ChatGPT e Engenharia de Prompt: Técnicas para o Prompt Perfeito

Summary

In this first episode of the web series 'ChatGPT and Generative Models', host Fabrício Carraro introduces ChatGPT, a large language model (LLM). He explains what ChatGPT is, how to use it, and delves into 'prompt engineering' – techniques for crafting better prompts to elicit more accurate responses from ChatGPT. The episode compares the capabilities of GPT-3.5 and GPT-4, highlighting the latter's advanced features and its subscription-based model. Demonstrations include creating poetry, translations, and solving complex problems step-by-step using thought chain techniques. The show also covers the importance of prompt engineering in obtaining precise answers and its emerging relevance as a career field. Future episodes promise to explore more about ChatGPT and LLMs, underscoring the series' educational and informative nature.

Takeaways

• 😀 Welcome to the first episode of the web series 'ChatGPT and Generative AI' hosted by Fabrício Carraro, focusing on ChatGPT, its functionalities, and beyond.
• 📚 The episode introduces ChatGPT as a large language model (LLM) trained on extensive text data, gaining popularity around the end of 2022 for its coherent responses.
• 🔧 Highlighting the difference between GPT-3.5 and GPT-4, with GPT-3.5 being older and less data-trained compared to the more recent, subscription-based GPT-4.
• 🤖 Emphasizes the concept of 'prompt engineering' - techniques for crafting better prompts to elicit more precise responses from ChatGPT.
• 📖 Introduces a 'cookbook' by OpenAI on GitHub, offering techniques for improving prompt reliability, applicable to both GPT-3.5 and GPT-4 models.
• 📈 Discusses the effectiveness of 'zero-shot' learning, where LLMs can generate responses without needing examples, and the enhancement of response accuracy through 'chain of thought' processing.
• 📝 Showcases a step-by-step problem-solving example to demonstrate how breaking down complex prompts into simpler tasks can improve ChatGPT's accuracy.
• 🤞 Introduces the concept of 'few-shot learning' (F-shot) combined with 'chain of thought' to teach ChatGPT to process information in a more structured manner.
• 💬 Provides practical examples of prompt engineering, like calculating taxes with specific conditions, to illustrate how to achieve precise results from ChatGPT.
• 👨‍💼 Positions prompt engineering as an emerging career field, emphasizing the importance of staying updated with scientific research and applying new techniques for optimal use of LLMs in various applications.

Q & A

What is ChatGPT?

ChatGPT is a large language model (LLM) created by OpenAI, known for generating coherent and contextually relevant responses based on the input prompts it receives.

What is prompt engineering?

Prompt engineering involves techniques to craft better prompts for ChatGPT, aiming to improve the quality and precision of the responses received.

What are the differences between GPT-3.5 and GPT-4 mentioned in the script?

GPT-3.5 is an older model trained on less data, providing slightly lower quality responses compared to GPT-4, which is the most recent and advanced version that offers better responses but is a paid service.

How does ChatGPT work?

ChatGPT operates through prompts, which are messages or requests sent by the user for the model to generate responses. It utilizes its training on vast amounts of text data to create replies that seem understanding of the user's input.

What is the significance of using precise prompts with ChatGPT?

Using precise prompts enhances the likelihood of receiving accurate and relevant responses from ChatGPT, as it helps the model understand the user's request more clearly.

Can you provide an example of how ChatGPT can process complex requests?

The script describes using the 'chain of thought' approach, where a complex problem is broken down into simpler steps that ChatGPT processes sequentially to arrive at a precise answer.

What is the 'chain of thought' technique in prompt engineering?

The 'chain of thought' technique involves guiding ChatGPT through a step-by-step reasoning process for complex prompts, improving the model's ability to generate accurate and detailed responses.

What is an F-shot example in the context of ChatGPT?

An F-shot example involves providing ChatGPT with a few examples (few-shot learning) along with the prompt, aiding the model in understanding the context or task better before generating a response.

How does prompt engineering benefit ChatGPT's response quality?

Prompt engineering improves response quality by refining prompts to be clearer and more specific, enabling ChatGPT to generate more accurate and contextually relevant replies.

What future implications does prompt engineering have for careers according to the script?

Prompt engineering is seen as a burgeoning career path, with demand for professionals who can research, develop, and apply new techniques to optimize interactions with language models like ChatGPT.

