Er du klar til at opdage fuld kraft af ChatGPT? Forestil dig at have et sprogværktøj, der kan hjælpe dig på mange måder - fra at besvare spørgsmål og skabe sjovt indhold til at give personlig rådgivning. Det er her hurtig teknik kommer ind - en kraftfuld metode, der får Chat GPT til at fungere bedre ved omhyggeligt at oprette prompter og instruktioner.
I dette blogindlæg undersøger vi spændende verden af hurtig teknik, der ser på dets grundlæggende elementer, teknikker, bedste praksis og avancerede strategier, selv for at oprette en chatbot. Hvis du er interesseret i, hvad sprogmodeller kan gøre, er denne artikel din guide til at få mest muligt ud af ChatGPT-4 Turbo.
Bliv klar til at lære hemmelighederne ved hurtig teknik og ændre, hvordan du bruger ChatGPT. Lad os dykke ind!
Lad os først tage et øjeblik til at forstå, hvad Chat GPT handler om. Udviklet af Åbn AI, Chat GPT er en avanceret sprogmodel trænet i enorme tekstdata, hvilket gør det muligt at generere menneskelignende svar på forskellige prompter. Dens evne til at forstå og udvikle sammenhængende tekst har fanget opmærksomheden hos fagfolk på tværs af brancher.
Og nu er der Chat GPT-4 Turbo som ser ud til at være en opdateret version af GPT-4-modellen af OpenAI. Her er nogle nøglepunkter om det:
Hurtig teknik er afgørende for at maksimere nytten af OpenAIs kraftfulde sprogmodel, ChatGPT. I dette afsnit ser vi på det grundlæggende i det, herunder dets definition, prompternes rolle i at interagere med ChatGPT og de mange elementer, der driver promptvalg.
Den strategiske proces med planlægning og generering af prompter for at fremkalde ønskede svar gennem ChatGPT kaldes hurtig teknik. Det indebærer omhyggeligt at skabe instruktioner og input, der styrer modellens adfærd og former kvaliteten og relevansen af modellens genererede output.
Dens betydning ligger i dens evne til at forbedre ChatGPTs evner og tilpasse sine svar til specifikke aktiviteter eller mål. Brugere kan med succes forklare deres hensigt og fremkalde nøjagtige og kontekstuelt passende oplysninger fra modellen ved at tilbyde veludformede forslag.
Prompter er vigtige i interaktionen mellem brugere og ChatGPT. De giver den nødvendige kontekst for, at modellen kan skabe relevante svar og fungere som udgangspunkt for samtaler. Brugere kan dirigere ChatGPT mod de ønskede resultater ved at strukturere instruktioner med klarhed og nøjagtighed.
Ifølge forskning, hurtig teknik påvirker sprogmodellernes ydeevne betydeligt. Veldesignede prompter kan hjælpe med at forhindre skadelige eller partiske output, øge nøjagtigheden af genererede svar og tillade mere kontrol over modellens adfærd, ifølge en OpenAI-undersøgelse om forbedring af hurtig teknik.
Overvej følgende to forespørgsler og deres ledsagende ChatGPT-svar:
Prompt 1:
Prompt 2:
Den anden prompt giver et mere specifikt og meningsfuldt svar.
Dette eksempel fremhæver betydningen af præcision og klarhed i skriftlige meddelelser.
Prompter er vigtige værktøjer til at lette problemfri kommunikation med AI-sprogmodeller.
Hvis du vil oprette beskeder af høj kvalitet, skal du først forstå, hvordan de klassificeres. Dette giver dig mulighed for at strukturere dem effektivt ved at fokusere på et specifikt målrespons.
