AnGeL

مقال حصري مترجم Guide to Prompt Engineering in ChatGPT: دليل أساسي لهندسة الاستدراج في ChatGPT


AnGeLVerified member

صاحب الامتياز

Reputation: 48%
2024-03-23
461
منذ إطلاقه، كان ChatGPT يثير الجدل في مجال الذكاء الاصطناعي، حيث جذب أكثر من 100 مليون مستخدم في وقت قياسي. يكمن السر في أداء وتنوع ChatGPT المذهل في فن مدسوس برشاقة ضمن برمجياته - هندسة الاستدراج.

تم إطلاق DALL-E وMidJourney وStableDiffusion في عام 2022، مما أبرز الإمكانات المخربة للذكاء الاصطناعي التوليدي. ولكن كان ChatGPT من Open AI الذي حقق نجاحًا كبيرًا في وقت لاحق في عام 2022. وهذه الزخم لم يظهر أي علامات على التباطؤ.

إعلان Google عن Bard وردود فعل Meta's Lamma 2 على ChatGPT من OpenAI قد زاد بشكل كبير من زخم سباق الذكاء الاصطناعي. من خلال توفير هذه النماذج بالمدخلات، نوجه سلوكها وردودها. وهذا يجعلنا جميعًا مهندسين للاستدراج إلى درجة معينة. لقد لفتت الصناعة التكنولوجية الانتباه. رأس المال الاستثماري يتدفق إلى الشركات الناشئة التي تركز على هندسة الاستدراج، مثل Vellum AI. علاوة على ذلك، تقارير مجلة Forbes تشير إلى أن مهندسي الاستدراج يحظون برواتب تتجاوز 300،000 دولار، مما يشير إلى وجود سوق عمل مزدهرة وقيمة.

في هذا المقال، سنكشف أسرار عالم هندسة الاستدراج في سياق ChatGPT. سنستكشف المبادئ الأساسية، ونتعمق في التقنيات، ونفحص تطبيقاتها التجارية.

قبل أن نتعمق في هندسة الاستدراج، دعونا أولاً نفهم كيفية عمل ChatGPT والدور المحوري الذي تلعبه هندسة الاستدراج في هذه العملية. في المقالات القادمة، سنناقش بعض هذه التقنيات المتقدمة بعمق، لذا ترقبوا!

الآلية وراء هندسة الإشارة في ChatGPT:
لقد استطاع ChatGPT أن يحقق نجاحًا باهرًا بفضل قدرته على فهم ومحاكاة التفاصيل الدقيقة للحوار البشري. يتم تدريب النموذج على مجموعة متنوعة من النصوص على الإنترنت، ولكن الأمر المهم بشكل حاسم هو أنه لا يعرف الوثائق أو المصادر المحددة في مجموعة تدريبه، مما يضمن التعميم على التفصيل. تُمكّن هذه الطريقة من التدريب ChatGPT من توليد ردود إبداعية، والتنقل في الحوارات المعقدة، وحتى إظهار نوع من الفكاهة. ومع ذلك، من المهم أن نتذكر أن ChatGPT لا يفهم حقًا أو يمتلك معتقدات؛ فهو يولّد الردود استنادًا إلى الأنماط التي تعلمها أثناء التدريب.

قدرة ChatGPT على فهم والرد على لغة الإنسان بطريقة دقيقة ومدركة للسياق تجعلها أدوات متعددة الاستخدامات بشكل لا يصدق.

تعتمد آليات هذه النماذج على مفهوم "الرموز" - أجزاء منفصلة من اللغة يمكن أن تتراوح من حرف واحد إلى كلمة كاملة. تعمل هذه النماذج مع عدد محدد من الرموز في كل مرة (4096 لـ GPT-3.5-Turbo أو 8192 أو 32768 لـ GPT-4)، حيث يتنبأون بالتسلسل التالي من الرموز المحتملة. تقوم النماذج بمعالجة الرموز باستخدام جبر خطي معقد، متنبئة بالرمز التالي الأكثر احتمالاً.

