Notre application résout un problème courant que rencontrent la plupart des utilisateurs de LLM. De nombreux utilisateurs souhaitent obtenir des recommandations d'activités ou explorer des options adaptées à leurs besoins spécifiques en fonction de leurs préférences générales ou des circonstances particulières au moment de leur requête. Cependant, ils se retrouvent souvent avec des réponses trop génériques pour répondre à leurs besoins spécifiques.
Un assistant humain compétent remédierait à ce problème en posant des questions pertinentes qui les aideraient à affiner leurs options, et en recueillant des informations qui ne sont pas directement pertinentes, mais qui pourraient aider à comprendre le processus de réflexion de l'utilisateur. La première concerne les interactions inversées et les invites de chaîne de pensée, des domaines dans lesquels l'IA a progressé de manière significative. Le second, en revanche, concerne les outils de la psychologie cognitive et de l'analyse du comportement.
Nous avons utilisé la capacité de Gemini à effectuer la première, en prenant les requêtes de l'utilisateur et en les combinant à une requête pour effectuer des interactions inversées. Pour ce faire, utilisez des appels d'API. Cette dernière est plus délicate et pas simple. C'est pourquoi nous avons utilisé plusieurs exemples d'entraînement sélectionnés manuellement, conçus à l'aide d'une combinaison de Gemini et d'idées inspirées de la littérature psychologique. Ainsi, notre modèle utilise les capacités innées de Gemini et les modèles de questions suggérés par les exemples pour diriger la conversation avec l'utilisateur de manière à extraire au mieux les informations pertinentes et à le guider vers le résultat souhaité.
Conçu avec
Web/Chrome
Google Docs et Google Drive
Équipe
Par
No Veni Vedi Vici, Venam Vidu Machi!
De
États-Unis
[[["Facile à comprendre","easyToUnderstand","thumb-up"],["J'ai pu résoudre mon problème","solvedMyProblem","thumb-up"],["Autre","otherUp","thumb-up"]],[["Il n'y a pas l'information dont j'ai besoin","missingTheInformationINeed","thumb-down"],["Trop compliqué/Trop d'étapes","tooComplicatedTooManySteps","thumb-down"],["Obsolète","outOfDate","thumb-down"],["Problème de traduction","translationIssue","thumb-down"],["Mauvais exemple/Erreur de code","samplesCodeIssue","thumb-down"],["Autre","otherDown","thumb-down"]],[],[],[],null,["# MantisGem\n\n[More Apps](/competition/vote) \n\nMantisGem\n=========\n\nKnown Uncertainty to Unknown Certainty \nVote \nVoted!\nWhat it does\n\nOur app remedies a common problem that most users of LLMs face. Many users are interested in getting recommendations for activities or exploring options that are suitable to their specific needs given their general preferences or particular circumstances at the moment when they are querying. However, they are often stuck with responses that are too generic to serve their specific needs. \n\nA skilled human assistant would remedy this as follows: ask them pertinent questions that help them to narrow their options, and gather information that may not be directly relevant but could help understand the user's thought process. The former relates to flipped interactions and chain-of-thought prompting, which have been areas where AI has advanced significantly. The latter, on the other hand, relates to tools from cognitive psychology and behavioral analysis. \n\nWe have utilized the ability of Gemini to perform the former, where we take the user's queries and combine it with a request to perform flipped interactions. This is done through API calls. The latter is more delicate and not straightforward, and hence we have used several handpicked training examples designed using a combination of Gemini and ideas inspired by the psychology literature. Thus our model utilizes innate abilities of Gemini and questioning patterns suggested by the examples to direct the conversation with the user in a way that best extracts relevant information from the user and guides them to the desirable output. \nBuilt with\n\n- Web/Chrome\n- Google Docs \\& Google Drive \nTeam \nBy\n\nNo Veni Vedi Vici, Venam Vidu Machi! \nFrom\n\nUnited States \n[](/competition/vote)"]]