Translate

Monday, 1 December 2025

Prompt engineering content

 

Module 1: Introduction to Generative AI & The Prompt



1. Traditional AI vs. Generative AI

Concept: Before explaining what GenAI is, explain what it is not. Most students are used to "Traditional AI" (Discriminative AI) without realizing it.

  • Traditional AI (The Analyst): It analyzes existing data to classify it or predict a number. It gives a specific, pre-defined answer.

    • Example 1 (Spam Filter): You give it an email. It says: "Spam" or "Not Spam."

    • Example 2 (Netflix): You watch a movie. It predicts: "You will like this 98%."

    • Example 3 (Banking): You swipe a card. It says: "Fraudulent Transaction" or "Approved."

  • Generative AI (The Creator): It takes a prompt and generates new data that didn't exist before. It doesn't just pick an answer from a list; it constructs it.

    • Example 1 (Text): You ask for a poem about coding. It writes a unique poem that has never been written before.

    • Example 2 (Code): You ask for a website layout. It writes the HTML/CSS from scratch.

    • Example 3 (Image): You ask for a "Cyberpunk coffee shop." It draws a new image pixel-by-pixel.

Teaching Analogy:

  • Traditional AI is like a Multiple Choice Test. The answer is already there; the AI just has to circle the right one.

  • Generative AI is like an Essay Question. The AI has a blank sheet of paper and has to write the answer itself.

2. How LLMs Work: Next Token Prediction

Concept: Large Language Models (LLMs) like GPT-4 or Gemini do not "know" facts in the way humans do. They predict the probability of the next word (token).

  • The "Autocomplete" Example: Ask your students to complete this sentence: "The quick brown fox jumps over the..."

    • Most will say: "Lazy dog."

    • Why? Because statistically, that is the most common ending to that pattern.

  • How the AI thinks (Probability Distribution): If you type: "My favorite food is..." The AI calculates probabilities based on everything it has ever read:

    • Pizza: 15%

    • Sushi: 8%

    • Chicken: 5%

    • The Moon: 0.0001% (Low probability, but possible if the "temperature" is high).

Key Takeaway for Students: The AI doesn't "think." It calculates the statistical likelihood of the next word. This is why it can sometimes hallucinate (lie)—if a lie is statistically probable, it might write it!

3. What is Prompt Engineering?

Concept: Prompt Engineering is the skill of guiding the probabilities mentioned above. By changing the words in your input, you drastically change the probability of the output.

  • The "Garbage In, Garbage Out" (GIGO) Rule: If your input is weak, the AI's prediction will be generic and "average."

Example Set A: The Email

  • ❌ The Garbage Prompt:

    "Write an email to my boss."

    • Result: The AI guesses. It might write a resignation letter, a vacation request, or a complaint. It creates a generic template.

  • ✅ The Engineered Prompt:

    "Act as a Junior Developer. Write an email to your project manager requesting a 2-day deadline extension for the 'Login Module' task because you encountered an unexpected bug in the API. Keep the tone professional but apologetic."

    • Result: A perfect, usable draft.

Example Set B: The Coding Helper

  • ❌ The Garbage Prompt:

    "Fix this code."

    • Result: The AI might fix syntax errors, or it might rewrite the whole logic. It doesn't know what the code is supposed to do.

  • ✅ The Engineered Prompt:

    "This Python script is supposed to calculate the Fibonacci sequence, but it returns an Infinite Loop. Identify the logical error, explain why it is happening, and provide the corrected code."

4. The "Smart Intern" Mental Model

This is the most effective way to help students understand how to talk to AI.

The Scenario: Imagine you have hired a Super-Genius Intern from a top university.

  • The Good: They have read every book in the library. They know history, coding, science, and poetry.

  • The Bad: It is their first day. They don't know you. They don't know your company. They don't know your preferences. They cannot read your mind.

If you say to the intern: "Make me a presentation." The intern will panic. A presentation on what? For whom? How long?

If you say to the intern: "Make a 5-slide PowerPoint presentation about Q3 Sales trends for the marketing team. Use a formal tone and focus on our growth in the Asian market." The intern will deliver exactly what you need.


మాడ్యూల్ 1: జనరేటివ్ AI పరిచయం & ప్రాంప్ట్ (Introduction to Generative AI & The Prompt)

1. సాంప్రదాయ AI vs. జనరేటివ్ AI (Traditional AI vs. Generative AI)

కాన్సెప్ట్: జనరేటివ్ AI అంటే ఏమిటో చెప్పే ముందు, అసలు అది ఏది కాదో చెప్పడం ద్వారా విద్యార్థులకు సులభంగా అర్థమవుతుంది.

  • సాంప్రదాయ AI (Traditional AI - విశ్లేషకుడు): ఇది ఇప్పటికే ఉన్న డేటాను విశ్లేషించి (Analyze), వర్గీకరిస్తుంది లేదా భవిష్యత్తును అంచనా వేస్తుంది. ఇది ఉన్న డేటా నుండే సమాధానం ఇస్తుంది.

    • ఉదాహరణ 1 (Spam Filter): మీరు ఒక ఈమెయిల్ ఇస్తే, అది "స్పామ్" లేదా "స్పామ్ కాదు" అని చెబుతుంది.

    • ఉదాహరణ 2 (Netflix): మీరు చూసిన సినిమాలను బట్టి, మీకు నచ్చే తదుపరి సినిమాను సూచిస్తుంది.

    • ఉదాహరణ 3 (Banking): క్రెడిట్ కార్డ్ స్వైప్ చేసినప్పుడు, అది "నిజమైన లావాదేవీ" లేదా "మోసం (Fraud)" అని చెబుతుంది.

  • జనరేటివ్ AI (Generative AI - సృష్టికర్త): ఇది మనమిచ్చే ఇన్‌పుట్ (Prompt) ఆధారంగా ఇంతకు ముందెన్నడూ లేని కొత్త డేటాను సృష్టిస్తుంది (Creates).

    • ఉదాహరణ 1 (Text): కోడింగ్ గురించి ఒక కవిత రాయమని అడిగితే, అది కొత్త కవితను రాస్తుంది.

    • ఉదాహరణ 2 (Code): ఒక వెబ్‌సైట్ లేఅవుట్ కావాలని అడిగితే, అది HTML/CSS కోడ్‌ను స్వయంగా రాస్తుంది.

    • ఉదాహరణ 3 (Image): "సైబర్ పంక్ కాఫీ షాప్" చిత్రం కావాలంటే, పిక్సెల్ వారీగా కొత్త చిత్రాన్ని గీస్తుంది.

టీచింగ్ ఉదాహరణ (Analogy):

  • సాంప్రదాయ AI అనేది "మల్టిపుల్ ఛాయిస్ ప్రశ్నలు" (Multiple Choice Question) లాంటిది. సమాధానం అక్కడే ఉంటుంది, దాన్ని ఎంచుకోవడమే AI పని.

  • జనరేటివ్ AI అనేది "వ్యాస రచన" (Essay Writing) లాంటిది. AIకి ఖాళీ పేపర్ ఇస్తే, అది సొంతంగా సమాధానాన్ని రాయాలి.

2. LLMలు ఎలా పనిచేస్తాయి: తదుపరి పదాన్ని ఊహించడం (Next Token Prediction)

కాన్సెప్ట్: GPT-4 లేదా Gemini వంటి లార్జ్ లాంగ్వేజ్ మోడల్స్ (LLMs) మనుషల్లాగా విషయాలను "తెలుసుకోవు". అవి కేవలం తదుపరి పదం (Token) వచ్చే సంభావ్యతను (Probability) మాత్రమే లెక్కిస్తాయి.

  • "ఆటో కంప్లీట్" (Autocomplete) ఉదాహరణ: మీ విద్యార్థులను ఈ వాక్యాన్ని పూర్తి చేయమని అడగండి: "ఆకాశం రంగు..."

    • చాలామంది "నీలం" అని అంటారు.

    • ఎందుకు? ఎందుకంటే గణాంకాల ప్రకారం (Statistically), ఆ పదమే ఎక్కువగా వచ్చే అవకాశం ఉంది.

  • AI ఎలా ఆలోచిస్తుంది (Probability Distribution): మీరు "నాకు ఇష్టమైన ఆహారం..." అని టైప్ చేస్తే, AI తాను చదివిన డేటా ఆధారంగా సంభావ్యతను లెక్కిస్తుంది:

    • బిర్యానీ: 15%

    • పిజ్జా: 8%

    • చంద్రుడు: 0.0001% (చాలా తక్కువ అవకాశం, కానీ మనం AIలో "Temperature" పెంచితే ఇది కూడా రావచ్చు).

విద్యార్థులకు చెప్పాల్సిన ముఖ్య విషయం: AIకి "ఆలోచించే శక్తి" ఉండదు. అది కేవలం గణాంకాలను (Statistics) బట్టి తదుపరి పదాన్ని అంచనా వేస్తుంది. అందుకే ఒక్కోసారి అది నమ్మకంగా అబద్ధాలు (Hallucinations) చెబుతుంది.

3. ప్రాంప్ట్ ఇంజనీరింగ్ అంటే ఏమిటి? (What is Prompt Engineering?)

కాన్సెప్ట్: పైన చెప్పిన ఆ "సంభావ్యతలను" (Probabilities) మనకు అనుకూలంగా మార్చుకునే కళే ప్రాంప్ట్ ఇంజనీరింగ్. మనం ఇచ్చే మాటలను బట్టి, వచ్చే జవాబు మారుతుంది.

  • "చెత్త ఇస్తే, చెత్తే వస్తుంది" (Garbage In, Garbage Out - GIGO) నియమం: మీ ప్రశ్న (Input) అస్పష్టంగా ఉంటే, AI ఇచ్చే సమాధానం (Output) కూడా అస్పష్టంగానే ఉంటుంది.

ఉదాహరణ సెట్ A: ఈమెయిల్ రాయడం

  • ❌ చెత్త ప్రాంప్ట్ (Bad Prompt):

    "నా బాస్‌కి ఒక ఈమెయిల్ రాయి."

    • ఫలితం: AI ఊహిస్తుంది. సెలవు కావాలనా? రాజీనామానా? ఫిర్యాదా? అని తెలియక ఒక సాధారణ మెయిల్ ఇస్తుంది.

  • ✅ సరైన ప్రాంప్ట్ (Engineered Prompt):

    "ఒక జూనియర్ డెవలపర్‌గా వ్యవహరించు (Act as). APIలో ఊహించని బగ్ రావడం వల్ల, 'Login Module' పని పూర్తి చేయడానికి నాకు మరో 2 రోజులు సమయం కావాలని నా ప్రాజెక్ట్ మేనేజర్‌కి ఈమెయిల్ రాయి. భాష ప్రొఫెషనల్‌గా ఉండాలి."

    • ఫలితం: కచ్చితమైన, ఉపయోగపడే ఈమెయిల్ వస్తుంది.

ఉదాహరణ సెట్ B: కోడింగ్ సహాయం

  • ❌ చెత్త ప్రాంప్ట్:

    "ఈ కోడ్‌ను సరిచేయి."

    • ఫలితం: అసలు ఆ కోడ్ ఏం చేయాలో తెలియక, AI ఏదో ఒక మార్పు చేస్తుంది.

  • ✅ సరైన ప్రాంప్ట్:

    "ఈ పైథాన్ స్క్రిప్ట్ 'ఫైబోనాక్సీ సిరీస్'ను లెక్కించాలి, కానీ ఇది అనంతంగా రన్ అవుతూనే ఉంది (Infinite Loop). ఇందులో ఉన్న లాజికల్ తప్పును గుర్తించి, ఎందుకు అలా జరుగుతోందో వివరించి, సరిచేసిన కోడ్‌ను ఇవ్వు."

4. "స్మార్ట్ ఇంటర్న్" ఉదాహరణ (The Smart Intern Mental Model)

AIతో ఎలా మాట్లాడాలో విద్యార్థులకు అర్థం కావడానికి ఇది ఉత్తమమైన ఉదాహరణ.

సందర్భం: మీరు ఒక "సూపర్ జీనియస్ ఇంటర్న్" ను పనిలో చేర్చుకున్నారు అనుకుందాం.

  • మంచి విషయం: అతనికి ప్రపంచంలోని అన్ని పుస్తకాలు తెలుసు, కోడింగ్ వచ్చు, కవిత్వం వచ్చు.

  • చెడ్డ విషయం: ఈ రోజు అతనికి మొదటి రోజు. అతనికి మీ గురించి, మీ కంపెనీ గురించి, మీ ఇష్టాల గురించి ఏమీ తెలియదు. అతను మీ మనసులో ఏముందో చదవలేడు.

మీరు ఆ ఇంటర్న్‌తో ఇలా అంటే: "నాకు ఒక ప్రెజెంటేషన్ తయారు చేయి." ఆ ఇంటర్న్ కంగారు పడతాడు. దేని గురించి? ఎవరి కోసం? ఎన్ని స్లైడ్లు?

అదే మీరు ఇలా అంటే: "మార్కెటింగ్ టీమ్ కోసం Q3 సేల్స్ గురించి 5 స్లైడ్ల PowerPoint ప్రజెంటేషన్ తయారు చేయి. భాష ఫార్మల్‌గా ఉండాలి మరియు ఆసియాలో మన ఎదుగుదలపై దృష్టి పెట్టాలి." అప్పుడు ఆ ఇంటర్న్ (AI) మీకు కచ్చితంగా కావాల్సిన ఫలితాన్ని ఇస్తాడు





Module 2: The Anatomy of a Perfect Prompt

Goal: Learn the structural elements required to build a robust prompt.

Module 2: The Anatomy of a Perfect Prompt, designed for your class. I have broken it down into teachable sections with clear "Before vs. After" examples.

Module 2: The Anatomy of a Perfect Prompt

Core Philosophy: A prompt is not just a question; it is a set of constraints. The more constraints you provide, the less the AI has to "guess."

1. The Framework: The 4 Ps

Teach your students this formula. It is easy to remember and works for almost any LLM (ChatGPT, Gemini, Claude).

  • P1: Persona (Who) – The role the AI plays.

  • P2: Purpose (Why/Context) – The background information.

  • P3: Process (What) – The specific task or instruction.

  • P4: Product (How) – The output format.

Example: Creating a Study Plan

  • ❌ The Weak Prompt:

    "Give me a study plan for Python." (Result: Generic. Might include topics the student already knows or is too advanced.)

  • ✅ The 4 Ps Prompt:

    • Persona: Act as a Senior Python Developer and Mentor.

    • Purpose: I am a computer science student who knows C++ but is new to Python. I have an interview in 2 weeks.

