการมองเห็น ในการป้องกันนั้น ให้สรุปหรือระบุจุดสำคัญ สำหรับเอกสาร ให้แบ่งเป็นชิ้น ๆ และให เฉพาะส่วนที่เกี่ยวข้อง เครื่องมือบางอย่างเพิ่มการดึงข้อมูลเพื่อให้ส่วนสำคัญสามารถเรียกกลับมาได้เมื่อต้องการ หากคุณขอให้ ChatGPT จำความชอบในเซสชันต่าง ๆ สิ่งนั้นต้องการคุณสมบัติเฉพาะ; โดยค่าเริ่มต้นมันจะไม่จำอะไรเกินกว่าแชทปัจจุบันเว้นแต่แผนของคุณจะอนุญาตให้ทำได้

เทมเพลตคำสั่งที่สามารถนำไปใช้ได้

ด้านล่างคือรูปแบบสั้น ๆ ที่สามารถใช้งานได้หลายครั้ง วางนั้นลงแล้วปรับแต่งวงเล็บ

นักวิเคราะห์: “คุณเป็นนักวิเคราะห์ที่ชัดเจนและระมัดระวัง ใช้ตารางด้านล่างนี้ คำนวณ [KPI] แสดงสูตรและตัวเลขทั้งหมด รายงานรายการอินพุตที่ขาดหายไปให้ครบภายใน 150 คำ” รันคำสั่งนี้กับตัวอย่าง CSV ขนาดเล็ก และ ChatGPT จะเปลี่ยนเป็นสรุปอย่างเรียบร้อย

ผู้สรรหาพนักงาน: “เขียนอัปเดตผู้สมัครงาน 120 คำสำหรับผู้จัดการการสรรหา ตำแหน่ง: [title] ขั้นตอน: [stage] จุดแข็ง: [list] ความเสี่ยง: [list] ขั้นตอนถัดไป: [list] รักษาน้ำเสียงให้เป็นกลาง” สิ่งนี้จะช่วยให้ ChatGPT มุ่งเน้นไปที่โครงสร้างและรักษาน้ำเสียงให้ดูเป็นมืออาชีพ

วิศวกร: “ซึ่งพบข้อผิดพลาด ให้นำเสนอข้อสมมติฐานสาเหตุรากสามประการ จากนั้นเสนอการทดสอบเล็ก ๆ หนึ่งการเพื่อแต่ละข้อสมมติฐาน ส่งออกตารางที่มีคอลัมน์: ข้อสมมติฐาน การทดสอบ สัญญาณ ความเสี่ยง” เพราะรูปแบบมีความชัดเจน ChatGPT จะคืนค่าว่าสิ่งที่คุณสามารถปฏิบัติลงไปได้

ผู้จัดการ: “ร่างแผนการเปิดปรับใช้หน้าเดียวสำหรับ [policy] รวมวัตถุประสงค์ ขอบเขต ขั้นตอน เจ้าของ วันที่ ความเสี่ยง และข้อความถึงพนักงาน” เพิ่มข้อจำกัดของคุณ แล้ว ChatGPT จะร่างแผนที่คุณสามารถปรับแต่งและสรุปได้ง่าย

นักการตลาด: “แปลงข้อสรุปเหล่านี้ให้เป็นสคริปต์การสาธิตผลิตภัณฑ์ 90 วินาที สองฉาก ประโยชน์ชัดเจน ไม่ใช้คำโฆษณา ปิดท้ายด้วยคำกระตุ้นการตัดสินใจที่เป็นรูปธรรม” กำแพงช่วย ChatGPT ข้ามความผะเลือนและสมบาทเป้าหมายเวลารันไทม์

นักเรียน: “อธิบาย [topic] ให้กับนักเรียนชั้นเก้า ใช้ตัวอย่างง่าย ๆ และกระบวนการ 4 ขั้นตอนที่พวกเขาสามารถติดตามได้” ด้วยผู้ชมที่ชัดเจนและขั้นตอน ChatGPT จึงสร้างคู่มือสั้น ๆ ที่เป็นประโยชน์

