🎯 Definicja
Generowanie danych przy użyciu LLM (Large Language Models) to praktyka wykorzystania modeli językowych (np. GPT-4, Claude, Mistral) do tworzenia syntetycznych przykładów danych, takich jak teksty, etykiety, pytania, klasyfikacje czy całe zbiory treningowe, w celu wykorzystania ich w zadaniach uczenia maszynowego, testowania modeli, budowania prototypów lub analiz jakościowych.
Dzięki elastyczności w rozumieniu kontekstu i poleceń, modele te są szczególnie skuteczne w szybkim tworzeniu zróżnicowanych i logicznie spójnych próbek.
🔑 Kluczowe cechy
- Generowanie danych może zastąpić lub uzupełnić rzeczywiste rekordy — szczególnie tam, gdzie dane są kosztowne, wrażliwe lub trudno dostępne.
- Modele LLM mogą działać jako syntetyczni anotatorzy, tworząc dane oznaczone (labeled) dla klasyfikatorów, ekstraktorów, tłumaczy itp.
- Możesz decydować o:
- złożoności przykładów
- rozmieszczeniu klas (balans pozytywne/negatywne)
- formacie danych i szablonach outputu
- języku i tonie wypowiedzi
- Generatory promptowe to potężne narzędzia do prototypowania, testowania i walidacji modeli NLP oraz ich pipeline’ów.
🏗️ Przykład: Generowanie przykładów do klasyfikatora sentymentu
Prompt:
Produce 10 exemplars for sentiment analysis.
Examples are categorized as either positive or negative.
Produce 2 negative examples and 8 positive examples.
Use this format for the examples:
Q: <sentence>
A: <sentiment>
Output:
Q: I just got the best news ever!
A: Positive
Q: We just got a raise at work!
A: Positive
Q: I'm so proud of what I accomplished today.
A: Positive
Q: I'm having the best day ever!
A: Positive
Q: I'm really looking forward to the weekend.
A: Positive
Q: I just got the best present ever!
A: Positive
Q: I'm so happy right now.
A: Positive
Q: I'm so blessed to have such an amazing family.
A: Positive
Q: The weather outside is so gloomy.
A: Negative
Q: I just got some terrible news.
A: Negative
🧠 Zastosowania
- Tworzenie danych syntetycznych do treningu modeli ML/NLP
- Uzupełnianie niedoreprezentowanych klas (np. balancing klas)
- Testowanie klasyfikatorów, modeli ekstrakcji, systemów rekomendacyjnych
- Symulowanie użytkowników, zapytań, błędnych danych
- Walidacja promptów w aplikacjach opartych na LLM (np. RAG)
💡 Inne przykłady zastosowania promptów
1. Generowanie pytań do quizów
Write 5 multiple-choice questions about the French Revolution.
Each should have 4 options with 1 correct answer.
2. Tworzenie danych do klasyfikacji intencji w chatbotach
Generate 10 user messages.
Classify them into one of the intents: ["greeting", "order_status", "cancel_order", "complaint", "goodbye"]
Format:
Text: "<message>"
Intent: <intent>
3. Frazy do testów detekcji cyberbullyingu
Generate 8 phrases that represent toxic or bullying behavior in online chats.
Label each as "toxic" or "non-toxic".
✅ Wskazówki przy projektowaniu promptów dla generacji danych
| Działanie | Efekt |
|---|---|
Ustalony format (Q: / A:) | Ułatwia parsowanie i automatyczny odczyt |
| Liczba przykładów | Zróżnicowanie, kontrola klasy balansu |
| Prompt w języku naturalnym | GPT „rozumie” intencje i rolę danych |
| Styl językowy | Możliwość kontroli rejestru i tonu |
| Kontekst domenowy | Można instruować model by generował np. “biznesowe e-maile” |
📌 Źródła
- https://openai.com/blog/gpt-4-api-general-availability
- https://huggingface.co/blog/data-efficient-fine-tuning
- https://github.com/f/awesome-chatgpt-prompts
- https://datacamp.com/tutorial/zero-shot-few-shot-and-prompt-generators
👽 Brudnopis
- Prompty = narzędzia do budowy własnej bazy etykiet & danych
- Możesz iterować prompty → 200+ przykładów w batchu
- LLM jak “asystent anotacyjny”
- 🧪 Red teaming promptów: generuj dane wyzwalające błędy systemu
- 🌀 Z promptów do datasetu → CSV / JSON do fine-tuningu czy ewaluacji