De vigtigste promptkategorier inkluderer:
1. Meddelelser til informationssøgning
Disse prompter er udformet til at indsamle oplysninger ved at stille „Hvad“ og „Hvordan“ spørgsmål. De er ideelle til at udtrække specifikke detaljer eller fakta fra AI-modellen. Eksempler omfatter:
2. Instruktionsbaserede prompter
Instruktionsbaserede prompter dirigerer AI-modellen til at udføre en bestemt opgave. Disse meddelelser ligner, hvordan vi interagerer med stemmeassistenter som Siri, Alexa eller Google Assistant. Eksempler omfatter:
3. Anmodninger, der leverer kontekst
Disse meddelelser leverer kontekstuel information til AI-modellen, hvilket gør det muligt for den at forstå brugerens ønskede svar bedre. Ved at tilbyde kontekst kan du få mere nøjagtige og relevante svar fra AI. Eksempler omfatter:
4. Sammenligningsbeskeder
Sammenlignende prompter bruges til at evaluere eller sammenligne forskellige muligheder, hvilket hjælper brugerne med at træffe informerede beslutninger. De er især nyttige, når man vejer fordele og ulemper ved forskellige alternativer. Eksempler omfatter:
5. Meningssøgende opfordringer
Disse opfordringer fremkalder AI's mening eller synspunkt om et givet emne. De kan hjælpe med at generere kreative ideer eller deltage i tankevækkende diskussioner. Eksempler omfatter:
6. Reflekterende beskeder
Reflekterende opfordringer hjælper enkeltpersoner med at få dybere indsigt i sig selv, deres tro, og deres handlinger. De tilskynder ofte til selvvækst og introspektion baseret på et emne eller personlig oplevelse. Du skal muligvis give nogle baggrundsoplysninger for at få et ønskeligt svar. Eksempler omfatter:
Hurtig valg indebærer at tage højde for mange elementer for at skabe effektive prompter. Disse elementer påvirker kvaliteten, relevansen og nøjagtigheden af ChatGPTs svar. Væsentlige faktorer at overveje inkluderer:
Overvejelse af disse elementer forbedrer ChatGPT-ydeevnen og garanterer, at genererede svar nøje matcher de ønskede mål.
Det er afgørende at bemærke, at hurtig teknik er et løbende studieemne, med konstante forbedringer og forbedringer, der foretages for at øge interaktiviteten og anvendeligheden af sprogmodeller som Chat GPT.
For at opsummere:
Her vil vi undersøge flere teknikker, der kan bruges til at optimere prompter og maksimere effektiviteten af interaktioner med ChatGPT. Lad os dykke ind i disse teknikker og forstå deres betydning.
Klare og specifikke instruktioner danner grundlaget. Ved at give eksplicit vejledning kan brugerne forbedre kvaliteten af ChatGPTs svar. Forskning udført af OpenAI afslører, at veldefinerede prompter i væsentlig grad påvirker sprogmodellernes ydeevne.
Prompt 1:
Prompt 2:
Inkorporering af eksplicitte begrænsninger i prompter kan guide ChatGPTs tankeproces og sikre mere nøjagtige og begrundede svar. Begrænsninger tjener som yderligere instruktioner, der former modellens adfærd og forbedrer relevansen af genererede output.
For eksempel, når du søger trin-for-trin instruktioner, hjælper inkorporering af begrænsninger som „Giv en detaljeret, sekventiel proces“ ChatGPT med at generere sammenhængende instruktioner, der er nemme at følge. OpenAIs forskning viser, at brug af eksplicitte regler fører til mere kontrollerede og tilpassede output.
Kontekst spiller en vigtig rolle i hurtig teknik. Ved at give relevant kontekst og eksempler inden for prompter kan brugerne forbedre ChatGPTs forståelse og guide den mod at generere mere nøjagtige og kontekstuelt passende svar.
For eksempel hjælper inkorporering af relevant kontekst i prompten ChatGPT med at give mere informerede svar, når du anmoder om oplysninger om et specifikt emne.
Prompt 1:
Prompt 2:
Denne kontekstrige prompt guider ChatGPT til at generere svar, der stemmer overens med det specifikke interesseområde.
System 1 og System 2 spørgsmål giver en afbalanceret tilgang til hurtig teknik. System 1-spørgsmål fremkalder hurtige, instinktive svar, mens System 2-spørgsmål kræver tankevækkende, detaljerede svar. Kombination af begge typer spørgsmål tilføjer variation og dybde til interaktionerne med ChatGPT.
Så udnyttelse af System 1- og System 2-forespørgsler i hurtig teknik er en tilgang, der kan påvirke typen af svar, der gives af ChatGPT.
Brugere kan dirigere ChatGPT til at generere svar, der opfylder deres behov ved at inkludere System 1 og System 2 spørgsmål i prompterne. Overvej følgende eksempel for at demonstrere dette koncept:
Eksempel: Rejseforslag Chatbot
undefined
System 1-forespørgslen i dette eksempel beder ChatGPT om at levere hurtige anbefalinger til større turiststeder i Paris. Brugere, der leder efter korte rejseplaner, vil drage fordel af korte og let fordøjede oplysninger. Attraktioner som Louvre Museum, Notre Dame-katedralen og Champs-Élysées kunne inkluderes i svaret.