กฎป้องกันที่ใช้งานได้ในทางปฏิบัติ

• ขอรายการขั้นตอนไปและเกณฑ์การยอมรับ ChatGPT เชี่ยวชาญในรายการต่าง ๆ

• สำหรับข้อเท็จจริงควรขอการอ้างอิงและตรวจสอบเมื่อแหล่งที่มาหายไป อย่าลืมให้โมเดลกล่าวเมื่อแหล่งที่ขาดหายไป

• สำหรับสเปรดชีต ให้นำเสนอตัวอย่างขนาดเล็กและขอสูตร จากนั้นคัดลอกสูตรไปยังแผ่นงานของคุณ

• สำหรับโค้ด คำถามและบันทึกข้อความข้อผิดพลาด ChatGPT สามารถเขียนทั้งสองได้

• สำหรับหัวข้ออ่อนไหว กำหนดโทนเสียงที่เป็นกลางและให้ผู้ตรวจทานลงนาม

• สำหรับการทำงานตามประสิทธิภาพ กำหนดความยาวและขอ TL:DR สั้น ๆ ก่อนแทนที่จะหยุดก่อนถ้าผิดพลาด

• สำหรับการแปล ให้รวมศัพท์เฉพาะและข้อกำหนดการสไตล์ ChatGPT จะปฏิบัติตามได้อย่างใกล้ชิด

กรณีศึกษา: จากอีเมลที่ยุ่งเหยิงสู่แผนปฏิบัติ

ลองจินตนาการว่าผู้จัดการส่งต่อสเตรดอีเมลที่ซับซ้อนเกี่ยวกับการทำงานวันหยุดสุดสัปดาห์ เวลาไม่ตรงกัน งานเบลอ และสองคนใช้โซนเวลาแตกต่างกัน นี่คือวิธีแก้ปัญหาง่าย ๆ

1. วางเธรดแล้วพูดว่า 'ดึงชื่อนามสกุล กะ และสถานที่ประจำ Normalize times to [zone] แสดงตาราง.'

2. ถาม: 'ระบุรายละเอียดที่ขาดหายไปและสมมุติฐานที่เสี่ยง'

3. สอบถามว่า 'เขียนข้อความที่เป็นกลางสั้น ๆ ที่เสนอวางตารางเวลาและถามคำถามคล่วงลองสามข้อ'

ในสามรอบ โมเดลจะเปลี่ยนเสียงตอบสนองที่ยุ่งเหยิงให้เป็นตาราง รายการตรวจสอบ และร่างคำสั่งที่คุณสามารถส่งได้ เนื่องจากโครงสร้างมีความชัดเจนคุณสามารถยืนยันได้อย่างรวดเร็ว หากรายละเอียดผิดพลาด ปรับคำสั่งหรือลอกข้อมูลที่ถูกต้องแล้วขอการแก้ไข

จริยธรรมโดยไม่ปกปิด

บอกความคืบหน้าตรง ๆ ให้แก่ผู้คน ถ้า AI ช่วยเขียนข้อความที่มีผลกระทบต่อการทำงาน ให้ระบุด้วย อย่าป้อนข้อมูลส่วนตัวเข้าในเครื่องมือที่คุณไม่เคยตรวจสอบ ใช้ควบคุมเวอร์ชันเพื่อคำสั่งเพื่อให้คุณรู้ว่าใครเปลี่ยนอะไ ร เมื่อคุณพึ่งพา ChatGPT สำหรับเนื้อหาที่ลูกค้าต้องเผชิญ ให้เพิ่มการตรวจสอบด้วยมนุษย์และเก็บบันทึกการอนุมัติครั้งสุดท้าย กฎเหล่านี้เป็นกฎพื้นฐานเดียวกันที่ทีมที่ดีใช้กับเครื่องมือที่มีพลังอื่น ๆ

