Prompt Engineering — মেশিন লার্নিং

Hook — সঠিক প্রশ্ন = সঠিক উত্তর

একই model — একজন পায় ১/১০ answer, আরেকজন পায় ৯/১০। পার্থক্য prompt এ। Prompt Engineering হলো LLM থেকে সর্বোচ্চ output আদায়ের কৌশল।

Anatomy of a Good Prompt

Role — ‘You are a senior ML engineer’।
Task — কী চাইছ, স্পষ্ট করে।
Context — relevant background।
Format — JSON/Markdown/bullet।
Constraint — length, tone, audience।
Examples — কেমন output চাই।

Core Techniques

Zero-shot — শুধু instruction।
Few-shot — কয়েকটা example দিয়ে।
Chain-of-Thought (CoT) — ‘step by step ভাবো’।
Self-consistency — একাধিক CoT, majority vote।
ReAct — Reasoning + Action (tool use)।
Tree-of-Thought — branching reasoning।
Reflexion — নিজের answer critique করে retry।

Example — Zero vs Few vs CoT

zero-shot

Classify sentiment: "ফোনটা দ্রুত charge হয় কিন্তু battery quick শেষ।"

few-shot

Review: "Service ছিল চমৎকার" → Positive
Review: "ডেলিভারি দেরি, packaging ভাঙা" → Negative
Review: "ফোনটা দ্রুত charge হয় কিন্তু battery quick শেষ।" →

chain-of-thought

Q: একটা trainer ১২ km/h গতিতে ৪০ মিনিট দৌড়ালে কত km হবে?
A: চলো step by step ভাবি।
- 40 min = 40/60 hour = 2/3 hour
- distance = speed × time = 12 × 2/3 = 8 km
উত্তর: 8 km।

Structured Output

json output

নিচের review থেকে JSON বের করো (key: sentiment, aspects, score 1-5):
"ফোনটা দ্রুত charge হয় কিন্তু battery quick শেষ।"

শুধু valid JSON output দাও, কোনো extra text না।

Production টিপ

OpenAI/Anthropic এর structured output বা function calling ব্যবহার করো — regex parsing এর চেয়ে অনেক reliable।

Advanced Patterns

System message এ persistent persona।
Delimiter (### , <xml>) দিয়ে section আলাদা।
‘Think first, then answer’ — internal reasoning।
Negative instruction (‘do not invent facts’)।
Multi-turn refinement।

Anti-Patterns

এড়াও

Vague instruction, contradictory rule, অনেক বড় context dump, output format না বলে দেওয়া।

Code — OpenAI SDK

prompt_api.py

from openai import OpenAI
client = OpenAI()

resp = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role":"system","content":"You are a concise ML tutor. Answer in Bangla."},
        {"role":"user","content":"Bias-Variance tradeoff ২ লাইনে।"},
    ],
    temperature=0.3,
)
print(resp.choices[0].message.content)

Summary

এক নজরে

Prompt = Role + Task + Context + Format + Example। CoT/ReAct/Few-shot দিয়ে reasoning ও reliability বাড়ে।