Outlines

00:00

😀 Introduction to ChatGPT and Generative AI

Fabrício Carraro introduces the first episode of the web series focused on ChatGPT and generative AI, highlighting the importance of understanding ChatGPT, how to use it, and the concept of prompt engineering for better interactions. He explains that ChatGPT is a large language model (LLM) that gained popularity in late 2022, designed to understand and respond to user inputs with high coherence. The episode promises to delve into the mechanics of ChatGPT in future installments, emphasizing the differences between GPT-3.5 and GPT-4 models, including their training data scope and capabilities. Carraro demonstrates using ChatGPT for creating poetry and translations, showcasing its ability to maintain rhymes across languages, setting the stage for deeper exploration of prompt engineering techniques.

05:01

📘 Advanced Prompt Engineering Techniques

This section explores advanced prompt engineering techniques for optimizing interactions with ChatGPT and other LLMs. Carraro introduces a cookbook published by OpenAI on GitHub, offering strategies to enhance the precision of user prompts. He discusses the relevance of clear instructions, breaking down complex tasks, and utilizing scientific papers on prompt engineering to create more effective prompts. Examples include the concept of 'zero-shot' tasks with 'chain of thought' processing, demonstrated through a mathematical problem involving movie directors and Nicolas Cage. This approach, encouraging step-by-step reasoning, improves the model's accuracy in delivering the desired outcome.

10:04

🔍 F-Shot with Chain of Thoughts

Carraro delves into a more sophisticated prompt engineering technique called 'F-shot with Chain of Thoughts,' where users provide a few examples (F-shots) alongside their prompts to guide ChatGPT's reasoning process. He illustrates this method with a tax collection example, explaining how providing specific examples and a structured query can significantly enhance the model's accuracy in complex calculations. This segment emphasizes the importance of teaching the model to think along with the user, showcasing a practical application of F-shot techniques for precise and reliable answers.

15:07

🚀 Conclusion and Future Prospects

The final segment summarizes the episode's key points and emphasizes the potential of prompt engineering as a burgeoning career field. Carraro mentions the continuous release of scientific papers on the topic, including contributions from leading tech companies and academia. He highlights the practical application of these techniques in obtaining more accurate responses from ChatGPT and other LLMs, suggesting that mastering prompt engineering could be critical for future technological developments. The episode concludes with an invitation to stay tuned for more insights in upcoming web series episodes, promising further exploration of ChatGPT and generative AI technologies.

Keywords

💡Chat GPT

Chat GPT is described as a large language model (LLM) developed by OpenAI, capable of generating human-like text responses. Within the video's theme, it's highlighted as a revolutionary tool that gained fame around late 2022 for its ability to understand and generate text based on vast amounts of data it was trained on. The script illustrates its use not only for creating poetry but also for translating languages, showcasing its versatility in handling various text-based tasks.

💡Prompt Engineering

Prompt Engineering is presented as a concept of crafting queries in a way that elicits better responses from Chat GPT or other LLMs. The video emphasizes this as an advanced technique beyond basic usage, aiming to optimize the interaction with the model for more precise outcomes. Examples from the script include structuring prompts to guide the model through complex problems step by step, enhancing the accuracy and relevance of its answers.

💡GPT-3.5 and GPT-4

These are versions of the Chat GPT model mentioned in the script. GPT-3.5, an older and less sophisticated version, is contrasted with GPT-4, the latest and more advanced model that offers improved responses but comes with a cost. The video uses these versions to demonstrate the evolution and enhancement of LLM capabilities, suggesting that higher versions can produce better results.

💡Large Language Model (LLM)

LLM refers to AI systems like Chat GPT that are trained on extensive text data to generate coherent and contextually relevant responses. The script highlights LLMs as the technology behind Chat GPT, explaining their significance in understanding human language and generating text that seems to grasp the essence of the input provided.

💡OpenAI

Mentioned as the developer of Chat GPT, OpenAI is portrayed as a leading organization in AI research. The script points to OpenAI's role in advancing LLM technology and their effort in making tools like Chat GPT accessible, emphasizing its contribution to the field of artificial intelligence and its impact on how individuals and organizations interact with AI.

💡Zero-shot

This term refers to the model's ability to generate responses without prior examples or specific training on a task. The video discusses a study by Tak Kojima from the University of Tokyo, highlighting how LLMs like Chat GPT can provide accurate answers based on the general knowledge they've been trained on, showcasing the power and efficiency of zero-shot learning in natural language processing tasks.

