Was ist DeepSeek AI: Von Anfänger bis Meister

Was ist DeepSeek?

• KI + Inländisch + Kostenlos + Open Source + Leistungsfähig

DeepSeek ist ein chinesisches Tech-Unternehmen, das sich auf künstliche allgemeine Intelligenz (AGI) spezialisiert hat und sich auf die Entwicklung und Anwendung großer Modelle konzentriert.DeepSeek-R1 ist sein Open-Source-Modell zur Schlussfolgerung, das sich hervorragend bei der Bearbeitung komplexer Aufgaben bewährt und kostenlos für kommerzielle Zwecke zur Verfügung steht.

Was kann DeepSeek tun?

Texterstellung

• Strukturierte Erstellung: Tabellen, Listen (z. B. Zeitpläne, Rezepte)
• Dokumentation: Codekommentare, Dokumentation
• Kreatives Schreiben: Artikel, Geschichten, Gedichte, Marketingtexte, soziale Medieninhalte, Drehbücher usw.
• Zusammenfassung und Umformulierung: Zusammenfassungen langer Texte (Papiere, Berichte), Textvereinfachung, mehrsprachige Übersetzung und Lokalisierung
• DeepSeek von Anfänger bis Meister (Tsinghua University) PDF herunterladen

Verständnis und Analyse der natürlichen Sprache

• Wissensschlussfolgerung: Logisches Problemlösen (Mathematik, allgemeines Schlussfolgern), kausale Analyse (Ereigniskorrelation)
• Semantische Analyse: Sentimentanalyse (Bewertungen, Feedback), Erkennung von Absichten (Kundenservice, Benutzeranfragen), Entitätserkennung (Namen, Orte, Ereignisse)
• Textklassifizierung: Themenkategorisierung (z. B. Nachrichtenkategorisierung), Erkennung von Spam-Inhalten

Programmieren und codebezogene Aufgaben

• Codeerstellung und -vollständigstellung: Codeschnipsel (Python, JavaScript), automatische Vervollständigung mit Kommentaren
• Codefehlerbehebung: Fehleranalyse und Reparaturvorschläge, Tipps zur Leistungsoptimierung
• Technische Dokumentation: API-Dokumentation, Erklärung und Beispielerstellung für den Codebestand

Konventionelles Zeichnen

• (Nicht explizit erwähnt, aber durch allgemeine Fähigkeiten impliziert)

Wie verwendet man DeepSeek?

Zugang:https://chat.deepseek.com

Von Anfänger bis Meister:Wenn jeder AI nutzen kann, wie kann man sie besser und effektiver nutzen?

Schlussfolgerungsmodelle

• Beispiel: DeepSeek-R1, GPT-3 zeichnen sich durch logisches Schlussfolgern, mathematisches Schlussfolgern und Echtzeitproblemlösung aus.

Schlussfolgerungsmodelle sind Modelle, die die Fähigkeiten zur Schlussfolgerung, logischen Analyse und Entscheidungsfindung über traditionelle große Sprachmodelle hinaus stärken. Sie nutzen oft zusätzliche Technologien wie das verstärkende Lernen, neurosymbolische Schlussfolgerung und Meta-Lernen, um ihre Fähigkeiten zur Schlussfolgerung und Problemlösung zu stärken.Nicht-Schlussfolgerungsmodelle sind für die meisten Aufgaben geeignet. Allgemeine Modelle konzentrieren sich in der Regel auf die Sprachgenerierung, die Kontextverständnis und die Verarbeitung natürlicher Sprache, ohne die Fähigkeiten zur tiefen Schlussfolgerung zu betonen. Diese Modelle erfassen in der Regel Sprachmuster durch umfangreiche Textdatentraining und können angemessenen Inhalt generieren, aber sie verfügen nicht über die komplexen Fähigkeiten zur Schlussfolgerung und Entscheidungsfindung von Schlussfolgerungsmodellen.

