Kustomoitu GPT: luo, ohjeista, tehosta : kuinka kehotteet muokkaavat kielimallien vastauksia

Abstract

Opinnäytetyössä keskityttiin tutkimaan ja kehittämään omaa generatiivista esikoulutettua muunninta (GPT) hyödyntäen kehotteiden teoriaa. Työn tavoitteena oli selvittää, kuinka kehotteiden avulla voidaan ohjata kielimallia tuottamaan haluttuja vastauksia ja parantaa sen suorituskykyä. Opinnäytetyö aloitettiin syksyllä 2023, jolloin tekoäly-yhtiö OpenAI julkisti GPT-kauppapaikan ja mahdollisti käyttäjille omien GPT-mallien luomisen. Työssä kehitettiin oma GPT-malli, Expenses-GPT, joka osoitti, kuinka tekoälyn integroiminen ulkoisiin palveluihin voi tuoda uusia käyttömahdollisuuksia.

Opinnäytetyön alkuosassa käsiteltiin erilaisia kielimalleja sekä niiden arkkitehtuuria ja syvennyttiin kehotteiden teoriaan. Työssä esiteltiin myös kehotteiden suunnitteluun ja hienosäätöön liittyviä parhaita käytäntöjä. Tutkimuksessa kehitetty GPT-malli demonstroi, miten kehotteita voidaan käyttää tekoälyn ohjaamiseen ja kuinka tämä mahdollistaa tarkempien ja kontekstuaalisesti relevanttien vastausten tuottamisen. Mallin kehitysprosessi ja sen integrointi käyttämään olemassa olevaa rajapintaa kuvattiin yksityiskohtaisesti.

Opinnäytetyössä ei hyödynnetty OpenAI Assistant -rajapintaa rajallisen laajuuden vuoksi, vaan keskityttiin perusteellisesti kehotteiden teoriaan ja sen soveltamiseen käytännössä. Työssä käytetty aineisto koostui OpenAI:n dokumentaatiosta, luotettavista verkkosivustoista ja tieteellisistä julkaisuista, mikä vahvisti tutkimuksen tieteellistä luotettavuutta.

Tutkimus osoitti, että GPT-mallien kehittäminen ja niiden ohjaaminen kehotteiden avulla tarjoaa merkittäviä mahdollisuuksia tekoälyn soveltamiseen erilaisissa konteksteissa. Työ tarjosi arvokasta tietoa kehotteiden teorian soveltamisesta käytännössä ja demonstroi, kuinka tekoälyn avulla voidaan saavuttaa konkreettisia hyötyjä. Jatkokehitysideana esitettiin omien GPT-mallien integrointi esimerkiksi verkkosivuille tai sovelluksiin tuoden niille lisäarvoa tekoälyn avulla.

This thesis explored prompt engineering for developing a custom GPT model, specifically focusing on the development of ”Expenses-GPT”. It investigated how tailored prompts can enhance the performance of ChatGPT-based models for specific tasks. The project demonstrated the utility of integrating external services through API interfaces to extend capabilities of GPT.

The methodology consisted of an exploration of language models, with a focus on GPT-4-turbo and the formulation of effective prompts. This process involved crafting a custom GPT and examining strategies for influencing its output. The research delved into the theory of prompts and culminated in the development of a GPT model.

Key findings highlight the ability of custom GPT model to generate relevant and contextually appropriate responses, demonstrating the practical benefits of integrating GPT with external services for enhanced functionality.

The conclusions drawn from this study underscore the effectiveness of prompt engineering in refining the utility of GPT models for specialised tasks. Future development could involve integrating the custom GPT into web services to provide additional value to users.