ChatGPT opmuntres af System 2-undersøgelsen til at udforske et bestemt monuments historiske relevans og arkitektoniske aspekter, såsom Eiffeltårnet. Dette svar ville være nyttigt for brugere, der leder efter en bedre forståelse og indsigt i attraktionen. Svaret kunne omfatte detaljer om tårnets konstruktion til verdensudstillingen i 1889, Gustave Eiffels design og dets berømte jerngitterramme.
Brugere kan få hurtige anbefalinger og mere omfattende forklaringer ved at inkludere System 1 og System 2 forespørgsler. Dette gør det muligt for rejseanbefalingschatboten at tilpasse sig forskellige brugersmag, levere praktiske forslag, samtidig med at de opfylder nysgerrigheden hos personer, der er interesseret i stedernes historiske og arkitektoniske træk.
Kontrol af detaljerne i ChatGPT-svar er en kritisk komponent i hurtig konstruktion. Det giver kunderne mulighed for at kontrollere detaljeringsniveauet og længden af de genererede output. Overvej følgende eksempel for at se, hvordan outputdetaljerthed kan styres:
Prompt 1:
Prompt 2:
Chatboten demonstrerer stor verbositet i dette svar ved at præsentere en detaljeret trin-for-trin opskrift. Den indeholder yderligere forklaringer og råd, der hjælper brugerne med at navigere i bagningsprocessen. Dette niveau af dybde er passende for folk, der ønsker detaljerede instruktioner, især dem, der er nye inden for bagning, eller som sætter pris på en mere omfattende tilgang.
På denne måde kan chatboten tilpasse sig forskellige brugerpræferencer og optimere samtaleoplevelsen ved at regulere svarenes detaljerthed, så chatboten kan give relevante svar på deres behov og forbedre deres forbindelse.
Hurtig teknik er en dynamisk proces, der involverer betydelig tanke og eksperimentering for at opnå de bedste resultater. I dette afsnit vil vi se på bedste praksis for at hjælpe brugerne med at få mest muligt ud af deres interaktioner med ChatGPT. Lad os se nærmere på disse fremgangsmåder og se, hvad de betyder.
Effektive prompter er stærkt afhængige af iterativ test og forfining. Brugere kan forfine instruktionerne og øge kvaliteten af ChatGPTs svar over tid ved regelmæssigt at gennemgå outputene og justere prompterne i overensstemmelse hermed.
Iteration 1:
Iteration 2:
Iteration 3:
Det er afgørende at afbalancere brugerens hensigt med modelkreativitet. Overvej følgende skriveinspirationschatbot, der stræber efter at levere passende beskeder og samtidig fremme kreativitet:
undefined
undefined
Chatboten giver passende instruktioner, der tilskynder til fantasi, mens den forbliver i overensstemmelse med brugerens skrivemål ved at afbalancere matchende brugerhensigt og øge modelkreativiteten.
Udnyttelse af eksterne ressourcer og API'er er en kraftfuld teknik, der gør det muligt for ChatGPT at udnytte yderligere information og forbedre sine svar. Lad os udforske et eksempel for at forstå, hvordan eksterne ressourcer og API'er kan bruges:
Eksempel: Vejroplysninger Chatbot
undefinedChatboten kan integreres med en ekstern vejr-API, f.eks Vejr.com, for at give nøjagtige vejroplysninger. Chatboten kan hente vejrdata i realtid for den angivne placering ved at foretage et API-opkald.
API-integration:
undefined
Den undefinedfunktionen ovenfor viser et eksempel på integration med WeatherAPI, som returnerer vejrtilstanden og temperaturen i Celsius for en given by.
Svargenerering:
undefined
Genereret svar:Vejret i New York i dag er delvist overskyet. Temperaturen er 22° C.“
Ved at udnytte eksterne ressourcer og API'er henter chatboten nøjagtige vejroplysninger og inkorporerer dem i svaret. Dette giver brugerne vejropdateringer i realtid, der er skræddersyet til deres specificerede placering.
Integration med eksterne ressourcer og API'er gør det muligt for ChatGPT at udnytte et væld af oplysninger ud over sine træningsdata, hvilket gør det muligt at give mere værdifulde og pålidelige svar på brugerforespørgsler.
Denne API giver udviklere mulighed for at integrere ChatGPT i deres applikationer, produkter eller tjenester. Her er et eksempel, der viser, hvordan OpenAI API kan bruges:
undefined I dette eksempel definerer vi undefined funktion, som indtaster en brugers spørgsmål og en valgfri chathistorik. Funktionen formaterer chathistorikken og brugerspørgsmålene og foretager derefter et API-opkald ved hjælp af undefined metode.
API-svaret indeholder det genererede svar fra ChatGPT. Vi udtrækker svaret fra svaret og tilføjer brugerens spørgsmål og chatbots svar til chathistorikken. Endelig returneres det genererede svar.
Ved at bruge denne API kan udviklere integrere ChatGPT's muligheder i deres applikationer, så brugerne kan interagere med chatbot og modtage svar baseret på deres forespørgsler.
ChatGPT skal bruges etisk og uden bias. Et eksempel på disse praksisers betydning:
Eksempel: AI-drevet jobkandidatscreening
Forestil dig et AI-system, der analyserer interviewsvar ved hjælp af ChatGPT til at screene jobkandidater. Screening skal være etisk og fordomsfri.
Disse trin kan reducere bias og sikre retfærdighed:
Denne praksis hjælper det AI-drevne screeningssystem for jobkandidater med at undgå fordomme og evaluere kandidater baseret på deres færdigheder og kvalifikationer.
Hurtig teknik går ud over det grundlæggende og inkluderer innovative taktikker til yderligere optimering af ChatGPTs ydeevne og tilpasningsevne. Dette afsnit ser på avancerede strategier, såsom temperatur- og tokenkontrol, hurtig kædning til samtaler med flere vendinger, ændring af prompter til domænespecifikke applikationer og håndtering af forvirrende eller modstridende brugerinput.
Temperatur- og tokenkontrol er effektive metoder til finjustering af ChatGPT-adfærd. Brugere kan ændre tilfældigheden af det genererede output ved hjælp af temperaturkontrol. Lavere temperaturer, såsom 0,2, skaber mere fokuserede og deterministiske svar, hvorimod højere temperaturer, såsom 1,0, giver mere variable og sonderende resultater.
OpenAI-forskning afslører effekten af temperaturkontrol på ChatGPT-responsdiversitet. Brugere kan opnå den ideelle blanding mellem at tilbyde forståelige svar og inkorporere nye funktioner i de genererede svar ved at eksperimentere med forskellige temperaturindstillinger.
Prompt 1:
Prompt 2:
Tokenkontrol kræver angivelse af det maksimale antal tokens for at begrænse svarets længde. Dette giver brugerne mulighed for at kontrollere detaljerne i ChatGPT's output og modtage korte og præcise svar. Brugere kan kontrollere, at ChatGPT giver svar, der svarer til deres ønskede svarlængde ved at etablere passende tokenbegrænsninger.
Hurtig kædning og samtaler med flere vendinger muliggør mere interaktive og dynamiske interaktioner med ChatGPT. I stedet for at stole på enkelte prompter kan brugerne kæde beskeder sammen for at skabe en kontinuerlig strøm af samtale. Hver prompt kan henvise til tidligere input eller ChatGPTs tidligere svar, hvilket giver mulighed for en kontekstuelt rig samtale.
Ved at inkorporere hurtig kædning kan brugerne skabe en mere samtaleoplevelse og deltage i frem og tilbage interaktioner med ChatGPT. Denne teknik gavner opgaver, der kræver instruktioner i flere trin eller deltager i detaljerede diskussioner.
Eksempel:
Tilpasning af prompter til domænespecifikke applikationer er et vigtigt aspekt af hurtig konstruktion. Det indebærer at skræddersy prompterne til specifikke brancher eller felter for at sikre relevante og nøjagtige svar. Lad os udforske et eksempel for at illustrere, hvordan prompter kan tilpasses til et domænespecifikt program:
Eksempel: Chatbot for medicinsk diagnose
undefined
Tilpasning af prompten til en chatbot til medicinsk diagnose kræver inkorporering af relevant medicinsk terminologi, symptomer, og diagnostiske overvejelser.
undefined
Den tilpassede prompt tager hensyn til brugerens symptomer og informerer dem om begrænsningerne i vurderingen. Det chatbot-genererede svar kan give indledende anbefalinger baseret på de leverede oplysninger:
undefined
Ved at tilpasse prompten til en chatbot for medicinsk diagnose tilpasser svaret sig til den domænespecifikke applikation og giver indledende anbefalinger, samtidig med at vigtigheden af professionel medicinsk rådgivning understreges.
