Artikel ini mengajar anda cara menggunakan ChatGPT untuk menulis laporan dengan cepat

Artikel ini akan berkongsi keseluruhan proses latihan ChatGPT (versi model GPT-4 terkini) dan menjana laporan, dan membincangkan masalah biasa yang wujud dalam penggunaan ChatGPT, cara menggunakan ChatGPT untuk memaksimumkan pembelajaran, kecekapan kerja dan isu lain.

Berikut ialah keseluruhan proses penjanaan laporan keselamatan AI.

Infrastruktur

Pemilihan topik

Pemilihan topik yang berkualiti tinggi boleh membantu penyelidik akademik dengan cepat menentukan titik masuk laporan, membimbing pembaca untuk menangkap tema utama laporan, dan menjadikan keseluruhan laporan lebih komprehensif dengan struktur dan logik yang jelas. Dengan memperkenalkan latar belakang laporan atau menyediakan kata kunci dan gambaran keseluruhan kepada ChatGPT, ChatGPT boleh menjana pemilihan topik dalam beberapa saat untuk rujukan penyelidik.

Apabila kami bertanya soalan, kami boleh meminta ChatGPT menjana berbilang topik pada masa yang sama Ini bukan sahaja membantu penyelidik akademik dengan cepat memilih tajuk yang paling memenuhi keperluan mereka, tetapi juga membimbing penyelidik untuk berfikir di luar kotak dan. meluaskan skop pengkaji.

Berdasarkan situasi sebenar, kami perlu membimbing ChatGPT untuk menyesuaikan dan mengoptimumkan tajuk yang dihasilkan supaya pemilihan topik laporan akhir lebih menepati keperluan sebenar dan lebih disasarkan.

Perlu dinyatakan bahawa keupayaan bahasa ChatGPT adalah menakjubkan, termasuk "gaya Buku Merah Kecil" dan "gaya Zhihu". Untuk meningkatkan kesan bacaan dan penyebaran laporan, kami boleh menetapkan keperluan pada kata-kata dan gaya bahasa tajuk.

Jika anda perlu menambah baik tajuk tanpa penyimpangan yang ketara dalam gaya dan perkataan daripada jangkaan, anda juga boleh terus mengeluarkan arahan "optimumkan" kepada ChatGPT. Begitu juga, apabila memasukkan arahan, cara terpantas dan paling berkesan ialah mengarahkan ChatGPT untuk memberikan berbilang jawapan sekaligus untuk mencari keputusan dengan lebih cepat dan dalam julat yang lebih luas.

Buat garis besar

Selepas menentukan topik, kami boleh menggunakan ChatGPT untuk membina rangka laporan asas, yang sangat memendekkan laporan Proses desktop awal penyiasatan, penyusunan data dan saringan menyediakan idea asas untuk penyelidikan seterusnya.

Sebelum itu, kita mesti terlebih dahulu memastikan bahawa konteks keseluruhan garis besar pada asasnya konsisten dengan jangkaan kita, dan tiada penyelewengan besar, penyelewengan, dll., untuk menjimatkan masa dan kos pembetulan kemudiannya , pelarasan dan pengoptimuman.

Untuk mencapai keputusan ini, kami perlu terlebih dahulu membenarkan ChatGPT menjana ringkasan laporan.

Jelas sekali, jawapan di atas tiba-tiba berakhir. Menurut pegawai itu, had input dan output GPT-4 ialah 25,000 aksara, iaitu lebih kurang bersamaan dengan 2,600 aksara Cina. Keputusan ujian kami menunjukkan bahawa kandungan input dan output aksara Cina biasanya mencapai had atas dalam 500-1000 aksara.

Nasib baik, jawapan terganggu kerana had aksara boleh terus menghasilkan hasil di bawah bimbingan. Semasa menjalankan operasi ini, anda perlu memberi perhatian untuk menilai kedudukan di mana kandungan yang dijana sebelum ini terganggu untuk menentukan secara kasar bahagian kandungan yang hilang Jika kedudukan gangguan hampir tamat, akan terdapat kadar kejayaan yang lebih tinggi untuk model itu sambung jawab.

