Anant Agarwal, een MIT-professor en een van de oprichters van het EdX-onderwijsplatform, zorgde onlangs voor opschudding gezegde dat snelle techniek de belangrijkste vaardigheid was die je kon leren. En dat je in twee uur de foundation kon leren.

Hoewel ik het ermee eens ben dat het ontwerpen van goede aanwijzingen voor AI een belangrijke vaardigheid is, overdrijft Agarwal zijn standpunt. Maar voordat we bespreken waarom, is het belangrijk om na te denken over wat snelle engineering betekent.

Leer sneller. Graaf dieper. Zie verder.

Pogingen om snelle engineering te definiëren vallen in twee categorieën:

• Slimme aanwijzingen bedenken om een ​​AI te laten doen wat jij wilt terwijl je achter je laptop computer zit. Deze definitie is in wezen interactief. Het valt te betwijfelen of dit “engineering” moet worden genoemd; op dit second is het meer een kunst dan een toegepaste wetenschap. Dit is waarschijnlijk de definitie die Agarwal in gedachten heeft.
• Ontwerpen en schrijven van softwaresystemen die automatisch prompts genereren. Deze definitie is niet interactief; het is het automatiseren van een taak om het voor anderen gemakkelijker te maken. Dit werk valt steeds meer onder de noemer VOD (Retrieval Augmented Technology), waarbij een programma een verzoek aanneemt, gegevens opzoekt die related zijn voor dat verzoek, en alles verpakt in een complexe immediate.

Het ontwerpen van geautomatiseerde promptingsystemen is duidelijk belangrijk. Het geeft je veel meer controle over wat een AI waarschijnlijk zal doen; Als je de informatie die nodig is om een ​​vraag te beantwoorden in de immediate verpakt, en de AI vertelt om zijn reactie te beperken tot de informatie in dat pakket, is de kans veel kleiner dat hij ‘hallucineert’. Maar dat is een programmeertaak die je niet in een paar uur leert; Meestal gaat het om het genereren van insluitingen, het gebruik van een vectordatabase, het genereren van een reeks aanwijzingen die door verschillende systemen worden beantwoord, het combineren van de antwoorden en mogelijk het genereren van meer aanwijzingen. Kan de foundation in een paar uur worden geleerd? Misschien als de leerling al een ervaren programmeur is, maar dat is ambitieus en vereist mogelijk een definitie van ‘foundation’ die de lat heel laag legt.

Hoe zit het met de eerste, interactieve definitie? Het is vermeldenswaard dat niet alle aanwijzingen gelijk zijn. Aanwijzingen voor ChatGPT zijn in wezen vrije tekst. Tekst in vrije vorm klinkt eenvoudig, en dat is in eerste instantie ook eenvoudig. Meer gedetailleerde aanwijzingen kunnen echter op essays lijken, en als je ze uit elkaar haalt, besef je dat het in wezen computerprogramma’s zijn. Ze vertellen de pc wat hij moet doen, ook al zijn ze niet in een formele computertaal geschreven. Aanvragen voor een AI voor het genereren van afbeeldingen, zoals Midjourney, kunnen secties bevatten die zijn geschreven in een bijna formele metataal die vereisten specificeert zoals resolutie, beeldverhouding, stijlen, coördinaten en meer. Het is niet programmeren als zodanig, maar creëren een immediate die uitvoer van professionele kwaliteit produceert lijkt veel meer op programmeren dan op “een spookachtiger gevecht met een python.”

Het eerste dat iemand over prompts moet leren, is dus dat het schrijven van echt goede prompts moeilijker is dan het lijkt. Uw eerste ervaring met ChatGPT zal waarschijnlijk zijn: “Wauw, dit is geweldig”, maar tenzij u beter wordt in het vertellen van de AI precies wat u wilt, zal uw twintigste ervaring waarschijnlijk “Wauw, dit is saai” zijn.