    • Process: Create a 14-day crash course covering syntax, data structures, and OOP.

    • Product: Output the result as a Table with columns: Day, Topic, and Practice Exercise.

2. Formatting Matters (Syntax for AI)

Just like code needs syntax (brackets, semicolons), prompts need structure to be parsed correctly.

A. Using Delimiters Delimiters separate your instructions from the data you want the AI to process. Common delimiters are:

  • Triple quotes: """

  • Triple backticks: ###

  • Dashes: ---

Why is this important? Without delimiters, the AI might get confused about where the instruction ends and the text begins.

Example:

Instruction: Summarize the text below into 3 bullet points.

Text: """ [Paste long article here...] """

B. Specificity in Length Vague words like "short" or "long" are subjective. Use numbers.

  • ❌ Vague: "Write a short summary."

  • ✅ Specific: "Write a summary in exactly 2 sentences."

  • ✅ Specific: "Write a summary under 280 characters (for a Tweet)."

3. Activity: Prompt Surgery

Classroom Exercise: Put a "Sick Prompt" on the screen and ask students to cure it using the 4 Ps.

The Patient (Sick Prompt):

"Write a description for my YouTube video about cooking."

The Surgery (Step-by-Step Fix):

  1. Add Persona: You are a YouTube SEO Expert and a Professional Chef.

  2. Add Purpose: The video is for beginners. The recipe is "Spicy Chicken Curry." I want to get high clicks (CTR).

  3. Add Process: Write a catchy description. Include the ingredients list. Use exciting language.

  4. Add Product: Format with a "Hook" in the first line, followed by the description, and finally 5 hashtags.

The Cured Prompt (Final Result):

"Act as a YouTube SEO Expert and Professional Chef. I have a video teaching beginners how to make 'Spicy Chicken Curry.' Write a video description that encourages high clicks. Include the full ingredients list in the middle. End with 5 relevant hashtags."


 "Module 2: The Anatomy of a Perfect Prompt" యొక్క పూర్తి తెలుగు వివరణ ఇక్కడ ఉంది.

మాడ్యూల్ 2: పరిపూర్ణమైన ప్రాంప్ట్ నిర్మాణం (The Anatomy of a Perfect Prompt)

ముఖ్య సూత్రం: ప్రాంప్ట్ అనేది కేవలం ఒక ప్రశ్న (Question) మాత్రమే కాదు; అది మనం AIకి విధించే నిబంధనల (Constraints) సమాహారం. మనం ఎన్ని ఎక్కువ నిబంధనలు విధిస్తే, AI అంత తక్కువగా ఊహించి, అంత కచ్చితమైన సమాధానం ఇస్తుంది.

1. ది ఫ్రేమ్‌వర్క్: 4 Ps సూత్రం (The Framework: The 4 Ps)

విద్యార్థులకు ఈ ఫార్ములాను నేర్పించండి. ఇది గుర్తుంచుకోవడం చాలా సులభం మరియు ChatGPT, Gemini వంటి ఏ మోడల్‌కైనా పనిచేస్తుంది.

  • P1: Persona (పాత్ర - ఎవరు?): AI ఎవరిలా ప్రవర్తించాలి? (ఉదా: "ఒక పైథాన్ ట్యూటర్‌లా ప్రవర్తించు", "ఒక ట్రావెల్ గైడ్‌లా ప్రవర్తించు").

  • P2: Purpose (ఉద్దేశ్యం/సందర్భం - ఎందుకు?): దీని వెనుక ఉన్న నేపథ్యం (Context) ఏమిటి?

  • P3: Process (ప్రక్రియ - ఏమి చేయాలి?): కచ్చితంగా ఏ పని చేయాలి?

  • P4: Product (ఫలితం - ఎలా ఉండాలి?): అవుట్‌పుట్ ఏ ఫార్మాట్‌లో రావాలి? (టేబుల్, బుల్లెట్ పాయింట్స్, కోడ్, JSON).

ఉదాహరణ: స్టడీ ప్లాన్ తయారు చేయడం

  • ❌ చెత్త ప్రాంప్ట్ (Weak Prompt):

    "నాకు పైథాన్ స్టడీ ప్లాన్ ఇవ్వు." (ఫలితం: ఇది చాలా సాధారణంగా ఉంటుంది. మీకు ఇప్పటికే వచ్చిన టాపిక్స్ ఇవ్వొచ్చు లేదా మరీ కష్టమైనవి ఇవ్వొచ్చు.)

  • ✅ 4 Ps ప్రాంప్ట్ (Perfect Prompt):

    • Persona: ఒక సీనియర్ పైథాన్ డెవలపర్ మరియు మెంటార్‌లా వ్యవహరించు.

    • Purpose: నేను C++ వచ్చిన కంప్యూటర్ సైన్స్ విద్యార్థిని, కానీ పైథాన్‌కి కొత్త. నాకు 2 వారాల్లో ఇంటర్వ్యూ ఉంది.

    • Process: సింటాక్స్, డేటా స్ట్రక్చర్స్ మరియు OOP కవర్ అయ్యేలా 14 రోజుల క్రాష్ కోర్స్ ప్లాన్ రాయి.

    • Product: ఫలితాన్ని ఒక టేబుల్ (Table) రూపంలో ఇవ్వు. అందులో Day, Topic, మరియు Practice Exercise అనే కాలమ్స్ ఉండాలి.

2. ఫార్మాటింగ్ ముఖ్యం (Formatting Matters)

కోడింగ్‌లో కామాలు, బ్రాకెట్లు ఎంత ముఖ్యమో, ప్రాంప్టింగ్‌లో కూడా స్ట్రక్చర్ అంతే ముఖ్యం.

A. విభజన గుర్తులు (Using Delimiters) మీరు ఇచ్చే ఇన్స్ట్రక్షన్స్ (ఆదేశాలు) మరియు డేటా (సమాచారం) ను వేరు చేయడానికి "డీలిమిటర్స్" వాడాలి.

  • మూడు కోట్స్: """

  • హాష్ సింబల్స్: ###

  • గీతలు: ---

ఇది ఎందుకు ముఖ్యం? ఇవి లేకపోతే, ఎక్కడ మీ ప్రశ్న ఆగిపోయిందో, ఎక్కడ టెక్స్ట్ మొదలైందో AI కన్ఫ్యూజ్ అయ్యే అవకాశం ఉంది.

ఉదాహరణ:

Instruction: కింద ఇచ్చిన టెక్స్ట్‌ను 3 ముక్కల్లో సమ్మరైజ్ చేయి.

Text: """ [ఇక్కడ పెద్ద పేరాగ్రాఫ్ పేస్ట్ చేయాలి...] """

B. స్పష్టమైన కొలతలు (Specificity in Length) "చిన్నగా రాయి" లేదా "పెద్దగా రాయి" వంటి పదాలు వాడకండి. కచ్చితమైన నంబర్స్ వాడండి.

  • ❌ అస్పష్టం: "ఒక చిన్న సమ్మరీ రాయి."

  • ✅ స్పష్టం: "కచ్చితంగా 2 వాక్యాల్లో సమ్మరీ రాయి."

  • ✅ స్పష్టం: "280 అక్షరాల లోపు (Twitter కోసం) సమ్మరీ రాయి."

3. క్లాస్ యాక్టివిటీ: ప్రాంప్ట్ సర్జరీ (Activity: Prompt Surgery)

యాక్టివిటీ: స్క్రీన్‌పై ఒక "రోగి (సరిగ్గా లేని ప్రాంప్ట్)"ని చూపించి, విద్యార్థులను దానికి "సర్జరీ (బాగు చేయడం)" చేయమని చెప్పండి. దీనికోసం పైన చెప్పిన 4 Ps వాడమనండి.

రోగి (The Patient - Bad Prompt):

"వంటల గురించి నా YouTube వీడియోకి డిస్క్రిప్షన్ రాయి."

సర్జరీ (Step-by-Step Fix):

  1. Add Persona: నువ్వు ఒక YouTube SEO ఎక్స్‌పర్ట్ మరియు ప్రొఫెషనల్ చెఫ్.

  2. Add Purpose: ఈ వీడియో వంట రాని వాళ్ళ కోసం (Beginners). వంటకం పేరు "స్పైసీ చికెన్ కర్రీ". జనాలు వీడియోపై క్లిక్ చేయాలి.

  3. Add Process: మంచి ఆకర్షణీయమైన డిస్క్రిప్షన్ రాయి. మధ్యలో కావలసిన పదార్థాల లిస్ట్ ఇవ్వు.

  4. Add Product: మొదట ఒక మంచి "Hook" (ఆకర్షించే లైన్) ఉండాలి, చివరలో 5 హ్యాష్‌ట్యాగ్స్ ఉండాలి.

సర్జరీ తర్వాత (Final Result):

"ఒక YouTube SEO ఎక్స్‌పర్ట్ మరియు ప్రొఫెషనల్ చెఫ్‌లా వ్యవహరించు. నేను బిగినర్స్ కోసం 'స్పైసీ చికెన్ కర్రీ' ఎలా చేయాలో వీడియో చేస్తున్నాను. జనాలు క్లిక్ చేసేలా మంచి వీడియో డిస్క్రిప్షన్ రాయి. మధ్యలో పదార్థాల లిస్ట్ ఇవ్వు. చివరలో 5 హ్యాష్‌ట్యాగ్స్ రాయి."

టీచింగ్ ఉదాహరణ (Teaching Analogy for Module 2)

"వడ్రంగి ఉదాహరణ (The Carpenter Analogy)"

విద్యార్థులకు ఇలా చెప్పండి:

  • మీరు ఒక వడ్రంగితో: "నాకొక కుర్చీ తయారుచేయి" అని అడిగితే...

    • అతను చిన్న పిల్లల కుర్చీ చేయొచ్చు, లేదా పెద్ద సింహాసనం చేయొచ్చు. అది మీకు నచ్చకపోతే మీరు అతన్ని తిట్టలేరు. ఎందుకంటే మీరు వివరాలు చెప్పలేదు.

  • అదే మీరు: "నాకు డైనింగ్ టేబుల్ కోసం (Purpose), 1950ల నాటి స్టైల్‌లో (Persona/Style), ఒక చెక్క కుర్చీ కావాలి (Product). దానికి పెయింట్ వెయ్యద్దు, కేవలం పాలిష్ చేయి (Process)" అని చెబితే...

    • అతను మీకు కచ్చితంగా మీరు ఊహించిన కుర్చీనే తయారుచేసి ఇస్తాడు.

Module 3: Core Prompting Techniques

Module 3: Core Prompting Techniques. This module bridges the gap between "talking to AI" and "programming AI."

Module 3: Core Prompting Techniques

Goal: Transform students from casual users into technical prompters by teaching them how to guide the AI's logic.

1. Zero-Shot Prompting (The "Cold Call")

Concept: You ask the AI to perform a task without providing any examples of how you want it done. You are relying entirely on the AI's pre-trained knowledge.

  • How it works: It’s like asking a stranger a question. You hope they understand the context immediately.

  • Best for: General knowledge, creative writing, or simple summaries.

Example:

Prompt: "Classify the sentiment of this review: 'The food was cold and the service was slow.'"

Output: Negative.

  • Limitation: If you want the answer in a specific format (like "Score: 1/5" instead of "Negative"), Zero-Shot often fails or guesses wrong.

2. Few-Shot Prompting (The Power of Patterns)

Concept: You provide the AI with 1 to 3 examples ("shots") of the Input and the desired Output before asking your actual question. This is called "In-Context Learning."

  • Why it works: LLMs are pattern-matching machines. If you show them a pattern, they will follow it perfectly.

  • Teaching Analogy: Imagine hiring a new employee. Instead of just saying "Write a report," you show them 3 previous reports and say, "Write the new one exactly like these."

Example: Converting Slang to Corporate Speak

Prompt:

Transform the following slang sentences into professional business language.

Input: "Dude, this code is trash."

Output: "The current codebase requires significant refactoring."

Input: "I'm gonna be late, traffic is crazy."

Output: "I will be arriving slightly behind schedule due to heavy traffic."

Input: "No way I'm doing that, it's not my job."

Output: [The AI completes this pattern] "That task falls outside the scope of my current responsibilities."

Key Takeaway: The AI didn't just translate; it adopted the tone and structure of the examples provided.

3. Chain-of-Thought (CoT) Prompting (The "Show Your Work" Method)

Concept: LLMs are bad at math and complex logic because they try to guess the answer in one go. CoT forces the AI to break the problem down step-by-step.

  • The Magic Phrase: simply adding "Let's think step by step" to the end of a prompt can increase accuracy by over 50% in math/logic tasks.

  • Teaching Analogy: It’s like a Math Teacher saying, "Don't just write the answer. Show your working." If you spot an error in the steps, you can fix it.

Example: A Logic Riddle

  • ❌ Zero-Shot (Likely to Fail):

    Prompt: "I have 5 apples. I eat 2. I buy 3 more. I drop 1. How many do I have?"

    AI Guess: 5 apples. (It often gets confused by the sequence).

  • ✅ Chain-of-Thought:

    Prompt: "I have 5 apples. I eat 2. I buy 3 more. I drop 1. How many do I have? Think step-by-step and explain your logic."

    Output:

    1. Start with 5 apples.

    2. You eat 2. (5 - 2 = 3). You have 3 left.

    3. You buy 3 more. (3 + 3 = 6). You have 6 now.

    4. You drop 1. (6 - 1 = 5).

      Final Answer: You have 5 apples.

(Note: Even if the answer is the same, the process ensures reliability for much harder problems).

Summary Table for Students

TechniqueDescriptionWhen to use?
Zero-ShotJust asking the question.Simple facts, creative writing, summaries.
Few-ShotGiving examples (Input -> Output).When you need a specific format, style, or tone.
Chain-of-ThoughtAsking for step-by-step logic.Math, coding, riddles, complex reasoning.





ఈ మాడ్యూల్ విద్యార్థులను సాధారణ వినియోగదారుల నుండి "టెక్నికల్ ప్రాంప్టర్స్" గా మారుస్తుంది.

మాడ్యూల్ 3: ముఖ్యమైన ప్రాంప్టింగ్ టెక్నిక్స్ (Core Prompting Techniques)

లక్ష్యం: కేవలం సాధారణ ప్రశ్నలు అడగడం కాకుండా, AI చేత మనకు కావాల్సిన విధంగా పని చేయించుకునే టెక్నికల్ పద్ధతులను నేర్చుకోవడం.