على سبيل المثال، جملة بسيطة من تسع كلمات يمكن أن تتحول إلى عشر رموز. حتى كلمة واحدة معقدة يمكن أن تتحول إلى عدة رموز، مما يساعد النموذج على فهم اللغة وتوليدها بشكل أفضل. حتى اللغات ذات الهياكل المعقدة للكلمات، مثل الألمانية، يتم التعامل معها من خلال تقسيمها إلى رموز.

تعمل نماذج GPT (Generative Pre-trained Transformer) عن طريق توليد رمز واحد في كل مرة، بدءًا من الرمز الأول ومتابعة حتى الرمز الأخير. بعد توليد كل رمز، يعيد النموذج مراجعة السلسلة بأكملها ومعالجتها مرة أخرى لتوليد الرمز التالي. يستمر هذا العملية التكرارية حتى يتم توليد الرمز النهائي، مما يجعل عملية توليد النص مشابهة لحلقة تكرار كبيرة - for-loop.​
تعني كلمة "for-loop" باللغة العربية "حلقة التكرار". وهي تشير في البرمجة إلى هيكلية تكرارية تُستخدم لتنفيذ مجموعة من الأوامر مرارًا وتكرارًا، حيث يُعاد تنفيذ مجموعة الأوامر داخل الحلقة بناءً على شرط معين حتى يتم تحقيق الشرط وتنتهي الحلقة.​
ومع ذلك، النقطة الحساسة هنا هي أن جودة هذه الردود تعتمد بشكل كبير على البيانات البادئة التي تتلقاها. تمامًا مثل توجيه محادثة مع إنسان، فإن توجيه حوار مع ChatGPT يتطلب مستوى معينًا من المهارة والفهم. هنا يأتي دور هندسة البيانات البادئة في اللعب.

ما هي هندسة الاستفسارات - What is Prompt Engineering؟
الهندسة التوجيهية للمحفزات هي فن صياغة المحفزات أو المدخلات الدقيقة والفعّالة لتوجيه النماذج الذكاء الاصطناعي (NLP / Vision) مثل ChatGPT نحو إنتاج النواتج الأكثر كفاءة من حيث التكلفة والدقة والفائدة والأمان.

لا تقتصر الهندسة التوجيهية للمحفزات على إنتاج النصوص فقط، بل لها تطبيقات واسعة النطاق في مجال الذكاء الاصطناعي. يتم استخدامها بشكل متزايد في مجالات مثل الروبوتات التلقائية لعمليات العمليات الآلية، والأصول ثلاثية الأبعاد، والنصوص، وتعليمات الروبوتات، وأنواع أخرى من المحتوى ووسائل الإعلام الرقمية. توفر هذه العملية مزيجًا فريدًا من المنطق والبرمجة والفن، وفي بعض الحالات الخاصة، المعدلات الخاصة.

على الرغم من أن البادئة يمكن أن تتضمن نصوص بلغة طبيعية أو صورًا أو أنواعًا أخرى من البيانات الإدخالية، إلا أن الناتج يمكن أن يختلف بشكل كبير بين خدمات وأدوات الذكاء الاصطناعي. لكل أداة معينة مُعدلات خاصة بها تصف وزن الكلمات، والأنماط، والمنظورات، والتخطيط، أو خصائص أخرى للرد المطلوب.

يعد هذا المجال ضروريًا لإنشاء خدمات أفضل تعتمد على الذكاء الاصطناعي والحصول على نتائج فائقة من أدوات الذكاء الاصطناعي التوليدية الحالية. على سبيل المثال، غالبًا ما يستخدم مطورو المؤسسات الهندسة السريعة لتخصيص نماذج اللغات الكبيرة (LLMs) مثل GPT-3 لتشغيل برنامج الدردشة الآلي الذي يواجه العملاء أو التعامل مع المهام مثل إنشاء عقود خاصة بالصناعة.

تعد هذه العملية التكرارية للتحسين الفوري وقياس أداء الذكاء الاصطناعي عنصرًا أساسيًا في تمكين نماذج الذكاء الاصطناعي من توليد استجابات مفيدة وهادفة للغاية في سياقات مختلفة.

