LLM em IA: Otimizar prompts com o conceito ROMANE

Prompts LLM são instruções que orientam grandes modelos de linguagem a fornecer respostas precisas. Prompts bem elaborados melhoram a qualidade dos resultados e promovem o uso eficiente da inteligência artificial generativa. Com abordagens como o princípio ROMANE, é possível estruturar prompts LLM de forma objetiva e direcionada.

O que são prompts LLM?

Prompts LLM são entradas ou instruções enviadas a um modelo de linguagem de grande escala (Large Language Model: LLM) para gerar respostas ou ações desejadas. Eles podem ser perguntas, tarefas ou informações de contexto em forma falada ou escrita, bem como imagens e outros tipos de dados. Tanto a qualidade quanto a estrutura do prompt influenciam significativamente na precisão e utilidade da resposta gerada pelo modelo de IA. A elaboração de prompts LLM precisos é chamada de engenharia de prompt (prompt engineering) e visa aproveitar ao máximo as capacidades da inteligência artificial generativa.

Melhores práticas de prompts LLM em IA

A utilização de prompts LLM é essencial para interações eficientes com a inteligência artificial, pois instruções mal formuladas podem não gerar respostas ideais. A seguir, apresentaremos o que usuários devem considerar ao criarem prompts LLM em IA:

• Compreender a capacidade do modelo de IA utilizado: Conhecer os pontos fortes e fracos, bem como os dados de treinamento, do LLM utilizado ajuda a ajustar prompts à capacidade de cada IA.
• Formular prompts LLM de forma precisa: Prompts vagos geralmente resultam em respostas imprecisas ou ambíguas. Formulações claras e objetivas garantirão que o modelo de IA interprete a tarefa corretamente, fornecendo resultados direcionados. Além disso, recomendamos que você mantenha seus prompts LLM sempre concisos e use o mesmo tom desejado nos resultados.
• Fornecer contexto: Informações contextuais ajudam a inteligência artificial a entender o prompt. Explicações adicionais aumentam significativamente a relevância e a precisão dos resultados emitidos. Ao apresentar fontes a um modelo de IA, pode ser útil especificar quais informações devem ser consideradas.
• Otimizar prompts gradualmente: Prompts LLM exigem ajustes frequentes. Se o prompt inicial não levar ao resultado desejado, é aconselhável que você o refine com base na resposta do modelo de IA ou experimente instruções diferentes.
• Usar formulações neutras: Perguntas tendenciosas podem influenciar as respostas do modelo de IA. Certifique-se de formular prompts LLM de maneira neutra para obter resultados objetivos.
• Definir claramente o papel do modelo de IA: A atribuição de papéis ajuda a obter resultados mais relevantes. Atribuir um papel específico à IA facilita o fornecimento do contexto e o direcionamento das respostas de forma precisa.
• Utilizar modelos de prompt LLM: Use modelos (templates) de prompt testados e comprovados, e adapte-os às suas necessidades individuais para obter resultados ideais. Na internet, é possível encontrar diversos exemplos de prompts LLM para diferentes aplicações.

Otimizar prompts LLM em IA com a fórmula ROMANE

Para que você possa utilizar grandes modelos de linguagem de forma ideal, deve conhecer diferentes conceitos, como, por exemplo, a fórmula ROMANE: um sistema simples para criar prompts LLM eficazes. O termo “ROMANE” é, na verdade, uma sigla; Este é o seu significado:

• Role (papel)
• Objective (objetivo)
• Meta-Instructions (metainstruções)
• Application Examples (exemplos de aplicação)
• Not too long (não muito longo)
• Experiment (experimento)

Papel

Embora modelos de linguagem de grande escala disponham de abundantes dados e informações, eles desconhecem a intenção dos usuários. Portanto, é útil fornecer contexto à inteligência artificial e atribuir um papel específico a ela: por exemplo, especialista em SEO ou especialista em marketing. Definir o papel da IA ajuda o modelo de linguagem a ajustar as respostas e criar resultados relevantes no estilo ou na área desejada.

Objetivo

Defina, de forma precisa e concisa, qual é o objetivo principal do prompt LLM utilizado. Em combinação com o papel atribuído, a IA poderá emitir o resultado desejado, mesmo sem uma descrição muito detalhada. Prompts objetivos podem ser estruturados da seguinte forma:

• Exemplo 1: Você é um especialista em SEO e deve criar sugestões de temas para artigos de blogs contendo a palavra-chave “prompts LLM” que sejam relevantes para os leitores.
• Exemplo 2: Você é uma especialista em sobrevivência. Explique aos entusiastas de atividades ao ar livre inexperientes quais são os cinco critérios mais importantes para a montagem de um kit de sobrevivência.

Metainstruções

Para que o modelo de linguagem utilizado execute tarefas complexas de forma satisfatória, é recomendável dividi-las em subtarefas. Se a IA deve, por exemplo, gerar sugestões de temas para artigos sobre “prompts LLM”, é útil solicitar à ferramenta que pesquise por outras palavras-chave relevantes e as integre nas sugestões. Etapas podem ser não somente ser solicitadas à IA, mas também criadas pelo próprio modelo, como em um prompt do tipo “resolva a tarefa passo a passo e justifique cada etapa do processo adotado”.

Exemplos de aplicação

Por meio de exemplos, a IA obtém uma melhor compreensão do resultado almejado. Quanto mais claros forem os exemplos escolhidos, melhor o modelo de IA conseguirá entender os requisitos. Para imitar o estilo de preferência, a inteligência artificial normalmente precisa de poucos pontos de referência. Se for necessário gerar um texto sobre um determinado tema, geralmente basta fornecer duas ou três amostras que correspondam às expectativas em termos de estrutura e vocabulário.

Não muito longo

Prompts excessivamente longos podem fazer com que a IA ignore ou não leve em consideração informações importantes. Isso ocorre porque grandes modelos de linguagem tendem a se concentrar principalmente no início e no fim da janela de contexto. Por isso, é aconselhável evitar palavras desnecessárias, focar em poucos e relevantes exemplos e resumir informações essenciais de forma compacta.

Experimentar

Em se tratando de IA generativa, resultados costumam variar aleatoriamente. Mesmo quando o mesmo prompt LLM é usado, os resultados sempre terão alguma variação. Especialistas recomendam testar o mesmo comando várias vezes, ajustá-lo levemente ou até mesmo experimentar um modelo de linguagem diferente caso a instrução inicial não gere um resultado satisfatório.