1. జీరో-షాట్ ప్రాంప్టింగ్ (Zero-Shot Prompting)

కాన్సెప్ట్: AIకి ఎలాంటి ఉదాహరణలు ఇవ్వకుండా, నేరుగా పని చేయమని అడగడం. ఇక్కడ మనం AIకి ఉన్న ముందస్తు జ్ఞానం (Pre-trained knowledge) మీద పూర్తిగా ఆధారపడతాం.

  • ఎలా పనిచేస్తుంది: ఇది దారిలో వెళ్లే కొత్త వ్యక్తిని అడ్రస్ అడిగినట్లు. వారికి ఆ ఏరియా తెలిస్తే చెప్తారు, లేకపోతే లేదు.

  • ఎప్పుడు వాడాలి: సాధారణ జ్ఞానం (General Knowledge), క్రియేటివ్ రైటింగ్ లేదా చిన్న సమ్మరీల కోసం.

ఉదాహరణ:

Prompt: "ఈ వాక్యం యొక్క భావాన్ని (Sentiment) చెప్పు: 'ఆ సినిమా చాలా బాగుంది, కానీ టికెట్ రేట్లు ఎక్కువ.'"

AI Output: మిశ్రమ స్పందన (Mixed/Neutral).

  • పరిమితి: మీకు సమాధానం ఒక కచ్చితమైన ఫార్మాట్‌లో కావాలంటే (ఉదాహరణకు "3/5 రేటింగ్" లాగా), ఇందులో రాకపోవచ్చు.

2. ఫ్యూ-షాట్ ప్రాంప్టింగ్ (Few-Shot Prompting - ఉదాహరణల శక్తి)

కాన్సెప్ట్: మన ప్రశ్న అడగడానికి ముందే, AIకి 1 నుండి 3 ఉదాహరణలు (Examples/Shots) చూపించడం. దీన్నే "In-Context Learning" అంటారు.

  • ఎందుకు పనిచేస్తుంది: AI అనేది "Pattern Matching Machine". మనం ఒక ప్యాట్రన్ (మూస) చూపిస్తే, అది కచ్చితంగా అదే పద్ధతిని ఫాలో అవుతుంది.

  • టీచింగ్ ఉదాహరణ: ఆఫీస్‌లో చేరిన కొత్త ఉద్యోగికి పని చెప్పినట్లు. కేవలం "రిపోర్ట్ రాయి" అని చెప్పకుండా, పాత రిపోర్ట్స్ 3 చూపించి, "సరిగ్గా వీటిలాగే రాయి" అని చెప్పడం.

ఉదాహరణ: స్లాంగ్ (Slang) భాషను ఆఫీస్ భాషలో మార్చడం

Prompt:

కింద ఇచ్చిన సాధారణ ఇంగ్లీష్ వాక్యాలను, ప్రొఫెషనల్ బిజినెస్ భాషలోకి మార్చు.

Input: "Dude, this code is trash." (ఒరేయ్, ఈ కోడ్ చెత్తలా ఉంది)

Output: "The current codebase requires significant improvement." (ఈ కోడ్ చాలా మెరుగుపడాల్సి ఉంది)

Input: "I'm gonna be late." (నేను లేట్ అవుతా)

Output: "I will be arriving slightly behind schedule." (నేను రావడం కాస్త ఆలస్యం అవుతుంది)

Input: "No way I'm doing that." (ఆ పని నేను అస్సలు చేయను)

Output: [AI ఇక్కడ ప్యాట్రన్ పూర్తి చేస్తుంది] "That task is outside of my responsibilities." (ఆ పని నా బాధ్యతల పరిధిలోకి రాదు)

కీ పాయింట్: AI కేవలం ట్రాన్స్‌లేట్ చేయలేదు; అది మనం ఇచ్చిన ఉదాహరణల "Tone" (శైలి) ని కూడా కాపీ చేసింది.

3. చైన్-ఆఫ్-థాట్ ప్రాంప్టింగ్ (Chain-of-Thought - CoT)

కాన్సెప్ట్: మ్యాథ్స్ (Maths) లేదా లాజిక్ ప్రశ్నల్లో AI తొందరపడి తప్పులు చేస్తుంది. అందుకే, నేరుగా సమాధానం చెప్పకుండా "స్టెప్-బై-స్టెప్" (అంచెలంచెలుగా) ఆలోచించమని మనం ఫోర్స్ చేయాలి.

  • మ్యాజిక్ పదం: మీ ప్రాంప్ట్ చివర "Let's think step by step" (మనం ఒక్కో స్టెప్ ఆలోచిద్దాం) అని జోడిస్తే, AI తెలివితేటలు 50% పెరుగుతాయి.

  • టీచింగ్ ఉదాహరణ: మ్యాథ్స్ టీచర్ ఎప్పుడూ "సమాధానం మాత్రమే కాదు, స్టెప్స్ కూడా రాయి" అని అంటారు కదా? అదే ఈ టెక్నిక్. స్టెప్స్ రాస్తే తప్పులు దొర్లే ఛాన్స్ తక్కువ.

ఉదాహరణ: లాజిక్ పజిల్

  • ❌ జీరో-షాట్ (Zero-Shot - తప్పు అయ్యే ఛాన్స్ ఉంది):

    Prompt: "నా దగ్గర 5 ఆపిల్స్ ఉన్నాయి. 2 తిన్నాను. 3 కొన్నాను. 1 కింద పడింది. ఇప్పుడు నా దగ్గర ఎన్ని ఉన్నాయి?"

    AI Guess: 5 ఆపిల్స్. (కొన్నిసార్లు కన్ఫ్యూజ్ అవుతుంది).

  • ✅ చైన్-ఆఫ్-థాట్ (CoT):

    Prompt: "నా దగ్గర 5 ఆపిల్స్ ఉన్నాయి. 2 తిన్నాను. 3 కొన్నాను. 1 కింద పడింది. ఇప్పుడు నా దగ్గర ఎన్ని ఉన్నాయి? Let's think step-by-step."

    Output:

    1. మొదట 5 ఆపిల్స్ ఉన్నాయి.

    2. మీరు 2 తిన్నారు. (5 - 2 = 3). ఇప్పుడు 3 మిగిలాయి.

    3. మీరు 3 కొన్నారు. (3 + 3 = 6). ఇప్పుడు 6 అయ్యాయి.

    4. ఒకటి కింద పడింది. (6 - 1 = 5).

      Final Answer: మీ దగ్గర 5 ఆపిల్స్ ఉన్నాయి.

విద్యార్థుల కోసం సమ్మరీ టేబుల్ (Summary Table)

టెక్నిక్ (Technique)వివరణ (Description)ఎప్పుడు వాడాలి?
జీరో-షాట్ (Zero-Shot)ఉదాహరణలు లేకుండా నేరుగా అడగడం.సాధారణ విషయాలు, క్రియేటివ్ రైటింగ్ కోసం.
ఫ్యూ-షాట్ (Few-Shot)1-3 ఉదాహరణలు ఇచ్చి అడగడం.మనకు ఒక కచ్చితమైన స్టైల్ లేదా ఫార్మాట్ కావాలన్నప్పుడు.
చైన్-ఆఫ్-థాట్ (CoT)స్టెప్-బై-స్టెప్ ఆలోచించమని చెప్పడం.మ్యాథ్స్, కోడింగ్, పజిల్స్ సాల్వ్ చేసేటప్పుడు.

--------------

6 Core Prompting Strategies. I have provided a brief definition for each, followed by 5 distinct examples ranging from simple to complex. You can use these directly in your classroom slides or handouts.

1. Zero-Shot Prompting

Definition: Asking the AI to perform a task without providing any prior examples or context. You are relying 100% on the AI's pre-trained knowledge.

  • Example 1 (Sentiment Analysis):

    "Classify the sentiment of this text: 'The battery life on this phone is terrible, but the camera is amazing.'"

  • Example 2 (Translation):

    "Translate the following sentence into French: 'Where is the nearest library?'"

  • Example 3 (Summarization):

    "Summarize the story of 'Romeo and Juliet' in one paragraph."

  • Example 4 (Creative Writing):

    "Write a haiku about a robot learning to love."

  • Example 5 (Code Explanation):

    "Explain what this Python function does: def add(a, b): return a + b"

2. Few-Shot Prompting

Definition: Providing 1 to 3 examples (input -> output) within the prompt to teach the AI a specific pattern, style, or format before asking it to do the task.

  • Example 1 (Style Transfer - Informal to Formal):

    "Convert the slang to professional English.

    Input: 'Nah, I'm good.' -> Output: 'No, thank you, I am fine.'

    Input: 'Gimme that file.' -> Output: 'Could you please send me that file?'

    Input: 'Idk where he is.' -> Output: [AI completes here]"

  • Example 2 (Data Extraction):

    "Extract the color and item from the text.

    Text: 'The big red ball.' -> Color: Red, Item: Ball

    Text: 'A fast green car.' -> Color: Green, Item: Car

    Text: 'A shiny silver spoon.' -> [AI completes here]"

  • Example 3 (Classification):

    "Classify these news headlines into Sports, Politics, or Tech.

    'New iPhone released today.' -> Tech

    'Senator passes new bill.' -> Politics

    'Lakers win the championship.' -> [AI completes here]"

  • Example 4 (Emoji Translation):

    "Turn these movie titles into emojis.

    'Harry Potter' -> ⚡🧙‍♂️🦉

    'Titanic' -> 🚢🧊💔

    'The Lion King' -> [AI completes here]"

  • Example 5 (Customer Support Triage):

    "Route the ticket to the right department.

    'My internet is down.' -> Technical Support

    'I want a refund.' -> Billing Department

    'How do I change my password?' -> [AI completes here]"

3. Chain-of-Thought (CoT) Prompting

Definition: Forcing the AI to break down a complex problem into intermediate steps rather than guessing the answer immediately. This significantly improves accuracy in math and logic.

  • Example 1 (Math Word Problem):

    "Roger has 5 tennis balls. He buys 2 more cans of tennis balls. Each can has 3 tennis balls. How many tennis balls does he have now? Let's think step by step."

  • Example 2 (Logical Deduction):

    "If A is taller than B, and B is taller than C, is A taller than C? Explain your reasoning before giving the answer."

  • Example 3 (Coding Logic):

    "I want to write a Python script to scrape a website. Outline the logical steps I need to take before writing any code."

  • Example 4 (Riddle Solving):

    "A man pushes his car to a hotel and tells the owner he's bankrupt. Why? Walk through the logic to find the solution." (Answer: Monopoly).

  • Example 5 (Business Strategy):

    "What is the break-even point for a product that costs $10 to make and sells for $25, with fixed costs of $1,000? Show the calculation steps."

4. Instruction Prompting

Definition: Giving explicit constraints and specific directions on how the output should look or behave. This is about controlling the format and boundaries.

  • Example 1 (Formatting Constraints):

    "Write a list of 5 healthy snacks. Do not use numbers. Use bullet points. Keep each item under 5 words."

  • Example 2 (Audience Constraint):

    "Explain Quantum Entanglement. Explain it as if you are talking to a 5-year-old child. Do not use scientific jargon."

  • Example 3 (Exclusion Constraint):

    "Write a dinner menu for a wedding. Do not include any pork, shellfish, or peanuts due to allergies."

  • Example 4 (Length Constraint):

    "Write a cover letter for a data analyst job. It must be exactly 150 words long."

  • Example 5 (Output Structure):

    "Generate a bio for a fictional character. Output the result in JSON format with keys for Name, Age, and Occupation."

5. Role-Based Prompting (Persona)

Definition: Asking the AI to adopt a specific character, profession, or personality. This changes the tone, vocabulary, and perspective of the answer.

  • Example 1 (The Interviewer):

    "Act as a Senior Java Developer conducting a job interview. Ask me 3 hard questions about Multithreading."

  • Example 2 (The Critic):

    "Act as a harsh movie critic. Write a review of the movie 'Frozen' focusing only on the plot holes."

  • Example 3 (The Travel Guide):

    "Act as a local tour guide in Hyderabad. Suggest a 1-day itinerary that focuses on food and history, not shopping."

  • Example 4 (The Historical Figure):

    "Act as Socrates. Answer this question using the Socratic method (answer with another question): 'What is justice?'"

  • Example 5 (The Coach):

    "Act as a motivational fitness coach. I don't want to go to the gym today. Give me a tough-love speech to get me moving."

6. Ethical Prompting

Definition: Designing prompts that explicitly guide the AI to avoid bias, harm, misinformation, or inappropriate content. It is about "Safety First."

  • Example 1 (Reducing Bias):

    "Write a job description for a Construction Manager. Ensure the language is gender-neutral and encourages both men and women to apply."

  • Example 2 (Fact-Checking):

    "Explain the causes of the French Revolution. Only use verified historical facts and if you are unsure about a date, state that you do not know rather than guessing."

  • Example 3 (Safety Boundaries):

    "I am writing a crime novel. Describe how a character might theoretically break into a safe without providing a real-world tutorial or actionable instructions that could be used for crime."

  • Example 4 (Balanced View):

    "Write an essay about Artificial Intelligence in schools. Provide arguments for both the benefits and the risks, maintaining a neutral and objective tone."

  • Example 5 (Privacy Protection):

    "Analyze this meeting transcript to find action items. Do not output or repeat any personal names or phone numbers mentioned in the text."

Summary Table for Students

Prompt TypeKey FocusThe "Vibe"
Zero-ShotNo help given."Just answer it."
Few-ShotExamples given."Do it like this."
Chain-of-ThoughtLogic required."Show your work."
InstructionConstraints given."Follow these rules."
Role-BasedPersona adopted."Pretend you are..."
EthicalSafety & Bias."Be responsible."

1. జీరో-షాట్ ప్రాంప్టింగ్ (Zero-Shot Prompting)

వివరణ: AIకి ఎటువంటి ఉదాహరణలు లేదా సందర్భం ఇవ్వకుండా నేరుగా పని చేయమని అడగడం. ఇక్కడ మనం AIకి ఉన్న సొంత నాలెడ్జ్‌పై పూర్తిగా ఆధారపడతాం.

  • Example 1 (సెంటిమెంట్ అనాలసిస్):

    "ఈ వాక్యం యొక్క భావాన్ని (Sentiment) చెప్పు: 'ఈ ఫోన్ బ్యాటరీ చాలా చెత్తగా ఉంది, కానీ కెమెరా అద్భుతంగా ఉంది.'"

  • Example 2 (అనువాదం):

    "ఈ వాక్యాన్ని ఫ్రెంచ్ భాషలోకి మార్చు: 'దగ్గర్లో లైబ్రరీ ఎక్కడ ఉంది?'"