💡Chain of Thought

Chain of Thought is a method of breaking down complex prompts into simpler, step-by-step components to improve the model's accuracy in responding. The script provides an example where Chat GPT is asked to solve a problem involving a series of logical steps, illustrating how this approach can lead to more precise and understandable responses from the model.

💡F-shot with Chain of Thoughts

This technique combines providing a few examples (F-shot) with the step-by-step reasoning process (Chain of Thoughts) to teach the model how to approach a problem. The video script uses this method to demonstrate how Chat GPT can be guided to produce specific outcomes, such as calculating taxes based on certain criteria, by first showing examples and then letting the model apply that reasoning to new data.

💡Prompt Formula

While discussing prompt engineering, the script refers to the quest for an ideal 'Prompt Formula'—a theoretically perfect way to phrase prompts for optimal responses from Chat GPT. It acknowledges that while no perfect formula exists, ongoing research and experimentation are devoted to finding techniques that enhance the effectiveness of prompts.

💡Scientific Papers

The script mentions scientific papers being published by researchers from prestigious institutions around the world, focusing on improving prompt engineering techniques. These papers are highlighted as essential resources for understanding how to better interact with LLMs like Chat GPT, reflecting the academic and practical interest in optimizing AI's potential for understanding and generating human-like text.

Highlights

Welcome to the first episode of the web series on ChatGPT and generative technologies, hosted by Fabrício Carraro.

Introduction to ChatGPT, a large language model trained on vast amounts of text data, gaining popularity in late 2022.

Comparison between GPT-3.5 and GPT-4 models, highlighting the advancements and subscription model of GPT-4.

Explanation of 'prompts' in ChatGPT, illustrating how to craft requests for the AI to generate specific responses.

Demonstration of ChatGPT's ability to create poetry, showcasing its understanding and creativity based on user prompts.

Highlighting ChatGPT's proficiency in language translation, maintaining poetic rhymes across languages.

Introduction to the concept of 'prompt engineering' for improving ChatGPT's responses.

Overview of OpenAI's 'cookbook' for prompt engineering, featuring techniques to enhance prompt effectiveness.

Discussion on academic research and papers focused on optimizing prompt engineering.

Exploration of 'chain of thought' reasoning in AI, demonstrating how step-by-step problem solving can enhance AI responses.

Example of using 'chain of thought' to solve a complex problem involving movie director filmography and Nicholas Cage.

Introduction of 'few-shot learning' combined with 'chain of thought' to teach ChatGPT problem-solving steps.

Application of prompt engineering in a tax calculation scenario, showcasing how to guide ChatGPT through complex calculations.

Demonstration of how providing examples (F-shots) and clear steps can significantly improve ChatGPT's accuracy.

Discussion on the emerging career field of prompt engineering, emphasizing its importance in leveraging AI models like ChatGPT for optimal results.

Transcripts

boas-vindas ao primeiro episódio da web

série chat GPT e as generativas aqui da

[Música]

