25 Работа с LLM

По мотивам https://cran.r-project.org/web/packages/rollama/vignettes/annotation.html


 ------------------------------------------------------ 
<Эта глава еще не дописана. Пожалуйста, зайдите позже>
 ------------------------------------------------------ 
              \
               \

        /\_/\         _
       /``   \       / )
       |n n   |__   ( (
      =(Y =.‛`   `\  \ \
      {`"`        \  ) )
      {       /    |/ /
       \\   ,(     / /
        ) ) /-‛\  ,_.‛
  jgs  (,(,/ ((,,/

25.1 Пакет {rollama}

Для начала работы с LLM зайдите на сайт https://ollama.com/ и скачайте приложение. Следуйте инструкции по его установке.

После этого в R установите пакет {rollama} и проверьте соединение.

library(rollama)
ping_ollama()

Теперь загрузим новую модель. Доступные модели доступны здесь: https://ollama.com/search. Мы используем модель, ориентированную на выполнение пользовательских инструкций. Такие модели могут лучше справляться с аннотированием текста. Следует иметь в виду, что Llama 3.2. поддерживает только английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский.

options(rollama_model = "llama3.2:1b-instruct-q8_0")
pull_model()
#> model llama3.2:1b-instruct-q8_0 pulled successfully

Выбор модели зависит от конкретных задач и возможностей компьютера. Рекомендуемый размер оперативной памяти (RAM) – в 4-8 раз больше, чем размер модели в гигабайтах. Эта глава написана на компьютере с 8 Гб оперативной памяти, так что автор мог экспериментировать лишь с самыми легкими LLM.

rollama::list_models()

rollama::delete_model("llava-phi3")

25.2 Системный промпт

Системный промпт - это специальная инструкция, которая передается языковой модели (LLM) для задания контекста и ограничений при генерации текста. Он включать в себя следующие элементы:

Описание роли: четкое определение того, какую роль должен взять на себя LLM при генерации текста. Например, “Ты научный помощник, который помогает объяснять сложные концепции простым языком”.
Руководящие принципы: набор правил или инструкций, которым должен следовать LLM, такие как “Всегда будь вежливым и профессиональным” или “Не генерируй контент, который может быть вредным или незаконным”.
Тематические ограничения: Определение тем, о которых LLM может/не может генерировать текст, например, “Отвечай только на вопросы, касающиеся истории и философии, избегай политических тем”.
Стилистические указания: Рекомендации по использованию определенного стиля, тона, длины ответов и других характеристик генерируемого текста.

Системный промпт играет ключевую роль в настройке поведения и вывода LLM для конкретной задачи или контекста.

25.3 Пользовательский промпт: стратегии

Стратегии промптирования представляют собой различные подходы к формулировке запроса к модели, которые помогают получить более точные, релевантные и обоснованные ответы. Рассмотрим основные из них:

Стратегия прямых запросов (Zero-shot prompting). При таком подходе пользователь формулирует запрос без дополнительных примеров, полагаясь на то, что модель уже обладает достаточными знаниями для ответа. Это минималистичный вариант, когда инструкция передается в виде одного сообщения без демонстрации образцов ответов.
One-shot prompting представляет собой метод, при котором вместе с запросом пользователю предоставляется ровно один пример, показывающий, каким должен быть желаемый ответ. Этот подход занимает промежуточное положение между zero-shot prompting (когда примеров нет вовсе) и few-shot prompting (когда примеров несколько). Использование одного примера помогает модели лучше понять формат и стиль нужного ответа, минимизируя объем вводной информации, но при этом обеспечивая достаточную направленность для получения релевантного результата. Такой метод полезен, когда в задаче достаточно однозначного примера, демонстрирующего специфику ответа, без необходимости загромождать запрос большим количеством примеров.
Метод с примерами (Few-shot prompting). В этом случае вместе с основным запросом в промпт включается несколько примеров, то есть пара «вопрос-ответ», показывающих требуемый формат или стиль ответа. Такой подход помогает модели лучше понять, какую информацию и в каком виде она должна предоставить, особенно если задача сложная или специфическая.
Многошаговое рассуждение (Chain-of-thought prompting). Здесь пользователь побуждает модель не просто выдавать ответ, а проходить через промежуточные этапы рассуждения. Инструкция может требовать развернутого описания логических шагов, что позволяет получить более обоснованный и прозрачный результат. Такой метод особенно полезен при решении сложных задач, требующих рассуждений или математических выкладок.
Ролевое (или контекстное) промптирование. При этом подходе пользователь задаёт модели конкретную роль или контекст, в котором она должна действовать, например, «представь, что ты эксперт в экономике» или «ответь так, как будто ты историк». Задание роли помогает сместить акценты и получить ответы, адаптированные к определённой области знаний или стиля общения.
Итеративное уточнение запроса. Иногда первоначальный запрос может быть недостаточно точным или содержательным. В таких случаях используется метод пошагового уточнения, когда после получения первого ответа пользователь задаёт дополнительные вопросы или корректирует исходный запрос, добиваясь уточнения, расширения или сужения информации.
Использование самокритического подхода. Некоторые стратегии подразумевают, что модель не только генерирует ответ, но и сама анализирует его корректность, выявляет возможные ошибки и при необходимости пересматривает свой вывод. Это может включать подсказки типа «подумай ещё раз» или дополнительные указания для оценки достоверности результата.

Каждая из этих стратегий имеет свои преимущества в зависимости от задачи, требуемой точности и специфики данных. Выбор подхода может существенно повлиять на качество итогового ответа, поэтому часто оптимизируют промпт, комбинируя несколько методов: от указания роли до добавления примеров и поэтапного рассуждения.

25.3.1 Zero-shot

library(tibble)
q <- tribble(
  ~role,    ~content,
  "system", "You assign texts into categories. Answer with just the correct category.",
  "user",   "text: You have no compassion for my poor nerves.\ncategories: positive, neutral, negative"
)
query(q)
#                                         
# ── Answer from llama3.2:1b-instruct-q8_0 ───────────────────────────────
# Negative

25.3.2 One-shot

Структура включает системную подсказку, за которой следует запрос пользователя с примером текста и вопросом классификации, пример классификации от ассистента и затем ещё один запрос пользователя с новым текстом для классификации.

q <- tribble(
  ~role,    ~content,
  "system", "You assign texts into categories. Answer with just the correct category.",
  "user", "text: You have no compassion for my poor nerves.\ncategories: positive, neutral, negative",
  "assistant", "Category: Negative",
  "user", "text: What an excellent father you have, girls!”\ncategories: positive, neutral, negative"
)
query(q)
# 
# ── Answer from llama3.2:1b-instruct-q8_0 ───────────────────────────────
# Category: Positive.

Попросим вернуть результат в формате JSON.

q <- tribble(
  ~role,    ~content,
  "system", "You assign texts into categories. Provide the following information: category, confidence, and the word that is most important for your coding decision.",
  "user", "text: You have no compassion for my poor nerves.\ncategories: positive, neutral, negative",
  "assistant", "{'Category':'Negative','Confidence':'100%','Important':'compassion'}",
  "user", "text: What an excellent father you have, girls!\ncategories: positive, neutral, negative"
)
answer <- query(q)
# 
# ── Answer from llama3.2:1b-instruct-q8_0 ───────────────────────────────
# {'Category':'Positive', 'Confidence':80,'Important':'father'}

Используйте pluck(answer, "message", "content"), чтобы извлечь ответ.