Ten tweede zou ik niet ingaan op de bewering dat iedereen binnen een paar uur de basisprincipes van het schrijven van goede aanwijzingen kan leren. De gedachtegang (waarbij de opdracht enkele voorbeelden bevat die laten zien hoe een probleem kan worden opgelost) is niet moeilijk te begrijpen. Geen van beide bevat bewijsmateriaal dat de AI kan gebruiken als onderdeel van de immediate. Dat geldt ook voor veel van de andere patronen die effectieve aanwijzingen creëren. Er is hier verrassend weinig magie. Maar het is belangrijk om een ​​stap terug te doen en na te denken over wat de gedachtegang vereist: je moet de AI stap voor stap vertellen hoe hij je probleem moet oplossen, wat betekent dat je eerst moet weten hoe je je probleem moet oplossen. Je moet andere voorbeelden hebben (of creëren) die de AI kan volgen. En u moet beslissen of de output die de AI genereert appropriate is. Kortom, je moet veel weten over het probleem dat je aan de AI vraagt ​​op te lossen.

Daarom zijn veel docenten, vooral in de geesteswetenschappen, enthousiast over generatieve AI. Als het goed wordt gebruikt, is het boeiend en zo moedigt leerlingen aan om meer te leren: leren de juiste vragen te stellen, het harde onderzoek doen om feiten op te sporen, zorgvuldig nadenken over de logica van de reactie van de AI, beslissen of die reactie al dan niet logisch is in zijn context. Studenten die aanwijzingen voor AI schrijven, moeten goed nadenken over de punten die ze willen maken, hoe ze die willen maken en welke ondersteunende feiten ze moeten gebruiken. ik heb gemaakt een soortgelijk argument over het gebruik van AI bij het programmeren. AI-tools zullen het programmeren niet elimineren, maar ze zullen meer nadruk leggen op activiteiten op een hoger niveau: het begrijpen van gebruikersvereisten, het begrijpen van softwareontwerp, het begrijpen van de relatie tussen componenten van een veel groter systeem en het bedenken van strategieën voor het oplossen van een probleem. (Om nog maar te zwijgen van debuggen en testen.) Als generatieve AI ons helpt het idee te laten rusten dat programmeren gaat over asociale mensen die regels code uitslijpen, en ons helpt te beseffen dat het er in werkelijkheid om gaat dat mensen problemen begrijpen en nadenken over hoe ze deze kunnen oplossen hen zal het programmeervak ​​zich op een betere plek bevinden.

Ik zou niet aarzelen om iemand te adviseren om twee uur te besteden aan het leren van de basisprincipes van het schrijven van goede aanwijzingen – of vier of acht uur, wat dat betreft. Maar de echte les hier is dat influisteren niet het belangrijkste is dat je kunt leren. Om echt goed te kunnen zijn in het geven van aanwijzingen, moet je experience ontwikkelen over waar de aanwijzing over gaat. Je moet skilled worden in wat je al doet, of dat nu programmeren, kunst of geesteswetenschappen is. Je moet betrokken zijn bij het onderwerp, niet bij de AI. De AI is slechts een hulpmiddel: een heel goed hulpmiddel dat dingen doet die een paar jaar geleden nog ondenkbaar waren, maar nog steeds een hulpmiddel. Als je toegeeft aan de verleiding door te denken dat AI een verzamelplaats is van experience en wijsheid die een mens onmogelijk zou kunnen verkrijgen, zul je AI nooit productief kunnen gebruiken.

Ik heb een proefschrift geschreven over Engelse literatuur uit de late 18e en vroege 19e eeuw. Ik heb dat diploma niet behaald zodat een pc voor mij alles over de Engelse romantiek kon weten. Ik kreeg het omdat ik het wilde weten. ‘Willen weten’ is precies wat nodig is om goede prompts te schrijven. Op de lange termijn zal de wil om zelf iets te leren veel belangrijker zijn dan een paar uur trainen in effectieve ingevingspatronen. Het gebruik van AI als kortere weg, zodat u niet hoeft te leren, is een grote stap op weg naar irrelevantie. De ‘wil om te leren’ is wat u en uw baan related houdt in een tijdperk van AI.