Το μεγαλύτερο λάθος που παρατηρείται καθημερινά είναι η αντιμετώπιση του ChatGPT ως μιας παραδοσιακής μηχανής αναζήτησης. Οι περισσότεροι πληκτρολογούν μια απλή ερώτηση, σαρώνουν βιαστικά την πρώτη απάντηση που εμφανίζεται στην οθόνη τους και θεωρούν τη διαδικασία ολοκληρωμένη.
Αυτή η επιφανειακή προσέγγιση, ωστόσο, αφήνει ανεκμετάλλευτο το μεγαλύτερο μέρος των δυνατοτήτων του συστήματος. Η πρώτη απάντηση ενός chatbot δεν είναι το τελικό προϊόν, αλλά ένα πρόχειρο προσχέδιο. Η πραγματική αξία της τεχνητής νοημοσύνης δεν κρύβεται στην άμεση ανάκτηση πληροφοριών, αλλά σε αυτό που ακολουθεί μετά την αρχική εντολή (prompt). Η διαδικασία της βελτίωσης, της προσθήκης πλαισίου και της καθοδήγησης του μοντέλου σε βαθύτερα επίπεδα ανάλυσης είναι το μυστικό που διαχωρίζει τους απλούς χρήστες από τους πραγματικούς “power users“.
Πώς λειτουργεί στην πράξη η στρατηγική των τριών σταδίων
Μέσα από τη συστηματική δοκιμή και την καθημερινή προσπάθεια εξάντλησης των ορίων του συστήματος, έχει αναδειχθεί μια εξαιρετικά αποδοτική και απλή μέθοδος, γνωστή ως ο “κανόνας των τριών εντολών”. Αντί να αποδέχεστε παθητικά την πρώτη γενική απάντηση, η μέθοδος αυτή σας προτρέπει να καθοδηγήσετε το ChatGPT μέσα από τρία γρήγορα και στοχευμένα στάδια: το αρχικό προσχέδιο, την ουσιαστική βελτίωση και την τελική βελτιστοποίηση. Το αποτέλεσμα αυτής της διαδικασίας είναι δραματικά καλύτερες απαντήσεις, λιγότερος χρόνος διόρθωσης από τον χρήστη και αποτελέσματα που ανταποκρίνονται με απόλυτη ακρίβεια στον αρχικό στόχο.
📍 Η εξέλιξη της είδησης: CHATGPT
Το πρώτο στάδιο: Η βασική ερώτηση ως θεμέλιο
Το πρώτο βήμα δεν απαιτεί πολύπλοκη σκέψη ή υπερβολική ανάλυση. Εδώ, ο στόχος είναι να θέσετε τη βασική σας ερώτηση ή να ζητήσετε την παραγωγή του περιεχομένου στην πιο απλή του μορφή. Αυτή η εντολή λειτουργεί ως ο καμβάς πάνω στον οποίο θα χτιστεί η συνέχεια. Για παράδειγμα, εάν χρειάζεστε ένα κείμενο για μια επαγγελματική παρουσίαση, η πρώτη σας εντολή μπορεί να είναι απλώς η ζήτηση μιας γενικής περίληψης του θέματος. Το ChatGPT θα σας επιστρέψει μια βασική, ίσως λίγο επίπεδη, αλλά δομημένη απάντηση. Αυτό είναι το σημείο εκκίνησης και το υλικό που θα σμιλέψετε στη συνέχεια.
Το δεύτερο στάδιο: Η ουσιαστική βελτίωση και η προσθήκη πλαισίου
Εδώ είναι που η διαδικασία αρχίζει να αποκτά πραγματικό ενδιαφέρον. Διαβάζοντας το πρώτο προσχέδιο, εντοπίζετε τα κενά, τις ασάφειες ή τα σημεία που χρειάζονται περισσότερο βάθος. Η δεύτερη εντολή έχει σκοπό να διευκρινίσει και να εξειδικεύσει το αποτέλεσμα. Ζητάτε από το AI να κάνει το κείμενο πιο ξεκάθαρο, πιο συγκεκριμένο ή πιο χρήσιμο για το κοινό σας.