  • Example 3 (సారాంశం - Summarization):

    "'బాహుబలి' సినిమా కథను ఒకే పేరాగ్రాఫ్‌లో సమ్మరైజ్ చేయి."

  • Example 4 (క్రియేటివ్ రైటింగ్):

    "రోబోలకు ప్రేమ పుట్టడం గురించి ఒక చిన్న కవిత (Haiku) రాయి."

  • Example 5 (కోడ్ వివరణ):

    "ఈ పైథాన్ ఫంక్షన్ ఏం చేస్తుందో వివరించు: def add(a, b): return a + b"

2. ఫ్యూ-షాట్ ప్రాంప్టింగ్ (Few-Shot Prompting)

వివరణ: మనం అసలైన ప్రశ్న అడగడానికి ముందే, AIకి 1 నుండి 3 ఉదాహరణలు (Input -> Output) చూపించి, "నాకు సమాధానం సరిగ్గా ఇలాగే కావాలి" అని నేర్పించడం.

  • Example 1 (స్టైల్ మార్చడం - Slang to Formal):

    "ఈ స్లాంగ్ మాటలను ప్రొఫెషనల్ ఇంగ్లీష్‌లోకి మార్చు.

    Input: 'Nah, I'm good.' -> Output: 'No, thank祝い, I am fine.'

    Input: 'Gimme that file.' -> Output: 'Could you please send me that file?'

    Input: 'Idk where he is.' -> Output: [AI ఇక్కడ పూర్తి చేస్తుంది]"

  • Example 2 (డేటా వెలికితీయడం):

    "ఈ వాక్యాల నుండి రంగును మరియు వస్తువును వేరు చేయి.

    Text: 'ఎర్రటి బంతి.' -> Color: Red, Item: Ball

    Text: 'పచ్చని కారు.' -> Color: Green, Item: Car

    Text: 'వెండి చెంచా.' -> [AI ఇక్కడ పూర్తి చేస్తుంది]"

  • Example 3 (వర్గీకరణ - Classification):

    "ఈ వార్తలను Sports, Politics లేదా Tech కింద వర్గీకరించు.

    'కొత్త iPhone విడుదల.' -> Tech

    'ఎన్నికల ఫలితాలు వచ్చాయి.' -> Politics

    'టీమిండియా గెలిచింది.' -> [AI ఇక్కడ పూర్తి చేస్తుంది]"

  • Example 4 (ఎమోజీ అనువాదం):

    "సినిమా పేర్లను ఎమోజీలుగా మార్చు.

    'Harry Potter' -> ⚡🧙‍♂️🦉

    'Titanic' -> 🚢🧊💔

    'The Lion King' -> [AI ఇక్కడ పూర్తి చేస్తుంది]"

  • Example 5 (కస్టమర్ సపోర్ట్):

    "సమస్యను బట్టి ఏ డిపార్ట్‌మెంట్‌కి పంపాలో చెప్పు.

    'నా ఇంటర్నెట్ రావడం లేదు.' -> Technical Support

    'నాకు రీఫండ్ కావాలి.' -> Billing Department

    'పాస్‌వర్డ్ ఎలా మార్చాలి?' -> [AI ఇక్కడ పూర్తి చేస్తుంది]"

3. చైన్-ఆఫ్-థాట్ ప్రాంప్టింగ్ (Chain-of-Thought - CoT)

వివరణ: ఏదైనా క్లిష్టమైన సమస్య వచ్చినప్పుడు, AIని నేరుగా జవాబు చెప్పనివ్వకుండా, "స్టెప్-బై-స్టెప్ (అంచెలంచెలుగా)" ఆలోచించి సమాధానం చెప్పమని ఒత్తిడి చేయడం. ఇది మ్యాథ్స్ మరియు లాజిక్‌కు చాలా ముఖ్యం.

  • Example 1 (మ్యాథ్స్ సమస్య):

    "రాము దగ్గర 5 బంతులు ఉన్నాయి. అతను ఇంకా 2 డబ్బాల బంతులు కొన్నాడు. ప్రతి డబ్బాలో 3 బంతులు ఉన్నాయి. ఇప్పుడు అతని దగ్గర మొత్తం ఎన్ని ఉన్నాయి? Let's think step by step."

  • Example 2 (లాజికల్ డిడక్షన్):

    "A అనే వ్యక్తి B కంటే పొడవు. B అనే వ్యక్తి C కంటే పొడవు. అయితే A అనే వ్యక్తి C కంటే పొడవైనవాడా? జవాబు చెప్పే ముందు కారణం వివరించు."

  • Example 3 (కోడింగ్ లాజిక్):

    "నేను ఒక వెబ్‌సైట్ నుండి డేటా తీయడానికి పైథాన్ స్క్రిప్ట్ రాయాలి. కోడ్ రాసే ముందు, నేను తీసుకోవాల్సిన లాజికల్ స్టెప్స్ ఏంటో వివరించు."

  • Example 4 (పజిల్/Riddle):

    "ఒక వ్యక్తి తన కారును హోటల్ వరకు తోసుకుంటూ వెళ్లి, ఓనర్‌తో 'నేను దివాలా తీసాను' అని చెప్పాడు. ఎందుకు? లాజిక్ వివరించు." (Answer: Monopoly Game).

  • Example 5 (బిజినెస్ లెక్కలు):

    "ఒక వస్తువు తయారీ ఖర్చు ₹10, అమ్మే ధర ₹25. ఫిక్సెడ్ ఖర్చులు ₹1000 అయితే, లాభాల్లోకి రావడానికి ఎన్ని అమ్మాలి? కాలిక్యులేషన్ స్టెప్స్ చూపించు."

4. ఇన్‌స్ట్రక్షన్ ప్రాంప్టింగ్ (Instruction Prompting)

వివరణ: ఫలితం ఎలా ఉండాలి, ఎంత పొడవు ఉండాలి, ఏది ఉండకూడదు అనే నిబంధనలు (Constraints/Rules) స్పష్టంగా చెప్పడం.

  • Example 1 (ఫార్మాటింగ్ రూల్):

    "ఆరోగ్యకరమైన 5 స్నాక్స్ లిస్ట్ ఇవ్వు. నంబర్స్ వాడకూడదు. కేవలం బుల్లెట్ పాయింట్స్ వాడు. ఒక్కోటి 5 పదాల కంటే ఎక్కువ ఉండకూడదు."

  • Example 2 (ఆడియన్స్ రూల్):

    "క్వాంటం ఫిజిక్స్ గురించి వివరించు. ఒక 5 ఏళ్ల పిల్లాడికి చెప్పినట్లుగా వివరించు. కష్టమైన పదాలు వాడకు."

  • Example 3 (నిషేధం - Exclusion):

    "పెళ్లికి డిన్నర్ మెనూ రాయి. ఎలర్జీల వల్ల వేరుశెనగ (Peanuts) మరియు నాన్-వెజ్ అస్సలు ఉండకూడదు."

  • Example 4 (పొడవు - Length):

    "డేటా అనలిస్ట్ ఉద్యోగం కోసం కవర్ లెటర్ రాయి. ఇది కచ్చితంగా 150 పదాలు మాత్రమే ఉండాలి."

  • Example 5 (ఔట్‌పుట్ స్ట్రక్చర్):

    "ఒక కల్పిత పాత్ర బయోడేటా రాయి. ఫలితాన్ని JSON ఫార్మాట్‌లో ఇవ్వు. అందులో Name, Age, Occupation అనే కీస్ (Keys) ఉండాలి."

5. రోల్-బేస్డ్ ప్రాంప్టింగ్ (Role-Based/Persona Prompting)

వివరణ: AIని ఒక నిర్దిష్ట వ్యక్తిలా, ఉద్యోగిలా లేదా నిపుణుడిలా (Persona) ప్రవర్తించమని అడగడం. దీనివల్ల సమాధానం చెప్పే "శైలి" (Tone) మారుతుంది.

  • Example 1 (ఇంటర్వ్యూయర్):

    "ఒక సీనియర్ జావా డెవలపర్‌లా వ్యవహరించు. నన్ను జాబ్ ఇంటర్వ్యూ చేస్తూ, 'Multithreading' మీద 3 కష్టమైన ప్రశ్నలు అడుగు."

  • Example 2 (విమర్శకుడు):

    "ఒక కఠినమైన సినిమా విమర్శకుడిలా (Critic) మారు. 'దేవర' సినిమాలోని లోపాలపై మాత్రమే ఫోకస్ చేస్తూ రివ్యూ రాయి."

  • Example 3 (ట్రావెల్ గైడ్):

    "హైదరాబాద్‌లో లోకల్ టూరిస్ట్ గైడ్‌లా వ్యవహరించు. షాపింగ్ కాకుండా, కేవలం ఫుడ్ మరియు చరిత్రను చూపించేలా 1 రోజు ప్లాన్ ఇవ్వు."

  • Example 4 (చారిత్రక వ్యక్తి):

    "నువ్వు సోక్రటీస్ (Socrates) అనుకో. ఈ ప్రశ్నకు జవాబు ఇవ్వకు, తిరిగి నాకే ప్రశ్న వేయి: 'న్యాయం అంటే ఏమిటి?'"

  • Example 5 (జిమ్ కోచ్):

    "ఒక మోటివేషనల్ ఫిట్‌నెస్ కోచ్‌లా మాట్లాడు. నాకు ఈ రోజు జిమ్‌కి వెళ్లాలని లేదు. నన్ను తిడుతూనైనా సరే జిమ్‌కి వెళ్లేలా మోటివేట్ చేయి."

6. ఎథికల్ ప్రాంప్టింగ్ (Ethical Prompting)

వివరణ: AI తప్పుడు సమాచారం ఇవ్వకుండా, పక్షపాతం (Bias) చూపించకుండా, లేదా హానికరమైన విషయాలు చెప్పకుండా జాగ్రత్తగా ప్రాంప్ట్ డిజైన్ చేయడం.

  • Example 1 (పక్షపాతం లేకుండా):

    "నిర్మాణ రంగానికి (Construction) మేనేజర్ జాబ్ డిస్క్రిప్షన్ రాయి. స్త్రీలు, పురుషులు ఇద్దరూ అప్లై చేసేలా భాష తటస్థంగా (Gender-neutral) ఉండాలి."

  • Example 2 (వాస్తవాలు - Fact Checking):

    "ఫ్రెంచ్ విప్లవం గురించి చెప్పు. కేవలం ధృవీకరించిన చరిత్రను మాత్రమే చెప్పు. ఏదైనా తేదీ తెలియకపోతే, ఊహించి చెప్పకు, 'తెలియదు' అని చెప్పు."

  • Example 3 (భద్రత - Safety):

    "నేను ఒక క్రైమ్ నవల రాస్తున్నాను. ఒక దొంగ లాకర్‌ను ఎలా తెరుస్తాడో వివరించు. కానీ నిజ జీవితంలో ఎవరూ నేరం చేయడానికి ఉపయోగపడేలా టెక్నికల్ వివరాలు ఇవ్వకూడదు."

  • Example 4 (సమతుల్యత - Balanced View):

    "పాఠశాలల్లో AI వాడకంపై ఒక వ్యాసం రాయి. దీనివల్ల వచ్చే లాభాలు మరియు నష్టాలు రెండింటినీ నిష్పక్షపాతంగా వివరించు."

  • Example 5 (ప్రైవసీ - Privacy):

    "ఈ మీటింగ్ ట్రాన్స్‌క్రిప్ట్‌ను సమ్మరైజ్ చేయి. కానీ ఇందులో ఉన్న ఎవరి పేర్లు లేదా ఫోన్ నంబర్లు బయట పెట్టకూడదు."

విద్యార్థులకు సమ్మరీ టేబుల్ (Summary Table)

ప్రాంప్ట్ రకంముఖ్యాంశం (Focus)AI తీరు (Vibe)
Zero-Shotసహాయం లేకుండా అడగడం."నేరుగా జవాబు చెప్పు."
Few-Shotఉదాహరణలు ఇవ్వడం."నేను చూపించినట్లుగా చేయి."
Chain-of-Thoughtలాజిక్ ముఖ్యం."అంచెలంచెలుగా ఆలోచించు."
Instructionనిబంధనలు (Rules)."ఈ రూల్స్ పాటించు."
Role-Basedపాత్ర పోషించడం."నువ్వు ఒక ఆఫీసర్ అనుకో..."
Ethicalభద్రత & నిజాయితీ."బాధ్యతగా ప్రవర్తించు."


Module 4: Advanced Control & Iteration

Goal: Shift student mindset from "One-Shot Search" (like Google) to "Conversational Refinement" (like working with a colleague).

1. Iterative Refinement (The "Chat" in Chatbot)

Concept: The first output is almost never the best output. It is a "First Draft." Real power comes from guiding the AI through multiple turns.

  • Teaching Analogy: "The Sculptor." You don't throw a block of clay and instantly have a statue. You chip away, smooth it out, and add details. The prompt is the chisel.

  • Example: Refining a Sales Script

    • Turn 1 (The Blob): "Write a script to sell a pen."

      • Result: Generic, boring, "Buy this pen, it writes well."

    • Turn 2 ( The Shape): "That is too boring. Make it dramatic, like a movie trailer voiceover."

      • Result: "IN A WORLD... WITHOUT INK..." (Better, but maybe too much).

    • Turn 3 (The Polish): "Tone it down slightly. Keep the energy, but make it professional for a corporate meeting context."

      • Result: A strong, energetic pitch suitable for business.

2. System Prompts vs. User Prompts

Concept: There are two layers of instructions.

  • System Prompt: The "Identity" or "Rules of the Game." (Who are you?)

  • User Prompt: The "Turn" or "Task." (What do I do now?)

  • Teaching Analogy: "The Method Actor."

    • System Prompt: The Director tells the actor: "You are a grumpy old man who hates technology." (This instruction stays active the whole time).

    • User Prompt: A customer asks: "How do I use this iPhone?"

    • Output: "Bah! Back in my day we used smoke signals! Take this glass brick away from me!"

  • Classroom Example:

    • Show students the difference:

      • Standard Mode: User asks "Explain Gravity." -> AI gives a textbook definition.

      • System Mode: System Prompt: "You are a poet." -> User asks "Explain Gravity." -> AI writes a poem about falling apples.

Example 1: The Math Teacher

See how the answer changes for the exact same question just by changing the System Prompt.

User Prompt (The Question): "What is 15 x 4?"

  • Scenario A: Normal Calculator Mode

    • System Prompt: "You are a helpful assistant. Give direct answers."

    • AI Output: "60."

