Bugün Herkes, Görevi Bir LLM'e Devrederek İdare Eder CSS Yazabiliyor

Bugün herkes, görevi bir LLM'e devrederek idare eder CSS yazabiliyor. LLM'ler herkesi genelci yapıyor. Bu yüzden birçok kişi LLM'lerle çalışmanın herhangi bir beceri gerektirdiğini düşünmüyor. doktora düzeyinde matematik, oldukça iyi ama bazen zevksiz bilgisayar kodu veya garip LinkedIn tarzı yazılar — isterseniz kolayca isteyebilirsiniz.

Herkes aynı modellerle konuştuğu için "yetenekli prompt yazanlar" ile LLM'lere ilk kez dokunanlar aynı sonuçları alıyor. Bu yanlış. Prompt yazmadaki en önemli beceri, prompt yazdığınız alandaki uzmanlıktır.

Bunun iyi bir örneği, Terence Tao'nun yakın zamanda keşfedilen Jacobian Conjecture karşı örneği hakkında ChatGPT ile yaptığı konuşmadır. Bu benim konuştuğum ChatGPT değil! Tao'nun ulaştığı yere, sınırsız token harcasam bile ulaşamam.

Tao'nun konuşmasından iyi prompt yazma hakkında öğrenilecek çok şey var. İşte birkaç gözlem: Ancak, bu ipuçlarını izleyerek matematik sorularında Tao gibi prompt yazamazsınız. Tekniğinin anahtarı aslında matematiği anlamaktır: ChatGPT'nin çok paragraflı yanıtından ilgili fikri çıkarmak, alternatif yaklaşımlar veya formülasyonlar önermek ve "tuhaf görüneni" tespit etmek.

Terence Tao benim programcı olduğumdan daha iyi bir matematikçi. alan bilgisinin LLM'leri kullanmada sizi daha iyi yaptığı — kendi işimde de deneyimlediğim bir şey. Kod tabanınız hakkında iyi bir teoriniz varsa, LLM'i hiç aşinalığınız olmayan duruma göre çok daha fazla zorlayabilirsiniz.

İyi bir çözümün nasıl görünebileceğine dair kendi hissiniz olduğu için "hayır, bence burada daha basit olabilir", "ama zaten X'i yapmıyor muyuz? veya "bu sorunu bu bilinen terimlerle ifade edebilir miyiz? diyebilirsiniz.

Bu, daha önce yazdığım bir fikre değiniyor: sistem tasarımı sorunlarına genel ilkeler değil, somut ayrıntılar hakimdir. Elbette ikisi de faydalı, ancak yazılım sistemleri hakkında derin bir genel anlayıştan ziyade kod tabanına aşinalığı tercih ederim. Konuşmasında Terence Tao "X burada çalışıyor mu? veya "Y ve Z verildiğinde neden A? gibi birçok spesifik soru soruyor.

Jacobian Conjecture hakkında bu soruları soramam, ancak GitHub'daki sahip olduğum sistemler hakkında sorabilirim. Alan bilginiz yoksa, en azından bir şeyler almak için LLM'e tutunabilirsiniz. Bu kötü değil!

Ancak alan bilginiz varsa, aynı LLM'den istediğiniz yöne sertçe yönlendirerek çok daha fazla değer elde edebilirsiniz. Çoğumuz bu iki yaklaşımın karışımını yapmak zorunda kalacağız, çünkü bazı alanlarda alan bilgisine sahibiz, bazılarında değiliz. Alan bilgisinin faydası, modeller güçlendikçe insan uzmanlığının faydalı olmaya devam edeceğini gösteriyor.

Birçok görevde darboğaz model değil insandır, çünkü zor kısım modele insanın tam olarak ne tür bir çözüm istediğini iletmektir. Bilgi "modelde" zaten var, ancak onu çıkarmak çok zeki bir insan gerektirir. Bu yazıyı beğendiyseniz, yeni yazılarım hakkında e-posta güncellemelerine abone olmayı veya Hacker News'te paylaşmayı düşünün.

İşte bununla etiketleri paylaşan ilgili bir yazının önizlemesi. Güçlü yapay zekalar, kendilerini açık ağırlıklı modeller olarak yayınlayarak kapsayıcılıktan kaçabilir. Büyük dil modellerinden önce, yapay zeka güvenliği konusunda endişelenen insanlar sıklıkla "kutu sorunundan" bahsederdi.

Şöyle işler. Diyelim ki bir dahi, dizüstü bilgisayarında gece geç saatlerde yapılan bir kodlama seansında yapay zekayı çözdü.