25.3.3 Few-shot

Добавим другие примеры.

q <- tribble(
  ~role,    ~content,
  "system", "You assign texts into categories. Provide the following information: category, confidence, and the word that is most important for your coding decision.",
  "user", "text: You have no compassion for my poor nerves.\ncategories: positive, neutral, negative",
  "assistant", "Category: Negative",
  "user", "text: What an excellent father you have, girls!\ncategories: positive, neutral, negative",
  "assistant", "Category: Positive",
  "user", "text: The rest of the evening was spent in conjecturing how soon he would return Mr. Bennet’s visit\ncategories: positive, neutral, negative",
  "assistant", "Category: Neutral",
  "user", "text: An invitation to dinner was soon afterwards dispatched\ncategories: positive, neutral, negative"
)
answer <- query(q)
# 
# ── Answer from llama3.2:1b-instruct-q8_0 ───────────────────────────────
# Category: Positive

LLM иногда что-то от себя додумывают и находят хорошее и плохое там, где его нет.

25.3.4 Chain-of-Thought

Попросим модель немного подумать.

q_thought <- tribble(
  ~role,    ~content,
  "system", "You assign texts into categories. ",
  "user",  "text: An invitation to dinner was soon afterwards dispatched\n What sentiment (positive, neutral, negative) would you assign? Provide some thoughts."
)
output_thought <- query(q_thought, output = "text")

#                                         
# ── Answer from llama3.2:1b-instruct-q8_0 ───────────────────────────────
# I would assign a positive sentiment to the text.
# 
# The word "soon" implies a sense of haste or urgency, which suggests
# that the invitation is being made in response to an event or situation
# where time was of the essence. The fact that it's soon afterwards
# dispatched implies that the recipient has been waiting for some time
# and is eager to accept the invitation.
# 
# Additionally, the use of the word "was" suggests a sense of certainty
# and clarity about the timing of the invitation, which adds to its
# positive connotation.
# 
# Overall, the text has a friendly and inviting tone, suggesting that the
# host is enthusiastic about sharing their dinner plans with the
# recipient.

Теперь создадим дополнительный шаг в рассуждении.

q_thought <- tribble(
  ~role,    ~content,
  "system", "You assign texts into categories. ",
  "user",  "text: An invitation to dinner was soon afterwards dispatched\n What sentiment (positive, neutral, negative) would you assign? Provide some thoughts.",
  "assistant", output_thought,
  "user",   "Now answer with just the correct category (positive, neutral, or negative)"
)
resps <- query(q)

# ── Answer from llama3.2:1b-instruct-q8_0 ───────────────────────────────
# Category: Positive

Пожалуй, сестры Беннет могли бы согласиться, что в приглашении на ужин есть что-то хорошее.

25.4 Функция `make_query()`

Функция make_query() предназначена для упрощения создания структурированного запроса для классификации текста, чтобы вам не приходилось самостоятельно создавать tibble и запоминать специфическую структуру.

Компоненты:

text: новый текст для аннотирования.
prompt: вопрос, содержащий категории для аннотирования.
template: определяет структуру сообщений пользователя. Шаблон может включать заполнители, например, {text}, {prefix} и для динамического форматирования входных данных.
system: системный промпт (необязательно).
prefix: cтрока, добавляемая в начало запросов пользователя (необязательно).
suffix: cтрока, добавляемая в конец запросов пользователя (необязательно).
examples: Предыдущие примеры, состоящие из сообщений пользователя и ответов ассистента (для обучения с одним или несколькими примерами) (необязательно).

Использование без подсказок.

# Call the make_query function
q_zs <- make_query(
  template = "{text}\n{prompt}",
  text = "You have no compassion for my poor nerves.",
  prompt = "Categories: positive, neutral, negative",
  system = "You assign texts into categories. Answer with just the correct category.",
)

# Print the query
print(q_zs)

query(q_zs)
#                                         
# ── Answer from llama3.2:1b-instruct-q8_0 ───────────────────────────────
# Negative

Добавляем один пример.

examples_os <- tibble::tribble(
  ~text, ~answer,
  "You have no compassion for my poor nerves", "negative"
)

q_os <- make_query(
  text = "She is the most beautiful creature I ever beheld!",
  template = "{text}\n{prompt}",
  prompt = "Categories: positive, neutral, negative",
  system = "You assign texts into categories. Answer with just the correct category.",
  example = examples_os,
)

query(q_os)
#                                         
# ── Answer from llama3.2:1b-instruct-q8_0 ────────────────────────────────
# positive

Аналогично можно добавить другие примеры.