Dimensionsvergleich

Beispielmodelle

• GPT-3, GPT-4 (OpenAI), BERT (Google): Hauptsächlich für Sprachgenerierung, Sprachverständnis, Textklassifizierung, Übersetzung usw. verwendet.

Schnelles Denken vs. Langsames Denken

• Schnelle Reaktionsmodelle (z. B. ChatGPT-4): Schnelle Reaktion, niedrige Rechenkosten, basierend auf Wahrscheinlichkeitsvorhersage durch umfangreiches Datentraining
• Langsame Denkmodelle (z. B. OpenAI-1): Langsame Reaktion, hohe Rechenkosten, basierend auf schrittweiser Schlussfolgerung zur Problemlösung
• Entscheidungsfindung: Schnelle Reaktionsmodelle basieren auf vorgegebenen Algorithmen und Regeln, während langsame Denkmodelle auf der Grundlage der Echtzeitanalyse autonome Entscheidungen treffen können
• Kreativität: Schnelle Reaktionsmodelle sind auf Mustererkennung und -optimierung beschränkt, während langsame Denkmodelle neue Ideen und Lösungen generieren können
• Mensch-Maschine-Interaktion: Schnelle Reaktionsmodelle folgen vorgegebenen Skripten und haben Schwierigkeiten, menschliche Emotionen und Absichten zu verstehen, während langsame Denkmodelle natürlicher interagieren und komplexe Emotionen und Absichten verstehen können
• Problemlösung: Schnelle Reaktionsmodelle sind in strukturierten und gut definierten Problemen hervorragend, während langsame Denkmodelle mehrdimensionale und unstrukturierte Probleme lösen können und kreative Lösungen bieten
• Ethische Fragen: Schnelle Reaktionsmodelle als kontrollierte Werkzeuge haben nur minimale ethische Bedenken, während langsame Denkmodelle Diskussionen über Autonomie und Kontrolle aufwerfen

Wenn Sie begeistert von der KI-Branche sind und sich auf AWS- oder Microsoft-Zertifizierungsexamen vorbereiten, hat SPOTO umfassende und praktische Lernmaterialien für Sie bereitgestellt. Egal ob Sie sich auf den AWS Machine Learning-Zertifikat (MLA-C01), den AI Practitioner-Zertifikat (AIF-C01) oder die Microsoft KI-bezogenen Prüfungen (AI-900, AI-102) vorbereiten, werden die Zertifizierungsmaterialien, die ich anbiete, Ihnen helfen, effizient zu lernen und Ihre Chancen zu bestehen zu erhöhen.Klicken Sie auf die untenstehenden Links, um die neuesten Prüfungsdumps und detaillierte Lernanleitungen zu erhalten, die Ihnen helfen, die Prüfungen zu bestehen und neue Höhen in der KI-Branche zu erreichen:

• AWS MLA-C01 Lernmaterialien (klicken Sie hier)
• AWS AIF-C01 Lernmaterialien (klicken Sie hier)
• AWS MLS-C01 Lernmaterialien (klicken Sie hier)
• Microsoft AI-900 Lernmaterialien (klicken Sie hier)
• Microsoft AI-102 Lernmaterialien (klicken Sie hier)

Durch das Erreichen dieser Zertifizierungen werden Sie nicht nur Ihre Fähigkeiten verbessern, sondern auch im Arbeitsplatz hervorstechen und mehr Möglichkeiten öffnen. Handeln Sie jetzt und beherrschen Sie die Zukunft der KI!

CoT Chain-of-Thought

Die Einführung der CoT Chain-of-Thought unterteilt große Modelle in zwei Kategorien: “Wahrscheinlichkeitsvorhersage (schnelle Reaktion)”-Modelle und “Chain-of-Thought (langsame Denkweise)”-Modelle. Letztere lösen komplexe Probleme durch Schlussfolgerung, während erstere aufgrund ihrer schnellen Reaktion und niedrigen Rechenkosten für schnelle Rückmeldung und unmittelbare Aufgaben geeignet sind. Das Verständnis ihrer Unterschiede hilft dabei, das geeignete Modell für die Aufgabe auszuwählen, um die besten Ergebnisse zu erzielen.

Unterschiede in Prompt-Strategien

• Schlussfolgerungsmodelle: Prompts sollten knapp sein und direkt auf das Ziel und die Anforderungen der Aufgabe fokussiert sein (da die Schlussfolgerungslogik internalisiert ist). Vermeiden Sie schrittweise Anleitung, da sie die Fähigkeiten des Modells einschränken könnte.
• Allgemeine Modelle: Prompts müssen die Schritte der Schlussfolgerung explizit anleiten (z. B. durch CoT-Prompts), da das Modell sonst möglicherweise wichtige Logik überspringt. Verlassen Sie sich auf die Anrege, um die Fähigkeitsmängel zu kompensieren.

Schlüsselprinzipien

1. Modellauswahl: Wählen Sie basierend auf der Aufgabentyp, nicht auf der Beliebtheit des Modells (z. B. Schlussfolgerungsmodelle für Matheaufgaben, allgemeine Modelle für kreative Aufgaben).
2. Promptgestaltung:
   • Schlussfolgerungsmodelle: Verwenden Sie knappe Anweisungen, konzentrieren Sie sich auf das Ziel und vertrauen Sie den internen Schlussfolgerungsfähigkeiten des Modells. (“Sagen Sie einfach, was Sie wollen.”)
   • Allgemeine Modelle: Verwenden Sie strukturierte und kompensatorische Anleitung. (“Füllen Sie das Fehlende aus.”)
3. Vermeiden von Fehlern:
   • Verwenden Sie keine heuristischen Prompts (z. B. Rollenspiel) mit Schlussfolgerungsmodellen, da sie die logische Hauptlinie stören können.
   • Vertrauen Sie nicht zu sehr auf allgemeine Modelle (z. B. indem Sie komplexe Fragen zur Schlussfolgerung direkt stellen); überprüfen Sie stattdessen die Ergebnisse schrittweise.

Von “Geben von Anweisungen” zu “Ausdruck von Bedürfnissen”

Strategietypen

Aufgabenbedarf und Prompt-Strategie

Ordnung auf”)
| Codeerstellung| Schlussfolgerungsmodell| Knappe Bedarfsspezifikation, Vertrauen in die Modelllogik| “Implementieren Sie Quicksort in Python”| Schritt-für-Schritt-Anleitung (z. B. “Schreiben Sie zuerst die rekursive Funktion”)
| Mehrdialog| Allgemeines Modell| Natürliche Interaktion, keine strukturierten Anweisungen| “Was denken Sie über die Zukunft der künstlichen Intelligenz?”| Erzwungene logische Kette (z. B. “Antworten Sie in drei Punkten”)
| Logische Analyse| Schlussfolgerungsmodell| Komplexe Probleme direkt formulieren| “Analysieren Sie den Utilitarismus- und Deontologiekonflikt im Straßenbahnproblem”| Hinzufügen von subjektiver Anleitung (z. B. “Welche Option finden Sie besser?”)
| Allgemeines Modell| Allgemeines Modell| Zerlegen Sie das Problem, fragen Sie schrittweise| “Erklären Sie zuerst das Straßenbahnproblem, vergleichen Sie dann die beiden ethischen Ansichten”| Einmalige Fragestellung zu komplexer Logik

Wie drückt man Bedürfnisse gegenüber KI aus?

Promptbeispiele

Entscheidungsbedarf:“Es stehen zwei Optionen zur Verfügung, um die Logistik-Kosten zu senken:

① Ein regionales Lagerhaus bauen (hohe Investitionskosten, niedrige langfristige Kosten)

② Mit einem Dritten zusammenarbeiten (Pay-as-you-go, hohe Flexibilität)Bitte vergleichen Sie die Gesamtkosten über fünf Jahre mit dem ROI-Rechnungsmodell und empfehlen Sie die optimale Lösung.

“Verifikationsbedarf:“Hier ist eine Schlussfolgerung aus einem Paper: ‘Neuronales Netzwerkmodell A ist überlegen gegenüber der traditionellen Methode B.’Bitte überprüfen Sie:

① Ob die Experimentdaten diese Schlussfolgerung unterstützen;

② Überprüfen Sie, ob es eine Verzerrung in der Kontrollgruppenaufstellung gibt;

③ Berechnen Sie den p-Wert neu und bestimmen Sie die Signifikanz.

“Analysebedarf:“Analysieren Sie die Verkaufsdaten von Elektrofahrzeugen der letzten drei Jahre (angehängte CSV-Datei) und erklären Sie:

① Die Korrelation zwischen Wachstumstrends und Politik;

② Prognostizieren Sie den Marktananteil für 2025 mit dem ARIMA-Modell und erklären Sie die Grundlage für die Parameterauswahl.

“Ausführungsbedarf:“Wandeln Sie den folgenden C-Code in Python um, unter folgenden Voraussetzungen:

① Behalten Sie die gleiche Zeitkomplexität bei;

② Verwenden Sie numpy, um Array-Operationen zu optimieren;

③ Geben Sie den vollständigen Code mit Zeittestsfällen aus.

“Kreativitätsbedarf:“Entwerfen Sie ein Smart-Home-Produkt zur Sicherheit von allein lebenden älteren Menschen, kombiniert mit Sensornetzwerken und KI-Frühwarnung. Stellen Sie drei verschiedene technische Ansatzprototypen mit Erklärungen zur Verfügung.

“Verifikationsbedarf:“Hier ist eine Schlussfolgerung aus einem Paper: ‘Neuronales Netzwerkmodell A ist überlegen gegenüber der traditionellen Methode B.’Bitte überprüfen Sie:

① Ob die Experimentdaten diese Schlussfolgerung unterstützen;

② Überprüfen Sie, ob es eine Verzerrung in der Kontrollgruppenaufstellung gibt;

③ Berechnen Sie den p-Wert neu und bestimmen Sie die Signifikanz.”

Brauchen wir überhaupt noch Prompts zu lernen?

Prompts sind die Anweisungen oder Informationen, die Benutzer in ein KI-System eingeben, um es zu leiten, spezifische Ausgaben zu generieren oder bestimmte Aufgaben zu erfüllen. Einfach ausgedrückt sind Prompts die Sprache, mit der wir mit KI “kommunizieren”. Sie können eine einfache Frage, eine detaillierte Anweisung oder eine komplexe Aufgabendescription sein.Ein Prompt besteht aus drei grundlegenden Elementen:

• Anweisung (Instruction): Das Kernstück des Prompts, das der KI explizit mitteilt, welche Aufgabe durchgeführt werden soll.
• Kontext (Context): Hintergrundinformationen, die der KI helfen, die Aufgabe besser zu verstehen und auszuführen.
• Erwartung (Expectation): Klare oder implizite Angaben zu den Anforderungen und Erwartungen an die Ausgabe der KI.

Typen von Prompts

• Anweisungs-Prompts: Sagen der KI direkt, welche Aufgabe durchgeführt werden soll.
• Fragen-Antwort-Prompts: Stellen Fragen an die KI und erwarten entsprechende Antworten.
• Rollen-Prompts: Fordern die KI auf, eine bestimmte Rolle zu übernehmen und ein bestimmtes Szenario zu simulieren.
• Kreative Prompts: Führen die KI an, kreatives Schreiben oder Inhaltserstellung durchzuführen.
• Analytische Prompts: Verlangen von der KI, gegebene Informationen zu analysieren und zu schlussfolgern.
• Multimodale Prompts: Kombinieren Text, Bilder und andere Formen der Eingabe.

Die Essenz von Prompts

Artikel von:Team:

Yu Menglong, PostdoktorandTsinghua University School of Journalism and CommunicationNew Media Research Center, Metaverse Culture Lab

Please follow and like us: