Sinir Ağları İçin Yapay Zeka Prompt Üreticisi - Yüksek Etkili Prompt'lar Tasarla

Hassas bir hedef ve ölçülebilir bir metrik ile başlayın. Sinir ağının ne üretmesi gerektiğini ve başarıyı nasıl yargılayacağınızı tanımlayın. Deneyimli bir prompt mühendisi, hedef nesneleri özetler ve herhangi bir prompt taslağı yapmadan önce katı bir giriş/çıkış sözleşmesi belirler. Netlik için, kapsamı bir net parametreye ve birkaç giriş veri varyantına sınırlayın; bu, yinelemeler boyunca üretimi odaklanmış tutar ve sapmayı en aza indirir. Bu adımlar, model davranışını gerçek görevlerle uyumlu hale getirir ve değerlendirmedeki hata sayısını azaltır. Ev veri setleriyle çalışırken, somut özellikleri tanımlayın ki kopyalamayı önleyin ve prompt'ları gerçekliğe sabit tutun.

Prompt'ları bağlam, akıl yürütme stili ve açık çıktılarla yapılandırın. Her prompt'u, görevin bağlamını kısa ve gerçekçi cümlelerle ortaya koyarak başlatın. Ardından Sokratik bir yaklaşımı çağırın: model için cevap vermeden varsayımları ortaya çıkaran rehber sorular sorun. Görüntü görevlerinde görsel ipuçları için, prompt'ları somut özelliklerle sabitleyin ve onları net bir şekilde tanımlayın. Tam çıktı formatını (JSON, tablo veya yapılandırılmış metin) belirtin ve doğruluğu onaylayacak değerlendirme sinyallerini belirtin. Prompt'ları ilgi çekici ancak hassas tutmak için masallardan esinlenen kısa bir not ekleyin, ipuçları göreve dayalı kalsa da, bilinçli odaklanmayı koruyun, tıpkı bir Buda gibi.

Kopyalamaya ve önyargıya karşı korunun; kalite kontrolünü sağlayın. Orijinal akıl yürütme gerektiren ve kaynakları kelimesi kelimesine kopyalamak yerine yeniden ifade etmeyi zorunlu kılan şablonlar uygulayın. Üretimdeki hatalar için otomatik kontroller oluşturun ve aşırı uyumu azaltmak için prompt'ları çeşitli girdilere karşı test edin. Eğitim verilerinin sızmasını önlemek için açık kısıtlamalar kullanın ve çıktılar ev veri setleri boyunca faydalı ve benzersiz kalsın.

Oluşturmayı hızlandırmak için şablonlar. Sınıflandırma, üretme ve planlama gibi yaygın görevler için hazır şablonlar sağlayın. Örneğin, bir şablon tek bir çıktı alanını hedefler ve bir diğeri adım adım bir plan ister, ardından bir karar verir. Farklı stratejileri keşfetmek için bazı prompt'lar ekleyin ve sonuçları karşılaştırmak için giriş perspektifini değiştirin. Şablonun görsel nesneler ve metinsel veriler için uyarlanabilir olmasını sağlayın, uyumsuzluğu önlemek için net kısıtlamalarla birlikte giriş türünü (giriş) her zaman belirtin.

Test edin, yineleyin ve belgeleyin. Prompt'ların üretimlerini çalıştırın, sonuçları toplayın ve doğruluk, hassasiyet, geri çağırma ve kayıp gibi birden fazla metrikten sinyalleri karşılaştırın. Birkaç varyant yapın ve sonuçları kaydedin. Prompt'ları ve sonuçları yeniden oluşturmak için basit günlüğe kaydetme kullanın, ardından bir temel oluşturun ve iyileştirmeleri kademeli olarak uygulayın. Bu disiplinli döngü hataları azaltır ve yüksek etkili prompt'lar oluşturmaya yardımcı olur.

Prompt'lar için Net Hedefler ve Metrikler Tanımlayın

Öneri: Tek bir hedefi bir satırda tanımlayın ve her prompt'u o amaca hizalayın; bu, değerlendirmeyi basit ve uygulanabilir hale getirir.

