Prompt Formatting – (İstem Biçimlendirme)

İstem Biçimlendirme, üretken yapay zekâ (Generative AI) sistemlerine verilen istemlerin okunabilirliği, açıklığı ve yorumlanabilirliğini artırmak amacıyla belirli bir düzen ve biçim içerisinde yazılması sürecidir. Başka bir ifadeyle Prompt Formatting, istemde yer alan bilgilerin başlıklar, bölümler, madde işaretleri, numaralandırmalar, tablolar veya diğer yapısal öğeler kullanılarak organize edilmesini ifade eder.

Prompt Formatting’in temel amacı, büyük dil modellerinin (Large Language Models – LLM’ler) istemdeki farklı bilgileri daha kolay ayırt etmesini ve kullanıcı beklentisini daha doğru anlamasını sağlamaktır. Aynı içerik farklı biçimlerde yazıldığında modelin ürettiği yanıtların kalitesi değişebilir. Bu nedenle istemin yalnızca içeriği değil, sunuluş biçimi de önemlidir. Prompt Formatting, Prompt Design, Prompt Structure ve Prompt Engineering süreçlerinin tamamlayıcı bir bileşeni olarak değerlendirilmektedir. Prompt Design istemin genel planını oluştururken, Prompt Structure istemin temel bileşenlerini belirler; Prompt Formatting ise bu bileşenlerin okunabilir ve düzenli biçimde sunulmasını sağlar.

Prompt Formatting Neden Gereklidir?

Üretken yapay zekâ modelleri uzun ve karmaşık istemleri de işleyebilir. Ancak bilgiler düzensiz, iç içe geçmiş veya belirsiz biçimde yazıldığında model;

• bazı talimatları gözden kaçırabilir,
• öncelikleri yanlış yorumlayabilir,
• eksik veya tutarsız yanıtlar üretebilir.

Biçimlendirilmiş istemler ise görevleri ve kuralları açık biçimde ayırdığı için modelin doğru yorum yapmasını kolaylaştırır.

Yapılandırılmamış ve Biçimlendirilmiş Prompt Örneği

Yapılandırılmamış İstem: Yapay zekâyı anlat sağlık yönetimi öğrencileri için olsun 1000 kelime yaz APA kullan, avantajları ve dezavantajlarını da yaz. Bu istem okunabilir olsa da bilgiler düzensizdir.

Biçimlendirilmiş İstem

Görev: Yapay zekâyı açıkla.

Hedef Kitle: Sağlık yönetimi lisans öğrencileri.

Uzunluk: Yaklaşık 1000 kelime.

İçerik: Tarihçe  / Temel teknolojiler / Avantajlar  / Dezavantajlar

Kurallar: Akademik dil kullan. / APA 7 kaynakça ekle.

Bu biçim, hem insanlar hem de yapay zekâ modelleri için daha anlaşılırdır.

Prompt Formatting Teknikleri

İstem biçimlendirmede yaygın olarak kullanılan yöntemler şunlardır.

1. Başlıklar Kullanma: Farklı görevleri başlıklar altında toplamak. Örneğin:

• Görev
• Rol
• Bağlam
• Kurallar
• Çıktı
• Madde İşaretleri: Kuralları listelemek. Örneğin:

• APA 7 kullan.
• Tablo oluşturma.
• Teknik terimleri açıkla.
• Numaralandırma: İş akışını sıralamak. Örneğin:

1. Problemi analiz et.
2. Çözümü açıkla.
3. Sonucu özetle.
4. Tablo Kullanımı: Karşılaştırma gerektiren görevlerde tablo oluşturmak. Örneğin:

Değişken	Açıklama
Konu	Yapay zekâ
Hedef	Lisans öğrencileri
Uzunluk	1000 kelime

• Ayırıcılar (Delimiters): Bilgileri birbirinden ayırmak için çizgiler veya semboller kullanılabilir.

Örneğin:

### Görev

…

### Kurallar

…

veya

—

Görev

—

• Markdown Kullanımı: Markdown başlıkları ve listeleri, birçok yapay zekâ modeli tarafından kolaylıkla yorumlanabilir.

