Tuyệt vời! Với vai trò là một chuyên gia kỹ thuật prompt, tôi sẽ phân tích chi tiết mẫu prompt bạn cung cấp.
1. Phân tích Cấu trúc Prompt
Mẫu prompt này có cấu trúc rõ ràng, sử dụng các biến thể (placeholders) để cho phép người dùng tùy chỉnh và áp dụng cho các tình huống cụ thể. Các biến thể được đặt trong ngoặc vuông `[]` rất dễ nhận diện.
[TÊN_TẬP_DL]: Biến này đại diện cho tên hoặc mô tả của tập dữ liệu mà người dùng muốn phân tích. Đây là yếu tố đầu vào quan trọng nhất, xác định nguồn dữ liệu cho toàn bộ quá trình.[NGÀNH_NGHỀ]: Biến này xác định ngữ cảnh ngành nghề cụ thể mà việc phân tích và dự đoán sẽ tập trung vào. Điều này giúp mô hình hiểu rõ hơn về các yếu tố ảnh hưởng và đặc thù của dữ liệu.[BIẾN_SỐ_CHÍNH]: Biến này cho phép người dùng chỉ định các biến số (features) quan trọng nhất cần được xem xét trong quá trình xây dựng mô hình dự đoán. Việc này giúp định hướng cho quá trình phân tích và lựa chọn các yếu tố ảnh hưởng chính.
Cấu trúc của prompt tuân theo một luồng logic: xác định dữ liệu -> xác định ngữ cảnh -> xác định yếu tố quan trọng -> thực hiện hành động (xây dựng mô hình) -> đưa ra kết quả mong muốn (báo cáo).
2. Ý nghĩa & Cách hoạt động
Về mặt kỹ thuật, mẫu prompt này được thiết kế để hướng dẫn mô hình ngôn ngữ lớn (LLM) hoặc công cụ phân tích dữ liệu thực hiện một nhiệm vụ phức tạp theo các bước sau:
- Phân tích dữ liệu tổn thất: LLM sẽ được yêu cầu đọc và hiểu cấu trúc, nội dung của tập dữ liệu được chỉ định (
[TÊN_TẬP_DL]). Mục tiêu là tìm kiếm các quy luật lặp lại (patterns) và những xu hướng thay đổi theo thời gian hoặc theo các yếu tố khác trong dữ liệu tổn thất. - Tập trung vào ngữ cảnh ngành nghề: LLM sẽ sử dụng thông tin về
[NGÀNH_NGHỀ]để diễn giải các mẫu hình và xu hướng trong dữ liệu. Các yếu tố rủi ro, đặc thù của ngành sẽ được ưu tiên xem xét. - Xây dựng mô hình dự đoán: Dựa trên phân tích, LLM sẽ cố gắng xây dựng một mô hình thống kê hoặc máy học. Mô hình này sẽ có khả năng ước tính:
- Xác suất tổn thất: Khả năng xảy ra một sự kiện tổn thất.
- Quy mô tổn thất: Mức độ thiệt hại dự kiến nếu tổn thất xảy ra.
Việc tập trung vào
[BIẾN_SỐ_CHÍNH]như tuổi nghề, kinh nghiệm, và các yếu tố rủi ro cụ thể giúp mô hình có khả năng dự đoán chính xác hơn bằng cách sử dụng các đặc trưng quan trọng nhất. - Trình bày kết quả: Cuối cùng, LLM sẽ được yêu cầu tóm tắt toàn bộ quá trình và kết quả dưới dạng một báo cáo chi tiết. Báo cáo này cần bao gồm cả các biểu đồ trực quan (ví dụ: biểu đồ xu hướng, biểu đồ phân bố) và bảng số liệu để minh họa rõ ràng các phát hiện và dự đoán.
Về bản chất, prompt này yêu cầu một phân tích dữ liệu chuyên sâu, kết hợp với kỹ năng xây dựng mô hình dự đoán và khả năng trình bày kết quả một cách khoa học.
3. Ví dụ Minh họa
Dưới đây là 2 ví dụ về cách bạn có thể điền vào mẫu prompt này để tạo ra các yêu cầu cụ thể:
Ví dụ 1: Phân tích tổn thất bảo hiểm xe cơ giới
Giả sử bạn có một tập dữ liệu về các yêu cầu bồi thường bảo hiểm xe cơ giới và muốn phân tích các yếu tố ảnh hưởng đến tần suất và quy mô bồi thường trong ngành bảo hiểm ô tô.
Phân tích tập dữ liệu tổn thất lịch sử [Yêu_cầu_bồi_thường_xe_cơ_giới_2020-2023] để xác định các mẫu hình và xu hướng liên quan đến ngành nghề [Bảo_hiểm_ô_tô]. Xây dựng một mô hình dự đoán xác suất và quy mô tổn thất cho các nhóm ngành nghề khác nhau, tập trung vào các biến số [Tuổi_lái_xe], [Loại_xe], [Khu_vực_tai_nạn], [Lịch_sử_vi_phạm] và các yếu tố rủi ro đặc thù. Trình bày kết quả dưới dạng báo cáo chi tiết với biểu đồ và bảng số liệu.
Ví dụ 2: Phân tích tổn thất tín dụng cho vay tiêu dùng
Bạn có một tập dữ liệu về các khoản vay tiêu dùng và muốn hiểu rõ hơn về các yếu tố dẫn đến nợ xấu trong ngành tài chính tiêu dùng.
Phân tích tập dữ liệu tổn thất lịch sử [Dữ_liệu_khoản_vay_tiêu_dùng] để xác định các mẫu hình và xu hướng liên quan đến ngành nghề [Tài_chính_tiêu_dùng]. Xây dựng một mô hình dự đoán xác suất và quy mô tổn thất cho các nhóm ngành nghề khác nhau, tập trung vào các biến số [Thu_nhập_hàng_tháng], [Điểm_tín_dụng], [Mục_đích_vay], [Thời_gian_làm_việc_hiện_tại] và các yếu tố rủi ro đặc thù. Trình bày kết quả dưới dạng báo cáo chi tiết với biểu đồ và bảng số liệu.
👉 Tóm lại
Mẫu prompt “Phân tích tập dữ liệu tổn thất lịch sử [TÊN_TẬP_DL] để xác định các mẫu hình và xu hướng liên quan đến ngành nghề [NGÀNH_NGHỀ]. Xây dựng một mô hình dự đoán xác suất và quy mô tổn thất cho các nhóm ngành nghề khác nhau, tập trung vào các biến số [BIẾN_SỐ_CHÍNH] như tuổi nghề, kinh nghiệm và các yếu tố rủi ro đặc thù. Trình bày kết quả dưới dạng báo cáo chi tiết với biểu đồ và bảng số liệu” là một công cụ mạnh mẽ để yêu cầu các hệ thống AI thực hiện phân tích dữ liệu chuyên sâu, xây dựng mô hình dự đoán và báo cáo kết quả một cách có cấu trúc. Bằng cách điền các biến thể một cách cụ thể, người dùng có thể định hướng cho AI thực hiện các tác vụ phức tạp, từ đó thu thập được những thông tin chi tiết và hữu ích từ dữ liệu tổn thất của mình.
