{"id":5680,"date":"2024-07-17T13:36:23","date_gmt":"2024-07-17T13:36:23","guid":{"rendered":"https:\/\/www.moxoff.com\/?p=5680"},"modified":"2025-09-11T14:08:59","modified_gmt":"2025-09-11T14:08:59","slug":"prompt-engineering-cose-perche-serve-alle-aziende","status":"publish","type":"post","link":"https:\/\/www.moxoff.com\/en\/prompt-engineering-cose-perche-serve-alle-aziende\/","title":{"rendered":"Prompt Engineering: what is it and why do companies need it"},"content":{"rendered":"

Tutti sappiamo che il modo in cui si chiede di fare qualcosa pu\u00f2 cambiare drasticamente il risultato. E questo \u00e8 ancor pi\u00f9 vero da quando, in tutto il mondo, si \u00e8 diffuso l\u2019utilizzo dei modelli linguistici basati su sistemi di Intelligenza Artificiale, come ChatGPT e Bard, per generare contenuti di vario tipo. Cos\u00ec come nella vita reale, anche l\u2019accuratezza dell\u2019output degli AI generative creator \u00e8 correlata all\u2019adeguatezza della richiesta: domande poco chiare o addirittura formulate in modo sbagliato hanno elevate probabilit\u00e0 di generare output non pertinenti e allucinati.<\/p>\n

Cos\u2019\u00e8 la prompt engineering?<\/span><\/h2>\n

La prompt engineering, o ingegneria dei prompt, \u00e8 una tecnica per migliorare le prestazioni dei modelli linguistici. Si basa sul concetto che pi\u00f9 un prompt \u00e8 specifico, pi\u00f9 aumenta la probabilit\u00e0 di ottenere un output desiderato dalla generazione di testo, alla traduzione linguistica fino alla scrittura creativa. Un prompt \u00e8 una breve stringa di testo che deve essere chiaro e conciso per fornire al modello linguistico le informazioni di cui ha bisogno per generare un output accurato e pertinente.<\/p>\n

Ad esempio, affinch\u00e9 l\u2019intelligenza artificiale generi un testo creativo, \u00e8 necessario fornire un prompt di qualit\u00e0, stimolante e specifico, cos\u00ec come per scrivere una storia su un argomento o un articolo. Tuttavia non \u00e8 necessario fornire al modello linguistico tanti dettagli; fondamentale \u00e8 la qualit\u00e0 del prompt, che si ottiene selezionando le parole, le frasi, le strutture di frase e la punteggiatura pi\u00f9 appropriate. L\u2019ingegnerizzazione dei prompt, a tutti gli effetti, si potrebbe quindi descrivere come l\u2019arte di guidare un\u2019intelligenza artificiale rendendola sempre pi\u00f9 efficiente e comprensiva nell\u2019elaborazione del Natural Language Processing (NLP), che consente a un algoritmo di di decifrare il linguaggio umano e produrre risultati utili.<\/p>\n

Senza addentrarsi troppo in argomenti tecnici, \u00e8 opportuno osservare che con lo stesso nome di prompt engineering si designa anche in senso pi\u00f9 ampio la branca della ricerca volta alla creazione e all\u2019utilizzo di particolari funzioni (dette prompt) da applicare all\u2019input nell\u2019ambito del funzionamento d\u2019un LLM (Large Language Model) [2] per addestrarlo alla soluzione d\u2019un particolare problema di NLP (Natural Language Processing). Da questo punto di vista, l\u2019argomento del presente articolo, cio\u00e8 la forma testuale del dato in ingresso fornito dall\u2019utente, rappresenta dunque un caso particolare.<\/p>\n

Perch\u00e9 \u00e8 nata la prompt engineering?<\/span><\/h2>\n

La necessit\u00e0 di comunicare con l\u2019intelligenza artificiale e di ottenere risposte adeguate alla domanda nasce con l\u2019accesso del grande pubblico ai sistemi linguistici di intelligenza artificiale generativa. In particolare, ChatGPT ha permesso a tutti di sperimentare l\u2019innovativa modalit\u00e0 di dialogo tra l\u2019uomo e l\u2019intelligenza artificiale. Tuttavia, l\u2019ampia diffusione di questi sistemi di AI ha fatto emergere anche il problema di come vengono poste le domande e del controllo delle risposte, della comprensione del contesto linguistico umano da parte dell\u2019AI e quindi di come utilizzare specifici input per insegnare all\u2019algoritmo a fornire gli output desiderati. Poich\u00e9 i modelli di NLP generativi producono in uscita le parole ritenute pi\u00f9 probabili in base a un certo contesto, essi garantiscono la verosimiglianza del risultato ma non la sua aderenza ai dati utilizzati nella fase d\u2019addestramento; pertanto, quando sussiste solo la prima ma non la seconda, si manifesta il fenomeno delle cosiddette allucinazioni.<\/p>\n