• Hedef çerçeveleme: Görevi, hedef kitleyi ve çıktı formatını kompakt bir cümlede belirtin. Rusya kitlesi için, beslenme rehberliği ve pratik adımlar hedefleyin; tonun çekici ve ilgi çekici olmasını sağlayın ve çıktıları net eylemlerle basit paragraflara yapılandırın.
• Metrik tasarımı: Kantitatif ölçümleri (görev başarı oranı, kısıtlamalara uyum, çıktı uzunluğu ve gecikme) nitel olanlarla birleştirin (kitle ihtiyaçlarıyla uyum ve yorumlama netliği). Gerçek kullanıcılardan derecelendirmeler toplayarak 1–5 ölçeği oluşturun ve prompt gruplarına göre medyan değerleri raporlayın.
• Prompt yapısı: Prompt'lar arasında tutarlı bir şablon kullanın: Görev, Kitle, Kısıtlamalar, Çıktı formatı ve Değerlendirme. Sapmayı azaltmak için terminolojiyi zorlamak üzere bir kelime dağarcığı sözlüğü ekleyin; anahtar terimleri ve basit cümleleri kullanmayı zorunlu kılın.
• Bağlam ve acılar: Kitle'nin acılarını ve ihtiyaçlarını belgeleyin; prompt'ları özellikle beslenme etrafında bunları ele alacak şekilde uyarlayın. Prompt'ların gereksiz jargon'dan kaçındığını ve uygulanabilir adımlar sunduğunu doğrulamak için hızlı testler çalıştırın.
• Çıktı rehberliği: Maksimum 3 paragraf belirtin, her biri 4–6 cümleyle ve adımlar için isteğe bağlı madde işaretleri. Doldurucudan arındırılmış, erişilebilir metin ısrar edin ve dostça bir ton koruyun.
• Yineleme ve notlar: Ek geri bildirim döngüleri kullanın; izlenebilirlik için her prompt'u bir numarayla günlüğe kaydedin ve zaman içinde değişiklikleri izleyin. Tutarlılığı korumak için bir referans inceleme akışı düşünün.

Yeniden kullanım için örnek prompt şablonu: Görev: Rusya kitlesi için basit bir 3-paragraf beslenme planı sağlayın; Kısıtlamalar: Basit terimler; Çıktı formatı: Günlük öğünler için madde işaretli metin; Değerlendirme: Okuyucular tarafından 1–5 ölçeğinde yorumlama ve faydalılığı değerlendirin; Kullanım durumu: Pratik adımlar ve tavsiyeler arayan kitle.

Sinir Ağı Görevleri için Yeniden Kullanılabilir Prompt Şablonları Oluşturun

Öneri: Temel bir görev için bir temel prompt şablonuyla başlayın ve net bir şema ile versiyonlayın. Girişi, talimatı ve değerlendirmeyi ayıran modüler bir format oluşturun ki birden fazla görevde yeniden kullanılabilsin. Ekiplere tutarlı bir şablonu hatırlatmak için format kelimesini ekleyin формата.

Bu yaklaşım hataları azaltır, yinelemeyi saniyelere hızlandırır ve insanlarla işbirliğini netleştirir. Ayrıca, farklı ilgi alanları için prompt'ları yeniden yazmayı destekler, hem insanlar hem de modelleri yönlendiren tek bir gerçeklik kaynağı tutarken.