lura o meu nome é Fabrício Carraro e no

episódio de hoje a gente vai falar sobre

o chat GPT né O que ele é como usar Mas

a gente não vai parar nisso a gente vai

um ponto além e falar também sobre

conceitos de engenharia de prompt ou

seja como criar um prompt de uma maneira

melhor para o chat GPT dar uma resposta

melhor para você se você tá vendo aqui

na tela a gente já tá aberto no chat GPT

né que é esse sistema esse llm né um

large language Model um modelo grande de

linguagem que são esses modelos criados

que ganharam fama aí no final de 2022

mais ou menos que eles são treinados com

muitos dados com muitos dados de texto e

Eles te dão uma resposta que você acha

que ele entende o que você tá falando e

na verdade ele realmente né ele faz

associações ali por trás a gente vai ter

um episódio aqui dessa websérie

explicando como exatamente funciona o

chat GPT E essas outras llms por trás

mas esse modelo é treinado de uma

maneira que ele consegue te dar uma

resposta muito coerente na maioria das

vezes né eu já tô logado aqui no meu

chat GPT como vocês podem ver se você

ainda não criou sua conta crie porque é

muito fácil é muito rápido e você já vê

logo de cara aqui que a gente tem duas

coisas lá em cima né duas opções o GPT

3.5 e o GPT 4 eles são modelos né o GPT

3.5 ele foi treinado mais antigamente

com menos dados então ele é um pouquinho

pior e a gente tem o GPT 4 também que é

o modelo mais atual mais recente dessa

empresa a Open ai e ele é pago então a

gente pode fazer tudo aqui dessa aula

todos os conceitos que a gente vai ver

podem ser feitos usando o GPT 3.5 esse

modelo um pouco pior um pouco mais

antigo mas se você tiver pagando você

vai poder usar o GPT 4 que provavelmente

vai te dar uma resposta melhor e como

funciona isso né se você nunca usou o

chat GPT na sua vida ele funciona

através de prompts e o que é um prompt

ele é basicamente um pedido uma mensagem

que você manda pro chat GPT para ele te

dar uma resposta você pode até ver aqui

embaixo que tá escrito send a message

que significa mande uma mensagem

basicamente né ele te dá até algumas

sugestões de mensagens que você pode

mandar mas a gente vai criar os nossos

próprios prompts aqui um prompt possível

para introduzir aqui que a gente sempre

faz de brincadeira é de pedir pro chat

GPT criar uma poesia né então você pode

pedir crie uma

poesia sobre o Fabrício

Carraro que gosta muito de

línguas e aí ele já vai gerando para

você automaticamente uma poesia né então

vamos ler nos cantos das línguas ele

mergulha com paixão Fabrício Carraro

alma inquieta em profusão então ele até

até rimando ali é uma coisa engraçada

que não serve para muita coisa Claro mas

que mostra como que ele entende né Essas

textos ele foi treinado com muitos

textos e aí dado um prompt aleatório ele

consegue te dar uma resposta que nesse

caso foi uma poesia que foi o que a

gente pediu mas não é só isso né ele

você pode pedir por exemplo aqui ele fez

isso em português você pode fazer

traduza pro inglês e como ele é muito

bom com textos ele foi treinado com

textos da internet até 2021 ele vai

conseguir fazer essa coisa que ele não

vai criar uma poesia nova porque a gente

pediu para ele traduzir apenas né então

talvez perca a rima né mas olha aqui ó

with Passion so with so pur então ele

ainda Manteve ele conseguiu manter a

rima né the flight Shining bright Olha

que interessante ele viu que era uma

poesia e Conseguiu traduzir Mantendo as

rimas e claro isso que a gente fez até

agora Pode parecer um pouquinho bobo e é

realmente Mas você já vu poder por trás

do chpt Mas a gente não quer parar por

aí a gente quer ir além usando os

conceitos de prompt Engineering que é a

engenharia de prompts e você pode me

perguntar o que que é isso o que que é o

prompt Engineering ela é basicamente

técnicas que você pode usar para criar

um prompt melhor para criar um pedido

melhor pro chat GPT e para outras llms

para obter uma resposta mais precisa

deles então você pode ajudar o sistema

criando um pedido melhor mais preciso

mais claro e isso vai aumentar a sua

chance a sua probabilidade de ter uma

resposta que vai ser a que você quer e

eu vou mostrar para vocês um cookbook

que é um livro de receitas publicado

pela própria Open Ai que é a empresa por

trás do chat GPT lá no github público

deles né no repositório do github

público deles que tem várias técnicas

para melhorar a confiabilidade do seu

pedido então eles falam aqui ainda sobre

o gpt3 né antes do 35 e antes do quatro

mas são conceitos que são aplicáveis

ainda pro 3,5 e pro 4ro né então eles te

dão várias possíveis técnicas que você

pode usar para criar a Fórmula Mágica a

fórmula perfeita de um prompt é claro

que não existe uma fórmula perfeita

existem vários papers científicos sendo