أن تصبح مهندسًا سريعًا!
إن براعة نموذج GPT-4 في فهم التعليمات المعقدة وحل المشكلات المعقدة بدقة تجعل منه موردًا لا يقدر بثمن. ومع ذلك، هناك طرق مختلفة للوصول إلى قدرات هذا النموذج، ويمكن أن يكون فهمها أمرًا بالغ الأهمية لدور المهندس الفوري في تحسين الكفاءة وفعالية التكلفة.

هناك طريقتان أساسيتان للتعامل مع نماذج GPT مثل GPT-4. إحدى الطرق هي من خلال واجهة برمجة تطبيقات OpenAI، حيث يتم حساب التكاليف لكل رموز الإدخال والإخراج. في هذا السيناريو، يمكن أن تتقلب التكاليف لكل ألف رمز مميز بناءً على حجم السياق. على سبيل المثال، في سياق أكبر يبلغ 32 كيلو بايت، يمكن أن تصل تكاليف الرموز المدخلة إلى 0.06 دولار لكل رمز، وتكاليف الرموز المخرجة إلى 0.12 دولار لكل رمز. وبالتالي، عند التعامل مع كمية كبيرة من الطلبات، يمكن أن تتراكم تكاليف الاستخدام بسرعة.

بالمقابل، يعتمد ChatGPT، الذي يستفيد من نموذج GPT-4، على نموذج اشتراك مدفوع.

تتضمن المهمة الرئيسية الأخرى في الهندسة السريعة ضبط معلمات النموذج. تتضمن هذه العملية ضبط المتغيرات التي يستخدمها النموذج لإجراء التنبؤات. من خلال ضبط هذه المعلمات، يمكن للمهندسين الفوريين تحسين جودة ودقة استجابات النموذج، مما يجعلها أكثر ملاءمة وإفادة للسياق.

على الرغم من أن العديد من المهندسين الفوريين يأتون من خلفية تقنية، إلا أن الطبيعة المتعددة التخصصات لهذا المجال تجعله في متناول الأفراد من خلفيات مهنية متنوعة. على نحو متزايد، يستفيد الكتاب والباحثون وحتى الفنانون من مهاراتهم الفريدة لتعزيز فعالية نماذج الذكاء الاصطناعي. وينعكس هذا التحول في سوق العمل أيضًا، مع تزايد عدد الشركات التي تبحث عن مهندسين سريعين يتمتعون بمجموعة متنوعة من المهارات والخلفيات.

التصميم والهندسة السريعة في ChatGPT
يلعب التصميم والهندسة الفوريان دورًا حاسمًا في تحسين أداء نماذج اللغة ويتضمن أكثر من مجرد صياغة الأسئلة؛ فهي تتطلب فهمًا عميقًا لنموذج الذكاء الاصطناعي واتباع نهج متكرر ومكرر للغاية.
تصميم التلقين
التصميم الفوري، في جوهره، هو فن وعلم إنشاء الموجه المثالي لنموذج لغة كبير معين (LLM)، مثل ChatGPT، لتحقيق هدف محدد بوضوح. إنه مزيج من:​
  • فهم LLM: قد تستجيب نماذج اللغة المختلفة بشكل مختلف لنفس الموجه. علاوة على ذلك، قد تحتوي بعض نماذج اللغة على كلمات رئيسية أو مشغلات فريدة، والتي تفسرها بطريقة معينة.​
  • المعرفة بالمجال: الخبرة في المجال ذي الصلة أمر بالغ الأهمية عند تصميم المطالبات. على سبيل المثال، يتطلب إنشاء مطالبة لاستنتاج تشخيص طبي معرفة طبية.​
  • النهج التكراري وقياس الجودة: غالبًا ما تتضمن عملية إنشاء الموجه المثالي التجربة والخطأ. ولذلك، فإن وجود طريقة لتقييم جودة المخرجات بما يتجاوز مجرد الحكم الشخصي هو أمر حيوي، خاصة عند استخدام الموجه على نطاق أوسع.​