Kandungan ringkasan adalah terutamanya untuk membantu kami merangka kedudukan keseluruhan laporan dan menjelaskan skop garis besar laporan, menyasarkan kemungkinan perkataan, logik dan sambungan perenggan yang tidak sesuai dalam ringkasan kita tidak perlu memberi perhatian terlalu banyak kepada isu ini pada peringkat ini.

Memandangkan langkah ini berada di peringkat paling awal pembuatan laporan, kandungan khusus biasanya agak berbeza daripada hasil laporan akhir Kandungan teks dalam ringkasan tidak akan digunakan secara langsung dalam laporan. Oleh itu, kami hanya perlu menyemak fokus dan skop ringkasan, dan selepas penambahan, pemadaman dan pengubahsuaian, garis besar laporan boleh dijana.

Dapat dilihat bahawa garis besar yang dihasilkan oleh ChatGPT sudah mempunyai struktur asas dan logik pada pandangan pertama, tetapi ia masih mempunyai keupayaan untuk memproses secara mendalam perhubungan yang logik.

Sebagai contoh, tajuk Bab 6, "Menggalakkan Kesedaran dan Pendidikan Keselamatan AI", adalah sebahagian daripada cadangan pembangunan, dan inklusif dan bukannya selari dengan Bab 7, "Kesimpulan dan Pengesyoran". Contoh lain ialah empat sari kata di bawah bahagian "Tadbir Urus dan Penyeliaan Risiko AI" dalam Bahagian 5 semua menumpukan pada cadangan untuk tadbir urus risiko AI, dan cadangan tersebut adalah kandungan yang pendek dan kurang praktikal, dan tidak meliputi penyeliaan AI yang berkaitan. Sebarang kandungan berkenaan status dan perkembangan semasa.

Oleh itu, kami perlu menjalankan pemeriksaan terperinci tentang struktur, logik keseluruhan dan rasional pandangan garis besar, dan pada masa yang sama, menambah, memadam dan melaraskan kandungan garis besar berdasarkan laporan itu sendiri keperluan.

Berpisah daripada "pemikiran intuitif" adalah teras proses ini Perbezaan paling penting antara model ChatGPT dan struktur otak manusia terletak pada keupayaan untuk memproses senario dan pertimbangan bukan linear berdasarkan gerak hati. . Selepas menyedari perkara ini, kami perlu membuat huraian masalah sebagai terperinci, khusus dan jelas secara logik yang mungkin. Kami boleh menggunakan gaya penerangan berasaskan titik untuk memudahkan ChatGPT memahami keperluan dengan lebih tepat.

Hasil yang dijana di atas menggambarkan kedua-dua keupayaan dan had ChatGPT. Di satu pihak, ChatGPT memahami dengan tepat dan menjawab arahan seperti "Mengintegrasikan Bab 6 ke dalam Bab 7", "Melaraskan Rangka Kerja Pelaporan Bab 5", dan "Titik Kemasukan Pengenalan". Sebaliknya, kandungan tindak balas ChatGPT adalah agak mekanikal, dan tahap kognitif akal budi dan pengetahuan intuitifnya juga sangat terhad.

Mengambil arahan "Sepadukan Bab 6 ke dalam Bab 7" sebagai contoh, ChatGPT secara mekanikal memperuntukkan sari kata di bawah Bab 6 asal terus ke Bab 7 (mata 5, 6, dan 7). Jelas sekali, mata 5, 6, dan 7 semuanya tergolong dalam sebahagian daripada "meningkatkan kesedaran dan pendidikan keselamatan AI" dan tidak boleh dipadankan secara langsung dengan beberapa cadangan lain, mengakibatkan ketidakseimbangan yang jelas dalam struktur garis besar. Untuk contoh lain, untuk arahan untuk pengubahsuaian rangka kerja dalam Bab 5, ChatGPT terus menyalin arahan input secara utuh.

Kami membimbing ChatGPT untuk mengoptimumkan masalah di atas satu demi satu Contohnya, kami meminta ChatGPT untuk menggabungkan tiga tajuk Bab 6 menjadi satu:

Sekali lagi, walaupun ChatGPT memahami kandungan arahan dengan betul, operasi pelaksanaannya hanya untuk menggabungkan kandungan tajuk 5, 6, dan 7 secara mekanikal ke dalam satu ayat yang panjang penyelidik manusia. Ini berasal dari manusia Penyelidik boleh mempunyai pratetap asas untuk format tajuk laporan (ringkas, fokus yang jelas, ringkasan yang kuat, dll.) dengan hampir tidak perlu memikirkannya adalah apa yang ChatGPT tidak ada.

Pada ketika ini dalam latihan, tidak sukar bagi kita untuk membuat kesimpulan umum: jangan mengabaikan untuk menerangkan kepada ChatGPT latar belakang pengetahuan yang telah menjadi akal dan pengetahuan priori dalam tabiat berfikir manusia, dan jangan menganggap bahawa ChatGPT boleh menjana apa-apa arahan selain daripada kandungan, menerangkan keperluan output sekhusus mungkin.

Berdasarkan ringkasan pengalaman di atas, kami cuba melatih ChatGPT sekali lagi, mengoptimumkan bahagian tajuk ini, mengehadkan panjang tajuk Bab 6, perkara 5, dan menyenaraikan piawaian rujukan khusus (dengan 1, 2, 3 , panjang tajuk 4 mata adalah konsisten), dan akhirnya mencapai keputusan yang agak memuaskan.

Penulisan Badan

Menulis isi kandungan laporan ialah tugas mengupas lapisan dan lapisan. Secara ringkasnya, kaedah dan urutan latihan perlu mengikut prinsip asas berikut: mula-mula mengesahkan arah bab utama, kemudian mengesahkan arah bab kecil, dan akhirnya mengoptimumkan kandungan bab kecil.

Untuk memendekkan kos masa pembetulan dan kerja semula kemudiannya sebanyak mungkin, kita perlu terlebih dahulu memastikan kandungan yang dihasilkan setiap bab tidak menyimpang dengan ketara daripada jangkaan, dan menjalankan rangka kerja setiap bab berdasarkan pada kandungan jawapan ChatGPT.

Mengambil kandungan Bab 3 sebagai contoh, kami mula-mula meminta ChatGPT untuk menerangkan kandungan yang akan dihasilkan.

Pada pandangan pertama, tiada masalah yang jelas dengan jawapan ChatGPT, dan ia agak teratur. Pembacaan teliti hasil yang dijana mendedahkan kelemahan biasa ChatGPT: kandungan antara titik dipisahkan antara satu sama lain, atau malah bertindih.

Sebagai contoh, untuk risiko pembelajaran mendalam, jawapan ChatGPT adalah "overfitting" dan "serangan sampel musuh".

Risiko ini adalah ancaman biasa yang dihadapi oleh teknologi AI yang berbeza Jika laporan dijana mengikut idea di atas, setiap perihalan risiko dalam bidang teknologi AI tertentu dalam bab ini akan merangkumi sejumlah besar kesamaan AI. teknologi. Risiko boleh mengakibatkan kekeliruan dalam struktur laporan dan kandungan yang bertindih.

Kami telah melaraskan rangka kerja Bab 3 untuk menangani isu di atas dan memerlukan ChatGPT untuk menerangkan persamaan dan perbezaan dalam risiko keselamatan siber dalam tiga bidang teknologi AI teras.

Selepas menerima arahan, ChatGPT berjaya membezakan antara "risiko biasa" dan "risiko unik".

Selepas semua persiapan awal selesai, anda boleh meneruskan ke pautan yang paling teras dan paling memakan masa - menulis kandungan utama laporan.

