Prompt Refinement – (İstem İyileştirme)

İstem İyileştirme, üretken yapay zekâ (Generative AI) modellerinden daha doğru, tutarlı ve amaca uygun çıktılar elde edebilmek için mevcut bir istemin (promptun) sistematik olarak gözden geçirilmesi, düzeltilmesi ve geliştirilmesi sürecidir. Bu süreçte istem; açıklık, kapsam, bağlam, rol, kısıtlamalar ve çıktı formatı açısından yeniden düzenlenerek modelin kullanıcı beklentisini daha doğru anlaması sağlanır. Prompt Refinement, Prompt Engineering sürecinin en önemli aşamalarından biridir. İlk yazılan istem her zaman en iyi sonucu vermeyebilir. Modelin ürettiği çıktı değerlendirildikten sonra istem üzerinde yapılan küçük veya büyük değişikliklerle daha kaliteli sonuçlara ulaşılabilir. Bu nedenle istem iyileştirme, iteratif (yinelenen) bir süreç olarak kabul edilmektedir.

Prompt Refinement Neden Gereklidir?

Büyük dil modelleri (Large Language Models – LLM’ler), kendilerine verilen istemi yorumlayarak yanıt üretir. Eğer istem;

• belirsiz,
• eksik,
• çelişkili,
• gereğinden genel
• veya yetersiz bağlam içeriyorsa,

üretilen yanıt da istenilen kalitede olmayabilir. Örneğin aşağıdaki istem oldukça belirsizdir. “Yapay zekâyı açıkla.” Bu isteme verilecek cevap modelden modele değişebilir ve çoğu zaman yüzeysel olacaktır. Aynı istem iyileştirildiğinde ise: “Yapay zekâyı sağlık yönetimi lisans öğrencileri için akademik bir dille yaklaşık 1000 kelime olarak açıkla. Tarihçesi, temel teknolojileri, kullanım alanları, avantajları ve dezavantajlarına değin. Başlıklar kullan ve APA 7 formatında kaynakça ekle.” Bu istem çok daha açık olduğu için model daha ayrıntılı, yapılandırılmış ve kullanıcı beklentisine uygun bir çıktı üretebilir.

Prompt Refinement Süreci

İstem iyileştirme genellikle aşağıdaki adımlardan oluşur.

1. İlk İstemin Oluşturulması

Kullanıcı başlangıç istemini yazar. Örneğin: “Makine öğrenmesini anlat.”

2. Çıktının Değerlendirilmesi

Modelin ürettiği cevap incelenir. Sorulabilecek sorular:

• Çok kısa mı?
• Eksik bilgi var mı?
• Yanlış bilgi içeriyor mu?
• Beklenen biçimde mi yazılmış?

3. Sorunların Belirlenmesi

İstemde hangi eksikliklerin bulunduğu belirlenir. Örneğin:

• Hedef kitle belirtilmemiş.
• Uzunluk belirtilmemiş.
• Yazım dili belirtilmemiş.
• Kaynak istenmemiş.

4. İstemin Düzenlenmesi

Eksik bilgiler eklenerek istem yeniden yazılır. Örneğin: “Makine öğrenmesini sağlık yönetimi öğrencileri için akademik dille açıkla. Yaklaşık 1500 kelime yaz. Başlıklar kullan. APA 7 kaynakça ekle.”

5. Yeniden Test Etme

Yeni istem tekrar çalıştırılır ve elde edilen sonuç değerlendirilir. Gerekirse aynı süreç birkaç kez tekrarlanır.

Prompt Refinement Teknikleri

İstem iyileştirme sırasında sık kullanılan yöntemlerden bazıları şunlardır.

Açıklık Kazandırma (Clarification)

Belirsiz ifadeler kaldırılır. Örneğin:

❌ “Bir şeyler yaz.”

✔ “Dijital pazarlama hakkında 500 kelimelik akademik metin yaz.”

Bağlam Ekleme (Context Enrichment)

Modele gerekli arka plan bilgisi sağlanır. Örneğin: “Bu metin lisans öğrencileri için hazırlanacaktır.”

Rol Belirleme (Role Refinement)

Modele uzman rolü atanır. Örneğin: “Bir veri bilimci gibi açıkla.”