الهندسة السريعة
الهندسة السريعة هي مجال ممتد من التصميم السريع الذي يتضمن العديد من العمليات الهامة:​
  • تصميم الموجهات على نطاق واسع: تتضمن هذه العملية تصميم المطالبات التعريفية (الموجهات التي تولد مطالبات أخرى) وقوالب المطالبات، وهي عبارة عن مطالبات ذات معلمات يمكن إنشاء مثيل لها في وقت التشغيل.​
  • تصميم الأدوات وتكاملها: يمكن أن تتضمن المطالبات في بعض الأحيان نتائج من أدوات خارجية، ويعد دمج هذه الأدوات بسلاسة في النظام أمرًا بالغ الأهمية.​
  • سير العمل والتخطيط والإدارة السريعة: غالبًا ما يتطلب نشر تطبيق LLM، مثل chatbot، إدارة مكتبات المطالبات، وتخطيط المطالبات المناسبة واختيارها، ودمج الأدوات المتنوعة بكفاءة.​
  • تقييم المطالبات وضمان جودتها: يتضمن هذا الجانب تحديد المقاييس والعمليات لتقييم المطالبات تلقائيًا وبمشاركة بشرية.​
  • التحسين الفوري: يمكن أن تعتمد التكلفة وزمن الوصول لنموذج الذكاء الاصطناعي على اختيار النموذج وطول المطالبة (عدد الرموز المميزة).​
تم تطوير العديد من النهج والأدوات والأطر الآلية لتصميم المطالبات بشكل آلي وبمقياس كبير. ومع ذلك، من المهم فهم أن أي من هذه الأدوات لا يمكن أن يحل محل الفهم الدقيق والحكم والخبرة لدى مهندس التعليمات المجرب.​
 
هندسة التلقين: التقنيات وأفضل الممارسات

1) وضع الإرشاد والوصف

يمكن أن يؤثر وضع التعليمات في بداية الإرشاد بشكل كبير على فهم الذكاء الاصطناعي واستجابته. فكر في مهمة تلخيص نص بتنسيق نقاط التعريف. يكون النهج غير الفعّال كما يلي:
المستخدم: قم بتلخيص النص أدناه كقائمة نقاط تحتوي على أهم النقاط.<br>{text input here}
من ناحية أخرى، يمكن أن يكون النهج أكثر فعالية على النحو التالي:​
المستخدم: قم بتلخيص النص أدناه كقائمة نقاط تحتوي على أهم النقاط.<br>النص: “””<br>{text input here}<br>“””​

من خلال الفصل الواضح بين التعليمات والسياق برموز مثل ### أو """، يمكن لنموذج الذكاء الاصطناعي تحديد مهمته والنص الذي يحتاج إلى معالجته بشكل أفضل، وبالتالي تقديم استجابات أكثر دقة وذات صلة.

ثانيًا، إن كونك محددًا ووصفيًا ومفصلاً حول السياق والنتيجة المتوقعة والطول والشكل والأسلوب وما إلى ذلك يمكن أن يعزز بشكل كبير دقة استجابات الذكاء الاصطناعي. لنفترض أنك بحاجة إلى إنشاء نظرة عامة موجزة عن ورقة علمية بأسلوب جذاب وسهل الاستخدام للأشخاص العاديين. قد تؤدي التعليمات الغامضة مثل "تلخيص الورقة العلمية" إلى نتائج أقل فعالية مقارنة بتوجيه محدد ومفصل:​
المستخدم: أنشئ ملخصًا موجزًا (حوالي 200 كلمة)، وملخصًا جذابًا للورقة العلمية التالية. يجب أن يكون الملخص مفهومًا لشخص ليس لديه خلفية علمية، بينما يعكس بدقة النتائج الرئيسية للورقة.ورق: """<br>{نص الورقة العلمية هنا}"""​
User: Generate a brief (approx. 200 words), engaging summary of the following scientific paper. The summary should be understandable to someone with no scientific background, while accurately reflecting the paper's key findings.<br>Paper: “””{scientific paper text here}“””​

