Prompt Enrichment

L'arricchimento dei prompt è il processo automatizzato di integrazione dell'input iniziale di un utente con contesto pertinente, istruzioni specifiche o dati supplementari prima di inviarlo a un modello di Intelligenza Artificiale (AI). Questa tecnica funge da livello middleware intelligente che ottimizza l'interazione tra uomo e macchina, garantendo che i Large Language Models (LLM) e i sistemi di computer vision ricevano query esaustive. Inserendo dettagli che un utente potrebbe omettere — come preferenze storiche, dati di posizione o vincoli tecnici — l'arricchimento dei prompt migliora significativamente l'accuratezza e la personalizzazione dell'output del modello senza richiedere all'utente di essere un esperto nella creazione di istruzioni dettagliate.

Link to this sectionIl meccanismo di arricchimento#

La funzione principale dell'arricchimento dei prompt è colmare il divario tra una vaga intenzione umana e l'input preciso e ricco di dati richiesto dai modelli per prestazioni ottimali. Quando viene ricevuta una query, il sistema la analizza e recupera le informazioni di base necessarie da un knowledge graph o da un database strutturato. Questi dati recuperati vengono formattati programmaticamente e aggiunti al prompt originale.

Ad esempio, nei flussi di lavoro di Natural Language Processing (NLP), una semplice domanda come "Qual è lo stato?" è contestualmente insufficiente. Un sistema di arricchimento identifica la sessione attiva, recupera l'ultimo numero d'ordine da un database transazionale e riscrive il prompt in: "L'utente sta chiedendo informazioni sull'Ordine #998, che è attualmente in transito. Fornisci un aggiornamento sulla spedizione basato su questo stato". Questo processo utilizza spesso vector database per trovare rapidamente un contesto semanticamente pertinente da inserire.

Link to this sectionApplicazioni nel mondo reale#

L'arricchimento dei prompt è essenziale per distribuire solide applicazioni di generative AI in vari settori, migliorando sia i sistemi basati su testo che quelli basati su visione:

1. Assistenza clienti contestualizzata: Negli helpdesk automatizzati, un chatbot utilizza l'arricchimento per accedere alla cronologia degli acquisti e all'ambiente tecnico del cliente. Invece di chiedere all'utente la versione del proprio dispositivo, il sistema la recupera dai metadati dell'account e la inserisce nel prompt. Ciò consente all'AI agent di fornire passaggi di risoluzione dei problemi immediati e specifici per il dispositivo, migliorando significativamente la customer experience.

2. Configurazione dinamica della computer vision: Nelle operazioni di sicurezza, un utente potrebbe semplicemente attivare un'impostazione "Night Mode". Dietro le quinte, l'arricchimento dei prompt traduce questa intenzione di alto livello in classi di oggetti specifiche per un rilevatore open-vocabulary come YOLO-World. Il sistema arricchisce il prompt per scansionare specificamente "torcia", "movimento sospetto" o "persona non autorizzata", consentendo al modello di adattare dinamicamente il suo focus di object detection.

Link to this sectionEsempio: Arricchimento dinamico delle classi#

Il seguente esempio in Python dimostra il concetto di arricchimento dei prompt utilizzando il pacchetto ultralytics. Qui, l'intenzione di alto livello dell'utente viene arricchita programmaticamente in un elenco di classi descrittive specifiche che il modello scansiona.

from ultralytics import YOLO


def run_enriched_inference(user_mode):
    """Enriches a simple user mode into specific detection prompts."""
    # Load a YOLO-World model capable of open-vocabulary detection
    model = YOLO("yolov8s-world.pt")

    # Enrichment Logic: Map simple user intent to detailed class prompts
    context_map = {
        "site_safety": ["hard hat", "safety vest", "gloves"],
        "traffic": ["car", "bus", "traffic light", "pedestrian"],
    }

    # Inject the enriched context into the model
    enriched_classes = context_map.get(user_mode, ["object"])
    model.set_classes(enriched_classes)

    # The model now looks for the specific enriched terms
    print(f"Mode: {user_mode} -> Enriched Prompt: {enriched_classes}")


run_enriched_inference("site_safety")

Link to this sectionArricchimento dei Prompt vs. Concetti Correlati#

Per implementare efficacemente Machine Learning Operations (MLOps), è utile distinguere l'arricchimento dei prompt da termini simili:

• Retrieval-Augmented Generation (RAG): RAG è uno specifico metodo di arricchimento. Si riferisce strettamente al meccanismo di recupero di documenti pertinenti da un corpus esterno per dare fondamento alla risposta del modello. L'arricchimento è il concetto più ampio che include RAG, ma copre anche l'inserimento di dati di sessione statici, metadati utente o ora di sistema senza necessariamente eseguire una complessa semantic search.
• Prompt Engineering: Si tratta dell'arte manuale di progettare prompt efficaci. L'arricchimento è un processo automatizzato che applica i principi del prompt engineering dinamicamente in fase di runtime.
• Prompt Tuning: Questa è una tecnica di parameter-efficient fine-tuning (PEFT) in cui i "soft prompt" (tensori apprendibili) vengono ottimizzati durante l'addestramento. L'arricchimento dei prompt avviene interamente durante l'real-time inference e non altera i model weights.
• Few-Shot Learning: Ciò comporta la fornitura di esempi all'interno del prompt per insegnare al modello un'attività. I sistemi di arricchimento spesso inseriscono questi esempi few-shot dinamicamente in base al tipo di attività, combinando efficacemente entrambi i concetti.

Link to this sectionRilevanza nei sistemi di IA moderni#

Man mano che modelli come Ultralytics YOLO26 e GPT-4 diventano più capaci, il collo di bottiglia si sposta spesso sulla qualità dell'input. L'arricchimento dei prompt attenua le hallucinations in LLMs ancorando il modello a dati fattuali forniti. Nella computer vision (CV), consente sistemi di rilevamento flessibili basati su zero-shot learning che possono adattarsi istantaneamente a nuovi ambienti senza riaddestramento, semplicemente modificando i prompt testuali inseriti nel sistema. Questa flessibilità è fondamentale per costruire soluzioni di multi-modal AI scalabili in grado di ragionare sia su testo che su immagini. Gli utenti che cercano di gestire i dataset utilizzati per dare fondamento a questi sistemi si affidano spesso a strumenti come Ultralytics Platform per organizzare e annotare efficacemente le proprie informazioni.