ทิศทางอนาคต (คาดหมายและมีประโยชน์)

คาดหวังการเปิดเหมือนที่ยาวขึ้นที่ให้โมเดลอ่านโครงการเต็มในครั้งเดียว การใช้เครื่องมือที่ดีขึ้นเพื่อสามารถเรียกข้อมูลและเรียกการตรวจสอบได้ด้วยตัวเอง และโทเคนที่ราคาถูกลงซึ่งทำให้การใช้งานเป็นประจำมีประสิทธิภาพ โมเดลขนาดเล็กบนอุปกรณ์จะจัดการงานส่วนตัวที่รวดเร็ว ขณะที่โมเดลคลาวด์ใหญ่จะจัดการงานซับซ้อน อย่าคาดหวังให้การรับรู้ที่มีเวทมนตร์ทั่วไปมาถึงข้ามคืน แต่คาดหวังว่าการปรับปรุงจะทำให้ ChatGPT เร็วขึ้น ปลอดภัยขึ้น และเป็นที่ใช้งานได้ในงานประจำวัน

การอ้างอิงด่วน: Do and Don’t

Do

• ระบุบทบาท เป้าหมาย และผู้ชม

• ให้ตัวอย่างและข้อจำกัด

• ขอโครงสร้างและเกณฑ์การยอมรับ

• เก็บบันทึกคำสั่งที่ได้ผล

• เริ่มเล็ก, วัด, และขยาย

อย่าทำ

• วางความลับหรือข้อมูลที่ถูกกำกับดูแลโดยไม่ได้รับการอนุมัติ

• ถือว่าผลลัพธ์ถูกต้อง ตรวจสอบ

• ปล่อยให้คำสั่งมีความยืดหยุ่น รักษาให้เข้มงวด

• พึ่งพาการผ่านครั้งเดียว ทำซ้ำหนึ่งหรือสองครั้ง

• ใช้ ChatGPT เป็นผู้ตัดสินใจ มันเป็นผู้ช่วย

วิธีการที่แตกต่างจากการค้นหา

เครื่องมือค้นหาเว็บค้นหาหน้า โครงสร้างภาษาเขียนข้อความ เมื่อคุณถามเครื่องมือค้นหา มันจะส่งคืนลิงก์ที่ถูกจัดอันดับตามสัญญาณเช่นความนิยมและความสดใหม่ เมื่อคุณถามโมเดล มันสร้างประโยคประกอบทันที ทั้งสองมีประโยชน์ เพียงแค่ตอบคำถามประเภทต่าง ๆ

ใช้เครื่องมือค้นหาเมื่อคุณต้องการแหล่งที่มาหลัก ข่าวด่วน หรือเอกสารทางการ ใช้โมเดลเมื่อคุณต้องการร่าง ข้อความที่ปรับรูปแบบใหม่ หรือคำอธิบายอย่างรวดเร็วตามรูปแบบที่เรียนรู้ ในทางปฏิบัติ กระบวนการทำงานที่ดีที่สุดคือการผสมผสาน: ขอให้ ChatGPT วางแผนหรือสรุปแล้วคลิกผ่านแหล่งที่มาเพื่อยืนยันรายละเอียด หากมีเครื่องมือเรียกดูที่สามารถใช้ได้ คุณสามารถขอให้ ChatGPT ค้นหาและอ้างอิงในขณะที่เขียน แต่ว่าอ่านลิงก์ด้วยตัวเองก่อนที่คุณจะดำเนินการ