2) نمط الشخصية
نمط الشخصية هو استراتيجية تحدد الذكاء الاصطناعي ليعمل من منظور معين، مثل الدور المهني أو الشخصية الخيالية. يمكّن هذا التكتيك النموذج من توفير المخرجات المتعلقة بالأدوار المحددة التي ستتعامل معها الشخصية. على سبيل المثال، يمكن للمرء أن يأمر الذكاء الاصطناعي بالعمل كخبير في الأمن السيبراني أثناء مراجعة التعليمات البرمجية. يكون هذا النمط مفيدًا بشكل خاص عندما يحتاج المستخدمون إلى المساعدة ولكنهم غير متأكدين من التفاصيل الدقيقة المطلوبة في المخرجات.

خذ ما يلي كمثال:​
المستخدم: “افترض شخصية أحد كبار المؤرخين المتخصصين في الثورة الفرنسية. بالنظر إلى هذه الشخصية، اشرح الأحداث والأسباب الرئيسية التي أدت إلى سقوط النظام الملكي الفرنسي.​
في هذا السيناريو، من المتوقع أن يستجيب الذكاء الاصطناعي بتحليل متعمق للثورة الفرنسية، مع التركيز على سقوط النظام الملكي، كما يفعل المؤرخ.

تقديم معلومات جديدة
لا يمتلك ChatGPT معرفة تتجاوز فترة التدريب الخاصة به، وبالتالي لا يمكنه تقديم معلومات حول الأحداث أو التحديثات الأخيرة بعد التدريب. ومع ذلك، يمكنك تقديم معلومات جديدة إلى النموذج عبر المطالبات الخاصة بك.​
المستخدم: "ما هي العملة المشفرة؟"ChatGPT": العملة المشفرة هي نوع من العملات الرقمية أو الافتراضية التي تستخدم التشفير للأمان. العملة المشفرة الأكثر شهرة هي البيتكوين."​

الآن، إذا أضفنا المزيد من السياق إلى الموجه، فيمكننا أن نجعل الشرح أكثر سهولة:​
المستخدم: "اشرح مفهوم العملة المشفرة لطالب في المدرسة الثانوية يدرس التمويل الرقمي"ChatGPT: "​

تخيل أنك تلعب لعبة فيديو عبر الإنترنت وهناك أموال اللعبة التي يمكنك كسبها لشراء ترقيات أو شخصيات جديدة. العملة المشفرة هي من هذا القبيل نوعًا ما، ولكن بدلاً من أن تقتصر على اللعبة، يمكنك استخدامها فعليًا لشراء سلع وخدمات في العالم الحقيقي. إنها مثل الأموال الرقمية التي لا يسيطر عليها أي بنك أو حكومة.​
 
3) قيود حجم المطالبة
فهم حدود حجم ChatGPT أمر أساسي حيث يؤثر ذلك مباشرة على حجم ونوع المعلومات التي يمكننا إدخالها. لا تمتلك نماذج اللغة القدرة على معالجة بيانات غير محدودة في وقت واحد. فهي تمتلك قيدًا طبيعيًا على حجم الاستفسار الذي يمكننا إنشاؤه وإدخاله. وتحمل هذه القيود تأثيرات عميقة على تصميم وتنفيذ الاستفسارات.

يحتوي ChatGPT على حد للرموز المميزة (عمومًا 2048 رمزًا مميزًا)، والذي يتضمن كلاً من الموجه والاستجابة التي تم إنشاؤها. وهذا يعني أن المطالبات الطويلة يمكن أن تحد من طول الاستجابة. لذلك، من المهم أن تبقي المطالبات موجزة وغنية بالمعلومات.

