4 шага к AI Power User: как стать продвинутым пользователем ChatGPT

Microsoft и LinkedIn в своем отчете 2024 Work Trend Index Annual Report пишут, что 75% людей интеллектуального труда используют Generative AI на работе, и около половины из них начали это делать лишь в последние полгода. Отчет также утверждает, что уже сформировался некий круг AI Power Users (правда, его размер неясен). Более 80% этих продвинутых пользователей, использующих ИИ на ежедневной основе и получающих от этого многочисленные преимущества, отвечают положительно на такие вопросы как:

• Перед тем, как начать новую задачу, я спрашиваю себя «Может ли ИИ помочь мне с этим?»
• Я ищу и пробую новые промпты и новые способы использования ИИ на работе.

Эта статья для вас, если вы хотите быть среди продвинутых пользователей, которые первыми получат конкурентное преимущество. Я имею ввиду преимущество на рынке труда в любой вашей профессиональной области, даже если она совсем не связана с ИИ.

---

В первой части статьи были рассмотрены не только вопросы, которые стоит себе задавать, но и конкретные 2 шага, предназначенные для достижения двух целей:

1. Сократить за счет ИИ свои затраты времени, и освободить себя именно от рутины, а не от творчества
2. Получать от ИИ не «общие слова», а конкретные результаты экспертного уровня, релевантные именно стоящей задаче и ее контексту.

По первому пункту было предложено отнюдь не универсальное решение: в некоторых случаях от рутины могут освободить лишь специализированные приложения с ИИ-функциями, а не ChatGPT.

По второму пункту был рассмотрен нехитрый подход, когда ChatGPT задает вам вопросы, поскольку ваши ответы на них  — это очень простой способ сформировать контекст и уточнить требования к результату. Однако этого зачастую недостаточно для решения проблемы «слишком общих» и «слишком примитивных» результатов.

Ниже рассмотрим более продвинутые приемы для достижения тех же двух целей.

Шаг 3: ИИ учитывает «качественные» данные, подобранные человеком

Итак, вы знакомы с промпт-инжинирингом, но все равно часто сталкиваетесь с проблемой слишком общих / однобоких / неверных / некачественных ответов от ИИ. Тогда попробуйте задать себе еще два вопроса:

• «Как дать ИИ понять, что для меня является хорошим результатом?»
• «Какие существуют источники корректной информации по теме и как я могу указать ИИ на них?»

Для ответов на эти вопросы, возможно, вам потребуется не только ваш здравый смысл и опыт, но и кое-что еще:

• уметь подбирать примеры результата, понятные искусственному интеллекту;
• понимать некоторые технические аспекты — иметь базовые представления о Few-shot prompting и о Retrieval-Augmented Generation (RAG – технология для подключения объемных баз знаний к LLM);
• иметь навык подготовки данных для ИИ на основе этого понимания.

Продвинутый пользователь ИИ понимает, что для лучшего результата боту нужно добавить в контекст некие данные и/или хотя бы один пример результата хорошего качества. При наличии в промпте примеров потребуется меньше усилий для описания задачи вами (исследование с таким выводом можно посмотреть в статье Few-shot Prompting vs Detailed Instructions). Кроме того, за счет примеров или «базы знаний» улучшается соответствие результата собственной экспертизе человека, контексту компании, принятым в данной стране подходам и т.д.

AI Power User знаком с несколькими ИИ-инструментами, поддерживающими файлы и другие источники знаний, например:

1. GPTs от OpenAI и другие «фичи» в AI-чатботах, связанные с поиском по документам.
2. SaaS, предназначенные для работы с большой базой знаний, к примеру, TextCortex, EmbedAI или NotebookLM от Google.
3. Опенсорсные решения типа Danswer или BionicGPT (подойдут, если у вас есть технический бэкграунд и готовность при необходимости допрограммировать заложенные туда алгоритмы RAG).
4. Для простых случаев — инструменты класса «Chat with your document»: например, такая фича есть в Adobe Acrobat. Инструментов такого типа очень много, но они помогают общаться лишь с одним документом или таблицей, но не выбирают подходящие документы из базы знаний.

По своему опыту могу сказать, что на данный момент (весна 2024) выбор подходящей информации из базы знаний с помощью RAG работает весьма ненадежно. Проблема в том, что вышеуказанным приложениям (пункты 1-3) сложно принять решение о том, какой из источников, входящих в базу знаний, следует использовать. И очень часто они не используют никакой источник, отвечая «из общих соображений».

Если это нужно для работы в компании крупного или среднего размера, то к таким задачам обычно привлекаются технари (программисты), чтобы подключать разные открытые LLM, играть с embeddings и даже переписывать алгоритм RAG под нужные кейсы. Иначе даже самые продвинутые пользовали могут потратить очень много времени зря, работая с базой знаний через такие приложения как GPTs (я уже не говорю о проблемах конфиденциальности такой базы знаний).

---

Но все же подключать базу знаний через RAG во многих задачах НЕ требуется. Дело в том, что конкуренция вынуждает OpenAI и других производителей LLM поддерживать все большее «контекстное окно». Этот максимальный размер контекста (входных данных) уже равен 128 тысяч токенов для моделей GPT-4o и Gemini 1.5 Pro, а для моделей семейства Claude 3 – 200 тысяч токенов.

А для того, чтобы добавить знания, примеры результата или иную информацию непосредственно в диалог с ChatGPT, никаких технических знаний не требуется. Зачастую даже не нужно давать ему текст – достаточно дать ссылку на веб-страницу с этим текстом. В сложных случаях стоит понимать основы Few-shot промптинга: см. про короткие примеры и про длинные примеры.

Шаг 4: ИИ — сотрудник, человек — руководитель

Вернемся от проблемы некачественных «слишком общих» результатов к проблеме 1: времени на получение качественных результатов уходит так много, что проще было бы обойтись без ИИ. И зададим себе вопросы:

• «Как можно уменьшить число итераций, требуемых для получения качественного результата?»
• «Как использовать мой опыт общения с людьми для общения с ИИ?»
• «Как организовать мою с ИИ совместную работу?»

Менеджмент совсем необязательно означает постановку задачи начальником и ее выполнение подчиненным. Например, подчиненные приносят руководству на одобрение свои идеи, развернутые планы, промежуточные результаты. Руководитель экономит время за счет того, что включается в работу лишь на некоторых этапах рабочего процесса, каков бы он ни был — от подготовки квартального отчета до создания нового продукта. Но при этом он «держит руку на пульсе» и включается многократно, поскольку невозможно заранее все учесть и обо всем договориться.

Аналогично можете мыслить вы, представляя себя в роли «руководителя чат-бота»:

1. Попросите ИИ написать вам готовый промпт, покритикуйте его, а лишь затем попросите его выполнить.
2. В большинстве реальных задач одного промпта недостаточно, задача должна быть разбита на несколько взаимосвязанных подзадач. И декомпозицию на подзадачи вы тоже можете попросить ИИ.
3. Укажите ИИ явно ваши роли: вы — руководитель, а он — сотрудник с такими-то компетенциями. И скажите, что его задача — согласовывать с вами каждый промежуточный результат его работы: список идей, план реализации, первую часть текста (если цель заключается в написании текста), и тому подобное.
4. Главное — давайте ИИ небольшие конкретные и своевременные указания, как будто это ваш новый подчиненный. Как и подчиненный, ИИ еще не знаком с вашими предпочтениями и ожиданиями, так что если на него сразу обрушить все ваши ЦУ, он перегрузится и большую половину не учтет.

Имею в виду, что это будет быстрее в сравнении с тем, когда вы сразу подробно описываете задачу, а потом критикуете финальный результат (который совсем не соответствует ожиданиям). Если бы так делали руководители, они бы зря тратили много своего времени и на полную постановку задачи на старте, и на бесконечные итерации после получения неудовлетворительных результатов.

Комплексный пример общения с ИИ

В качестве примера, использующего много разных приемов, рассмотрим приведенную в первой статье задачу создания текста «О компании». Ее можно переформулировать в виде набора тесно взаимосвязанных задач. Ниже — примерная последовательность промптов, которую я рекомендую для этой задачи.

1. Предложи 3 варианта структуры веб-страницы «О компании», учитывая, что компания занимается … <вводные о вашем бизнесе и аудитории страницы>.
2. Выбираем вариант 2, но только объединяем Клиенты и Истории успеха, а про партнеров не включаем. Ключевая информация о компании описана в файлах <файл интервью и файл презентации>. Предложи структуру из 6 блоков, в каждом пункте пиши заголовок и основные идеи блока.
3. Замечания по блокам:
   3. Преобразуй в 2 блока: ….
   6. Убери про адреса и расположение офисов.
4. В каком формате нужны данные о продуктах, чтобы ты мог создать контент блока 3 и 4? По блокам 5 и 6 напиши, что следует учесть при подготовке текста и иллюстраций.
5. Начнем с блока 3. В приложенном файле — таблица с описаниями продуктов, в последнем столбце … — их категории. Резюмируя описание продуктов категории …, создай описание категории из 20 слов.
6. Исправленное мной описание категории: «…». По аналогии с этим сделай описание категории … длиной 30 слов. Мне важно, чтобы … <любые вводные>
7. Отныне в ответ на каждый мой запрос ты должен генерировать контент указанного блока в формате тех. задания для веб-дизайнера. Стиль текста должен соответствовать стилю страницы …. Сопровождай каждый блок рекомендациями по картинкам или иному визуальному оформлению.
   
   Начнем с блока 1, текста тут должно быть очень мало (1 экран на телефоне). Нужен слоган компании: …
8. …

См. пример реального диалога про страницу «О компании».

Какие приемы здесь использованы?

• Расширение задачи: даже если имеем свое представление об идеальном результате, сначала просим варианты, чтобы не упустить что-то важное.
• Требования от ИИ: просим ИИ рассказать, что и в каком формате ему нужно.
• Примеры для ИИ: просим использовать имеющиеся файлы / веб-страницы
  • как основу для контента;
  • как образец стиля.
• Получение результата по частям, а также:
  • однократная формулировка требований ко всем частям;
  • использование исправленной версии предыдущей части в качестве образца для следующей части.
• Отношение к ИИ как к подчиненному сотруднику, а не как к программе: активно сотрудничаем, даем указания и обратную связь.

Заключение

Надеюсь, мне удалось проиллюстрировать, что для успешного применения ИИ очень важны следующие навыки:

1. Умение подбирать задачи для ИИ и формулировать их совместно с ИИ.
2. Навык подбора подходящих знаний и примеров в качестве контекста для ИИ.
3. В случае недоступности таких знаний и примеров — совместное с ИИ-ботом обсуждение задачи таким образом, чтобы контекста было достаточно для качественных конкретных результатов.

Пишите в комментариях, если вы не согласны с этим утверждением или если я забыл какие-то еще навыки.

А детализированный чек-лист со всеми вопросами, которые я рекомендую задавать себе на разных этапах знакомства с ИИ, вы можете взять в этом посте. Это ссылка на Telegram-канал ScrumTrek, где публикуются полезные советы по работе не столько с ИИ-ассистентами, сколько с людьми. На самом деле, между управлением людьми и ИИ-сотрудниками есть много общего! 😉