ความแตกต่างอีกประการหนึ่งคือโทนเสียง เครื่องมือค้นหาไม่สนใจเกี่ยวกับคู่มือสไตล์ของคุณ ChatGPT สามารถเลียนแบบโทนเสียงถ้าคุณแสดงให้มันดูตัวอย่าง ให้มันกฎเสียงแบบสั้น—“ง่ายตรงและไม่ใช้คำขวัญทางการตลาด”—และมันจะติดตามรูปแบบนั้นในโครงสร้างของคุณ นั่นคือสิ่งที่ทำให้ ChatGPT เป็นคู่หูที่แข็งแกร่งสำหรับงานภายในที่ความเร็วและความชัดเจนมีความสำคัญมากกว่าพจนานุกรมที่สมบูรณ์ สำหรับงานส่วนสาธารณะให้รวม ChatGPT กับการตรวจสอบด้วยมนุษย์เพื่อรักษาคุณภาพของแบรนด์

ตัวอย่างการสนทนาที่ใช้งานได้

เปลี่ยนความคิดที่เป็นสิ่งแรกมาเป็นแผนการ
คำสั่ง: “ฉันดำเนินธุรกิจคาเฟ่เล็ก ๆ ฉันต้องการแนะนำบัตรชำระล่วงหน้า ร่างขั้นตอนเพื่อทดสอบสิ่งนี้ในหนึ่งเดือน รวมความเสี่ยงและการเลย์เอาต์สเปรดชีตง่าย ๆ สำหรับติดตามการขาย”
ทำไมมันถึงได้ผล: บทบาท เป้าหมาย และข้อจำกัดมีความเข้มงวด ChatGPT จะเสนอขั้นตอน หน้าต่างทดสอบ และตารางเล็ก ๆ ที่คุณสามารถทำซ้ำได้

สรุปโดยไม่เสียประเด็น
คำสั่ง: “สรุปสามอีเมลลูกค้าต่อไปนี้เป็นห้าจุด ต่อไปนี้คือบัก(.) หรือตัวเลือก(.)”
ทำไมมันถึงได้ผล: มันกำหนดผลลัพธ์และฉลาก ChatGPT เชี่ยวชาญเมื่อแยกหมวดหมู่เมื่อคุณขอแท็กชัดเจน

อธิบายโค้ดในภาษาอังกฤษง่าย ๆ
คำสั่ง: “อธิบายฟังก์ชันนี้ทำอะไรในหนึ่งย่อหน้า จากนั้นแสดงสองกรณีความล้มเหลวที่เป็นไปได้”
ทำไมมันถึงได้ผล: มันบังคับให้คำอธิบายสั้น ๆ และการตรวจความเสี่ยง ChatGPT จัดการได้ดีโค้ดธรรมดาน้อยที่สุด

ร่างข้อความอ่อนไหว
คำสั่ง: “เขียนบันทึกที่เป็นกลางและเคารพสำหรับผู้รับเหมาที่แจ้งว่ากะกลางคืนของพวกเขาจะสิ้นสุดลงเนื่องจากงบประมาณ เสนออีกสองกะและสอบถามความพร้อมใช้งาน”
ทำไมมันถึงได้ผล: มีการโทนเสียงชัดเจนและทางเลือก ChatGPT จะร่างข้อความสงบที่คุณสามารถแก้ไขก่อนส่ง

แปลพร้อมคู่มือสไตล์
คำสั่ง: “แปลประกาศนี้เป็นภาษาสเปนสำหรับพนักงานคลังสินค้า รักษาประโยคให้สั้น หลีกเลี่ยงภาษาแสลง และรักษาระดับการอ่านรอบเกรด 7”
ทำไมมันถึงได้ผล: แนวทางการโทนเสียงและผู้ชมที่ชัดเจน ChatGPT ปฏิบัติตามข้อจำกัดสไตล์อย่างใกล้ชิด

รูปแบบเหล่านี้สามารถจับซ้ำได้ เก็บบันทึกคำสั่งที่ให้ผลลัพธ์ดี จากนั้นสร้างห้องสมุดเล็ก ๆ เมื่อทีมของคุณแชร์ห้องสมุดนั้น ทุกคนจะได้รับประโยชน์ เมื่อเวลาผ่านไป คำถามคำถามเหล่านี้จะมีความสำคัญเท่า ๆ กับแม่แบบของคุณ หากคุณแทนที่เครื่องมือในสแตกของคุณ ห้องสมุดคำถามของคุณยังคงทำงานได้ เพราะ ChatGPT เข้าใจเจตนามากกว่าหน้าทางเมนูเฉพาะ