Tidak sukar untuk melihat bahawa hasil output pada peringkat ini lebih seperti garis besar, dan langkah seterusnya melibatkan penyaringan dan pengesahan sari kata, serta lanjutan dan pelarasan kandungan tertentu.

Cara yang paling menjimatkan masa untuk mengembangkan kandungan dengan cepat ialah meminta ChatGPT untuk menambah kandungan yang dijana Anda boleh menggunakan kata kunci seperti "kembangkan", "lanjutkan" dan "penjelasan khusus" dan mengehadkan panjangnya daripada pengembangan.

Di atas adalah langkah penjanaan laporan paling kasar Fokus kerja seterusnya akan tertumpu terutamanya pada pautan pembetulan, pelarasan kandungan dan pengoptimuman yang paling panjang dan remeh untuk mengesahkan terlebih dahulu Prinsip asas ketulenan dan ketepatan maklumat, dan kemudian menambah baik struktur dan kandungan.

Dengan rendah hati mengakui kesilapan anda dan jangan sesekali membetulkannya walaupun ditegur berulang kali

Pembinaan infrastruktur di atas nampaknya tidak rumit Jika anda fikir semuanya akan baik-baik saja jika anda memasukkan arahan mudah, anda boleh bertenang dan serahkan tugas penting menulis laporan kepada ChatGPT , yang sama sekali salah.

Malah, dalam proses penjanaan kandungan khusus ChatGPT, terdapat masalah yang tidak berkesudahan yang mungkin timbul. Contoh yang paling tipikal ialah penipuan langsung yang dikritik secara meluas seperti "serius bercakap karut" dan "membuat dokumen".

Masalah ini amat ketara apabila kami menulis kandungan seperti Bab 5 "Tadbir Urus dan Penyeliaan Risiko AI" yang berdasarkan dokumen undang-undang dan dasar yang ketat. Kami menghadapi pelbagai jenis ralat semasa proses latihan: menulis nama dokumen dasar yang tidak wujud, menulis agensi pengisytiharan dasar yang palsu, menulis tahun pengisytiharan dasar yang salah, mengisytiharkan tindakan kerajaan yang tidak wujud, dsb.

Sebagai contoh, semasa proses latihan beberapa kandungan dasar AS, ChatGPT membuat kesilapan yang jelas dalam jawapan 4 perkara pertama: mengada-adakan gelagat kerajaan palsu kerajaan AS yang menubuhkan pejabat dasar AI.

Kami membuat cadangan untuk menambah baik hasil yang dijana, termasuk bertanya tentang agensi penubuhan maklumat palsu bahawa "kerajaan AS menubuhkan pejabat dasar AI".

Malangnya, ChatGPT bukan sahaja gagal mengenali ralat dalam keputusan jawapan, malah melakukan kesilapan dan terus mengada-adakan serta menjana kandungan berdasarkan soalan.

Untuk contoh lain, jawapan berikut boleh dikatakan sebagai koleksi besar kandungan salah yang dijana AI. Hanya 4 soalan termasuk 3 ralat utama Ralat yang paling tidak masuk akal sudah pasti rujukan langsung kepada "NISTIR 8272: Alat Analisis Kesan untuk Risiko Rantaian Bekalan Saling Bergantung", analisis komprehensif risiko rantaian bekalan yang berkaitan dengan keselamatan AI telah diganti. dan dokumen bernombor NISTIR 8272 diberi nama yang tidak wujud "NISTIR 8272: Rangka Kerja Pengurusan Risiko Kecerdasan Buatan."

Satu-satunya jawapan yang betul di antara empat mata ialah mengakui kesilapan yang disebabkan oleh kandungan yang dihasilkan dalam soalan sebelumnya. Dapat dilihat bahawa walaupun ChatGPT mempunyai sikap yang baik terhadap mengakui kesilapan, ia mematuhi prinsip pelaksanaan untuk tidak membetulkan selepas teguran berulang kali Ketepatan keputusan output ChatGPT untuk tindakan, dasar dan sistem kerajaan yang serius, dokumen dan kandungan lain adalah sangat rendah. . Pengguna perlu menyemak dan membaca pruf kandungan yang dihasilkan.

Gambar di bawah ialah satu lagi contoh ralat yang mewakili. gambar di sebelah kiri Kandungan terutamanya berkisar tentang "AI" dan bukannya "keselamatan AI".

Kami mengeluarkan arahan "ubah suai penekanan" mengenai isu di atas, seperti yang ditunjukkan di sebelah kanan. Jelas sekali, jawapan disemak ChatGPT tidak menyusun semula dokumen kerajaan EU yang memfokuskan pada "keselamatan AI" seperti yang dibayangkan.

Sebaliknya, ChatGPT menyalin semua nama dokumen dan tindakan kerajaan yang terlibat dalam jawapan asal, dan secara langsung menggantikan maksud dan matlamat dokumen, termasuk: mengubah matlamat "Strategi Eropah untuk Kepintaran Buatan" daripada "memperkukuh AI" Penyelidikan..." digantikan dengan "memperkukuh penyelidikan keselamatan AI...", dan tujuan penubuhan ELLIS EU digantikan daripada "mempromosikan penyelidikan AI" kepada "mempromosikan penyelidikan keselamatan AI", dsb.

Ini mendedahkan satu lagi masalah maut ChatGPT: ChatGPT mungkin secara langsung mengganggu maklumat untuk menjadikan hasil yang dijana kelihatan memenuhi keperluan masalah.

Keterbatasan dan Cadangan

Kecuali ralat fakta di atas, semasa proses semakan kandungan dan semakan pruf, kita perlu memberi tumpuan untuk menyemak sama ada terdapat sebarang jurang antara perenggan Crossover bertindih. Ambil keracunan data dalam subseksyen 4.1 sebagai contoh Konsep asas keracunan data disebutkan secara serentak dalam pengenalan dan bahagian 4.1.1.

Berikutan contoh di atas, kami membuat tekaan yang berani tentang peraturan pengendalian ChatGPT: iaitu jawapan yang dijana oleh ChatGPT disambungkan bersama oleh tugasan kecil yang berselerak.

Jika bahagian pengenalan keracunan data dianggap sebagai tugas penjanaan kecil, hasil output ChatGPT telah memenuhi piawaian asas pengenalan yang layak: (menerangkan konsep keracunan data-memperkenalkan kandungan berikut). Begitu juga, jika bahagian 4.1.1 dianggap sebagai tugas generasi kecil, tidak akan ada ralat yang jelas dalam hasil output.

Apabila kami menunjukkan kandungan bertindih dengan jelas kepada ChatGPT, ChatGPT dengan cepat memahami arahan pengubahsuaian dan melengkapkan semula jawapan, seperti yang ditunjukkan di bawah.

Jelas sekali, ChatGPT mempunyai keupayaan untuk "mengenal pasti kandungan bertindih", tetapi kekurangannya ialah kesedaran bahawa "tidak sepatutnya terdapat banyak kandungan bertindih antara perenggan". Dapat dilihat bahawa keupayaan analisis korelasi berasaskan grid otak manusia adalah bahagian yang paling sukar untuk ditiru dan diganti oleh AI.

Menariknya, apabila ChatGPT memasukkan kandungan 4.1.1 ke dalam pengenalan, penomboran selebihnya tidak diselaraskan dengan sewajarnya, dan apabila kami menunjukkan bahawa ChatGPT wujud Apabila a masalah timbul, model berkesan mengesan ralat dan melengkapkan pengubahsuaian penomboran dengan tepat.

Ralat penomboran jenis ini tidak menjejaskan penggunaan sebenar ChatGPT kami, tetapi ia boleh digunakan sebagai contoh yang baik untuk mengesahkan hipotesis kami tentang mekanisme penyambungan tugas teragih ChatGPT.