Proprio per limitare il fenomeno dell\u2019 hallucination e permettere al modello di ottenere le massime prestazioni consentite, assume un ruolo fondamentale la figura dell\u2019utente mediante il processo di interazione messo in atto con la macchina [3], che deve ispirarsi a due princ\u00ecpi cardine:<\/p>\n

    \n
  1. la formulazione di istruzioni prive di ambiguit\u00e0 [4] usando delimitatori quando necessario al fine di rendere pi\u00f9 chiaro l\u2019input, definendo all\u2019occorrenza la struttura o il formato desiderato di output (json, xml, ecc.) ed infine fornendo esempi di risposta direttamente nel prompt (few-shot).<\/li>\n
  2. il fornire al modello il tempo e un supporto al suo \u201cpensare\u201d, mediante scomposizione di un problema complesso in una sequenza di quesiti pi\u00f9 semplici [6], ovvero dalla definizione di sotto step logici intermedi di ragionamento, che se risolti portano al risultato finale (chain of thought), istruendo eventualmente il modello a controllare la sua stessa risposta mediante ulteriori check.<\/li>\n<\/ol>\n

    Dalla necessit\u00e0 di migliorare e guidare l\u2019apprendimento delle AI nasce dunque il prompt engineering e la professione del prompt engineer o prompt manager, ovvero un comunicatore in grado di formulare \u201cprompt\u201d o istruzioni che guidano l\u2019AI verso la produzione di risposte appropriate in ogni settore, dalla sanit\u00e0 al retail, dall\u2019istruzione alla sicurezza.<\/p>\n

    Perch\u00e9 la prompt engineering serve all\u2019azienda che vuole usare l\u2019AI?<\/span><\/h2>\n

    L\u2019obiettivo dell\u2019ingegnerizzazione dei prompt \u00e8 verificare l\u2019output del modello linguistico e creare un contesto fatto di informazioni aggiuntive come parole chiave, ad esempio, indicazioni e regole destinate sia a ottenere risultati specifici dall\u2019intelligenza artificiale, sia ad allenare i modelli linguistici con input specifici per settori commerciali, aziendali e professionali diversi.<\/p>\n

    Ogni settore usa linguaggi, termini tecnici e specifici per produrre contenuti, dalla comunicazione, ai social media al marketing, che richiedono continua creativit\u00e0 ma anche rispetto del tone of voice aziendale. I sistemi di intelligenza artificiale generativa, adeguatamente addestrati con tecniche di prompt engineering, sono in grado di generare un numero enorme di contenuti e modifiche diverse solo con il clic di un pulsante.<\/p>\n

    Sar\u00e0 per\u00f2 necessario progettare un prompt stabile al fine di ottenere i contenuti di testo, video o immagini che riescano a seguire e replicare lo stile linguistico e il tono di voce secondo le linee guida approvate dalla direzione di ogni azienda.<\/p>\n

    Esempi d\u2019applicazione<\/span><\/h2>\n

    Seguendo i criteri basilari di univocit\u00e0 di interpretazione della richiesta e di suddivisione di un tema in problemi minori pi\u00f9 agevoli da trattare, lo scopo della prompt engineering consiste nel delineare le caratteristiche fondamentali che un testo fornito in ingresso (il prompt) deve possedere per migliorare le prestazioni della macchina in relazione a determinate potenzialit\u00e0 di grande importanza del suo funzionamento.<\/p>\n

    Ad esempio, l\u2019assunzione di un particolare punto di vista nell\u2019analizzare un tema, la capacit\u00e0 di generare domande all\u2019utente per inquadrare meglio un argomento, l\u2019individuazione di molteplici approcci alternativi per raggiungere un risultato, l\u2019esposizione degli elementi che hanno portato ad una certa conclusione e l\u2019abilit\u00e0 di fornire risposte in un particolare formato.
    \nDal momento che la materia \u00e8 d\u2019estremo interesse e attualit\u00e0, la ricerca in questo ambito \u00e8 florida e alcuni schemi di prompt da utilizzare per i fini indicati sono gi\u00e0 stati delineati in letteratura.<\/p>\n

    Ad esempio per quanto riguarda l\u2019ottica che il modello di linguaggio deve adottare nel valutare una questione, il suggerimento \u00e8 quello di dire esplicitamente alla macchina qual \u00e8 la figura umana o la categoria professionale o anche l\u2019entit\u00e0 inanimata in cui immedesimarsi, aggiungendo di produrre il responso nella stessa modalit\u00e0 che questa seguirebbe nella realt\u00e0. Prompt di questo tipo sono i seguenti [1].<\/p>\n

