Prompt Structure – (İstem Yapısı)

Prompt Structure (İstem Yapısı), üretken yapay zekâ (Generative AI) sistemlerine verilen istemlerin belirli bir mantık ve düzen içinde organize edilmesini ifade eder. Başka bir deyişle, istem yapısı; modelden alınacak çıktının doğruluğunu, tutarlılığını ve kalitesini artırmak amacıyla istemde bulunması gereken temel bileşenlerin sistematik biçimde düzenlenmesidir. İyi yapılandırılmış bir istem, modelin kullanıcı niyetini daha doğru anlamasını sağlar ve belirsizlikleri azaltarak daha başarılı sonuçlar üretmesine yardımcı olur. Büyük dil modelleri (Large Language Models – LLM’ler), yalnızca istem içerisinde verilen bilgileri kullanarak yanıt oluşturur. Bu nedenle istemin yalnızca ne söylendiği değil, nasıl yapılandırıldığı da büyük önem taşır. Aynı bilgiler farklı biçimlerde sunulduğunda modelin üreteceği cevaplar önemli ölçüde değişebilir. Örneğin; aşağıdaki iki istem karşılaştırılabilir.

Yapılandırılmamış istem: “Yapay zekâ hakkında yaz.” Bu istem oldukça genel olduğundan model farklı kapsam ve uzunluklarda cevaplar üretebilir.

Yapılandırılmış istem: “Bir üniversite öğretim üyesi gibi davran. Sağlık yönetimi lisans öğrencileri için yapay zekâyı akademik bir dille yaklaşık 1000 kelime olarak açıkla. Tarihçesi, temel teknolojileri, kullanım alanları, avantajları ve dezavantajlarına değin. APA 7 formatında kaynakça ekle.” Bu istem, görevi, rolü, hedef kitleyi, kapsamı ve çıktı biçimini açıkça tanımladığı için daha kaliteli ve tutarlı sonuç üretmektedir.

Prompt Structure’ın Temel Bileşenleri

Modern yapay zekâ uygulamalarında etkili bir istem yapısı genellikle aşağıdaki bileşenlerden oluşmaktadır.

1. Görev (Task)

İlk bölümde modelden tam olarak ne yapılmasının istendiği açık biçimde belirtilir. Örneğin:

• Makale yaz.
• Kod geliştir.
• Tablo oluştur.
• Metni özetle.
• Soruyu cevapla.

Görev ne kadar açık tanımlanırsa modelin hata yapma olasılığı o kadar azalır.

2. Bağlam (Context)

Bağlam, modelin doğru yorum yapabilmesi için gerekli arka plan bilgisidir. Örneğin: “Bu içerik sağlık yönetimi yüksek lisans öğrencileri için hazırlanacaktır.” Bağlam verilmediğinde model hedef kullanıcıyı veya kullanım amacını doğru tahmin edemeyebilir.

3. Rol (Role)

Rol bileşeni modele hangi uzman kimliğiyle cevap vermesi gerektiğini belirtir. Örneğin:

• Bir akademisyen gibi yaz.
• Deneyimli bir hukukçu gibi cevap ver.
• Yazılım mühendisi olarak açıkla.
• Pazarlama uzmanı gibi değerlendir.

Role Prompting, özellikle uzmanlık gerektiren görevlerde yanıt kalitesini artırabilir.

4. Kısıtlamalar (Constraints)

Bu bölümde modelin uyması gereken kurallar belirtilir. Örnekler:

• En az 1500 kelime.
• APA 7 kullan.
• Tablo oluşturma.
• Madde işaretleri kullan.
• Teknik terimleri açıkla.

Kısıtlamalar, çıktının kullanıcı beklentisine uygun olmasını sağlar.

5. Çıktı Formatı (Output Format)

Yanıtın hangi biçimde sunulacağı ifade edilir. Örneğin:

• Akademik makale
• Tablo
• JSON
• Markdown
• Rapor
• Sunum taslağı
• Kod

Model, belirtilen formatta cevap üretmeye çalışacaktır.