في الاستخدام العملي، يجب علينا أن نعمل كمحررين، ونختار بشكل انتقائي المعلومات الأكثر صلة بالمهمة التي بين أيدينا. تخيل أنك تكتب بحثًا أو مقالًا بكلمة أو صفحة محدودة - لا يمكنك التخلص من الحقائق العشوائية فحسب، بل يمكنك اختيار المعلومات ذات الصلة بالموضوع وتنظيمها بعناية.
المستخدم: "نظرًا للقيود الرمزية للنموذج، قم بتلخيص الأحداث الرئيسية للحرب العالمية الثانية في أقل من 1000 كلمة."​

ومن خلال الاعتراف بالقيود الرمزية للنموذج، فإن هذه المطالبة توجه الذكاء الاصطناعي لتقديم ملخص موجز وشامل للحرب العالمية الثانية.

مطالبات الاستخدام المتكرر: في سيناريو المحادثة، يمكنك إعادة استخدام المطالبات أو تحسينها بناءً على الاستجابات السابقة. وهذا يعطي تدفقًا للمحادثة ويحافظ على سياق التفاعل.

4) نمط تحسين السؤال
يمكن أن يساعد ChatGPT أيضًا في تحسين أسئلتك. على سبيل المثال، إذا طرحت سؤالاً، فيمكن أن يقترح عليك سؤالاً تمت صياغته بشكل أفضل للحصول على نتائج أكثر دقة.

يتضمن نمط تحسين الأسئلة قيام LLM بتحسين الأسئلة التي يطرحها المستخدم. وهو مفيد بشكل خاص عندما لا يكون المستخدمون خبراء في مجال ما أو عندما يكونون غير متأكدين من كيفية صياغة أسئلتهم.

قد يبدو مثال المطالبة كما يلي:
المستخدم: "عندما أطرح سؤالاً حول علم البيانات، اقترح سؤالاً أكثر دقة مع الأخذ في الاعتبار تفاصيل التحليل الإحصائي واسألني عما إذا كنت أرغب في المتابعة بالسؤال المنقح."​

هنا، من المتوقع أن يقوم الذكاء الاصطناعي بتحسين أسئلة علم البيانات العامة للمستخدم إلى أسئلة أكثر تفصيلاً مع الأخذ في الاعتبار جوانب التحليل الإحصائي.

5) نمط التحقق المعرفي
يقوم نموذج التحقق المعرفي بتقسيم الأسئلة المعقدة إلى أسئلة فرعية أصغر يمكن التحكم فيها. ويتم بعد ذلك دمج إجابات هذه الأسئلة الفرعية لتقديم إجابة شاملة للسؤال الرئيسي. يكون هذا الأسلوب مفيدًا عندما تكون الأسئلة الأولية عالية المستوى جدًا أو عندما تكون هناك حاجة إلى مزيد من الوضوح لتقديم إجابة كاملة.

على سبيل المثال:
المستخدم: "إذا طرحت سؤالاً حول تغير المناخ، قم بتقسيمه إلى ثلاثة أسئلة أصغر من شأنها أن تساعدك على تقديم إجابة أكثر دقة. اجمع إجابات هذه الأسئلة الفرعية لتحصل على الإجابة النهائية.​

في هذا السيناريو، سوف يقوم الذكاء الاصطناعي بتقسيم السؤال المعقد حول تغير المناخ إلى ثلاثة أسئلة فرعية يمكن التحكم فيها. بعد تلقي الإجابات على هذه الأسئلة الفرعية، سيقوم الذكاء الاصطناعي بعد ذلك بدمجها لتقديم إجابة أكثر شمولاً ودقة.

يتضمن هذا النمط توليد أسئلة متعددة للحصول على إجابة نهائية أكثر دقة. إنها عملية التحقق من المعلومات وتوحيدها للحصول على نتيجة نهائية قوية.

6) نهج المطالبات القليلة (المحدودة)
تُعد المطالبات المحدودة والقليلة أسلوبًا قويًا لتعليم نماذج الذكاء الاصطناعي لمتابعة أنماط محددة أو تنفيذ المهام. والفكرة هي تغذية النموذج بعدد من الأمثلة قبل طرح السؤال المطلوب. يساعد هذا في ضبط السلوك المطلوب وتوجيه استجابات النموذج.

