WEBVTT 00:00.080 --> 00:07.220 第1週が終わり、 充実したエキサイティングなプロジェクトを終えた今、 00:07.250 --> 00:09.980 素晴らしい結果だ。 00:10.010 --> 00:12.350 もちろん、 あなたにはいくつかの課題がある。 00:12.350 --> 00:14.000 ここからが面白くなる。 00:14.030 --> 00:20.990 まず、 このプロジェクトをより良いものにするためにできること、 つまり、 先ほど申し上げたことと同じようなことがあります。 00:20.990 --> 00:29.180 そしてそのあとには、 ゼロから何かを作り上げるという宿題が出される。 00:29.180 --> 00:34.610 もちろん、 準備ができたら解決策を提示する。 00:34.610 --> 00:36.230 まずは課題から。 00:36.230 --> 00:44.600 まず第一に、 私たちがパンフレット・メーカーを作ったとき、 もちろんLMSへの2つの呼び出しがありました。 00:44.600 --> 00:51.830 最初の呼び出しは、 一発プロンプトと表現した。 00:51.860 --> 01:00.110 そして、 マルチショット・プロンプティングという表現があることは前にも述べた。 01:00.110 --> 01:06.350 だから、 マルチショット・プロンプトができるように拡張して、 本当のマルチショット・プロンプトにしてほしいんだ。 01:06.350 --> 01:12.770 このリンクを見せたら、 こう答えてJSONを渡し、 関連するリンクだけを選択し、 01:12.770 --> 01:21.650 どのようにパスを完全修飾したかを明確に示すのだ。 01:21.650 --> 01:22.880 だから、 そうしてみてほしい。 01:22.880 --> 01:29.090 マルチショット・プロンプトを使うことになるので、 もう1つか2つの例を入れてください。 01:29.090 --> 01:31.610 そして、 マルチショット・プロンプトを行ったことを履歴書に書き加えることができる。 01:31.640 --> 01:36.920 もちろん冗談だが、 しかし、 やってみることは重要なスキルだ。 01:36.920 --> 01:44.900 しかし、 これが有用なのは、 そうすることでLLMへのコールの質と信頼性が向上するからだ。 01:44.930 --> 01:56.480 プロンプトにさらにあーだこーだと例を加えることで、 次のトークンを確実に予測し、 何を予測させたいかを予測する能力が強化される。 01:56.480 --> 01:58.940 だから、 これはいい練習になる。 01:58.940 --> 02:03.500 このLLMコールに、 より堅牢性を加える良い方法だ。 02:03.500 --> 02:05.690 そして、 それはコースに沿って行うことだ。 02:05.690 --> 02:08.810 そしてそれは、 あなた自身のプロジェクトに取り入れたくなるものだ。 02:08.810 --> 02:13.570 だから、 ぜひ試してみてほしい。 02:14.560 --> 02:20.050 コースの終盤では、 構造化されたアウトプットというテクニックを使うことにも触れた。 02:20.050 --> 02:23.620 そうすることで、 LLMは特殊な対応をせざるを得なくなる。 02:23.620 --> 02:31.330 でも、 マルチショット・プロンプトは、 あなたが探しているものに対して、 特別な文脈、 特別な味わいを与えてくれる。 02:32.050 --> 02:37.000 それから、 パンフレットを作るために2回目の電話でできること。 02:37.000 --> 02:41.740 もちろん、 システムのプロンプトを使って、 皮肉や皮肉を言うようにすることについては、 すでに話した。 02:41.740 --> 02:48.010 また、 システム・プロンプトを使って、 スペイン語など別の言語で何かを生成させることができることは述べた。 02:48.010 --> 02:53.290 そこでできることはもう一つあって、 それはもっと、 確かにもっと面白いかもしれない。 02:53.290 --> 02:55.450 それで良い結果が得られるかどうかは分からない。 02:55.450 --> 03:00.880 そして、 それは英語でパンフレットを作成し、 2度目の電話をかけることだ。 03:01.030 --> 03:08.080 実際には、 もちろん、 パンフレットを英語からスペイン語に翻訳するために、 LLMに3度目の電話をしている。 03:08.140 --> 03:14.710 でも、 いろんな意味で、 この場合、 その方がいいということはないだろう。 03:14.710 --> 03:20.080 しかし、 それを実践することで、 実際に翻訳の目的のために特別に訓練されたモデルを使用することが想像できます。 03:20.080 --> 03:36.730 そうすれば、 その目的のためだけにそのモデルを使用することができ、 パンフレット生成のために訓練されたモデルと翻訳のために訓練された別のモデルを使用して、 より良い結果を確実に得ることができるようになります。 03:36.730 --> 03:45.970 GPT4かミニを両方の目的で使うことになるだろうが、 複数のコールを実際に体験することができる。 03:45.970 --> 03:50.350 繰り返しになるが、 これは基本的にエージェントAIのミニチュア実装だ。 03:50.380 --> 03:58.210 システム・プロンプトを使えば、 1 in 1のbashで全部できるかもしれないが。 03:58.360 --> 04:00.370 とにかく、 それがやるべきことだ。 04:00.370 --> 04:12.970 これは、 あなたの自信と、 この種のテクニックの経験値を高めるのに大いに役立つだろう。 04:12.970 --> 04:18.130 そして、 ゼロから何かを作り上げる練習をしてもらいます。 04:18.130 --> 04:22.030 それをお見せするために、 次のビデオでJupyterLabに戻ります。