criados atualmente por universidades do

mundo inteiro né de Stanford de Harvard

berkley da China do Brasil também pelas

próprias empresas né pelo Google pela

Open ai pela meta do Facebook de como

fazer melhor essa engenharia de prompt e

eu vou apresentar alguns desses papers

científicos aqui para vocês hoje que vão

te ensinar a criar talvez não uma

Fórmula Mágica mas criar com certeza um

prompt melhor e mais inteligível pro

chat GPT primeiramente ela diz aqui dê

instruções mais claras divida tarefas

complexas em subtarefas né tarefas um

pouco menor E aí ele dá vários né deu

prompt pro modelo para explicar antes de

pedir a resposta enfim ele dá vários

pedidos aqui várias técnicas que você

pode usar mas a gente vai ver vai focar

um pouco mais nos papers científicos né

um deles que a gente pode ver aqui mais

para baixo é esse de zero shot que foi

publicado pelo Tak Kojima da

Universidade de Tóquio aqui em 2022

agora praticamente né que ele fala que

basicamente as llms os large language

Models eles funcionam com esses zero

shots Ou seja você não precisa dar

nenhum Exemplo né você não precisa dar

um shot seria um exemplo ou uma amostra

então eles funcionam sem dar nenhum

exemplo que foi basicamente o jeito que

a gente criou aqui né os prompts a gente

só fez um pedido sem dar nenhum exemplo

e ele deu pra gente uma resposta e ele

realmente funciona dessa maneira mas tem

maneiras de você melhorar essa

eficiência né melhorar a precisão da

resposta que é usando a cadeia de

pensamento que em inglês é Chain of

thought e isso a gente pode ver um

exemplo aqui no próprio chat GPT pedindo

para ele pensar passo a passo como você

pode ver aqui Let's think Step by Step

eu vou dar um prompt aqui para vocês pra

gente testar isso vou até abrir um novo

chat né se você vê aqui do lado esquerdo

você tem essa opção porque quando você

abre um novo chat você perde aquele

contexto que a gente fez antes da poesia

e a gente realmente não precisa daquele

contexto né então vamos copiar e colar

aqui né um diretor de cinema Já dirigiu

16 filmes Metade dos filmes que ele

dirigiu são de ação então oito são de

ação e metade dos filmes de ação tem a

participação do Nicholas cade então

Quatro tem o Nicholas Cage e na metade

deles o Nicholas Cage tem bigode Então

são dois filmes que o Nicolas Cage vai

ter bigode né quantos filmes de ação com

a participação do Nicholas Cage com

bigode ele dirigiu então é um problema

que tem vários subníveis né e ele é um

pouco confuso se você só der esse prompt

automaticamente pro chat GPT é possível

que ele erre então uma dessas técnicas

de melhorar a precisão seria você pedir

para ele fazer isso passo a passo como

você como a gente viu anteriormente né

então por exemplo a nossa Pergunta a

gente pode escrever aqui

pergunta seria esse nosso problema aqui

do Nicholas Cage e lá embaixo a gente

tem a

resposta e pense passo a passo e vamos

ver qual vai ser a resposta do chat GPT

no nosso caso

agora vamos dividir o problema em passos

para chegar a resposta olha só que legal

o diretor dirigiu 16 filmes passo um

passo dois metade são de ação então oito

passo três Metade dos filmes de ação que

significa que quatro filmes de ação tem

a participação do ncolas cate passo

quatro

agora a metade desses quatro filmes de

ação com Nicolas Cage tem bigode isso

nos leva a dois filmes de ação com o

Nicholas Cage e Bigode Portanto o

diretor dirigiu dois filmes de ação com

a participação do Nicolas Cage e com

bigode Olha que interessante você

pedindo para ele pensar passo a passo

ele já estrutura sua resposta de uma

maneira diferente né Então em vez de

cuspir a resposta de uma vez ele vai

dividindo isso em Passos o que já ajuda

muito na precisão dessa resposta uma

outra técnica de prompt Engineering que

é muito útil também ela é similar em vez

de ser o zero shot com Chain of thoughts

né com a cadeia de pensamento vai ser o

f shot com Chain of thoughts ou seja

alguns exemplos né poucos exemplos F

shots com o Chain of thought com a

cadeia de pensamento que você pode ver

ele tá aqui também como um dos exemplos

dados né F shot examples com a cadeia de

pensamento com esse Chain of thoughts

que como ele funciona basicamente em de

você simplesmente dar o prompt e pedir

já direto para ele fazer passo a passo

você dá alguns exemplos você ensina o

chat GPT a pensar junto com você e para

isso a gente vai ver um outro exemplo

aqui que quem fez a imersão II Quem fez

a imersão de dados da lura já tá

acostumado com ele mas se você não viu

você vai ver aqui comigo que é um

exemplo de arrecadação de impostos então

você pode ver a gente tem uma tabelinha

aqui né com 10 pessoas com o o

rendimento anual de cada uma delas

imagina que você trabalha no governo e