فكر في سيناريو يحاول فيه المستخدم صياغة نسخة تسويقية موجزة ومقنعة لأداة تقنية جديدة:
المستخدم: "إليك بعض الأمثلة على نسخ التسويق التكنولوجي: "استمتع بتجربة موسيقية لم يسبق لها مثيل مع سماعات الرأس اللاسلكية المتطورة." "التقط عالمك بدقة 4K مذهلة باستخدام كاميرا الحركة فائقة الأناقة." في ضوء هذه الأمثلة، قم بصياغة نسخة تسويقية لساعتنا الذكية الجديدة التي تعمل بالذكاء الاصطناعي.​
ChatGPT: "قم بتمكين أسلوب حياتك من خلال ساعتنا الذكية المدعمة بالذكاء الاصطناعي، وهي رفيقك للصحة والاتصال والإنتاجية."​

الميزة الرائعة للتعلم قليل المطالبات هي أنه لا يتطلب وصفًا تفصيليًا لكيفية أداء المهمة. وبدلاً من ذلك، فهو يتطلب عروضًا توضيحية لما يتم القيام به، مما قد يجعله مناسبًا للعديد من التطبيقات.

علاوة على ذلك، تمتد هذه التقنية إلى ما هو أبعد من الاقتران البسيط بين المدخلات والمخرجات. يمكن أيضًا تعليم النموذج كيفية التعامل مع الخطوات الوسيطة لتحقيق الهدف.​
 
7) سلسلة من الأفكار المطالبة - التوجيه بسلسلة الأفكار
في ورقتهم البحثية الأخيرة، يهدف المؤلفون جيسون وي وفريقهم بعنوان "سلسلة الأفكار التي تثير التفكير في نماذج اللغة الكبيرة" إلى تحفيز التفكير داخل نماذج اللغة الكبيرة. بدلاً من استخدام المطالبات التقليدية والمباشرة، يستخدم الفريق سلسلة من المطالبات المترابطة، مما يشكل "سلسلة أفكار".

على سبيل المثال، قد يكون المستخدم مهتمًا بالتأثير المحتمل للذكاء الاصطناعي على أسواق العمل:
المستخدم: "هل يمكنك شرح مفهوم الذكاء الاصطناعي بإيجاز؟"​
ChatGPT: "يشير الذكاء الاصطناعي، أو الذكاء الاصطناعي، إلى قدرة الآلة على تقليد السلوك البشري الذكي. يتعلق الأمر بتصميم آلات يمكنها التفكير والتعلم مثل البشر، وتمكينها من أداء مهام مثل ترجمة اللغة، واتخاذ القرار، وحل المشكلات، من بين أمور أخرى.​
المستخدم: "كيف يؤثر الذكاء الاصطناعي على سوق العمل الحالي؟"​
ChatGPT "يخلق الذكاء الاصطناعي وظائف جديدة ويغير طبيعة الوظائف الحالية. فمن ناحية، يقوم بأتمتة المهام الروتينية، مما يؤدي إلى إزاحة الوظائف في قطاعات معينة. ومن ناحية أخرى، فإنه يخلق الطلب على الأدوار التي لم تكن موجودة من قبل، مثل مسؤولي أخلاقيات الذكاء الاصطناعي، ومحللي البيانات، ومهندسي التعلم الآلي. بالإضافة إلى ذلك، يمكن للذكاء الاصطناعي تعزيز الأدوار البشرية، مما يسمح للأشخاص بإنجاز المهام بشكل أكثر كفاءة ودقة.​

يتبع تحفيز سلسلة الأفكار سلسلة من المطالبات ذات الصلة، مع الحفاظ على "محادثة" مع النموذج الذي يرشده نحو استجابات أكثر دقة وملاءمة للسياق.