Hurtig konstruktion kræver håndtering af uklare eller modstridende brugerinput. ChatGPT skal omhyggeligt håndtere sådanne input og reagere meningsfuldt. Lad os undersøge et eksempel for at illustrere, hvordan dette kan opnås:
Eksempel: Chatbot til restaurantanbefaling
undefined
I dette tilfælde ønsker brugeren bøf og vegetariske muligheder. Chatboten kan præcisere følgende:
undefined
Chatboten anmoder om afklaring for bedre at forstå brugerens anmodning og levere en mere præcis anbefaling.
undefined
Når brugeren har angivet deres præference, kan chatboten svare:
undefined
Ved aktivt at engagere sig med kunden og søge afklaring håndterer chatboten den oprindelige forespørgsels tvetydighed, forstår brugerens ønske og anbefaler en restaurant, der matcher deres anmodning.
Håndtering af modstridende brugerinput er ens. Chatboten kan afklare brugerens mål og give en løsning, hvis de ønsker et billigt, men luksuriøst måltid.
Her er nogle eksempler, der skal undersøges.
Client service chatbots forbedrer kundeservice og reaktionstid. Hurtig teknik kan øge chatbots nøjagtighed og effektivitet og forbedre kundeoplevelserne.
Det hjælper chatbots med at lære og reagere på klientinput, hvilket gør interaktioner mere personlige og effektive.
Eksempel: HubSpot Chatbot-bygger, som kan booke møder, linke til selvbetjeningssupportartikler og integrere med et billetsystem
Oprettelse og redigering af indhold kræver hurtig udvikling. ChatGPT hjælper brugere med at skrive gode blogindlæg, e-mails, og kreative stykker.
Brugere kan hjælpe ChatGPT med at udvikle tekst, der matcher deres stil, tone, og mål ved at give specifikke og detaljerede instruktioner. Prompter kan tilbyde baggrund, eksempler eller eksplicitte grænser for at sikre, at genereret indhold opfylder kriterierne.
OpenAI studerede hurtig teknik for at forbedre indholdets sammenhæng og relevans, så brugerne genererede mere engagerende og aktuel tekst ved at eksperimentere med forslag og spare redigeringstid.
Hurtig teknik kan effektivt hente domænespecifik viden. ChatGPT kan trænes i enorme mængder domænespecifikke data for at tilbyde nøjagtige og relevante emneoplysninger.
Brugere kan bede ChatGPT om at hente domænespecifik viden ved at tilpasse prompter og tilføje nøgleord eller kontekst. De korrekte oplysninger er vigtige i brancher som sundhedspleje, jura, finans og teknologi.
Dens strategier fremmer domænespecifik vidensøgning, hvilket giver forbrugerne nøjagtige og opdaterede oplysninger.
Hurtig teknik gør interaktiv historiefortælling og spil spændende. ChatGPT reagerer på brugerinput og driver historien.
Brugere kan konstruere fordybende historier og spil ved hjælp af prompter, der introducerer fortællingskomponenter, brugervalg, eller spilmekanismer. Hurtig kædning og diskussioner med flere vendinger muliggør rige fortællinger og spilinteraktioner.
Eksempel: OpenAIs AI-fangehul viser, hvordan hurtig teknik kan ændre interaktiv historiefortælling og spil. AI Dungeon giver brugerne mulighed for at samarbejde om dynamiske fortællinger via prompter.
Deep Learning AI recently launched an exceptional course called "ChatGPT Prompt Engineering for Developers," led by Isa Fulford and Andrew Ng.
During the course, they emphasize that the potential of Large Language Models (LLMs) as a developer tool, utilizing API calls to LLMs for swift software application development, is still underappreciated. They aim to share the possibilities and best practices for leveraging LLMs effectively. The course covers prompting best practices for software development, everyday use cases such as summarization, inference, transformation, and expansion, and building a chatbot using an LLM.
OpenAI's chatGPT model, specifically GPT 3.5 Turbo, and Python (particularly in a Jupyter Notebook) are utilized throughout the course.
So here are some learnings:
It is crucial to express clear and specific instructions to guide the model effectively and reduce the likelihood of irrelevant or incorrect responses. Avoid confusing a clear prompt with a short one, as longer prompts often provide more clarity and context, leading to detailed and relevant outputs.
undefined
Allow the model sufficient time to think and reason through the problem to prevent reasoning errors and premature conclusions. Complex tasks may require step-by-step instructions or a chain of relevant reasoning before the model provides a final answer.