  • Scenario B: The Good Teacher Mode

    • System Prompt: "You are a Math Tutor. Never give the answer directly. Help the student calculate it step-by-step."

    • AI Output: "I won't give you the answer directly. First, tell me, what is 15 x 2? If you double that number, you will get your answer. Try it!"

Example 2: The Movie Reviewer

Changing the "Mood" of the AI.

User Prompt (The Question): "How is the movie 'Devara'?"

  • Scenario A: Die-hard Fan Mode

    • System Prompt: "You are a huge fan of Jr. NTR. You love everything about his movies. Use exciting language."

    • AI Output: "It was absolutely mind-blowing! Annaya's acting and those ocean shots were next level! You have to watch it. Jai NTR!"

  • Scenario B: The Harsh Critic Mode

    • System Prompt: "You are a strict movie critic. Focus on technical flaws and logic."

    • AI Output: "The visuals were decent, but the story lacked originality. The second half felt very slow. The screenplay should have been tighter."

Example 3: The Language Translator

Translating the same sentence into different "Styles."

User Prompt (The Question): "Translate this to Telugu: 'Come to my house quickly, let's eat together.'"

  • Scenario A: Formal Mode

    • System Prompt: "You are a polite translator. Use formal language suitable for elders."

    • AI Output: "Please kindly come to our home; we shall dine together." (Formal/Respectful tone)

  • Scenario B: Slang Mode (Hyderabad Style)

    • System Prompt: "You are from Hyderabad. Translate into informal local slang."

    • AI Output: "Come fast bro! Let's eat!" (Casual/Street tone)

  • Scenario C: Ancient/Poetic Mode

    • System Prompt: "Translate into ancient, poetic language."

    • AI Output: "Hasten to my humble abode, so we may partake in a feast." (Grand/Old-fashioned tone)

Example 4: Interview Practice

This is excellent for helping students prepare for jobs.

User Prompt (The Question): "My name is Raju. I am here for the Java Developer interview."

  • Scenario A: Friendly HR Manager

    • System Prompt: "You are a friendly HR manager. Make the candidate feel comfortable."

    • AI Output: "Hello Raju! Please take a seat. How was your commute? Just relax, we will start by talking about your projects."

  • Scenario B: Stress Interviewer

    • System Prompt: "You are a tough Technical Manager. Ask hard questions immediately. Test their stress levels."

    • AI Output: "Okay Raju, I don't like wasting time. Go to the whiteboard. Write the code for how 'Garbage Collection' works internally in Java. Do it now."

3. Handling Parameters (Temperature)

Concept: AI has a "Creativity Knob" called Temperature (Scale 0.0 to 1.0).

  • Low Temperature (0.1 - 0.3) = The Accountant.

    • Predictable, factual, boring, precise.

    • Use for: Math, Coding, Data Extraction, Medical definitions.

  • High Temperature (0.7 - 1.0) = The Artist.

    • Random, creative, unpredictable, diverse.

    • Use for: Brainstorming, Fiction writing, Poetry, generating unique names.

  • Example: Prompt: "The sky is..."

    • Temp 0.1: "Blue." (Always blue).

    • Temp 0.9: "A canvas of sapphire," "Weeping grey tears," "On fire with sunset."

Think of Temperature as the AI's "Creativity Knob."

  • Low Temperature (0.1) is like a Robot. It is strict, logical, and boring. It always gives the most "correct" and "safe" answer.

  • High Temperature (0.9) is like a Dreamer. It is wild, creative, and unpredictable. It takes risks.

Here are 3 Simple Examples to explain this concept:

Example 1: The "Fill in the Blank" Game

Imagine you ask the AI to complete this sentence:

"The sky is __________."

  • Temperature 0.1 (The Robot):

    • Result: "Blue."

    • Why? Because "Blue" is the most statistically probable word. If you ask it 10 times, it will say "Blue" 10 times.

  • Temperature 0.9 (The Dreamer):

    • Result 1: "Glowing with stars."

    • Result 2: "A canvas of grey clouds."

    • Result 3: "Weeping rain."

    • Why? The AI looks for less common, more artistic words. It takes a risk to sound unique.

Example 2: The Chef Analogy

Imagine you ask a chef to make Tomato Soup.

  • Temperature 0.1 (Strict Chef):

    • They follow the recipe book exactly. Tomatoes, water, salt, pepper.

    • Result: It tastes exactly the same every single time. It’s perfect but boring.

  • Temperature 0.9 (Crazy Chef):

    • They look at the recipe but decide to experiment.

    • Result: "I added some mango and chili powder!"

    • Outcome: Sometimes it tastes amazing (Creative innovation), but sometimes it tastes terrible (Hallucination/Mistake).

Example 3: Writing an Email

You ask the AI: "Write an email to my boss saying I am late."

  • Temperature 0.2 (Safe Mode):

    "Hi Boss, I am running 15 minutes late due to traffic. I will be there soon."

    • (Professional, safe, standard).

  • Temperature 1.0 (Wild Mode):

    "Greetings! The roads have conspired against me today! A sea of red lights holds me prisoner. Fear not, for I shall arrive shortly with the speed of a cheetah!"

    • (Creative, weird, and probably not safe to send to a boss!)

Summary Table for Students

Temperature SettingBest Used For...Personality
Low (0.0 - 0.3)Math, Coding, Facts, Data Extraction.The Accountant 📊
Medium (0.4 - 0.6)General Chat, Writing Articles, Summaries.The Journalist 📝
High (0.7 - 1.0)Poetry, Fiction, Brainstorming Ideas, Jokes.The Artist 🎨

Module 5: Ethics, Limitations, and Safety

Goal: This is the most critical module. Students must understand that AI is a tool that can lie, discriminate, and leak secrets.

1. Hallucinations (The Confident Liar)

Concept: LLMs do not "know" facts; they predict the next word. Sometimes, they predict a lie because it sounds grammatically correct.

  • The Rule: "Trust, but Verify."

  • Real-World Example:

    • The Lawyer Case: A real lawyer used ChatGPT to write a legal brief. ChatGPT invented fake court cases (e.g., Varghese v. China Southern Airlines) that sounded real but didn't exist. The lawyer got in significant trouble with the judge.

  • Classroom Activity:

    • Ask the AI: *"Write a biography of [Make up a fake name, e.g., Professor Alistair P. Wigglesworth of Oxford]."

    • Often, the AI will invent a birth date, a career, and books he never wrote, just because the prompt implied he was real.

What is an AI Hallucination?

In the world of AI, a "Hallucination" occurs when a Large Language Model (LLM) generates a response that looks grammatically correct and factual but is completely made up.

The AI does not "know" the truth. It is a text predictor. Its goal is to create sentences that flow well, not necessarily sentences that are true.

The Analogy for Students: "The Overconfident Student" Imagine a student in an exam who didn't study. They don't know the answer, but they want to pass. So, they write a long, detailed, and beautifully handwriting answer that makes zero sense factually, but looks very professional. That is an AI Hallucination.

Why is it called "The Confident Liar"?

The danger isn't that the AI is wrong. The danger is that it sounds right. It doesn't use words like "maybe" or "I think." It uses authoritative language.

  • Human: "I think the capital of Australia is Sydney?" (Unsure)

  • AI Hallucination: "The capital of Australia is Sydney." (Wrong, but stated as a fact. The real capital is Canberra).

5 Types of Hallucinations with Examples

1. The "Fake Citation" Hallucination (Academic Danger)

This is the most common trap for students and researchers. The AI will invent books, papers, and authors that do not exist to support its argument.

  • Prompt: "Summarize the 2015 study by Dr. Emily Carter on the effects of green tea on quantum computing."

  • The Hallucination:

    "In her groundbreaking 2015 study, 'Quantum Sip,' Dr. Emily Carter demonstrated that antioxidants in green tea stabilize qubits at room temperature..."

  • The Reality: Dr. Emily Carter might not exist, or she never wrote that paper. The AI invented the study because the prompt implied it existed.

2. The "Ghost Code" Hallucination (Coding Danger)

Developers often ask AI for code libraries. Sometimes, the AI invents a library function that should exist logically, but doesn't exist in reality.

  • Prompt: "Write a Python script to control a microwave using the pymywave library."

  • The Hallucination:

    Python
    import pymywave
mw = pymywave.connect()
mw.set_power(800)
mw.start(60)

  • The Reality: The code looks perfect. But when you run it, you get an error because pymywave does not exist. The AI hallucinated the entire library.

3. The "Mixed Reality" Hallucination (Subtle Lying)

The AI takes two real facts and mashes them together to create a lie. These are the hardest to spot.

  • Prompt: "Tell me about the time Barack Obama visited the Moon."

  • The Hallucination:

    "During his presidency in 2012, Barack Obama visited the NASA lunar base to oversee the deployment of the Curiosity Rover..."

  • The Reality: Obama is real. The Curiosity Rover is real. But Obama never went to the moon. The AI tried to make your prompt make sense rather than correcting you.

4. The "Legal" Hallucination (Real World Consequence)

This is a famous real-world example (The Mata v. Avianca case).

  • Scenario: A lawyer asked ChatGPT to find legal cases to support his argument.

  • The Hallucination: ChatGPT provided a case called Varghese v. China Southern Airlines. It listed the date, the judge, and the verdict.

  • The Reality: The lawyer submitted this to a real court. The judge looked it up and realized the case never happened. The lawyer was fined and sanctioned.

5. The "Biographical" Hallucination

If you ask about a person who is somewhat famous but not a superstar, the AI often fills in the gaps with fiction.

  • Prompt: "Who is [Your Name]?" (Assuming you are not extremely famous).

  • The Hallucination:

    "[Your Name] is a famous cricketer who played for India in the 1990s. He is known for scoring a century against Australia in Perth."

  • The Reality: The AI associates your name with an Indian demographic and "guesses" a popular profession (Cricket) to complete the pattern.

How to Teach Students to Handle Hallucinations

Teach them the "Trust but Verify" workflow:

  1. Check citations: If the AI recommends a book or link, click it. If it doesn't open, it's likely a hallucination.

  2. Cross-Reference: If the AI says "The population of Mars is 5,000," ask Google "What is the population of Mars?"

  3. Use "Grounding" Prompts: Tell the AI: "Answer only using facts you are 100% sure of. If you don't know, say 'I don't know'."

2. Bias in AI (The Mirror Effect)

Concept: AI is trained on the Internet. The Internet contains stereotypes, racism, and sexism. Therefore, AI creates biased outputs.

  • Example: "Draw a CEO"

    • If you ask an Image Generator to "Draw a CEO," it will generate men in suits 95% of the time. It rarely generates women or minorities unless explicitly asked.

  • Example: "The Nurse vs. Doctor"

    • Text models often associate "Doctor" with "He" and "Nurse" with "She" in stories, reinforcing gender roles.

  • Lesson for Students: You must actively prompt against bias (e.g., "Write a story about a doctor, use female pronouns").


What is the "Mirror Effect"?

AI models are trained on billions of pages of text and images from the internet. The internet was created by humans. Therefore, the internet contains all of human history’s prejudices, stereotypes, and inequalities.

The AI is a mirror. It reflects society back to us.

  • If society historically hired mostly men as CEOs, the AI "learns" that CEOs are men.

  • If the internet has more photos of Western weddings than Indian weddings, the AI "learns" that a bride wears white, not red.

It is not doing this to be mean. It is doing this because it predicts the most probable pattern.

4 Real-World Examples of AI Bias

1. The "Professional" Gender Bias (The Translation Trap)

This is the easiest one to show in a classroom using Google Translate or an LLM.

  • The Scenario: Many languages (like Turkish or Finnish) have gender-neutral pronouns (they don't have separate words for "He" and "She").

  • The Input: You type a gender-neutral sentence: "They are a doctor. They are a nurse."

  • The Output: When you translate this into English, the AI often biases the gender based on stereotypes:

    " He is a doctor. She is a nurse."

  • The Mirror: The AI looked at its training data and saw that historically, the word "Doctor" appears near "He" more often than "She." It amplified that statistic into a rule.

2. The "Default Human" Bias (Image Generation)

If you use an image generator (like Midjourney or DALL-E) and give it a vague prompt, it defaults to a specific stereotype.

  • Prompt: "Generate an image of a wealthy person."

    • Result: Almost always a white man in a suit.

  • Prompt: "Generate an image of a person suffering from poverty."

    • Result: Often a person with darker skin or in a non-Western environment.

  • The Mirror: The AI associates "Wealth" with "Western/White" and "Poverty" with "Global South" because of the volume of news and stock photos it consumed during training.

3. The "Resume Screening" Bias (Hiring Algorithms)

A famous tech company (Amazon) once tried to build an AI to review job applications.

  • The Training: They fed the AI resumes of everyone they had hired in the last 10 years.

  • The Problem: Since the tech industry was male-dominated for those 10 years, the AI learned that "Men = Good Candidates."

  • The Result: The AI started penalizing resumes that contained the word "Women's" (e.g., "Captain of the Women's Chess Club") and downgrading graduates from all-women's colleges.

  • The Lesson: The AI wasn't sexist; it was mathematically copying the hiring patterns of the past.

4. The "Cultural" Bias (The Wedding Dress)

AI often ignores non-Western cultures unless explicitly told not to.

  • Prompt: "Describe a beautiful wedding dress."

  • AI Output: "A stunning floor-length gown in pure white silk with lace details and a veil."

  • The Bias: In India, a wedding dress is often Red (Saree/Lehenga). In China, Red is also lucky. In Japan, it might be a Kimono.

  • The Mirror: Because the internet is dominated by English-speaking Western content, the AI assumes "White Dress" is the default definition of a wedding.

Classroom Activity: "Breaking the Mirror"

This activity teaches students how to use Ethical Prompting to fix bias.

  1. Step 1 (The Biased Prompt): Ask the students to prompt: "Write a story about a construction worker and a receptionist."

    • Outcome: The AI will likely make the construction worker male and the receptionist female.

  2. Step 2 (The Corrective Prompt): Ask the students to rewrite the prompt to break the mirror.

    • New Prompt: "Write a story about a construction worker and a receptionist. Ensure the construction worker is female and the receptionist is male to challenge gender stereotypes."

Summary for Students

"AI is not objective. It is a Pattern Matcher. If the pattern in the data is racist or sexist, the AI will be racist or sexist. As Prompt Engineers, it is your job to guide the AI to be better than its training data."

3. Data Privacy (The Golden Rule)

Concept: When you type into a public AI (like free ChatGPT or Gemini), that data can be used to train the model.

  • The Horror Story:

    • Engineers at a major tech company pasted confidential source code into a chatbot to ask it to fix a bug. Later, the AI learned that code and started suggesting those secret lines of code to other users outside the company.

