From 4a8a07a8a8e3477268c5c2f7d9b6457cca7b6d68 Mon Sep 17 00:00:00 2001 From: napo Date: Tue, 11 Apr 2023 11:20:03 +0200 Subject: [PATCH] update --- pages/applications/_meta.it.json | 5 +++ pages/applications/generating.it.mdx | 46 ++++++++++++++++++++++++++++ 2 files changed, 51 insertions(+) create mode 100644 pages/applications/_meta.it.json create mode 100644 pages/applications/generating.it.mdx diff --git a/pages/applications/_meta.it.json b/pages/applications/_meta.it.json new file mode 100644 index 0000000..e84783a --- /dev/null +++ b/pages/applications/_meta.it.json @@ -0,0 +1,5 @@ +{ + "pal": "Program-Aided Language Models", + "generating": "Generazione di dati", + "workplace_casestudy": "Graduate Job Classification Case Study" +} diff --git a/pages/applications/generating.it.mdx b/pages/applications/generating.it.mdx new file mode 100644 index 0000000..6815180 --- /dev/null +++ b/pages/applications/generating.it.mdx @@ -0,0 +1,46 @@ +# Generazione di dati + +I LLM hanno una forte capacità di generare testi coerenti. L'uso di strategie di prompt efficaci può guidare il modello a produrre risposte migliori, coerenti e più concrete. Gli LLM possono anche essere particolarmente utili per generare dati che sono davvero utili per eseguire tutti i tipi di esperimenti e valutazioni. Ad esempio, possiamo usarli per generare campioni rapidi per un classificatore di sentiment, come questo: + +*Prompt:* +``` +Produce 10 esempi per l'analisi del sentiment. Gli esempi sono classificati come positivi o negativi. Produrre 2 esempi negativi e 8 esempi positivi. Utilizzate questo formato per gli esempi: +D: +A: