Ključni principi izrade učinkovitog upita (prompta)

Kada oblikujete upite za alate umjetne inteligencije, korisno je složene zahtjeve razložiti na više manjih i jasnijih dijelova. Takav pristup naziva se podjela zadatka na male korake (task decomposition).

Zašto je to važno? 

Veliki i složeni upiti često mogu zbuniti sustave umjetne inteligencije, što dovodi do nepotpunih, površnih ili nelogičnih odgovora.
Razlaganjem upita u nekoliko jednostavnijih koraka modelu omogućujete da preciznije razumije svaki dio te da postupno izgradi točniji i smisleniji rezultat.

Kako to učiniti?

• Umjesto da tražite sve odjednom, razdijelite upit na manje cjeline.

• Najprije zatražite objašnjenje osnovnih pojmova.

• Zatim zatražite primjere koji pojašnjavaju kontekst.

• Na kraju tražite primjenu, usporedbu ili prijedlog rješenja.

Primjer:

Umjesto jednog upita:
„Objasni teoriju, povijest i primjenu računalnih mreža u obrazovanju i izradi plan predavanja o tome.”

bolje je postaviti niz manjih, povezanih upita:

• „Objasni osnovne pojmove računalnih mreža.”
• „Navedi kratku povijest razvoja računalnih mreža.”
• „Kako se računalne mreže koriste u obrazovanju?”
• „Predloži plan predavanja o računalnim mrežama za studente.”

Takav pristup povećava preciznost, jasnoću i kvalitetu dobivenih odgovora, a ujedno omogućuje da postupno gradite složeniji rezultat na temelju točnih i provjerenih dijelova.

Savjet:

Ova se tehnika posebno preporučuje u obrazovnim okruženjima kada umjetnu inteligenciju koristite za planiranje nastave, izradu nastavnih materijala ili istraživačke analize – jer pomaže modelu da „razmišlja korak po korak” i smanji mogućnost pogreške.