Prompt Engineering erstellt Algorithmen für natürliche Sprache
In meinem Regal stehen viele Bücher zu allen möglichen Themen, von Netzwerken über KI und Sicherheit bis hin zu den Grundlagen. Die meisten meiner College-Lehrbücher sind schon lange vergriffen, aber zwei sind noch da: das „Drachenbuch“ und „Einführung in die Algorithmen“ .
Ersteres behalte ich aus sentimentalen Gründen. Ich habe in meinem Leben genau zwei Compiler geschrieben und hoffe, nie wieder einen schreiben zu müssen. Letzteres behalte ich, weil es zeitlos ist. Algorithmen sind nämlich nicht an ein Betriebssystem oder eine Sprache gebunden. Es handelt sich dabei um logische Regeln – Muster –, die zur Lösung allgemeiner Probleme befolgt werden.
Aus diesem Grund sage ich manchmal, dass ich meine Besorgungen „Dijkstra“ mache, wenn ich mit dem Auto unterwegs bin. Der Dijkstra-Algorithmus besteht aus einer Reihe von Regeln zum Suchen des kürzesten Pfads und ist für die Erledigung mehrerer Aufgaben ebenso anwendbar wie für die Weiterleitung von Paketen durch ein Netzwerk.
Vor diesem Hintergrund wollen wir uns mit dem sich entwickelnden Bereich des Prompt Engineering befassen. Eine einfache Definition lautet: „Die Praxis, Inputs für generative KI-Tools zu entwerfen, die optimale Outputs produzieren.“ (McKinsey)
Im Laufe der letzten Monate sind zahlreiche Prompt-Engineering-„Techniken“ aufgetaucht, die jeweils zur Lösung eines bestimmten Problemtyps konzipiert wurden: nämlich der Erzielung optimaler Ergebnisse mithilfe generativer KI.
Forbes hat hervorragende Arbeit geleistet, um diese Techniken in den Vordergrund zu rücken:
Es gibt noch viel mehr davon, aber sie alle haben dieselben Eigenschaften. Jedes beschreibt einen Satz von Regeln oder Mustern für die Interaktion mit generativer KI, um die gewünschten Ergebnisse zu erzielen. Aus technischer Sicht unterscheidet sich dies nicht wesentlich von Algorithmen, die beschreiben, wie ein binärer Baum sortiert, eine verknüpfte Liste umgekehrt oder der kürzeste Pfad durch einen Graphen zu einem Ziel gefunden wird.
Von der Konzeption und Zielsetzung her handelt es sich bei ihnen um natürliche Sprachalgorithmen.
Nun, ich werde Ingenieure nicht dazu ermutigen, Pünktlich-Ingenieure zu werden. Doch wie viele Ingenieure heute feststellen, funktioniert die Verwendung natürlicher Sprachalgorithmen zum Entwerfen effektiverer generativer KI-Lösungen. Wenn Sie diesen Blog zum Thema „Minderung von KI-Halluzinationen“ durchlesen, werden Sie feststellen, dass im Kontext der Lösung mehrere natürliche Sprachalgorithmen, darunter Denkketten und reflektierende KI, verwendet werden, um die Antworten von GPT so zu steuern, dass eine optimale Antwort generiert wird.
Dies ist deshalb wichtig, weil sich immer mehr Prompt-Engineering-Techniken entwickeln und schließlich auch erkennbare Namen erhalten. Sie werden zu Bausteinen für Lösungen, die generative KI nutzen. Die Prompt-Engineering-Techniken von heute sind die natürlichen Sprachalgorithmen von morgen.
Und wir täten gut daran, sie weder zu ignorieren noch als weniger wertvoll als traditionelle Algorithmen abzutun oder sie mit der Begründung abzutun, sie seien nur auf Chat-Schnittstellen anwendbar, die von Familie und Freunden genutzt werden.
Wir verlassen uns zwar auf eine API, um generative KI in Lösungen zu integrieren, aber die Daten, die wir austauschen, sind in natürlicher Sprache. Das bedeutet, dass wir diese prompten Engineering-Techniken – diese Algorithmen in natürlicher Sprache – in den Lösungen, die wir erstellen, nutzen können, um bessere, klarere und korrektere Antworten aus der generativen KI zu erhalten.
Dies bedeutet auch, dass Technologieführer ihren Ingenieuren nicht nur erlauben, sondern sie dazu ermutigen sollten, sich mit generativer KI zu beschäftigen, um diejenigen Muster und Algorithmen aufzudecken, die zu optimaleren Lösungen führen.
Wer weiß, vielleicht wird in Zukunft ein Algorithmus nach einem Ihrer Ingenieure benannt.