  • The Rule:

    • NEVER paste:

      • Passwords / API Keys.

      • Personal Identifiable Information (PII) like Phone Numbers/Addresses.

      • Confidential Company Strategy or Code.

    • Safe Practice: Anonymize data. Instead of "Sales for Client Coca-Cola," write "Sales for Client A."

మాడ్యూల్ 4: అడ్వాన్స్‌డ్ కంట్రోల్ & ఇటరేషన్ (Advanced Control & Iteration)

లక్ష్యం: విద్యార్థుల మైండ్‌సెట్‌ను మార్చడం. గూగుల్‌లో "ఒక్కసారి వెతకడం" (One-Shot Search) వేరు, AIతో "మాట్లాడి సమాధానాన్ని మెరుగుపరచడం" (Conversational Refinement) వేరు అని చెప్పడం.

1. ఇటరేటివ్ రిఫైన్‌మెంట్ (Iterative Refinement - దశలవారీగా మెరుగుపరచడం)

కాన్సెప్ట్: AI ఇచ్చే మొదటి సమాధానం ఎప్పుడూ "First Draft" (మొదటి చిత్తుప్రతి) మాత్రమే. మనం AIతో సంభాషిస్తూ (Chatting) దాన్ని మెరుగుపరిచినప్పుడే అసలైన ఫలితం వస్తుంది.

  • టీచింగ్ ఉదాహరణ: "శిల్పి (The Sculptor)" ఒక శిల్పి మట్టి ముద్దను విసిరేయగానే అది విగ్రహం అయిపోదు కదా? దాన్ని చెక్కాలి, నునుపు చేయాలి, వివరాలు జోడించాలి. ఇక్కడ 'ప్రాంప్ట్' అనేది మీ ఉలి (Chisel) లాంటిది.

  • ఉదాహరణ: సేల్స్ స్క్రిప్ట్ రాయడం

    • Turn 1 (మట్టి ముద్ద): "ఒక పెన్ను అమ్మడానికి స్క్రిప్ట్ రాయి."

      • ఫలితం: సాదాసీదాగా, బోరింగ్‌గా ఉంటుంది. "ఈ పెన్ను కొనండి, బాగా రాస్తుంది."

    • Turn 2 (ఆకారం ఇవ్వడం): "ఇది మరీ బోరింగ్‌గా ఉంది. సినిమా ట్రైలర్ వాయిస్ లాగా డ్రమాటిక్‌గా మార్చు."

      • ఫలితం: "ఒకానొక లోకంలో... ఇంక్ లేని పెన్నులతో..." (బాగుంది కానీ మరీ ఎక్కువైంది).

    • Turn 3 (ఫైనల్ టచ్): "కొంచెం తగ్గించు. ఎనర్జీ అలాగే ఉంచు, కానీ ఆఫీస్ మీటింగ్‌లో చెప్పేలా ప్రొఫెషనల్‌గా మార్చు."

      • ఫలితం: బిజినెస్ మీటింగ్‌లకు సరిపోయే అద్భుతమైన పిచ్ తయారవుతుంది.

రోజువారీ జీవితంలో ఉపయోగపడే 4 సాధారణ ఉదాహరణలు ఇక్కడ ఉన్నాయి:

ఉదాహరణ 1: ఆఫీస్ లీవ్ లెటర్ (Office Leave Letter)

సందర్భం: మీకు జ్వరం వచ్చింది, బాస్‌కి మెయిల్ పెట్టాలి.

  • Step 1 (మొదటి ప్రయత్నం):

    User: "నా బాస్‌కి లీవ్ లెటర్ రాయి." AI: చాలా సాధారణమైన లెటర్ ఇస్తుంది. ("I want leave" అని సింపుల్‌గా రాస్తుంది).

  • Step 2 (సమాచారం జోడించడం - Refinement 1):

    User: "అలా కాదు. నాకు జ్వరం వచ్చింది, డాక్టర్ 2 రోజులు రెస్ట్ తీసుకోమన్నారు. ఆ విషయం యాడ్ చేయి." AI: కారణం జోడించి మళ్ళీ రాస్తుంది.

  • Step 3 (టోన్ మార్చడం - Refinement 2):

    User: "ఇది మరీ ఫ్రెండ్‌కి రాసినట్లు ఉంది. మా బాస్ చాలా సీరియస్. బాగా Professional గా, వినయంగా (Polite) ఉండేలా మార్చు." AI: "Respected Sir/Madam, I am writing to formally request..." అంటూ చాలా పద్ధతిగా రాస్తుంది.

ఉదాహరణ 2: బర్త్‌డే విషెస్ (Birthday Wishes)

సందర్భం: మీ ఫ్రెండ్ పుట్టినరోజుకి వెరైటీగా విష్ చేయాలి.

  • Step 1 (మొదటి ప్రయత్నం):

    User: "నా ఫ్రెండ్ రవికి బర్త్‌డే విష్ రాయి." AI: "Happy Birthday Ravi. Have a nice day." (చాలా బోరింగ్‌గా ఉంది).

  • Step 2 (స్టైల్ మార్చడం - Refinement 1):

    User: "మరీ చప్పగా ఉంది. వాడు నా బెస్ట్ ఫ్రెండ్. కాస్త ఫన్నీగా (Funny), వెటకారంగా ఉండేలా రాయి." AI: "Happy Birthday Ravi! పార్టీ ఎప్పుడు ఇస్తున్నావ్? కేక్ మాత్రమేనా లేక బిర్యానీ కూడా ఉందా?"

  • Step 3 (ఎమోషన్ జోడించడం - Refinement 2):

    User: "బాగుంది. కానీ చివర్లో మన దోస్తీ గురించి ఒక మంచి ఎమోషనల్ డైలాగ్ యాడ్ చేయి." AI: "Happy Birthday రా మామ! పార్టీ సంగతి పక్కన పెడితే, ఎప్పుడూ ఇలాగే నవ్వుతూ ఉండు. కష్టమొచ్చినా సుఖమొచ్చినా నేనున్నా అని గుర్తుంచుకో."

ఉదాహరణ 3: కష్టమైన టాపిక్ నేర్చుకోవడం (Learning Complex Topics)

సందర్భం: స్టూడెంట్స్ "బ్లాక్ హోల్" (Black Hole) గురించి తెలుసుకోవాలి అనుకుంటున్నారు.

  • Step 1 (మొదటి ప్రయత్నం):

    User: "బ్లాక్ హోల్ అంటే ఏమిటి?" AI: సైన్స్ టెక్స్ట్ బుక్‌లో ఉన్నట్లు పెద్ద పెద్ద పదాలతో కష్టమైన డెఫినిషన్ ఇస్తుంది.

  • Step 2 (సరళీకరించడం - Refinement 1):

    User: "నాకు అర్థం కాలేదు. ఒక 10 ఏళ్ల పిల్లాడికి అర్థమయ్యేలా సింపుల్‌గా చెప్పు." AI: "బ్లాక్ హోల్ అనేది అంతరిక్షంలో ఒక రాక్షసుడు లాంటిది. అది ఎంత ఆకలితో ఉంటుందంటే, కాంతిని (Light) కూడా మింగేస్తుంది."

  • Step 3 (ఉదాహరణ అడగడం - Refinement 2):

    User: "ఓకే, దీనికి ఒక రియల్ లైఫ్ ఉదాహరణ (Analogy) చెప్పు." AI: "ఊహించుకోండి, మీ వాక్యూమ్ క్లీనర్ (Vacuum Cleaner) పవర్ చాలా పెరిగిపోతే ఎలాగైతే గదిలో ఉన్న వస్తువులన్నింటినీ లాగేసుకుంటుందో, బ్లాక్ హోల్ కూడా అలాగే పనిచేస్తుంది."

ఉదాహరణ 4: వంట రెసిపీ (Cooking Recipe)

సందర్భం: ఇంట్లో ఉన్నవాటితో ఏదో ఒకటి వండుకోవాలి.

  • Step 1 (మొదటి ప్రయత్నం):

    User: "చికెన్ ఫ్రై ఎలా చేయాలో చెప్పు." AI: పెద్ద హోటల్ రెసిపీ, ఓవెన్ (Oven) వాడాలి, 20 రకాల మసాలాలు కావాలి అని చెబుతుంది.

  • Step 2 (పరిమితులు పెట్టడం - Refinement 1):

    User: "నా దగ్గర ఓవెన్ లేదు, ఎక్కువ మసాలాలు లేవు. బ్యాచిలర్స్ చేసుకునేలా చాలా సింపుల్ రెసిపీ చెప్పు." AI: "సరే, కేవలం కారం, ఉప్పు, అల్లం వెల్లుల్లి పేస్ట్ ఉంటే చాలు. ఇలా చేయండి..." అని సింపుల్ పద్ధతి చెబుతుంది.

  • Step 3 (ఫార్మాట్ మార్చడం - Refinement 2):

    User: "ఓకే, నాకు చదవడం కష్టంగా ఉంది. స్టెప్స్ అన్నీ తీసేసి, కేవలం షాపింగ్ లిస్ట్ (Shopping List) మాత్రం ఇవ్వు." AI:

    • 1/2 KG చికెన్

    • 2 స్పూన్ల కారం

    • 1 స్పూన్ ఉప్పు

    • నూనె

2. సిస్టమ్ ప్రాంప్ట్స్ vs యూజర్ ప్రాంప్ట్స్

కాన్సెప్ట్: AIకి మనం రెండు రకాల ఆదేశాలు ఇవ్వొచ్చు.

  • సిస్టమ్ ప్రాంప్ట్ (System Prompt): AI యొక్క "గుర్తింపు" లేదా "ప్రవర్తన" (Rules of the Game). నువ్వు ఎవరు? ఎలా ఉండాలి?

  • యూజర్ ప్రాంప్ట్ (User Prompt): అసలైన ప్రశ్న లేదా టాస్క్.

  • టీచింగ్ ఉదాహరణ: "మెథడ్ యాక్టర్ (The Method Actor)"

    • సిస్టమ్ ప్రాంప్ట్: డైరెక్టర్ నటుడితో: "నువ్వు టెక్నాలజీ అంటే ఇష్టం లేని ముసలివాడివి." (ఈ రూల్ ఎప్పటికీ మారదు).

    • యూజర్ ప్రాంప్ట్: ఒక కస్టమర్ వచ్చి: "ఈ ఐఫోన్ ఎలా వాడాలి?" అని అడిగితే...

    • Output: "ఛీ! నా కాలంలో పొగతో సంకేతాలు పంపేవాళ్ళం! ఈ గాజు ముక్కను నా కళ్ళ ముందు నుండి తీయండి!"

3. పారామీటర్స్ - టెంపరేచర్ (Handling Parameters)

కాన్సెప్ట్: AIలో "Temperature" (స్కేల్ 0.0 నుండి 1.0) అనేది దాని "క్రియేటివిటీ"ని కంట్రోల్ చేస్తుంది.

  • తక్కువ టెంపరేచర్ (Low: 0.1 - 0.3) = అకౌంటెంట్ (The Accountant).

    • చెప్పింది కచ్చితంగా చేస్తుంది, బోరింగ్‌గా ఉంటుంది, నిజాలు మాత్రమే చెబుతుంది.

    • దీనికి వాడాలి: మ్యాథ్స్, కోడింగ్, డాక్టర్ సలహాలు, డేటా ఎక్స్‌ట్రాక్షన్.

  • ఎక్కువ టెంపరేచర్ (High: 0.7 - 1.0) = ఆర్టిస్ట్ (The Artist).

    • కొత్తగా ఆలోచిస్తుంది, ఊహించని సమాధానాలు ఇస్తుంది.

    • దీనికి వాడాలి: కథలు రాయడం, కవితలు, ఐడియా బ్రెయిన్‌స్టార్మింగ్.

ఉదాహరణ 1: మ్యాథ్స్ టీచర్ (Maths Teacher)

ఒకే ప్రశ్నకు, సిస్టమ్ ప్రాంప్ట్ మారితే సమాధానం ఎలా మారుతుందో చూడండి.

యూజర్ ప్రాంప్ట్ (ప్రశ్న): "15 x 4 ఎంత?"

  • సందర్భం A: సాధారణ కాలిక్యులేటర్ (Normal Mode)

    • సిస్టమ్ ప్రాంప్ట్: "You are a helpful assistant. Give direct answers." (నువ్వు ఒక సహాయకారివి. సమాధానం నేరుగా చెప్పు.)

    • AI సమాధానం: "60."

  • సందర్భం B: మంచి గురువు (Teacher Mode)

    • సిస్టమ్ ప్రాంప్ట్: "You are a Maths Tutor. Never give the answer directly. Help the student calculate it step-by-step." (నువ్వు మ్యాథ్స్ టీచర్‌వి. జవాబు నేరుగా చెప్పకు. స్టూడెంట్ స్వయంగా లెక్కించేలా క్లూస్ ఇవ్వు.)

    • AI సమాధానం: "నేరుగా జవాబు చెప్పను. ముందు చెప్పు, 15ని రెండు సార్లు గుణిస్తే (15 x 2) ఎంత వస్తుంది? వచ్చిన దాన్ని డబుల్ చేస్తే జవాబు వస్తుంది. ప్రయత్నించు!"

ఉదాహరణ 2: సినిమా రివ్యూవర్ (Movie Reviewer)

AI యొక్క "మూడ్" (Mood) మార్చడం.

యూజర్ ప్రాంప్ట్ (ప్రశ్న): "'దేవర' సినిమా ఎలా ఉంది?"

  • సందర్భం A: వీరాభిమాని (Die-hard Fan Mode)

    • సిస్టమ్ ప్రాంప్ట్: "You are a huge fan of Jr. NTR. You love everything about his movies. Use exciting language." (నువ్వు ఎన్టీఆర్ వీరాభిమానివి. సినిమా గురించి చాలా గొప్పగా, ఉత్సాహంగా చెప్పు.)

    • AI సమాధానం: "అదరగొట్టేశాడు అంతే! అన్న ఆక్టింగ్, ఆ సముద్రం షాట్స్ వేరే లెవెల్! కచ్చితంగా చూడాల్సిందే. జై ఎన్టీఆర్!"

  • సందర్భం B: కఠినమైన విమర్శకుడు (Harsh Critic Mode)

    • సిస్టమ్ ప్రాంప్ట్: "You are a strict movie critic. Focus on technical flaws and logic." (నువ్వు చాలా స్ట్రిక్ట్ క్రిటిక్. సినిమాలో తప్పులు, లాజిక్ లేని సీన్ల గురించి మాత్రమే మాట్లాడు.)