By following these principles and tactics, developers can optimize their use of LLMs and achieve desired outcomes in software development.
The process of iterative prompt development closely resembles coding practices. It involves trying different approaches, refining and retrying as needed. Here are the steps involved:
In the course example, the instructors presented a case study on generating marketing copy from a product fact sheet. They iteratively addressed and resolved three critical issues by refining prompts at each step:
Issue 1: Lengthy text -> Solution: Limit the text to a maximum of 50 words.
Issue 2: Focus on irrelevant details -> Solution: Incorporate intended audiences, such as "The description is intended for furniture retailers..."
Issue 3: Lack of dimensions table in the description -> Solution: Format everything as HTML.
Large Language Models have been widely employed for text summarization. You can request summaries focusing on price and value by providing specific prompts.
And you can also write a for loop to summarise multiple texts:
LLMs can infer various aspects without specific training. They can determine sentiment, emotions, extract product and company names, figure topics, and more.
LLMs excel in text transformation tasks, including language translation, spelling and grammar checking, tone adjustment, and format conversion.
Large Language Models can generate personalized customer service emails tailored to each customer's review.
undefined
One of the fascinating aspects of using a LLM is the ability to create a customized chatbot effortlessly. ChatGPT's web interface offers a conversational platform enabled by a robust language model. However, the real excitement lies in harnessing the capabilities of a LLM to construct your chatbots, such as an AI customer service agent or an AI order taker for a restaurant.
In this case, we'll refer to the chatbot as "OrderBot." The aim is to automate collecting user prompts and assistant responses to construct this efficient "OrderBot." Primarily designed for taking orders at a pizza restaurant, the initial step involves defining a useful function. This function facilitates the collection of user messages, eliminating the need for manual input. The prompts gathered from a user interface created below are then appended to a list called "context." Subsequently, the model is invoked with this context for each interaction.
The model's response is incorporated into the context, ensuring that both the model's and the user's messages are retained, contributing to the growing context. This accumulation of information empowers the model to determine the appropriate actions to take.
Finally, the user interface is set up and executed to display the OrderBot. The context, which includes the system message containing the menu, remains consistent across each interaction with the language model. It steadily evolves as more interactions occur, maintaining a comprehensive conversation record.
Prompt engineering is a game-changer for ChatGPT. By mastering this technique, you can shape and guide the responses of the language model to meet your specific needs.
The future looks promising, with ongoing research and collaboration driving innovation. As language models evolve, prompt engineering will play a pivotal role in harnessing their full potential.
ChatGPT's prompt engineering opens unlimited options. We can transform our interactions with language models by implementing effective techniques and exploring advanced strategies. It transforms customer care chatbots, content development, and games, enabling human-AI collaboration.
If you want to learn more about our data science services, including AI and Natural Language Processing (NLP), we invite you to explore the Imaginary Cloud's Data Science service. We are experts at providing AI-driven solutions to help businesses harness the power of artificial intelligence.
Hurtig ingeniørarbejde er processen med at designe effektive prompter og instruktioner til at kommunikere brugerens hensigt til en sprogmodel som ChatGPT. Det hjælper med at opnå nøjagtige, relevante og nyttige svar fra modellen.
Hurtig ingeniørarbejde er afgørende for at maksimere effektiviteten af ChatGPT. Ved at lave veldesignede prompter kan brugerne guide modellen til at generere mere nøjagtige og relevante output, hvilket gør den til et værdifuldt værktøj til forskellige applikationer.
Teknikker omfatter:
For at forbedre dine meddelelser kan du:
Her er også en ChatGPT-snydeark for at hjælpe dig med at skrive gode prompter til at begynde.
Avancerede strategier omfatter:
Alexandra Mendes er Senior Growth Specialist hos Imaginary Cloud med 3+ års erfaring med at skrive om softwareudvikling, AI og digital transformation. Efter at have gennemført et frontend-udviklingskursus fik Alexandra nogle praktiske kodningsevner og arbejder nu tæt sammen med tekniske teams. Alexandra brænder for, hvordan nye teknologier former erhvervslivet og samfundet, og hun nyder at omdanne komplekse emner til klart og nyttigt indhold for beslutningstagere.
People who read this post, also found these interesting:
-%2520Survey%2520Insights.webp)