você quer arrecadar impostos dessas

pessoas e uma alíquota fixa ali de

30% mas tem um porém as pessoas que

ganham um salário anual abaixo de R

40.000 elas vão ser isentas elas vão

pagar zero de impostos Então olha como

esse problema já começa a se complicar

um pouquinho mais né você tem que fazer

a soma de todos esses valores aqui mas

apenas dos valores que sejam acima de R

40.000 por ano e aí pegar os

30% desses valores acima de R 40.000 por

ano se você fizer esse pedido

diretamente pro chat GPT é possível que

ele se confunda ou para outros llms

também né Pro Bard do Google pro Bing da

Microsoft é possível que eles se

confundam mas para isso a gente pode

usar essa técnica de prompt Engineering

a f shot com Chain of thought né a

cadeia de pensamento para mais ou menos

ensinar o chat GPT a pensar junto

conosco Então vamos voltar lá pro chat

GPT abrir um novo chat e eu vou colar

aqui um prompt que eu já preparei para

vocês e eu vou ensinar para vocês como

fazer esse fio shots com Chain of

thoughts Primeiramente você coloca a sua

a sua pergunta você estrutura essa

pergunta então eu tenho uma lista de

valores realmente a gente tem aqui uma

lista de valores o meu resultado final

será 30% da soma dos valores correto

porém nem todos os valores serão somados

apenas aqueles acima de R

40.000 até agora né Foi o que eu

expliquei para vocês para a lista abaixo

Qual é o meu resultado final e eu vou

adicionar um pontinho a mais

e conte

quantas quantos

valores

existem e me dê o resultado

final e aí aqui a gente dá uma lista de

valores né 10.000 20.000 50.000 e 60.000

ou seja dois acima de 40.000 e dois

abaixo e aí eu mesmo vou dar a resposta

pro chat GPT então nesta lista existem

quatro valores e eu vou copiar aqui

colar o resto do prompt para vocês

né existem dois valores acima de 40.000

que são 50.000 e 60.000 a soma desses

valores é 11 110.000 né desses dois

apenas o resultado final é 30% da soma

desses valores portanto 30% de 110.000

que resulta em 33.000 Essa é a resposta

que eu escrevi pro chat GPT para dados

fictícios que eu gerei aqui esses F

shots Esses são os Fi shots são esses

exemplos que eu tô dando para ele e

agora a gente vai fazer pros nossos

dados mesmo né pros dados reais que a

gente quer a resposta Então pergunta a

gente copia a pergunta porque a pergunta

é a mesma né É o mesmo valor a gente

pode até colocar um separador aqui para

ele entender que é uma nova pergunta

Então pergunta Tem uma lista de valores

meu resultado é a mesma pergunta só que

agora em vez de dar esses dados

fictícios aqui a gente usa os nossos

dados reais aqui da tabelinha né então

vamos

tem vários né você pode ver 31 15 e tal

eu já fiz aqui até um valores para

conferência no total a gente tem que ter

cinco indivíduos desses né com

rendimento acima de 40 Então são 10 são

cinco acima e cinco abaixo e o imposto a

ser arrecadado o valor total tem que ser

13.500 vamos ver se o chat GPT vai dar

esse mesmo

valor e aqui a gente vai ter a nossa

resposta

osta que em vez de você escrever a

resposta como você escreveu aqui você

vai deixar em branco para ele completar

então a gente deu um exemplo de resposta

é o modelo que a gente quer e aqui a

gente deu para ele completar E aí vamos

ver se ele vai dar a resposta esperada

Olha eu começo a produzir a nossa

resposta ó Nessa lista existem 10

valores existem cinco valores acima de

40.000 que são blá blá blá blá BL blá os

valores tais a soma valores é 435.000 o

resultado final é 30% da soma desses

valores portanto 30% de 435.000 que

resulta em

13.500 exatamente o valor que a gente

esperava receber aqui então você olha

ele pode parecer mais trabalhoso mas

quando você precisa de dados mais

precisos é uma técnica muito legal muito

útil que vai te ajudar a treinar o chat

GPT usando esses conceitos de prompt

Engineering que é a engenharia de prompt

que é também uma carreira que muitas

pessoas têm falado recentemente a Forbes

publicou na revista deles como uma das

carreiras do Futuro que vai ser

pesquisar esses vários artigos

científicos que vão sendo lançados

praticamente toda semana ultimamente né

esse por exemplo do fel shots foi

lançado aqui pelo Jason Way e pelo

próprio Google né eles explicaram aqui

como fazer a própria Google que lançou

esse artigo científico e essa pessoa vai

ser responsável por pesquisar esses

artigos novos por criar também novas

técnicas e aplicar na sua empresa para

você obter respostas melhores quando

você tiver usando o chat GPT e outros

large language models na sua vida e por

hoje é isso Pessoal espero que você

tenha gostado desse Episódio e fica aqui

com a gente nas próximas semanas porque

a gente vai ter mais episódios dessa

nossa websérie chat GPT e as generativas

até mais tchau

tchau i