Способность формулировать проблемы и промпт-инжиниринг — это разное.

Цель промпт-инженера — оптимизация команд для ИИ. То есть он придумывает, как выбрать подходящие слова, фразы, структуру предложений и пунктуацию, чтобы нейросеть выдала тот результат, на который рассчитывает пользователь. Поэтому промпт-инженер в первую очередь должен обладать пониманием принципов работы ИИ и языковыми навыками.

Формулировка проблемы (если рассматривать её как навык) исходит из определения фокуса, масштаба и границ и требует всестороннего понимания проблемной области и способности решать реальные проблемы.

Дело в том, что без чётко сформулированной задачи даже самые изощренные команды для ИИ не сработают. Однако, как только проблема определена, лингвистические нюансы становятся второстепенными для разработки её решения.

Первый шаг — диагностика проблемы.

По сути, этот шаг заключается в определении цели, которой вы хотите достичь при помощи генеративного ИИ. Некоторые проблемы довольно просто определить — например, когда вы хотите получить информацию по конкретной теме. Однако если проблема носит инновационный характер, её сложнее сформулировать. Здесь ключевым фактором успеха выступает способность различать фундаментальные причины проблемы. Это значит, что нужно поработать и самим разобраться в первопричинах, прежде чем искать решение через ИИ. 

Так, скорее всего, не получится добиться успеха, требуя от нейросети решения для повышения прибыльности бизнеса; но если вы определите, что суть проблемы кроется не в низкой прибыли, а в высоких затратах на производство конкретного товара / раздутой ассортиментной матрице / недостатке кадров или чём-то ещё, то ИИ будет проще предложить вам действительно эффективное решение.

Нейросеть тоже «пугается» больших проблем.

Несмотря на то, что искусственный интеллект всё-таки искусственный, в чём-то он похож на человека. Например, решить большие проблемы слёту он, скорее всего, не сможет (по крайней мере, точно не сможет сделать это наиболее эффективно): поэтому вторым шагом должно стать декомпозирование проблемы, то есть её деление на более мелкие части. 

Допустим, проблема, решение которой мы хотим получить от нейросети, заключается во внедрении надёжной системы кибербезопасности компании. Сервис Bing AI, в который автор статьи «загнал» такой запрос, смог предоставить только широкие и максимально универсальные решения — что, в целом, ожидаемо. Но когда проблему разложили на части, такие как политика безопасности, оценка уязвимостей, протоколы аутентификации и обучение сотрудников, то выдаваемый ИИ результат значительно улучшился.

Меняйте точку зрения — это поможет ИИ найти новые решения.

Когда человек пытается найти решение проблемы, он (в идеале) пытается посмотреть на неё с разных точек зрения, чтобы отсеять очевидные и менее действенные подходы и найти оптимальные и даже неожиданные. То же самое и с ИИ: если подготовить для него соответствующие запросы, результат может оказаться весьма впечатляющим. 

Например, сотрудники компании жалуются на недостаточное количество парковочных мест. Первая — и понятная — формулировка проблемы: несоответствие размера парковки количеству сотрудников. На такой запрос ChatGPT предложил автору материала увеличить размер парковки или изменить схему распределения мест. Но если подумать, проблема может крыться в том, что людям в целом не очень удобно добираться до офиса, они вынуждены приезжать раньше, чтобы занять парковочное место или, напротив, опаздывают, если к моменту их приезда все места уже разобрали. И уже на такие «альтернативные» формулировки одной и той же проблемы ChatGPT предложил более неординарные решения — например, стимулировать переход сотрудников на использование велосипедов вместо автомобилей, совместные поездки или внедрение удалённой работы.

Не ограничивайте нейросеть, или делайте это с умом.

Очень логичным кажется задать ИИ ограничения для придумывания решений — это поможет сделать их более полезными. И это действительно так, когда мы задаём нейросети задачки «на производительность», но если от ИИ требуются более творческие решения, лучше поэкспериментировать со снятием, наложением и изменением ограничений, чтобы получить наиболее эффективный результат.

Например, бренд-менеджеры уже используют специальные инструменты ИИ вроде Lately или Jasper для создания полезного контента в социальных сетях. Чтобы получаемый результат соответствовал различным форматам и имиджу бренда, они часто устанавливают чёткие ограничения на длину, формат, тон или целевую аудиторию контента.

Однако, стремясь к истинной оригинальности, бренд-менеджеры могут отказать от ограничений форматирования или, напротив, ограничить вывод нетрадиционным форматом. Отличным примером является кампейн Help Changes Everything от ания GoFundMe: компания стремилась создать креативный годовой обзор, который не только выражал бы благодарность донорам и вызывал эмоции, но и выделялся бы из типичного контента под конец года. Чтобы достичь этого, они установили неортодоксальные ограничения: от ИИ потребовали создать визуальные эффекты, которые будут опираться исключительно на уличное искусство, и изобразить все проведённые за год кампании по сбору средств и доноров. DALL-E и Stable Diffusion создали отдельные изображения, которые затем были преобразованы в эмоционально заряженное видео. В результате компания получила визуально целостный и эмоциональный контент, отображающий то, во что превращаются пожертвования — и в итоге получивший широкое признание.