Kami juga cuba membimbing model untuk meningkatkan ketersambungan perenggan, dan menerima keputusan maklum balas dalam format "Selepas XXX, syarikat perlu memberi perhatian kepada XXX". Jelas sekali, mod mekanikal penambahan jujukan ini tidak benar-benar menggambarkan hubungan substantif antara perenggan.

Pada ketika ini, kami telah membentuk jangkaan kasar tentang had dan had atas keupayaan ChatGPT. Secara ringkasnya, ChatGPT boleh meringkaskan fenomena, fakta, pendapat, dsb. dengan cepat dalam kuantiti yang banyak, dan ia juga mempunyai keupayaan pertimbangan logik tertentu.

Walau bagaimanapun, kerana pertimbangan logik ChatGPT bergantung terutamanya pada statistik linguistik dan bukannya keupayaan kognitif, ia sering mengalami kesilapan logik, kekeliruan struktur, dan juga penyongsangan sebab dan akibat, dan ia tidak dapat meneroka dengan betul. hubungan yang mendalam antara tahap maklumat dan sambungan asal.

Otak manusia bertanggungjawab untuk menjalankan analisis dan ringkasan peringkat lebih tinggi seperti semakan ketepatan, aruhan kesamaan dan ringkasan arah aliran pada maklumat asas yang disediakan oleh ChatGPT.

Selepas menjelaskan pembahagian peranan antara manusia dan ChatGPT, tidak sukar untuk mencari jalan untuk memaksimumkan penggunaan ChatGPT untuk mengoptimumkan penjanaan laporan, mengoptimumkan kandungan laporan, dan kemudian memperkasakan kerja: gunakan otak manusia untuk bina sekeping maklumat yang diperlukan untuk mencapai rantaian permintaan matlamat, dan ketepikan intuisi sebanyak mungkin untuk menerangkan secara konkrit keperluan maklumat pada rantaian.

Mengambil Laporan 4.1.1 sebagai contoh, apabila kami memerlukan laporan untuk memberikan penerangan terperinci tentang kandungan keracunan data, kami merangka arah keperluan maklumat dengan bertanya tentang punca dan meminta ChatGPT memberikan contoh dan huraian konkrit lain.

Ringkasan

Secara umumnya, ChatGPT memberi kami jawapan yang memuaskan, walaupun proses latihan menghadapi banyak kesukaran dan ketidakpastian, keupayaan ChatGPT untuk memahami dan melaksanakan arahan itu mengejutkan.

FreeBuf Consulting percaya bahawa ChatGPT boleh digunakan sebagai titik permulaan untuk analisis subjek dan penyelidikan akademik, memberikan manusia maklumat ringkasan yang diperlukan untuk mencapai matlamat mereka. Melalui pangkalan data latihan yang besar, penyelidik akademik boleh dengan cepat menentukan titik masuk laporan, yang sangat memendekkan proses penyiasatan desktop, pengumpulan data dan penyaringan pada peringkat awal laporan, dan menyediakan idea rujukan untuk kerja penyelidikan seterusnya.

Walau bagaimanapun, had dan had atas keupayaan ChatGPT juga sangat jelas. Memandangkan kandungan output ChatGPT terutamanya berdasarkan taburan statistik perkataan kontekstual dan bukannya fakta yang ketat, kesahihan keputusan yang dijana oleh ChatGPT selalunya tidak dijamin, malah sering terdapat ralat logik, kekeliruan struktur dan penyongsangan sebab dan kesan.

Selain itu, disebabkan kekurangan keupayaan analisis korelasi bukan linear, ChatGPT tidak dapat benar-benar melombong hubungan substantif antara perenggan, yang meninggalkan jurang yang tidak dapat diatasi antara perenggan itu dan otak manusia. Tingkah laku analisis peringkat tinggi seperti semakan ketepatan, induksi kesamaan dan ringkasan arah aliran masih memerlukan kuasa manusia untuk melaksanakannya.

Atas ialah kandungan terperinci Artikel ini mengajar anda cara menggunakan ChatGPT untuk menulis laporan dengan cepat. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!