Prompt Zenginleştirme

Prompt zenginleştirme, bir yapay zeka modeline, özellikle de bir Büyük Dil Modeline (LLM) gönderilmeden önce, bir kullanıcının ilk prompt'una ilgili bağlam veya bilgileri programlı olarak ekleme işlemidir. Amaç, basit veya belirsiz bir kullanıcı sorgusunu ayrıntılı, belirli ve bağlam duyarlı bir talimata dönüştürmektir. Bu ön işleme adımı, yapay zeka modelinin kullanıcının amacını daha iyi anlamasına yardımcı olarak, modelin kendisini değiştirmeden önemli ölçüde daha doğru, kişiselleştirilmiş ve yararlı yanıtlar elde edilmesini sağlar.

İstem Zenginleştirme Nasıl Çalışır

Prompt zenginleştirme, akıllı bir ara katman görevi görür. Bir kullanıcı bir sorgu gönderdiğinde, otomatik bir sistem bunu engeller. Bu sistem daha sonra kullanıcı profilleri, konuşma geçmişi, oturum verileri (cihaz türü veya konum gibi) veya harici veri tabanları gibi çeşitli kaynaklardan bağlamsal veriler toplar. Ardından bu bilgileri dinamik olarak orijinal prompt'a ekler. Ortaya çıkan ve artık hem kullanıcının sorgusunu hem de eklenen bağlamı içeren "zenginleştirilmiş" prompt, son olarak işlenmek üzere LLM'ye iletilir. Bu, modelin karmaşık Doğal Dil Anlama (NLU) görevlerini gerçekleştirme yeteneğini geliştirir.

Gerçek Dünya Uygulamaları

1. Kişiselleştirilmiş Müşteri Desteği: Bir kullanıcı bir e-ticaret sohbet robotu ile etkileşime girer ve "Paketim nerede?" diye yazar. İstek zenginleştirme sistemi, kullanıcının hesap ayrıntılarını ve en son sipariş numarasını bir CRM veritabanından otomatik olarak getirebilir. Modele gönderilen istek şu olur: "Müşteri Kimliği 98765, en son siparişi olan #ABC-12345'in durumunu soruyor. Kullanıcının orijinal sorgusu: 'Paketim nerede?'" Bu, yapay zeka destekli müşteri hizmetleri temsilcisinin açıklama isteyen bilgiler istemek yerine anında, belirli bir güncelleme sağlamasına olanak tanır.
2. Daha Akıllı İçerik Önerisi: Bir yayın hizmetinin kullanıcısı "Bir film öner" diyor. Bu, iyi bir öneri için çok belirsiz. Zenginleştirme süreci, bu istemi kullanıcının izleme geçmişi, belirtilen tür tercihleri ve günün saati gibi verilerle artırabilir. Son istem şöyle görünebilir: "Kullanıcı son zamanlarda bilim kurgu gerilimlerini ve tarihi dramaları beğendi. Cumartesi gecesi. Bu kriterlere uyan bir film önerin." Bu, öneri sisteminden daha alakalı bir öneriye yol açar ve kişiselleştirme yoluyla kullanıcı deneyimini iyileştirir.

Prompt Zenginleştirme ve İlgili Kavramlar

İstem zenginleştirmeyi benzer terimlerden ayırmak önemlidir:

• İstem Mühendisliği (Prompt Engineering): Bu, etkili istemler tasarlama konusundaki geniş disiplindir. İstem zenginleştirme, bir kullanıcının girdisine dinamik bağlam eklemeye odaklanan, istem mühendisliği içinde belirli, otomatikleştirilmiş bir tekniktir.
• Alma-Artırılmış Üretim (RAG): RAG, güçlü ve özel bir istem zenginleştirme türüdür. Modelin çıktısını temellendirmek ve halüsinasyonları önlemek için harici bir bilgi tabanından olgusal bilgi alımında uzmanlaşmıştır. RAG bir zenginleştirme biçimi olsa da, zenginleştirme, statik bir bilgi tabanının parçası olmayan kullanıcı oturum verileri gibi diğer bağlam kaynaklarını da kullanabilir.
• İstem Zincirleme (Prompt Chaining): Bu teknik, bir görevi, bir istemin çıktısının bir sonrakini beslediği, birbirine bağlı birden çok istem dizisine böler. Zenginleştirme ise, işlenmeden önce tek bir istemi değiştirir. Bir istem zenginleştirme adımı, genellikle ilk adım olarak daha büyük bir zincirin parçası olabilir. Düşünce Zinciri (CoT) İstemleme gibi diğer teknikler, tek bir etkileşimde akıl yürütmeyi geliştirmeye odaklanır.
• İstem Ayarlama (Prompt Tuning): Bu bir model eğitim yöntemidir. Bir parametre açısından verimli ince ayar (PEFT) tekniği olarak, küçük bir yeni parametre kümesini eğiterek bir modelin davranışını uyarlar. İstem zenginleştirme, giriş sorgusunu değiştiren ve modelin ağırlıklarını değiştirmeyen bir çıkarım zamanı tekniğidir.

En çok Doğal Dil İşleme'de (NLP) yaygın olmasına rağmen, temel fikir makine öğrenimi genelinde uygulanabilir. Bilgisayar görüşünde, benzer bir kavram, Ultralytics YOLO11 gibi bir modelin bir nesne tespiti görevindeki performansını artırmak için bir görüntüye meta veriler (örneğin, konum, zaman) eklemeyi içerebilir. MLOps platformları gibi Ultralytics HUB, zenginleştirme kullanan karmaşık girdi ardışık düzenlerinin ve LangChain veya LlamaIndex gibi çerçevelerin uygulanabileceği sağlam model dağıtımı için gereken altyapıyı sağlar.