Σε αυτό το στάδιο προσθέτετε το απαραίτητο πλαίσιο (context). Μπορείτε να ζητήσετε από το chatGPT να υιοθετήσει τον ρόλο ενός ειδικού, να αναλύσει ένα συγκεκριμένο επιχείρημα που προσπέρασε επιφανειακά ή να ενσωματώσει συγκεκριμένους περιορισμούς. Για παράδειγμα, η δεύτερη εντολή θα μπορούσε να είναι: “Ανέλυσε περαιτέρω τη δεύτερη παράγραφο χρησιμοποιώντας ορολογία μάρκετινγκ και εξήγησε πώς αυτό εφαρμόζεται σε μικρομεσαίες επιχειρήσεις”. Το σύστημα αναπροσαρμόζει άμεσα το περιεχόμενο, ανεβάζοντας το επίπεδο της ανάλυσης.
Το τρίτο στάδιο: Η τελική βελτιστοποίηση και η μορφοποίηση
Η τρίτη και τελευταία εντολή αφορά το περιτύλιγμα και την τελική μορφή της πληροφορίας. Το περιεχόμενο είναι πλέον σωστό και αναλυτικό, αλλά ίσως η δομή του να μην είναι η ιδανική για τον σκοπό σας. Σε αυτό το βήμα, προσαρμόζετε τη μορφοποίηση (format), τον τόνο (tone) και την έκταση του κειμένου.
Μπορείτε να ζητήσετε από το ChatGPT να μετατρέψει τα συμπεράσματα σε μια λίστα με κουκκίδες (bullet points) για ευκολότερη ανάγνωση, να αλλάξει το ύφος από αυστηρά ακαδημαϊκό σε πιο φιλικό και προσιτό, ή να συνοψίσει τα βασικά σημεία σε έναν πίνακα. Η εντολή μπορεί να διαμορφωθεί ως εξής: “Τώρα, κάνε τον τόνο πιο επαγγελματικό αλλά άμεσο, χώρισε το κείμενο σε τρεις ευδιάκριτες ενότητες και βάλε τα βασικά συμπεράσματα σε έναν πίνακα στο τέλος”. Το αποτέλεσμα που προκύπτει μετά από αυτό το τρίτο βήμα είναι συνήθως έτοιμο για άμεση χρήση, ελαχιστοποιώντας την ανάγκη για χειροκίνητη επεξεργασία.
Γιατί η συγκεκριμένη μέθοδος αποδίδει καλύτερα στα μοντέλα της OpenAI
Αν και αυτή η διαλογική προσέγγιση μπορεί να εφαρμοστεί σε οποιοδήποτε σύγχρονο γλωσσικό μοντέλο, έχει παρατηρηθεί ότι η αποτελεσματικότητά της μεγιστοποιείται στο οικοσύστημα της OpenAI. Ο λόγος κρύβεται στον τρόπο με τον οποίο έχουν εκπαιδευτεί τα συγκεκριμένα μοντέλα. Στις αρχικές τους αποκρίσεις, έχουν την τάση να απλοποιούν υπερβολικά τα ζητήματα, προτιμώντας ασφαλείς, γενικές και μέσης αποδοχής απαντήσεις, ώστε να καλύψουν τον μέσο χρήστη.
Αυτή η τάση προς την απλούστευση κάνει το αρχικό αποτέλεσμα να φαίνεται ρηχό σε έναν έμπειρο επαγγελματία. Ωστόσο, το μοντέλο διαθέτει τεράστιο βάθος γνώσεων το οποίο παραμένει αδρανές μέχρι να προκληθεί. Ο κανόνας των τριών εντολών λειτουργεί ως ο μηχανισμός που “ξεκλειδώνει” αυτή τη γνώση, αναγκάζοντας το σύστημα να εγκαταλείψει την επιφανειακή του προσέγγιση και να εμπλακεί σε μια ουσιαστική συνδημιουργία με τον χρήστη.