ความเสี่ยงและการบรรเทาที่เกี่ยวข้องกับการทำงานที่ถูกกำกับ

ทีมบางคนกังวลว่า AI อาจรั่วไหลข้อมูลหรือสร้างคำแนะนำที่ข้ามเส้นทางกฎหมาย นั่นเป็นความเสี่ยงที่ถูกต้อง การตอบสนองคือกระบวนการไม่ใช่ความกลัว เก็บข้อมูลที่ละเอียดออกไปหากแผนของคุณไม่อนุญาตและนโยบายของคุณไม่อนุมัติ ใช้การดึงข้อมูลที่ชี้ ChatGPT ไปที่เอกสารที่ได้รับการยินยอมแทนเว็บทั่วไป วางเอาต์พุตของโมเดลในตัวกรุณา จำกัดผู้ที่สามารถเผยแพร่ ต้องการผู้ตรวจทานที่สองในร่างที่มีความเสี่ยง และเก็บบันทึก สอนพนักงานให้ขอแหล่งที่มาของข้อมูลเมื่อข้อเท็จจริงสำคัญและตรวจสอบคณิตศาสตร์ด้วยเครื่องคิดเลขหรือสเปรดชีต เมื่อมีพื้นฐานเหล่านั้น ChatGPT จะกลายเป็นผู้ช่วยที่น่าเชื่อถือที่สะดวกงานที่ยุ่งยากโดยไม่เสี่ยงภัย

ทำไมเรื่องนี้สำคัญสำหรับการทำงานประจำวัน

ทีมส่วนใหญ่กำลังจมน้ำในงานเล็ก ๆ: เขียนบันทึกนี้ใหม่, จัดรูปแบบตารางนั้นใหม่, ดราฟท์นโยบายเวอร์ชันแรก, แปลข้อความสำหรับพันธมิตร, หรือจับรายการตรวจสอบออกมาจาก PDF ยาว ๆ นี่คือจุดที่ ChatGPT ส่องได้ มันสามารถเปลี่ยนอินพุตแบบยุ่งเหยิงให้เป็นดราฟท์ที่สะอาดได้ในเวลาไม่กี่วินาที และคุณยังคงควบคุมเพราะคุณยังคงทบทวนและอนุมัติ เมื่อนำมาคูณกับสัปดาห์และเวลาไม่มีข้อสงสัย แม้ดีกว่า ChatGPT ช่วยทำให้เรือที่ดีขึ้น: คุณเริ่มขอการตั้งค่าทางโครงสร้างที่ชัดเจน, คุณเพิ่มเกณฑ์การยอมรับ, และคุณทิ้งเส้นทางตรวจสอบเพราะคำถามคำถามและเอาต์พุตสามารถบันทึกได้ง่าย กำไรคือเอกสารที่ชัดเจนขึ้น, ส่งมอบเร็วขึ้น, และข้อผิดพลาดน้อยลง

ไม่มีทั้งหมดนี้ต้องการชื่อตำแหน่งใหม่หรืองบประมาณใหญ่ คุณสามารถเริ่มต้นด้วยเครื่องมือที่คุณมีในวันนี้ เลือกกระบวนการหนึ่ง เพิ่ม ChatGPT สามขั้นตอน วัดเวลาที่ประหยัด และบันทึกสิ่งที่คุณปรับเปลี่ยน ซ้ำในสัปดาห์ถัดไป ทีมที่รวมหากำไรเล็ก ๆ เหล่านี้จะเงียบ ๆ เอาชนะทีมที่รอแผนที่สมบูรณ์