| Código |
16676
|
| Ano |
2
|
| Semestre |
S1
|
| Créditos ECTS |
6
|
| Carga Horária |
PL(30H)/T(30H)
|
| Área Científica |
Informática
|
|
Objectivos de Aprendizagem |
No final desta unidade curricular, os estudantes serão capazes de conceber, avaliar e otimizar prompts para modelos de linguagem de grande escala (LLMs) em diferentes aplicações. Compreenderão conceitos-chave como a estrutura dos prompts, a gestão do contexto e os enviesamentos dos modelos, bem como técnicas avançadas como chain-of-thought prompting e instruções baseadas em papéis. Além disso, desenvolverão competências de pensamento crítico para avaliar as respostas dos modelos e iterar na conceção dos prompts, melhorando o seu desempenho em tarefas do mundo real.
|
|
Conteúdos programáticos |
Introdução à Engenharia de Prompts: Princípios, Aplicações e Desafios
Estrutura e Componentes dos Prompts Eficazes
Gestão do Contexto e Estratégias Baseadas em Papéis
Técnicas Avançadas: Chain-of-Thought, Few-Shot Learning e Meta-Instruções
Avaliação e Refinamento de Prompts: Métricas, Enviesamentos e Considerações Éticas
Aplicações Práticas: Automação de Tarefas, Estímulo à Criatividade e Apoio à Decisão
Laboratórios Práticos: Implementação com APIs de LLMs e Estratégias de Fine-Tuning
|
|
Bibliografia principal |
Brian Roemmele, The Art of Prompt Engineering
OpenAI, GPT Best Practices Guide (recurso online)
Lilian Weng, Prompt Engineering Techniques & Applications (artigos de blog)
Artigos científicos sobre PLN e estratégias de prompting em conferências como ACL, NeurIPS e outras relacionadas com inteligência artificial
|
| Língua |
Português
|