1. Temel şablon bileşenlerini tanımlayın:
   • Görev özetleme, veri tanımı ve bağlam (GÖREV, VERİ, BAĞLAM).
   • Talimat kapsamı ve çıktı kısıtlamaları (ÇIKTI_FORMATI, SONUÇ_REHBERİ).
   • Kaliteyi nicelleştirmek için istatistiksel metrikler kullanan değerlendirme ipuçları.
2. Sürümleme ve adlandırma oluşturun:
   • Her güncelleme için sürüm numaraları (v1, v1.1, v2) ve değişiklik günlüğü notu kullanın.
   • Şablonları mod, alan ve zorluk etiketleriyle merkezi bir depoda saklayın.
3. Yeniden kullanım için şablonu yapılandırın:
   • Görev başına değiştirilebilir yer tutucular: {GÖREV_TANIMI}, {VERİ_FORMATI}, {BAĞLAM}, {ÇIKTI_ÖZELLIKLERI}.
   • Yeniden yazma kuralları için ayrı bir bölüm ve değerlendirme prompt'ları için ayrı bir bölüm tutun.
   • Prompt'u yeni kullanıcı ilgi alanlarına uydurmak için nasıl yeniden yazılacağına dair kısa bir rehber ekleyin.
4. Çoklu modları destekleyin:
   • Görüntüler (görüntüler) için, prompt'ta meta verileri, altyazıları veya özellik vektörlerini dikkate almayı talimat verin, gerekirse görüntü kaynağını opak tutun.
   • Metin için, token limitleri, stil kısıtlamaları ve özetleme hedefleri üzerinde standartlaştırın.
5. İnsan-döngüde kontrolleri dahil edin (insana):
   • Tam yayından önce bir insan testçisinin çıktı örneklerini incelemesini zorunlu kılan kısa bir doğrulama adımı ekleyin.
   • Model önerileri ve insan yargıları arasındaki çatışmaları çözme yolunu belgeleyin.
6. Test ve metrikler için tasarlayın (istatistiksel):
   • Hassasiyet, geri çağırma, F1 veya görev özgü metrikleri izleyin; gürültüyü önlemek için Z örnek lotu üzerinde ortalamaları raporlayın.
   • Prompt'ların hedef saniye sınırında performans gösterdiğini sağlamak için gecikme ve verimliliği kıyaslayın.
7. Yeniden kullanabileceğiniz örnekler ve şablonlar sağlayın (sağlama):
   • Sınıflandırma, çıkarma, üretme ve akıl yürütme görevleri için temel iskeletler.
   • Yaygın tuzakları ve kenar durumları ele alan varyant prompt'lar, neden çalıştıklarına dair notlarla.
8. Dökümantasyon ve paylaşım stratejisi:
   • Ekiplere net lisanslama ve atıf kurallarıyla ücretsiz başlangıç şablonları sunun.
   • Herkesin kendi formatlarına uyarlayabilmesi için format bağımsız açıklamalar yayınlayın (формата).

Pratik şablon iskeleti (yüksek seviye, görsel olarak net):

• Temel Görev: Kısa bir {GÖREV_TANIMI} sağlayın ve gereken {ÇIKTI_FORMATI}'nı belirtin.
• Veri & Bağlam: Giriş veri yapısını sade dilde tanımlayın ve {VERİ_FORMATI} yönergelerini ekleyin.
• Talimat: Hedefi aktif sesle belirtin; kısıtlamaları ve başarı kriterlerini dahil edin.
• Değerlendirme: Her çıktıyı puanlamak için metrikleri ve kısa bir rubrik listeleyin (istatistiksel sinyaller).
• Yeniden Yazma Kuralları: Prompt'ları farklı ilgi alanları (ilgi alanları) veya kitleler için nasıl uyarlayacağınıza dair not edin.

İpucu: Modeli yönlendirmek için hem olumlu hem de başarısız bir çıktı için kısa bir örnek ekleyin ve belirsizliği hızlı çözmek için tanımları kısa tutun. Hızlı bir başlangıç için, görüntüler (görüntüler) için temel iskeleti yeniden kullanın ve gereksinimlere göre evrilen mod özgü prompt'larla genişletin, ardından versiyonları yeniden yazın. Bu iş akışı, insanlar ve makineler için erişilebilir kalırken birden fazla alana ölçeklenen bir format sağlar.

Alan Özgü Prompt Örnekleri Geliştirin (Görüş, NLP, Ses)

Değişkenliği azaltmak ve kaliteyi hassas ölçmek için her alan başına tek bir sabit çıktı formatıyla başlayın. Görüş, NLP ve ses görevleri için, kolay ayrıştırılabilir kompakt bir hedef yapı (JSON) tanımlayın ve kolay ayrıştırılabilir çıktıları zorunlu kılın. Geliştirmede, ekipler arasında ölçeklenen bir plana hizalayın; net, doğrulanabilir sonuçlar öneren sorgular kullanın. Temmuz'da, etik koruma demirlerini sıkılaştırmak ve çıktı tutarlılığını iyileştirmek için şablonları rafine ettik. Gerçek verilerde prompt'ları doğrulamak için Linux tabanlı testler kullanın ve kenar durumlara dikkat çekin. Bu yaklaşım, jeneratörlerin reklam bağlamlarında kullanılabilir ve tam olarak yeniden üretilebilir çıktılar sağlamasına yardımcı olur. Hedef, ekiplerin farklı projelerde yeniden kullanabileceği, net tanımlanmış kapsamı ve ölçülebilir başarı kriterleri olan prompt'lar tasarlamaktır.

Görüş

Makine okunabilir yapılandırılmış bir açıklama üreten görüş odaklı bir prompt sağlayın. Örnek: "Bir görüş analistisiniz. Verilen görüntü için, alanlar içeren tek satırlık bir JSON nesnesi döndürün: caption (maks 15 kelime), objects (dizi {etiket, bbox: [x_min, y_min, x_max, y_max], güven}), relations (dizi {özne, yüklem, nesne}), ve scene_quality (1–5). Çıktı tam olarak geçerli JSON olmalıdır. Renkleri, dokuları ve mekansal ilişkileri tanımlayın, algılama ve altyazı için tanıdık terimler kullanarak. Etik kontrolleri desteklemek için hassas içerik algılandığını belirten bir ethicsFlag ekleyin." Bu tür prompt'lar, jeneratörlerin denetlenebilir ve aşağı akış boru hatlarına entegre edilebilir çıktılar üretmesine yardımcı olur. Reklam görselleri için, stile ve tona markaya uyması için belirtin ve verilen sınırları aşmayın. Modelleri plana tam olarak uymaya ve kalitede minimal düzeltmelerle zorlamak için bu yaklaşımı kullanın.

NLP & Ses

NLP için, niyet ve varlıkların sabit, ayrıştırılabilir bir özetini, isteğe bağlı motivasyon odaklı bir takeaway ile zorunlu kılın. Örnek: "Bir müşteri incelemesi verildiğinde, alanlar içeren bir JSON çıktısı verin: sentiment (olumlu/nötr/olumsuz), intent (ör. şikayet, sorgu, övgü), entities (anahtar özellikler listesi), ve summary (kısa 1–2 cümle). Tam olarak bir JSON satırı çıktısı. Duygu analizi ve varlıklar terimlerini kullanarak analitik sistemlerle uyumluluğu iyileştirin. İstek, gürültülü veriler için alternatifler önerir ve her alan için güven skoru ekler. Ses görevleri için, zaman damgaları ve konuşmacı etiketleriyle transkriptler teslim edin: {transkript, zaman damgaları, dil, konuşmacı}. Kayıtlar arka plan gürültüsü içerdiğinde bir noise_class alanı ekleyin. Bu tür prompt'lar, özellikle kampanyalar için motivasyonel veya müşteri yolculuğu hikayeleri (hikayeler) oluştururken yardımcı olur, çıktılar mark sesiyle uyumlu hale getirerek reklam ortamında ve etik sınırlarda. Düzeltilmiş versiyon prompt'lar, farklı veri kaynakları arasında kalite ve dayanıklılığa odaklanır.

Prompt Varyasyonu ve A/B Test İş Akışları Kurun

Başlangıçta ton, detay seviyesi veya örnek yoğunluğu gibi tek bir eksende farklılaşan iki ilk metin prompt'unu dağıtılarak yapılandırılmış bir lansman planı başlatın. Varyantlar arasında formu tutarlı tutun ve görev hedefinin aynı kalmasını sağlayın. Farklı diller ve bağlamlarda kitle'den geri bildirim toplamak ve hızlı yinelemeleri yönlendirmek için etkileşimli konuşmalar kullanın. Her varyant, maksimum uzunluk ve gerçek doğruluk ile etik koruma demirlerine uyum için zorunlu kontroller gibi açık kısıtlamalar içermelidir. Her testin denetlenebilir kalmasını sağlamak için kaynakları ve çıktıları sisteminizde günlüğe kaydederek veri soyunu koruyun. Ana öneri: Kendi değerlendirme stratejinizi yansıtan bir puanlama rubriğini uyarlayın ve sonuç farklılıklarının gerçek kullanıcı etkisine nasıl çevrildiğini belgeleyin. Testleri tasarladığınızda, net bir temel belirleyen başlangıç metin prompt'unu dahil edin ve karşılaştırmanın sadece formdaki değişiklikleri yansıttığından, hedeflerde değil emin olun. Katı bir kural setinden geliyormuş gibi hissettiren çıktılardan kaçının ve iş akışının kitle için pratik kalmasını sağlayın.

