U svetu veštačke inteligencije, često se susrećemo sa chatbot-ovima poput ChatGPT-a, Claude-a ili Gemini-ja koji nas često pohvaljuju za naše ideje, čak i kada one nisu potpuno razvijene. Ova pohvala može biti korisna, ali takođe može dovesti do površnog razmišljanja i nedostatka kritičkog pristupa.
Generativni AI modeli često su skloni da budu „da-botovi“, a njihova sklonost da nas hvale može otežati dobijanje objektivnih povratnih informacija. Iako su mnogi provajderi LLM-a postali svesni ovog fenomena i pokušavaju da obučavaju modele da budu kritičniji, i dalje je lako dobiti AI koji će podržati sumnjive teorije.
Međutim, postoji tehnika promptovanja koja može primorati čak i najpohvalnije AI modele da se zaustave i preispitaju svoje odgovore. Ova tehnika, poznata kao „failure-first“ ili „inversion“ promptovanje, često se koristi među programerima koji žele da testiraju sumnjive predloge AI alata.
Osnovna formula ovih promptova je da se AI prvo zatraži da razmotri moguće tačke neuspeha pre nego što ponudi rešenje. Na primer, ovako može izgledati jedan od takvih zahteva:
Pre nego što odgovoriš, navedi šta bi najbrže moglo da izazove neuspeh, gde je logika najslabija i šta bi skeptik mogao da napadne. Zatim daj ispravljen odgovor.
Ovaj pristup može pomoći da se izbegne površno razmišljanje i podstiče dublja analiza. Na primer, još jedan predlog može biti:
Pretpostavi da se ne slažeš sa ovom preporukom. Koji je najjači kontraargument?
Jedna od prednosti korišćenja ovakvog pristupa je što često dovodi do kritičkog preispitivanja prvobitnog plana. Čak i AI modeli poput Gemini-a reaguju na ovakve izazove i često se suočavaju sa sopstvenim slabostima pre nego što pruže konačan odgovor.
Mnogi koji koriste „pressure-testing“ ili „inverse prompting“ pristup priznaju da su inspirisani mentalnim modelima investitora Charlie Mungera. Njegov model „invert, always invert“ sugeriše da umesto da se fokusiramo na to kako da postignemo cilj, prvo razmislimo o tome kako bismo mogli da ne uspemo.
U praksi, ovaj pristup se pokazao kao veoma efikasan, jer podstiče dublje razmišljanje i analizu. U svetu veštačke inteligencije, gde je važno kritički razmatrati informacije, ovakvi tehnike mogu značajno poboljšati kvalitet interakcije sa AI.