25.5 Запускаем в производство

На практике вы, вероятно, едва ли будете аннотировать только один текст, разве что для тестирования. Обычно необходимо разметить коллекцию текстов, поэтому разберемся, как это делается. Для начала создаем таблицу с данными для анализа.

movie_reviews <- tibble::tibble(
  review_id = 1:5,
  review = c("A stunning visual spectacle with a gripping storyline.",
             "The plot was predictable, but the acting was superb.",
             "An overrated film with underwhelming performances.",
             "A beautiful tale of love and adventure, beautifully shot.",
             "The movie lacked depth, but the special effects were incredible.")
)

movie_reviews

Теперь сформируем запрос.

queries <- make_query(
  text = movie_reviews$review,
  prompt = "Categories: positive, neutral, negative",
  template = "{prefix}{text}\n{prompt}",
  system = "Classify the sentiment of the movie review. Answer with just the correct category.",
  prefix = "Text to classify: "
)

Это создает список таблиц с запросами в одном формате. Все они содержат один и тот же prompt, системное сообщение и prefix, но каждый включает разный текст, взятый из ранее созданной таблицы. Функция query принимает списки запросов, поэтому мы можем получить аннотации, просто используя:

# Process and annotate the movie reviews
movie_reviews$annotation <- query(queries, screen = FALSE, output = "text")

movie_reviews
# A tibble: 5 × 3
#   review_id review                                                           annotation
#       <int> <chr>                                                            <chr>     
# 1         1 A stunning visual spectacle with a gripping storyline.           Positive  
# 2         2 The plot was predictable, but the acting was superb.             Positive  
# 3         3 An overrated film with underwhelming performances.               Negative  
# 4         4 A beautiful tale of love and adventure, beautifully shot.        Positive  
# 5         5 The movie lacked depth, but the special effects were incredible. Positive

Это занимает немного больше времени, чем классическое контролируемое машинное обучение или даже классификация с использованием трансформеров. Однако преимущество в том, что инструкции можно давать на простом английском языке, моделям для достижения удивительно хороших результатов требуется очень мало примеров, а лучшие модели, такие как llama3.2, часто справляются с более сложными категориями, чем другие методы.

Но в большинстве случаев вы будете создавать развесистые промпты, которые лучше сразу сохранять в markdown-документе, причем под контролем версий, чтобы можно было вернуться к прежним версиям. Давайте таким файлам информативные названия, например prompt-extract-metadata.md. В этом случае код выглядит как-то так.

question <- readLines("user_prompt.Rmd", warn = FALSE) 

chat <- chat_ollama(model = "deepseek-r1:1.5b",
                    system_prompt = readLines("system_prompt.Rmd", warn = FALSE))

chat$chat(question)

При написании промпта будьте максимально конкретными в требованиях, используя примеры и подробные описания. Используйте синтаксис markdown – LLM его понимают.

25 Работа с LLM

25.1 Пакет {rollama}

25.2 Системный промпт

25.3 Пользовательский промпт: стратегии

25.3.1 Zero-shot

25.3.2 One-shot

25.3.3 Few-shot

25.3.4 Chain-of-Thought

25.4 Функция `make_query()`

25.5 Запускаем в производство

25.6 Структурированные данные

25.7 Пересказ текста

25.8 Добавление разметки

25.9 Эмбеддинги

25.10 Классификация

25.11 Инструменты

25.1 Пакет {rollama}

25.2 Системный промпт

25.3 Пользовательский промпт: стратегии

25.3.1 Zero-shot

25.3.2 One-shot

25.3.3 Few-shot

25.3.4 Chain-of-Thought

25.4 Функция make_query()

25.5 Запускаем в производство

25.6 Структурированные данные

25.7 Пересказ текста

25.8 Добавление разметки

25.9 Эмбеддинги

25.10 Классификация

25.11 Инструменты

25.4 Функция `make_query()`