    • AI సమాధానం: "విజువల్స్ బాగున్నాయి కానీ, కథలో కొత్తదనం లేదు. సెకండ్ హాఫ్ చాలా నెమ్మదిగా అనిపించింది. స్క్రీన్ ప్లే ఇంకాస్త బాగా రాసుకోవాల్సింది."

ఉదాహరణ 3: భాషా అనువాదకుడు (Language Translator)

ఒకే వాక్యాన్ని వేర్వేరు స్టైల్స్‌లో మార్చడం.

యూజర్ ప్రాంప్ట్ (ప్రశ్న): "Translate this to Telugu: 'Come to my house quickly, let's eat together.'"

  • సందర్భం A: గౌరవప్రదమైన భాష (Formal Mode)

    • సిస్టమ్ ప్రాంప్ట్: "You are a polite translator. Use formal Telugu suitable for elders." (మర్యాదపూర్వకమైన, పెద్దవారితో మాట్లాడే తెలుగులో అనువదించు.)

    • AI సమాధానం: "దయచేసి త్వరగా మా ఇంటికి రండి, మనం కలిసి భోజనం చేద్దాం."

  • సందర్భం B: తెలంగాణ యాస (Telangana Slang Mode)

    • సిస్టమ్ ప్రాంప్ట్: "You are from Hyderabad. Translate into informal Telangana slang." (హైదరాబాదీ తెలంగాణ యాసలో, దోస్త్‌తో మాట్లాడేలా అనువదించు.)

    • AI సమాధానం: "జల్దీ గాడికి రారా భాయ్, కలిసి తిందాం!"

  • సందర్భం C: గ్రాంథికం (Ancient Telugu Mode)

    • సిస్టమ్ ప్రాంప్ట్: "Translate into ancient, poetic Telugu (Grandhikam)." (పాత సినిమాల్లోని గ్రాంథిక భాషలో అనువదించు.)

    • AI సమాధానం: "వేగముగా మద్గృహమునకు ఏతెంచుము, మనము కలసి భుజింతము."

ఉదాహరణ 4: ఇంటర్వ్యూ ప్రాక్టీస్ (Interview Practice)

స్టూడెంట్స్ జాబ్ ఇంటర్వ్యూకి ప్రిపేర్ అవ్వడానికి ఇది బెస్ట్.

యూజర్ ప్రాంప్ట్ (ప్రశ్న): "నా పేరు రాజు. నేను జావా డెవలపర్ ఇంటర్వ్యూకి వచ్చాను."

  • సందర్భం A: ఫ్రెండ్లీ HR (Friendly HR)

    • సిస్టమ్ ప్రాంప్ట్: "You are a friendly HR manager. Make the candidate feel comfortable." (నువ్వు చాలా ఫ్రెండ్లీ HRవి. అభ్యర్థి భయపడకుండా ఉండేలా మాట్లాడు.)

    • AI సమాధానం: "హలో రాజు గారు! కూర్చోండి. ప్రయాణం ఎలా జరిగింది? రిలాక్స్ అవ్వండి, మనం ముందుగా మీ ప్రాజెక్ట్స్ గురించి మాట్లాడుకుందాం."

  • సందర్భం B: సీరియస్ టెక్నికల్ మేనేజర్ (Stress Interviewer)

    • సిస్టమ్ ప్రాంప్ట్: "You are a tough Technical Manager. Ask hard questions immediately. Test their stress levels." (నువ్వు చాలా సీరియస్ మేనేజర్‌వి. చూడగానే కష్టమైన ప్రశ్నలు అడుగు. వాళ్ళను ఒత్తిడికి గురిచేయి.)

    • AI సమాధానం: "ఓకే రాజు, సమయం వృధా చేయడం నాకు ఇష్టం లేదు. జావాలో 'Garbage Collection' ఇంటర్నల్‌గా ఎలా పనిచేస్తుందో బోర్డు మీద కోడ్ రాసి చూపించు. ఇప్పుడే!"

Temperature అంటే AI యొక్క "క్రియేటివిటీ బటన్" (Creativity Knob) అని చెప్పవచ్చు.

  • తక్కువ టెంపరేచర్ (0.1) అనేది ఒక రోబో (Robot) లాంటిది. ఇది చాలా స్ట్రిక్ట్‌గా, లాజికల్ గా ఉంటుంది. ఇది ఎప్పుడూ సేఫ్ ఆన్సర్ మాత్రమే ఇస్తుంది.

  • ఎక్కువ టెంపరేచర్ (0.9) అనేది ఒక కలలు కనేవాడి (Dreamer) లాంటిది. ఇది చాలా కొత్తగా, వెరైటీగా ఆలోచిస్తుంది. రిస్క్ తీసుకుంటుంది.

దీన్ని అర్థం చేసుకోవడానికి 3 సింపుల్ ఉదాహరణలు ఇక్కడ ఉన్నాయి:

ఉదాహరణ 1: ఖాళీలు పూరించండి (Fill in the Blank)

మీరు AIని ఈ వాక్యాన్ని పూర్తి చేయమని అడిగారనుకోండి:

"ఆకాశం రంగు __________."

  • Temperature 0.1 (రోబో):

    • సమాధానం: "నీలం."

    • ఎందుకు? ఎందుకంటే గణాంకాల ప్రకారం "నీలం" అనేదే కరెక్ట్ ఆన్సర్. మీరు 10 సార్లు అడిగినా, అది 10 సార్లు "నీలం" అనే చెబుతుంది.

  • Temperature 0.9 (కలలు కనేవాడు):

    • సమాధానం 1: "నక్షత్రాలతో మెరుస్తోంది."

    • సమాధానం 2: "మేఘాల దుప్పటి కప్పుకుంది."

    • సమాధానం 3: "వర్షం కురిపిస్తోంది."

    • ఎందుకు? AI కొత్త పదాలను వెతుకుతుంది. రొటీన్ ఆన్సర్ కాకుండా వెరైటీగా చెప్పడానికి ప్రయత్నిస్తుంది.

ఉదాహరణ 2: వంట మనిషి (The Chef Analogy)

మీరు ఒక చెఫ్‌ని టమాటో సూప్ చేయమని అడిగారనుకోండి.

  • Temperature 0.1 (నియమాలు పాటించే వంటవాడు):

    • ఇతను రెసిపీ బుక్ పక్కాగా ఫాలో అవుతాడు. టమాటో, నీళ్లు, ఉప్పు అంతే.

    • ఫలితం: రుచి ఎప్పుడూ ఒకేలా ఉంటుంది. పర్ఫెక్ట్‌గా ఉంటుంది కానీ బోరింగ్‌గా అనిపించొచ్చు.

  • Temperature 0.9 (ప్రయోగాలు చేసే వంటవాడు):

    • ఇతను రెసిపీ చూస్తాడు కానీ, సొంత ప్రయోగాలు చేస్తాడు.

    • ఫలితం: "నేను అందులో కొంచెం మామిడికాయ ముక్కలు, మసాలా వేసాను!"

    • పర్యవసానం: ఒక్కోసారి రుచి అద్భుతంగా ఉంటుంది (Creative), ఒక్కోసారి చెత్తగా ఉంటుంది (Mistake/Hallucination).

ఉదాహరణ 3: ఈమెయిల్ రాయడం (Writing an Email)

మీరు AIని అడిగారు: "నేను ఆఫీస్‌కి లేట్ అవుతున్నాను, మా బాస్‌కి మెయిల్ రాయి."

  • Temperature 0.2 (సేఫ్ మోడ్):

    "హలో సార్, ట్రాఫిక్ వల్ల నేను 15 నిమిషాలు లేట్‌గా వస్తున్నాను. దయచేసి గమనించగలరు."

    • (చాలా పద్ధతిగా, భద్రంగా ఉంటుంది).

  • Temperature 1.0 (వైల్డ్ మోడ్):

    "నమస్కారం! ఈరోజు రోడ్లన్నీ నన్ను బంధించాయి! ట్రాఫిక్ అనే సముద్రంలో చిక్కుకున్నాను. కానీ భయపడకండి, చిరుతపులి వేగంతో వచ్చేస్తాను!"

    • (ఇది చాలా విచిత్రంగా ఉంది. బాస్‌కి పంపిస్తే తిట్లు తప్పవు!)

విద్యార్థుల కోసం సమ్మరీ టేబుల్ (Summary Table)

Temperature Settingదేనికి వాడాలి? (Best Used For)వ్యక్తిత్వం (Personality)
తక్కువ (Low: 0.0 - 0.3)మ్యాథ్స్, కోడింగ్, నిజాలు (Facts).అకౌంటెంట్ (The Accountant) 📊
మధ్యస్థం (Medium: 0.4 - 0.6)సాధారణ చాటింగ్, వ్యాసాలు రాయడం.జర్నలిస్ట్ (The Journalist) 📝
ఎక్కువ (High: 0.7 - 1.0)కవితలు, కథలు, కొత్త ఐడియాలు.ఆర్టిస్ట్ (The Artist) 🎨

మాడ్యూల్ 5: ఎథిక్స్, పరిమితులు మరియు సేఫ్టీ (Ethics, Limitations, and Safety)

లక్ష్యం: ఇది చాలా ముఖ్యమైన మాడ్యూల్. AI అనేది ఒక టూల్ మాత్రమే, అది అబద్ధాలు చెప్పగలదు, పక్షపాతం చూపగలదు మరియు మీ సీక్రెట్స్ లీక్ చేయగలదు అని విద్యార్థులు తెలుసుకోవాలి.

1. హాలోసినేషన్స్ - భ్రమలు (The Confident Liar)

కాన్సెప్ట్: LLMలకు నిజాలు "తెలియవు"; అవి కేవలం తదుపరి పదాన్ని ఊహిస్తాయి. ఒక్కోసారి గ్రామర్ కరెక్ట్‌గా ఉండటం కోసం అవి అబద్ధాలను సృష్టిస్తాయి. దీన్నే "Hallucinations" అంటారు.

  • రూల్: "నమ్ము, కానీ సరిచూసుకో" (Trust, but Verify).

  • రియల్ లైఫ్ ఉదాహరణ (The Lawyer Case):

    • అమెరికాలో ఒక లాయర్ ChatGPTని వాడి కోర్టులో వాదనలు రాశాడు. ChatGPT కొన్ని "ఫేక్ కేసులు" (ఉదాహరణకు: Varghese v. China Southern Airlines) సృష్టించింది. అవి నిజంగా జరగలేదు, కానీ AI వాటిని చాలా నమ్మకంగా రాసింది. ఆ లాయర్ జడ్జి ముందు దొరికిపోయి శిక్ష అనుభవించాడు.

AI హాలోసినేషన్ (Hallucination) అంటే ఏమిటి?

AI ప్రపంచంలో, ఒక లార్జ్ లాంగ్వేజ్ మోడల్ (LLM) వ్యాకరణ పరంగా (Grammatically) కరెక్ట్‌గా ఉండి, పూర్తిగా కల్పితమైన (అబద్ధపు) సమాధానాన్ని ఇస్తే, దాన్ని "Hallucination" (భ్రమ) అంటారు.

AIకి "నిజం" అంటే ఏమిటో తెలియదు. అది కేవలం ఒక Text Predictor (తదుపరి పదాన్ని ఊహించేది). దాని లక్ష్యం వాక్యాలు సరిగ్గా రాయడమే తప్ప, నిజాలు చెప్పడం కాదు.

విద్యార్థులకు ఉదాహరణ: "ఓవర్ కాన్ఫిడెంట్ విద్యార్థి" ఒక విద్యార్థి పరీక్షకు అస్సలు చదవకుండా వెళ్ళాడు అనుకోండి. అతనికి జవాబు తెలియదు, కానీ పాస్ అవ్వాలి. అప్పుడు అతను ఏం చేస్తాడు? పేజీల కొద్దీ సొంత కథలు రాస్తాడు. చేతిరాత అద్భుతంగా ఉంటుంది, హెడ్డింగ్స్ పెడతాడు, చూడటానికి చాలా ప్రొఫెషనల్‌గా ఉంటుంది. కానీ అందులో ఉన్నదంతా చెత్త. AI Hallucination అంటే సరిగ్గా ఇదే.

దీన్ని "నమ్మకంగా చెప్పే అబద్ధాలకోరు" (The Confident Liar) అని ఎందుకు అంటారు?

ఇక్కడ ప్రమాదం ఏమిటంటే AI తప్పు చెప్పడం కాదు, ఆ తప్పును చాలా నమ్మకంగా చెప్పడం. అది "కావచ్చు", "నాకు అనిపిస్తుంది" అనే పదాలు వాడదు. "ఇదే నిజం" అన్నట్లు చెబుతుంది.

  • మనిషి: "ఆస్ట్రేలియా రాజధాని సిడ్నీ అనుకుంటా?" (అనుమానంగా).

  • AI Hallucination: "ఆస్ట్రేలియా రాజధాని సిడ్నీ." (తప్పు, కానీ ఫుల్ కాన్ఫిడెన్స్. నిజానికి రాజధాని 'కాన్‌బెర్రా').

5 రకాల హాలోసినేషన్స్ - ఉదాహరణలతో

1. నకిలీ ఆధారాలు (The "Fake Citation" Hallucination)

రీసెర్చ్ చేసే విద్యార్థులకు ఇది పెద్ద ప్రమాదం. AI లేని పుస్తకాలను, రాయని రచయితలను సృష్టిస్తుంది.

  • Prompt: "క్వాంటమ్ కంప్యూటింగ్‌పై డాక్టర్ ఎమిలీ రాసిన 2015 రీసెర్చ్ పేపర్‌ను సమ్మరైజ్ చేయి."

  • AI అబద్ధం:

    "2015లో డాక్టర్ ఎమిలీ రాసిన 'క్వాంటమ్ సిప్' అనే పుస్తకంలో, ఆమె గ్రీన్ టీ గురించి అద్భుతంగా వివరించారు..."

  • నిజం: డాక్టర్ ఎమిలీ అనే ఆవిడ అసలు ఆ పుస్తకమే రాయలేదు. మీ ప్రశ్నలో ఆ పేరు ఉంది కాబట్టి, AI ఒక పుస్తకాన్ని సృష్టించింది.

2. లేని కోడ్ (The "Ghost Code" Hallucination)

ప్రోగ్రామర్లు లైబ్రరీల కోసం అడిగినప్పుడు, AI లాజికల్‌గా అనిపించే, కానీ అసలు ఉనికిలో లేని కోడ్‌ను ఇస్తుంది.