Örneğin:

# Görev

…

## Kurallar

– APA 7

– Akademik dil

Prompt Formatting’de Dikkat Edilmesi Gereken Noktalar

İyi biçimlendirilmiş istemlerde aşağıdaki ilkeler önerilir:

• Başlıklar kullanılmalıdır.
• Gereksiz tekrar yapılmamalıdır.
• Talimatlar kısa ve açık olmalıdır.
• Benzer bilgiler aynı bölümde verilmelidir.
• Uzun istemlerde alt başlıklar kullanılmalıdır.
• Kurallar ayrı bölümde belirtilmelidir.

Kullanım Alanları

Prompt Formatting aşağıdaki alanlarda yaygın olarak kullanılmaktadır.

• Akademik araştırmalar
• Eğitim
• Yazılım geliştirme
• Veri analizi
• İçerik üretimi
• Hukuk
• Sağlık
• Kurumsal yapay zekâ uygulamaları
• Sohbet robotları
• Kod üretimi

Avantajları

• İstemlerin okunabilirliğini artırır.
• Modelin talimatları daha doğru yorumlamasını sağlar.
• Karmaşık görevleri düzenli hâle getirir.
• Tekrar kullanılabilir istem şablonlarının oluşturulmasını kolaylaştırır.
• Kullanıcı hatalarını azaltabilir.

Dezavantajları

• Çok ayrıntılı biçimlendirme her zaman daha iyi sonuç vermez.
• Gereğinden fazla bölüm istemi gereksiz yere uzatabilir.
• Farklı modeller bazı biçimlendirme türlerine farklı tepki verebilir.
• İçerik zayıfsa yalnızca biçimlendirme kaliteyi garanti etmez.

Prompt Formatting ile Prompt Structure Arasındaki Fark

Özellik	Prompt Formatting	Prompt Structure
Amaç	İstemin düzenli ve okunabilir sunulması	İstemin hangi bileşenlerden oluşacağını belirlemek
Odak	Görsel düzen ve organizasyon	İçerik ve mantıksal yapı
Kullanılan Araçlar	Başlıklar, listeler, tablolar, Markdown	Görev, rol, bağlam, kurallar, çıktı formatı
Sonuç	Daha okunabilir istem	Daha sistematik istem

Prompt Formatting ile Prompt Design Arasındaki Fark

Özellik	Prompt Formatting	Prompt Design
Odak	Bilginin nasıl sunulduğu	İstemin nasıl planlandığı
Amaç	Okunabilirliği artırmak	Etkili istem oluşturmak
Kapsam	Biçimsel düzen	İçerik, hedef ve yapı

Özet

Prompt Formatting, üretken yapay zekâ sistemlerine verilen istemlerin başlıklar, madde işaretleri, tablolar, numaralandırmalar ve diğer biçimlendirme teknikleri kullanılarak düzenlenmesi sürecidir. İyi biçimlendirilmiş istemler, büyük dil modellerinin talimatları daha doğru yorumlamasına ve daha tutarlı çıktılar üretmesine yardımcı olur. Prompt Formatting, Prompt Design ve Prompt Structure süreçlerini destekleyen önemli bir uygulamadır ve özellikle uzun veya karmaşık istemlerde yüksek kaliteli sonuçlar elde edilmesini kolaylaştırır.

İlgili Kavramlar: Prompt, Prompt Engineering, Prompt Design, Prompt Structure, Prompt Pattern, Markdown, Large Language Model (LLM), ChatGPT, GPT, Prompt Template

Kaynakça

Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H., & Neubig, G. (2023). Pre-train, prompt, and predict: A systematic survey of prompting methods in natural language processing. ACM Computing Surveys, 55(9), 1–35.

OpenAI. (2023). GPT-4 technical report. arXiv. https://doi.org/10.48550/arXiv.2303.08774

White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C., Gilbert, H., et al. (2023). A prompt pattern catalog to enhance prompt engineering with ChatGPT. arXiv. https://doi.org/10.48550/arXiv.2302.11382

Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., et al. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1921.

Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.