6. Örnek (Examples)

Bazı durumlarda modele örnek verilmesi performansı önemli ölçüde artırmaktadır. Bu yaklaşım özellikle One-shot Prompting ve Few-shot Prompting tekniklerinde kullanılmaktadır. Örneğin: “Aşağıdaki örneği incele ve aynı biçimde devam et.”

7. Değerlendirme Talimatı (Evaluation)

Bazı gelişmiş istemlerde modelden kendi çıktısını değerlendirmesi de istenebilir. Örneğin: “Yanıtın sonunda eksik kalan noktaları belirt.” veya “Kaynakların güvenilirliğini değerlendir.”

İyi Bir Prompt Structure Örneği

Görev: Yapay zekâyı açıkla.

Rol: Üniversitede görev yapan bir profesör gibi yaz.

Bağlam: Hedef kitle lisans öğrencileridir.

Kısıtlamalar

• 1000 kelime
• Akademik dil
• APA 7
• En az 10 kaynak

Çıktı Formatı: Başlıklar içeren akademik makale.

Bu yapı sayesinde model, kullanıcının beklentisini daha doğru anlayabilir ve daha kaliteli bir çıktı üretebilir.

Prompt Structure’ın Önemi

İyi yapılandırılmış istemler;

• Belirsizliği azaltır.
• Halüsinasyon riskini düşürebilir.
• Tutarlı cevaplar üretir.
• Tekrar kullanılabilir istem şablonları oluşturmayı kolaylaştırır.
• Kurumsal uygulamalarda standartlaşmayı sağlar.

Özellikle uzun ve karmaşık görevlerde istem yapısının doğru oluşturulması model performansını önemli ölçüde artırmaktadır.

Kullanım Alanları

Prompt Structure aşağıdaki alanlarda yaygın olarak kullanılmaktadır.

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

Avantajları

• Daha doğru ve tutarlı sonuçlar üretir.
• Modelin kullanıcı niyetini daha iyi anlamasını sağlar.
• Halüsinasyon riskini azaltmaya yardımcı olur.
• Standart istem şablonları oluşturulabilir.
• Farklı görevler için kolayca uyarlanabilir.

Dezavantajları

• Karmaşık görevlerde istem hazırlamak zaman alabilir.
• Gereğinden ayrıntılı istemler her zaman daha iyi sonuç vermeyebilir.
• Aynı yapı farklı modellerde farklı performans gösterebilir.
• Sürekli test ve iyileştirme gerekebilir.

Prompt Structure ile Prompt Design Arasındaki Fark

Özellik	Prompt Structure	Prompt Design
Odak	İstemin iç yapısı ve bileşenleri	İstemin genel olarak tasarlanması
Amaç	Bilgiyi düzenli sunmak	Etkili istem oluşturmak
Kapsam	Görev, rol, bağlam, kısıtlama, çıktı formatı	Yapı, içerik, hedef ve kullanıcı deneyimi
Kullanım	İstem şablonlarının oluşturulması	Yapay zekâ uygulamalarında istem geliştirme

Özet

Prompt Structure, üretken yapay zekâ sistemlerine verilen istemlerin belirli bileşenler doğrultusunda düzenlenmesini ifade eder. Görev, bağlam, rol, kısıtlamalar, çıktı formatı ve gerektiğinde örnekler kullanılarak oluşturulan yapılandırılmış istemler, büyük dil modellerinin kullanıcı beklentisini daha doğru anlamasını sağlar. Bu nedenle Prompt Structure, Prompt Design ve Prompt Engineering süreçlerinin temel yapı taşlarından biri olarak kabul edilmektedir.

İlgili Kavramlar: Prompt, Prompt Design, Prompt Engineering, Large Language Model (LLM), ChatGPT, GPT, Role Prompting, Few-shot Prompting, Zero-shot Prompting, Chain-of-Thought 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.

Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., et al. (2022). Chain-of-thought prompting elicits reasoning in large language models. Advances in Neural Information Processing Systems, 35, 24824–24837.