来自微软云解决方案架构师团队的 AI 好物推荐官张昌伟向我们讲述了如何通过优化提示词工程，将剧本识别准确率从 80%提升到 90%以上。
排通告
影视制作的“时间黑洞”
英国著名的电影产业学者 Stephen Follows 通过研究 2006 年至 2016 年间 782 部影片，探究好莱坞制作一部影片平均要花多长时间。在前期制作中，拍摄的每个细节都经过了研究和计划。在所有被研究的电影中，每部电影的前期制作时间平均为 146 天，主要拍摄时间平均为 106 天。
生成式 AI 出现后，自然能想到让 ChatGPT 来看剧本，提取拍摄所需的关键信息并输出有固定格式的文本。但是，由于剧本不同于一般的文本，既有容易理解的台词和对白，也包含了舞台提示、潜台词、事件背景等“行业黑话”，对于没有剧本类知识背景的人或 ChatGPT 来说，识别难度较高。该企业内部基于 GPT 模型的开发，正确率也只能达到 80%。识别有错漏，需要大量人力和时间来检查、补全，80%的准确率对于实际而言，几乎无法使用。
提示词工程 3 步走
打造会看剧本的 AI 拍摄助理
影视制作工业化的核心就在“分工”。那么，有没有办法让 ChatGPT 担任一个看得懂剧本的智能拍摄助理，更加真实可用？这家影视公司找到了 AI 好物推荐官张昌伟，来自微软云解决方案架构师团队的一位提示词工程师。在他一周的调校下，AI 拍摄助理的工作准确率超过了 90%，基本可用了。
01 给背景
给 ChatGPT 一个角色设定，不仅能够帮助其快速定位知识背景、框定语言风格、限定输出方向，还可以帮助提升对话的沉浸感和连贯性，让 ChatGPT 真正成为一位智能拍摄助理，随时调用，而非一个通用的聊天机器人。
02 下定义
ChatGPT 毕竟不是一个有行业经验的专业人士，剧本中没有直接挑明的信息 ChatGPT 有极大可能忽略，需要在提问时预先提供术语定义。如果术语过于复杂，也可通过举例说明、反馈纠正等方式，帮助 ChatGPT 基于人类的反馈进行强化学习。
03 拆任务
ChatGPT 使用 Transformer（预训练）模型，具有序列长度限制，可能导致信息的丢失或上下文关系的断裂，因而不适合用来处理具有复杂逻辑关系的长文本。如果一段文本或一个问题包含多个逻辑关系，可以尝试将其拆分成多个简单的问题，每个问题只涉及一个逻辑关系，而后逐个提问，将极大提升模型响应的准确性。要注意的是，逻辑顺序的拆分需按照从不重要到重要、从泛化到关键的原则。
到此，这位专属的 AI 拍摄助理已经调校完成，可以参与进影视制作的“分工”流程中了。
