Käyttäjien kouluttama paikallinen tekoäly tarjoaa uuden lähestymistavan tekoälytyökalujen käyttöön, mikä saattaa mullistaa tapamme hyödyntää keskustelurobotteja. Tärkein oppi tästä lähestymistavasta on se, että tekoälymallit kannattaa saada esittämään tarkentavia kysymyksiä ennen varsinaista vastaamista, mikä voi parantaa merkittävästi saatujen vastausten laatua.
Monet käyttäjät, jotka ovat tottuneet käyttämään paikallisia tekoälymalleja, ovat löytäneet tavan parantaa niiden tehokkuutta. He säätävät mallin asetuksia ja mukauttavat järjestelmäkehotteita, jotta malli osaa esittää tarkentavia kysymyksiä ennen vastaamista monimutkaisiin tehtäviin. Tässä lähestymistavassa on kyse siitä, että tekoälymallit oppivat pyytämään lisätietoja, mikäli alkuperäinen pyyntö ei ole tarpeeksi selkeä.
Tekoälyasiantuntijat ovat huomanneet, että monet käyttäjät edelleen käsittelevät tekoälyä kuten hakukonetta, mikä johtaa usein geneerisiin vastauksiin. Tämä voi olla turhauttavaa, mutta yksinkertainen keino parantaa tuloksia on muotoilla kehotteet siten, että tekoäly pyytää tarkennuksia, jos alkuperäisestä pyynnöstä puuttuu tärkeitä tietoja. Tämä tekee tekoälystä huomattavasti yhteistyökykyisemmän ja tehokkaamman työkalun.
Jos käytät paikallista mallia, kuten Ollaman kautta, voit pysyvästi mukauttaa sen toimintaa käyttämällä Modelfile-tiedostoa. Tämä tiedosto antaa mahdollisuuden määritellä, miten tekoälyn tulisi toimia ennen keskustelun alkamista. Paikallisten mallien käyttäjät voivat näin ollen ohjelmoida tekoälynsä pyytämään tarkennuksia aina, kun se on tarpeen.
Tärkeintä on ymmärtää, että tämä ei ole pelkästään paikallisten mallien etuoikeus. Kaikki tekoälytyökalut voivat hyötyä tästä lähestymistavasta. Myös OpenAI:n ohjeistus suosittelee pyytämään tarkennuksia, kun tiedon puuttuminen saattaisi vaikuttaa merkittävästi vastaukseen. Tavoitteena on, että tekoäly osaa kysyä tarkentavia kysymyksiä vain silloin, kun se on tarpeellista, eikä joka kerta.
Tämä lähestymistapa perustuu siihen, että tekoäly pystyy käsittelemään epäselvyyksiä. Kun kehotteesta puuttuu konteksti, malli saattaa helposti antaa vastauksen kysymyksen muotoon, jonka se olettaa tarkoitetun, sen sijaan että se pysähtyisi kysymään, mitä todella tarvitaan. Tämä on erityisen hyödyllistä suositustyyppisissä kysymyksissä, joissa tekoäly on altis arvailemaan.
Lisäksi paikallisten tekoälymallien käyttö tuo mukanaan mielenkiintoisen mahdollisuuden. Kun tekoäly siirtyy suoraan henkilökohtaisiin laitteisiimme, parhaimmat järjestelmät ovat niitä, jotka ymmärtävät paikallisen kontekstin, rajoitukset ja osaavat pyytää lisätietoja tarvittaessa. Tämä muutos on jo käynnissä, kuten Nvidian äskettäin julkistama RTX Spark -sirun kehitys osoittaa, sillä se on suunniteltu tuomaan kehittyneet tekoälytoiminnot suoraan Windows-tietokoneille.
Jos haluat kokeilla tätä lähestymistapaa itse, voit käyttää seuraavaa järjestelmäkehotetta: ”Älä vastaa kiireessä epäselviin pyyntöihin. Kun tavoitteeni, kohdeyleisöni, rajoitukseni tai mieltymykseni ovat epäselviä, kysy enintään kolme tarkentavaa kysymystä ensin. Jos pyyntö on tarpeeksi selkeä, vastaa suoraan ja kerro oletukset, joita teet.”
Parempien vastausten saaminen ei aina edellytä monimutkaisempien kehotteiden kirjoittamista, vaan pikemminkin tekoälyn pysäyttämistä huomaamaan puutteet ja kysymään oikeat kysymykset ennen vastaamista. Tämän lähestymistavan kokeilemisen jälkeen monet käyttäjät ovat päättäneet ottaa sen pysyvästi käyttöönsä.