Kısıtlamaları Netleştirme (Constraint Refinement)

Çıktının sınırları belirlenir. Örneğin:

• APA 7 kullan.
• Tablo oluşturma.
• En az 10 kaynak kullan.
• Akademik dil kullan.

Çıktı Formatını Belirleme

Beklenen sunum biçimi açıkça ifade edilir. Örneğin:

• Tablo
• Makale
• JSON
• Markdown
• Sunum taslağı

Örnek Ekleme (Example Refinement)

Modele örnek gösterilerek istenen biçim açıklanır. Bu yöntem özellikle Few-shot Prompting uygulamalarında kullanılmaktadır.

Prompt Refinement Örneği

İlk İstem: “ChatGPT’yi anlat.”

İyileştirilmiş İstem: “ChatGPT’yi üniversite öğrencileri için akademik bir dille yaklaşık 1200 kelime olarak açıkla. GPT mimarisini, çalışma prensibini, avantajlarını, sınırlılıklarını ve kullanım alanlarını başlıklar altında açıkla. APA 7 formatında kaynakça ekle.” Bui istem;

• daha açık,
• daha ayrıntılı,
• daha yapılandırılmış
• ve daha kaliteli sonuç üretmeye uygundur.

Prompt Refinement’de Dikkat Edilmesi Gereken Noktalar

Başarılı bir istem iyileştirme sürecinde şu ilkeler önemlidir:

• Belirsiz ifadeler kaldırılmalıdır.
• Gereksiz ayrıntılar eklenmemelidir.
• Hedef kullanıcı belirtilmelidir.
• Beklenen çıktı açık biçimde tanımlanmalıdır.
• Yazım dili belirtilmelidir.
• Gerekirse örnek kullanılmalıdır.
• Model çıktısı sürekli değerlendirilmelidir.

Kullanım Alanları

Prompt Refinement aşağıdaki alanlarda yaygın olarak kullanılmaktadır.

• Akademik araştırmalar
• Eğitim
• Yazılım geliştirme
• Veri analizi
• İçerik üretimi
• Pazarlama
• Hukuk
• Sağlık
• Kurumsal yapay zekâ uygulamaları
• Müşteri hizmetleri

Avantajları

• Çıktı kalitesini önemli ölçüde artırır.
• Modelin kullanıcı niyetini daha doğru anlamasını sağlar.
• Halüsinasyon riskini azaltmaya yardımcı olur.
• Daha tutarlı ve tekrar üretilebilir sonuçlar sağlar.
• İstemlerin zaman içinde optimize edilmesine olanak tanır.

Dezavantajları

• Birden fazla deneme gerektirebilir.
• Karmaşık görevlerde zaman alabilir.
• Farklı modeller için farklı iyileştirmeler gerekebilir.
• Her değişiklik mutlaka daha iyi sonuç vermeyebilir.

Prompt Refinement ile Prompt Optimization Arasındaki Fark

Özellik	Prompt Refinement	Prompt Optimization
Amaç	Mevcut istemi geliştirmek	En yüksek performansı sağlayacak istemi oluşturmak
Yaklaşım	Düzenleme ve iyileştirme	Sistematik test ve performans karşılaştırması
Süreç	Çoğunlukla manuel	Manuel veya otomatik olabilir
Kullanım	Günlük yapay zekâ kullanımı	Kurumsal ve araştırma düzeyindeki uygulamalar

Özet

Prompt Refinement, mevcut bir istemin daha açık, kapsamlı ve etkili hâle getirilmesi sürecidir. Açıklık kazandırma, bağlam ekleme, rol tanımlama, kısıtlamaları belirleme ve çıktı biçimini netleştirme gibi yöntemlerle istemler sürekli geliştirilir. İteratif yapısı sayesinde üretken yapay zekâ modellerinden daha doğru, tutarlı ve kaliteli sonuçlar elde edilmesini sağlar. Bu nedenle Prompt Refinement, Prompt Engineering sürecinin temel uygulamalarından biri olarak kabul edilmektedir.

İlgili Kavramlar: Prompt, Prompt Engineering, Prompt Design, Prompt Structure, Prompt Pattern, Prompt Optimization, Large Language Model (LLM), ChatGPT, GPT, Few-shot Prompting, Role Prompting

Kaynakça

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.

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

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

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