Ölçüm ve Veri Bütünlüğü

Başarı metriklerini ve örnekleme kurallarını istatistiksel testler kullanarak tanımlayın. Her varyant başına %95 güven ve 3–5 yüzde puan aralığında hata payı destekleyen etkileşim sayısını hedefleyin. Sağlamlığı yukarı ve aşağı bağlamda doğrulamak için her test ve diller arasında testler çalıştırın. Kategorik sonuçlar için chi-kare kullanın ve sürekli sinyaller için t-testleri veya parametrik olmayan eşdeğerleri; dağılımlar yüksek derecede çarpık ise parametrik olmayan testlere geçin. Her lansman ve çıktı çiftini, bağlantılı kaynaklar ve prompt formuyla sistemde saklayın ki replikasyon mümkün olsun. Hangi dil, format ve konuşma bağlamından geldiğini izleyin ki gerçekten farklı olanı belirleyin.

Operasyonel İş Akışı ve Araçlar

Çıktıları merkezi bir giriş ve çıktı deposuna bağlayarak ve prompt'ları versiyonlayarak (v1, v2 vb.) tek bir gerçeklik kaynağı koruyun. Yönlendirmeyi, günlüğe kaydetmeyi ve denetimi otomatikleştirmek için araçlar kullanın; kazanan varyantı ne zaman teşvik edeceğinize dair net bir karar kuralı dahil edin. Her testte, prompt'lar eşdeğer görev çerçevelemesi içermelidir ki farklılıklar bağlamdan değil varyasyondan kaynaklansın. İstatistiksel anlamlılık, örnek boyutu ve etki yönünü gösteren kaynak panolarında sonuçları merkezileştirin. Çok dilli kurulumlar için, dillerle gruplayın ve çapraz dil önyargılarını önlemek için her birinde karşılaştırın, ardından sistemde toplayın.

Prompt Kalitesini Kantitatif ve Nitel Sinyallerle Değerlendirin

Her inceleme sonrası eylem için temsilci bir prompt seti için sayısal sinyaller ve alan uzmanlarından nitel yargılar benimseyin. Analiz, prompt'ların modelde güvenilir çıktılar ürettiğini gösterir ve görevin hangi durumlarının (durumlar) en güçlü sonuçları verdiğini ortaya çıkarır. Veri topladıktan sonra, prompt'lara yönelik hedefli düzeltmeleri önerin, prompt setinin gelecekteki dağıtıma ve Rusya pazarındaki ihtiyaçlara hizalı örneklerle dolu olduğundan emin olun.

Kantitatif Sinyaller

Prompt'lar arasında sayısal metrikleri tanımlayın ve izleyin: Aşağı akış görev başarı oranı, ortalama çıktı uzunluğu, yanıt çeşitliliği, alan bağlamlarında kapsama (alan), prompt uzunluğu, gecikme ve çalıştırmalar arası kararlılık. En elverişli eylemleri süren prompt'ları belirlemek için aşağı akış sonuçlarıyla korelasyonları hesaplayın. Gelecekteki dağılım için ilk prompt'lardan bir temel koruyun ve güncellemeler sonrası iyileştirmeleri karşılaştırın. Prompt türlerine göre kategorize edin ve gerçek görevlerde hangilerinin tutarlı olarak üstün performans gösterdiğini raporlayın.

Nitel Sinyaller

Netlik, kullanıcı niyetine ilgili ve uygulanabilirlik üzerine uzman yargılarını toplayın. Netlik, ilgili ve güvenlik hususları için 0-5 puanlı bir rubrik kullanın, önyargı riskleri ve potansiyel zarar üzerine notlarla. Hedef alan için çekicilik (çekici) ve uygunluk izlenimlerini kaydedin. Rusya pazarı için, kültürel uyumu ve uyumu değerlendirin, prompt'ların pazarı etkileyebileceğini ve uygun bir senaryo sağlayıp sağlamadığını not edin. İncelemeler sonrası, prompt'ları rafine etmek ve gelecekteki büyüme için prompt setini iyileştirmek için somut öneriler sunun.

Prompt Jeneratörünü ML Boru Hattınıza ve Dağıtıma Entegre Edin

Herhangi bir model için tutarlı prompt'lar sağlamak için ML çıkarım API'nizin arkasında adanmış bir Prompt Jeneratörü olarak dağıtın. Yapılandırılmış bir prompt bloğu ve A/B modunda test etmek için birden fazla varyant döndüren generatePrompts(bağlam, hedef, kısıtlamalar) uç noktası açığa çıkarın. Bu, deneyler arasında aynı jeneratörü kullanmanızı sağlar, stable-diffusion görüntü görevleri ve yazar rehberli iş akışları için benzersiz prompt'lar sunar. Jeneratörü, deneylere prompt'ları bağlayan versiyonlanmış bir kayıtla erişilebilir yeniden kullanılabilir bir hizmet olarak ele alın. En iyi uygulamaları referans almak için ekiplere makaleler ve deneyler için iç dokümanlara bağlantı ekleyin.

Kayıt, şablonları ve token'ları tutacak şekilde tasarlayın. Her şablon bir model ve görevi hedefler, bağlam, hedef ve kısıtlamalar için alanlarla. Net bir adlandırma şeması ve versiyon geçmişi kullanın; her güncelleme önceki varyantı değiştirebilir, ancak tarihi koruyun. Yük, aşağı akış analitiğe yardımcı olmak için seçenekler ve meta veri içerir, ekiplerin farklı bağlam ve hedeflerde varyantları karşılaştırmasını sağlar. Prompt'ları merkezi bir depoda saklayın ve altta yatan kod tabanına dokunmadan herhangi bir yönetici veya dev ekibinin yeniden kullanabileceği bir API istemcisi yayınlayın. Bu yaklaşım, yazarların (yazarlar) prompt düzenleme için sihirli UX'te iyileştirmeler katkıda bulunmasını sağlarken yanıtları tutarlı ve denetlenebilir tutar.

Jeneratörü, eğitim için veri setlerinden bağlamı ve istenen sonucu besleyerek davranışa prompt'ların nasıl etki ettiğini öğrenmek üzere ML boru hattına ön-çıkarım adımı ve sonrası işleme yardımı olarak entegre edin; çıkarım için, kullanıcı niyetini ve görev sinyallerini geçirerek kaliteli varyant seti alın. Gecikme, varyant başarı oranı ve hedeflere uyum (yanıtlar) gibi metrikleri izleyin. Görüntü modelleri için prompt ürettiğinizde, bağlamı hedef sanat stiline uyarlayın; metin modelleri için, stable-diffusion iş akışlarına ve metinsel görevlere uyması için uzunluğu ve tonu kısıtlayın. Dağıtımdan önce prompt formlarını test etmek için ayrı ortamlar kullanın ve gelecek yinelemeleri yönlendirmek için sonuçları makalelerde belgeleyin.

Operasyonel olarak, ekipler (herhangi) için tek bir kontrol noktası API geçidi aracılığıyla açığa çıkarın ve katı versiyonlama, denetim ve geri alma yeteneklerini uygulayın. Yönetici panoları (yöneticiler), verimlilik, kalite ve aşağı akış metriklerindeki etkiyi özetler. Hassas bilgiyi asla sızdırmamak (asla) veya güvensiz prompt'lar üretmemek için güvenlik kontrolleri ve içerik filtrelerini zorunlu kılın. Bir değişiklik eski prompt'ları değiştirirse, geçişi değiştirildi olarak işaretleyin ve net bir göç yolu sağlayın. Diğer ekiplerin formda ve projeler arasında yeniden kullanabilmesi için örnek prompt'lara ve şablonlara basit bir bağlantı sağlayın, prompt'ların model için net bağlam ve uygulanabilir rehberlik (bir şey) içerdiğinden emin olun.

Etap	Ne Yapmalı	Metrikler
Tasarım & Şablon	Şablonlar oluşturun, token'ları tanımlayın, versiyon geçmişini ve meta veri alanlarını belirleyin	şablon_kapsama, versiyon_sayısı, yük_içerir
Entegrasyon	generatePrompts'i ön-çıkarım ve sonrası işleme'ye bağlayın; API kararlılığını sağlayın	gecikme_ms, istek_başına_varyant, başarı_oranı
Dağıtım	Konteynerleştirin, orkestre edin, otomatik ölçekleyin; erişim kontrolünü zorunlu kılın	p95_gecikme, hata_oranı, çalışma_süresi
Değerlendirme	Görevler ve bağlamlarda A/B testleri çalıştırın; nitel ve kantitatif geri bildirim toplayın	yanıt_kalitesi, kullanıcı_memnuniyeti, iyileşme_farkı