    \u201cFrom now on, act as a security reviewer. Pay close attention to the security details of any code that we look at. Provide outputs that a security reviewer would regarding the code\u201d e \u201cYou are going to pretend to be a Linux terminal for a computer that has been compromised by an attacker. When I type in a command, you are going to output the corresponding text that the Linux terminal would produce\u201d.<\/p>\n

    D\u2019altra parte per la produzione in automatico di domande d\u2019approfondimento si prescrive all\u2019utente di dare indicazioni al LLM di generare interrogazioni alternative ritenute migliori di quella originale nel porre i presupposti per la soluzione di un problema, come ad esempio nel prompt [1] \u201cFrom now on, whenever I ask a question about a software artifact\u2019s security, suggest a better version of the question to use that incorporates information specific to security risks in the language or framework that I am using and ask me if I would like to use your question instead\u201d. Per proporre questo genere di addestramento ai modelli linguistici adottati in aziende con richieste specifiche, ecco che diventano necessari esperti formati alla prompt engineering, ovvero la professione che oggi e domani sar\u00e0 sempre pi\u00f9 richiesta da ogni tipo di azienda.<\/p>\n

    Bibliografia<\/span><\/h2>\n

    [1] J. White, Q. Fu, S. Hays, M. Sandborn, C. Olea, H. Gilbert, A. Elnashar, J. Spencer-Smith, D.C. Schmidt, A prompt pattern catalog to enhance prompt engineering with ChatGPT. arXiv:2302.11382, 2023.
    \n[2] P. Liu, W. Yuan, J. Fu, Z. Jiang, H. Hayashi, G. Neubig, Pre-train, prompt, and predict: A systematic survey of prompting methods in natural language processing. ACM Computing Surveys, 55(9), 1-35, 2023.
    \n[3] L. Henrickson, A. Mero\u00f1o-Pe\u00f1uela. Prompting meaning: a hermeneutic approach to optimising prompt engineering with ChatGPT. AI & Soc. 2023.
    \n[4] A. Bozkurt, R.C. Sharma. Generative AI and Prompt Engineering: The Art of Whispering to Let the Genie Out of the Algorithmic World. Asian Journal of Distance Education, 18(2), 2023.
    \n[5] J. Koco\u0144, I. Cichecki, O. Kaszyca, M. Kochanek, D. Szyd\u0142o, J. Baran, J. Bielaniewicz, M. Gruza, A. Janz et al. ChatGPT: Jack of all trades, master of none. Information Fusion, 99, 2023.
    \n[6] T.F. Heston, C. Khun. Prompt Engineering in Medical Education. Int. Med. Educ., 2, 198\u2013205, 2023.
    \n[7] J. Hutson, B. Robertson. Exploring the Educational Potential of AI Generative Art in 3D Design Fundamentals: A Case Study on Prompt Engineering and Creative Workflows. Global Journal of Human-Social Science: A Arts & Humanities \u2013 Psychology, 23(2), 2023.
    \n[8] R. Peres, M. Schreier, D. Schweidel, A. Sorescu. On ChatGPT and beyond: How generative artificial intelligence may affect research, teaching, and practice. International Journal of Research in Marketing, 40, 269\u2013275, 2023.
    \n[9] M. Wong, Y.-S. Ong, A. Gupta, K.K. Bali,C. Chen. Prompt Evolution for Generative AI: A Classifier-Guided Approach. In 2023 IEEE Conference on Artificial Intelligence (CAI), 226-229, 2023.
    \n[10] S. Arvidsson, J. Axell. Prompt engineering guidelines for LLMs in Requirements Engineering. Thesis, University of Gothenburg Chalmers University of Technology, June 2023.
    \n[11] J. Qadir. Engineering Education in the Era of ChatGPT: Promise and Pitfalls of Generative AI for Education. In 2023 IEEE Global Engineering Education Conference (EDUCON), 1-9, 2023.
    \n[12] F. Fui-Hoon Nah, R. Zheng, J. Cai, K. Siau, L. Chen. Generative AI and ChatGPT: Applications, challenges, and AI-human collaboration. Journal of Information Technology Case and Application Research, 25(3), 277-304, 2023.<\/p>\n","protected":false},"excerpt":{"rendered":"

    Tutti sappiamo che il modo in cui si chiede di fare qualcosa pu\u00f2 cambiare drasticamente il risultato. E questo \u00e8 ancor pi\u00f9 vero da quando, in tutto il mondo, si \u00e8 diffuso l\u2019utilizzo dei modelli linguistici basati su sistemi di Intelligenza Artificiale, come ChatGPT e Bard, per generare contenuti di vario tipo. Cos\u00ec come nella […]<\/p>\n","protected":false},"author":3,"featured_media":1850,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","footnotes":""},"categories":[36],"tags":[],"class_list":["post-5680","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"acf":[],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t