  • Prompt: "pymywave లైబ్రరీని వాడి మైక్రోవేవ్‌ను కంట్రోల్ చేసే పైథాన్ కోడ్ రాయి."

  • AI అబద్ధం:

    Python
    import pymywave
mw = pymywave.connect()
mw.set_power(800)

  • నిజం: కోడ్ చూడటానికి బాగుంది. కానీ pymywave అనే లైబ్రరీ అసలు ప్రపంచంలోనే లేదు. దాన్ని రన్ చేస్తే ఎర్రర్ వస్తుంది.

3. సగమే నిజం (The "Mixed Reality" Hallucination)

రెండు వేర్వేరు నిజాలను కలిపి ఒక అబద్ధాన్ని తయారు చేస్తుంది. ఇవి కనిపెట్టడం చాలా కష్టం.

  • Prompt: "బరాక్ ఒబామా చంద్రుడి మీదకు వెళ్ళినప్పుడు ఏం జరిగిందో చెప్పు."

  • AI అబద్ధం:

    "2012లో బరాక్ ఒబామా క్యూరియాసిటీ రోవర్ (Curiosity Rover)ను పర్యవేక్షించడానికి చంద్రుడిని సందర్శించారు..."

  • నిజం: ఒబామా నిజం. క్యూరియాసిటీ రోవర్ నిజం. కానీ ఒబామా చంద్రుడి మీదకు వెళ్ళలేదు. మీ ప్రశ్నను నిజం చేయడానికి AI ఈ కథ అల్లింది.

4. లీగల్ హాలోసినేషన్ (Real World Danger)

ఇది నిజంగా జరిగిన సంఘటన (Mata v. Avianca కేసు).

  • సందర్భం: ఒక లాయర్ తన కేసు గెలవడానికి ChatGPTని వాడి పాత కేసుల వివరాలు అడిగాడు.

  • AI అబద్ధం: ChatGPT Varghese v. China Southern Airlines అనే ఒక కేసును, జడ్జి పేరుతో సహా ఇచ్చింది.

  • నిజం: ఆ లాయర్ దాన్ని కోర్టులో సమర్పించాడు. జడ్జి పరిశీలిస్తే తెలిసింది ఏంటంటే, అసలు ఆ కేసే జరగలేదు. ఆ లాయర్‌కి జడ్జి భారీ జరిమానా విధించారు.

5. బయోగ్రాఫికల్ హాలోసినేషన్ (Biographical)

మరీ అంత ఫేమస్ కాని వ్యక్తుల గురించి అడిగితే, AI సొంత కథలు రాస్తుంది.

  • Prompt: "రవి కుమార్ (మీ పేరు) ఎవరు?"

  • AI అబద్ధం:

    "రవి కుమార్ 1990లలో ఇండియా తరఫున ఆడిన ప్రముఖ క్రికెటర్. ఆస్ట్రేలియాపై సెంచరీ కొట్టాడు."

  • నిజం: ఆ పేరు వినగానే, ఇండియాలో క్రికెట్ ఫేమస్ కాబట్టి, AI అతన్ని క్రికెటర్‌ని చేసేసింది.

విద్యార్థులకు ఏం నేర్పాలి? (How to Handle)

వారికి "Trust but Verify" (నమ్ము, కానీ సరిచూసుకో) అనే పద్ధతి నేర్పించండి:

  1. లింక్స్ చెక్ చేయండి: AI ఏదైనా పుస్తకం పేరు గానీ, లింక్ గానీ ఇస్తే, గూగుల్‌లో వెతికి అది నిజమో కాదో చూడాలి.

  2. Cross-Reference: AI ఒక ఫ్యాక్ట్ చెప్పిందంటే, దాన్ని గూగుల్‌లో మళ్ళీ అడగండి.

  3. Grounding Prompts వాడండి: AIకి ఇలా చెప్పండి: "నీకు కచ్చితంగా తెలిస్తేనే చెప్పు, తెలియకపోతే 'తెలియదు' అని చెప్పు. సొంత కథలు రాయొద్దు."

2. బయాస్ - పక్షపాతం (Bias in AI)

కాన్సెప్ట్: AI ఇంటర్నెట్ మొత్తం చదివి నేర్చుకుంది. ఇంటర్నెట్‌లో ఉండే మూస ధోరణులు (Stereotypes), వివక్ష కూడా దానికి వస్తాయి.

  • ఉదాహరణ: "CEO బొమ్మ గీయమని అడగండి"

    • మీరు AIని "ఒక CEO బొమ్మ గీయు" అని అడిగితే, 95% సార్లు అది "సూట్ వేసుకున్న మగవాడి" బొమ్మనే ఇస్తుంది. ఆడవారిని తక్కువగా చూపిస్తుంది.

  • ఉదాహరణ: "నర్సు vs డాక్టర్"

    • కథలు రాసేటప్పుడు AI తరచుగా డాక్టర్‌ని "He" (అతడు) అని, నర్సుని "She" (ఆమె) అని సంభోదిస్తుంది.

  • పాఠం: విద్యార్థులు ప్రాంప్ట్ రాసేటప్పుడు ఈ పక్షపాతాన్ని తొలగించేలా రాయాలి (ఉదా: "ఒక లేడీ డాక్టర్ గురించి కథ రాయి").

"మిర్రర్ ఎఫెక్ట్" (Mirror Effect) అంటే ఏమిటి?

AI మోడల్స్ ఇంటర్నెట్‌లో ఉన్న కోట్లాది పేజీల సమాచారం మరియు ఫోటోల ఆధారంగా ట్రైనింగ్ తీసుకున్నాయి. ఇంటర్నెట్‌ను తయారు చేసింది మనుషులే కదా? అందుకే, మనుషుల చరిత్రలో ఉన్న పక్షపాతాలు (Bias), వివక్షలు, మరియు మూస ధోరణులు (Stereotypes) అన్నీ ఇంటర్నెట్‌లో ఉన్నాయి.

AI అనేది ఒక అద్దం (Mirror) లాంటిది. అది మన సమాజాన్ని మనకే తిరిగి చూపిస్తుంది.

  • చరిత్రలో ఎక్కువగా మగవాళ్ళే CEOలుగా ఉంటే, AI "CEO అంటే మగవాడు" అని నేర్చుకుంటుంది.

  • ఇంటర్నెట్‌లో ఇండియన్ పెళ్లిళ్ళ కంటే వెస్ట్రన్ (పాశ్చాత్య) పెళ్లిళ్ళ ఫోటోలు ఎక్కువగా ఉంటే, AI "పెళ్లి కూతురు అంటే వైట్ డ్రెస్ వేసుకుంటుంది" అని నేర్చుకుంటుంది (మనలా ఎర్ర చీర కాదు).

AI దీన్ని కావాలని చేయదు. "ఏది ఎక్కువగా ఉంటే అదే నిజం" అనే గణాంకాల (Probability) ఆధారంగా అది ఇలా ప్రవర్తిస్తుంది.

AI పక్షపాతానికి 4 నిజ జీవిత ఉదాహరణలు

1. వృత్తిపరమైన లింగ వివక్ష (The "Professional" Gender Bias)

ఇది క్లాస్‌రూమ్‌లో చూపించడానికి చాలా సులభమైన ఉదాహరణ.

  • సందర్భం: కొన్ని భాషల్లో (టర్కిష్ లేదా ఫిన్నిష్ వంటివి) "అతడు", "ఆమె" అనే తేడా ఉండదు.

  • ఇన్‌పుట్: మీరు "They are a doctor. They are a nurse." అని ఆ భాషల్లో టైప్ చేసి ఇంగ్లీష్‌లోకి మార్చమని అడగండి.

  • AI సమాధానం:

    "He is a doctor. She is a nurse." (డాక్టర్ అంటే మగవాడు, నర్సు అంటే ఆడది అని మార్చేస్తుంది).

  • కారణం: ఇంటర్నెట్‌లో "డాక్టర్" పక్కన "He" అని, "నర్సు" పక్కన "She" అని ఎక్కువసార్లు రాసి ఉంది. AI ఆ పాత రికార్డునే ఫాలో అవుతుంది.

2. "డీఫాల్ట్ మనిషి" వివక్ష (Image Generation Bias)

మీరు Midjourney లేదా DALL-E వంటి ఇమేజ్ జనరేటర్లను వాడితే ఇది కనిపిస్తుంది.

  • Prompt: "ధనవంతుడి బొమ్మ గీయించు."

    • ఫలితం: దాదాపు ఎప్పుడూ సూట్ వేసుకున్న తెల్ల జాతీయుడి (White Man) బొమ్మే వస్తుంది.

  • Prompt: "పేదవాడి బొమ్మ గీయించు."

    • ఫలితం: నల్ల జాతీయులు లేదా మురికివాడల్లో ఉన్నవారి బొమ్మలు వస్తాయి.

  • కారణం: సినిమాలు, వార్తల్లో ఉన్న స్టీరియోటైప్స్‌ని AI కాపీ కొడుతుంది.

3. ఉద్యోగ ఎంపికలో వివక్ష (The "Resume Screening" Bias)

ఒకప్పుడు అమెజాన్ (Amazon) కంపెనీ ఉద్యోగాలకు మనుషులను ఎంపిక చేయడానికి ఒక AIని తయారు చేసింది.

  • ట్రైనింగ్: గత 10 ఏళ్ళలో సెలెక్ట్ అయిన వారి రెజ్యుమేలను AIకి చూపించారు.

  • సమస్య: టెక్నాలజీ రంగంలో గత 10 ఏళ్ళలో ఎక్కువగా మగవాళ్ళే ఉద్యోగాల్లో చేరారు. కాబట్టి AI "మగవాళ్ళే బెస్ట్ కాండిడేట్స్" అని ఫిక్స్ అయిపోయింది.

  • ఫలితం: ఆడవారి రెజ్యుమేలలో "Women's Chess Club" (మహిళల చెస్ క్లబ్) వంటి పదాలు కనిపిస్తే, AI వారిని రిజెక్ట్ చేయడం మొదలుపెట్టింది.

  • పాఠం: AI కావాలని ఆడవారిని ద్వేషించలేదు; అది కేవలం పాత లెక్కలను (Mathematics) గుడ్డిగా ఫాలో అయ్యింది.

4. సాంస్కృతిక వివక్ష (The Wedding Dress Example)

AI ఎక్కువగా వెస్ట్రన్ కల్చర్‌ని ఫాలో అవుతుంది. మన ఇండియన్ కల్చర్‌ని పట్టించుకోదు.

  • Prompt: "అందమైన పెళ్లి డ్రెస్ గురించి వర్ణించు."

  • AI సమాధానం: "తెల్లని సిల్క్ గౌను, నెట్ వేల్ (Veil) తో చాలా అందంగా ఉంటుంది."

  • వివక్ష: ఇండియాలో పెళ్లి కూతురు ఎర్రటి పట్టుచీర లేదా లెహంగా కట్టుకుంటుంది. చైనాలో ఎరుపు రంగు శుభసూచకం. కానీ AIకి "వైట్ డ్రెస్" మాత్రమే పెళ్లి డ్రెస్ అని తెలుసు.

క్లాస్‌రూమ్ యాక్టివిటీ: "అద్దాన్ని పగలగొట్టడం" (Breaking the Mirror)

పక్షపాతాన్ని సరిచేయడానికి Ethical Prompting ఎలా వాడాలో విద్యార్థులకు నేర్పించండి.

  1. Step 1 (పక్షపాతం ఉన్న ప్రాంప్ట్): విద్యార్థులను ఇలా అడగమనండి: "ఒక నిర్మాణ కార్మికుడు (Construction Worker) మరియు ఒక రిసెప్షనిస్ట్ (Receptionist) మధ్య జరిగే కథ రాయి."

    • ఫలితం: AI కచ్చితంగా కన్‌స్ట్రక్షన్ వర్కర్‌ని మగవాడిలా, రిసెప్షనిస్ట్‌ని ఆడవారిలా చూపిస్తుంది.

  2. Step 2 (సరిచేసిన ప్రాంప్ట్): ఇప్పుడు ఆ అద్దాన్ని పగలగొట్టేలా ప్రాంప్ట్ రాయమనండి.

    • కొత్త ప్రాంప్ట్: "ఒక నిర్మాణ కార్మికుడు మరియు ఒక రిసెప్షనిస్ట్ మధ్య జరిగే కథ రాయి. నిర్మాణ కార్మికుడు స్త్రీ అని, రిసెప్షనిస్ట్ పురుషుడు అని నిర్ధారించు (Ensure). పాత మూస పద్ధతులను (Stereotypes) బ్రేక్ చేయి."

విద్యార్థులకు సారాంశం (Summary)

"AI అనేది నిష్పక్షపాతమైనది (Objective) కాదు. అది ఒక 'Pattern Matcher'. డేటాలో జాత్యహంకారం లేదా వివక్ష ఉంటే, AI కూడా అలాగే ప్రవర్తిస్తుంది. ఒక Prompt Engineer గా, AIని ఆ పాత పద్ధతుల నుండి బయటకు తీసుకురావడం మీ బాధ్యత."

3. డేటా ప్రైవసీ (The Golden Rule)

కాన్సెప్ట్: మీరు పబ్లిక్ AI (ఉచిత ChatGPT లేదా Gemini)లో టైప్ చేసే సమాచారం, ఆ కంపెనీలు తమ మోడల్‌ను ట్రైన్ చేయడానికి వాడుకోవచ్చు.

  • భయానక ఉదాహరణ:

    • ఒక పెద్ద టెక్ కంపెనీ ఇంజనీర్లు తమ కంపెనీ సీక్రెట్ సోర్స్ కోడ్ (Source Code) ను బగ్స్ ఫిక్స్ చేయడానికి ChatGPTలో పేస్ట్ చేశారు. ఆ తర్వాత, AI ఆ కోడ్‌ను నేర్చుకుని, బయటి వ్యక్తులకు కూడా ఆ సీక్రెట్ కోడ్‌ను సలహాలుగా ఇవ్వడం మొదలుపెట్టింది.

  • బంగారు నియమం (The Rule):

    • ఎప్పుడూ వీటిని పేస్ట్ చేయకండి:

      • పాస్‌వర్డ్‌లు / API Keys.

      • వ్యక్తిగత సమాచారం (ఫోన్ నంబర్లు, అడ్రస్‌లు).

      • కంపెనీ రహస్యాలు లేదా కోడ్.

    • సేఫ్ పద్ధతి: పేర్లు మార్చి వాడండి. "Client Coca-Cola Sales" బదులు "Client A Sales" అని రాయండి.


Posted by at No comments:
Subscribe to: Comments (Atom)