提升Azure OpenAI回答质量，嵌入还是微调？

1                   如何让Azure OpenAI回答质量提升？

相信大家在使用ChatGPT的时候，经常会遇到它一本正经的胡说八道，一些看似说得非常有道理，但是又总觉得哪里不对。比如下面例子：

为什么ChatGPT会出现这样的问题呢？因为GPT模型是生成式的，所以它们不会生成“事实”或“真实”的信息。可能会生成正确的答案，因为它们在概率上是正确的答案，但模型无法区分真实和不真实的答案。它只是根据上下文和预训练选择最可能的标记。

       如何来提升GPT模型的回答质量呢？我们可以通过提示工程（Prompt Engineering）、嵌入（Embedding）、微调(File-tune)来实现。

2                   提示工程（Prompt Engineering）

GPT-X模型来源于大量互联网预训练数据，模型往往会产生非常有说服力和看似合理的答案，因此必须用心地设计安全过滤措施和模型的事实答案，让模型能够准确回答我们需要的答案。我们看看用默认的GPT-3模型回答问题：

示例可以看出，小红和洋娃娃并不具备明确的性别标识，所以无法给出相关答案。那么这时候我们只需要在Prompt中给出相关的示例，经过提示的 prompt 会按照示例的格式和相关性回答你的问题。

3                   嵌入（Embedding）

上面例子我们知道在Azure OpenAI GPT-3 API 提供的能力中，可以在 prompt 中增加上下文，来提高Completion 准确率和相关性。那么如何从自己的语料库中找到和提问相关的上下文呢？这时候就可以用到嵌入（Embedding）了，Azure OpenAI提供了Embedding接口，我们可以输入一段文字来计算出向量值，通过将「语料片段的向量」与「问题的向量」取「最相似的向量」，来判断问题和语料库（自己的数据）的相似度，便于模型来理解意义。比如，“狗”和“猫”这两个单词可能会被转换成非常接近的数字，因为它们都是宠物，具有相似的意义。

比如在构建一套知识库系统的时候，我们把自己的数据嵌入到模型中，告诉模型答案就在资料库中，来获取准确的答案。下面看看示例：

我们在一个知识库系统的Demo中加入了与Azure相关的文档，并添加到Embedding中。

下面来试试提问，我们问了几个关于Azure虚拟机相关的问题，模型可以准确的通过我提供的文档来找到答案。

4                   微调(File-tune)

Fine-tuning 主要是用来改善长期输出形式。相对的Prompt Engineering是短期/一次性改变输出的方法。fine-tune 的原理是在不改动（或不能改动）预训练模型的基础上，在模型「顶层」增加分类器或一些特征映射，使微调后的模型能够更贴合实际使用场景。

Fine-tune主要是为了节省每次答案提供相同 prompt 的 tokens，把类似的 prompt 可以训练成: 只需要更改具体问题，而不用重复写 上下文、示例。

GPT像个小孩, 它阅遍了全世界的书籍。它是通过主观例子来学习世界。 例子没有对错 ，只有相对好坏所以我们作为成人，也要用榜样/例子來引导孩子模仿，而非直接教他对或错，因为这样会破坏它的现有认知 。Fine Tuning就是用例子來引导GPT的过程。

5                   何时使用嵌入？何时使用微调？

l  我有一堆语料，想让 GPT依据我的语料输出内容 - 使用Embedding

l  想让 GPT 模仿一个一位睿智的的长者和我对话 - 使用Fine-tune

l  希望用户按照一定格式提交问题 - 使用Fine-tune

l  可以根据产品的使用手册来回答用户的问题 - 使用Embedding

建议在引入Azure OpenAI时首先做prompt engineering来验证提升潜力。 然后转为Fine-tuning 做长线改善以帮助节省token，降低TCO。