فهم واجهة برمجة تطبيقات ChatGPT والهندسة السريعة من منظور المطور
من وجهة نظر المطور أو الباحث، تعد الهندسة السريعة عملية أكثر تعقيدًا. يتضمن تصميم الخوارزميات والتقنيات لمساعدة نموذج الذكاء الاصطناعي على فهم المطالبات والاستجابة لها بشكل أكثر فعالية. يمكن أن يشمل ذلك استراتيجيات للتعامل مع المحفزات الغامضة، أو تحديد سياق المحفزات، أو ربط المحفزات معًا لتحفيز عمليات التفكير الأكثر تعقيدًا في الذكاء الاصطناعي.

في الرسم التوضيحي أعلاه، يتفاعل المستخدم مع واجهة الدردشة، المدعومة بـ GPT-4. ويتم تعزيز مدخلاتهم من أجل الوضوح والاتساق السياقي من خلال وحدة متخصصة قبل إدخالها في نموذج الذكاء الاصطناعي. يتمثل دور هذه الوحدة في تحسين مدخلات المستخدم وتحسينها من أجل فهم أفضل مع الحفاظ أيضًا على سياق المحادثة. يتم إرجاع استجابة الذكاء الاصطناعي، المصممة بناءً على المطالبة المكررة، إلى المستخدم من خلال واجهة الدردشة. يتم تحديث سجل التفاعل باستمرار، مع الحفاظ على سياق المحادثة.
بشكل عام، يوضح هذا الرسم البياني تدفق محادثة ديناميكي بين المستخدم والذكاء الاصطناعي تم تمكينه بواسطة تقنيات ومطالبات هندسية سريعة.

تم تصميم واجهة ChatGPT API باستخدام العديد من المعلمات الفائقة (hyperparameters) التي تمكن المستخدمين من تحسين استجابات الذكاء الاصطناعي للمطالبات، مما يجعلها أكثر فعالية وتنوعًا. وتشمل هذه المعلمات درجة الحرارة والحد الأقصى للطول وتسلسل التوقف.
دعونا نستكشف كيفية عملها ويمكن استخدامها في سياقات مختلفة.

1) درجة الحرارة
تؤثر معلمة درجة الحرارة (Temperature parameter) على عشوائية استجابات الذكاء الاصطناعي. تشجع درجة الحرارة المرتفعة، مثل 1.0، على المزيد من المخرجات العشوائية، مما يؤدي إلى استجابات متنوعة ولكن من المحتمل أن تكون خارج الموضوع. في المقابل، فإن درجة الحرارة المنخفضة، مثل 0.2، تدفع الذكاء الاصطناعي إلى اختيار استجابات أكثر حتمية، والتي يمكن أن تكون مفيدة لمخرجات مركزة ومحددة ولكنها قد تفتقر إلى التنوع.

على سبيل المثال: إذا كنت تكتب قصة إبداعية وتريد عناصر خيالية لا يمكن التنبؤ بها، فاضبط درجة الحرارة على قيمة أعلى. يمكن أن تكون المطالبة كالتالي: "اكتب قصة قصيرة عن قطة تسافر عبر الزمن". مع ارتفاع درجة الحرارة، قد تحصل على قصة جامحة وخيالية بها تقلبات ومنعطفات غير متوقعة.

2) الحد الأقصى للطول
تتحكم هذه المعلمة في الحد الأقصى لطول الرمز المميز لمخرجات النموذج، والذي يتضمن كلاً من الرموز المميزة في إدخال الرسالة وإخراج الرسالة. يسمح تعيين حد أعلى باستجابات أكثر اتساعًا، بينما يؤدي الحد الأدنى إلى إبقاء المخرجات قصيرة وموجزة.

مثال: للحصول على إجابات مختصرة عن الأسئلة التافهة مثل "من فاز بجائزة نوبل في الأدب لعام 2020؟" قد ترغب في تعيين الحد الأقصى للطول على قيمة منخفضة، مما يضمن أن الاستجابة موجزة ومباشرة.

3) وقف التسلسل
تتمثل سلاسل التوقف في سلاسل نصية محددة، حيث يتوقف النموذج عن إنتاج مزيد من النص عندما يصادفها. يمكن أن تكون هذه الميزة مفيدة للتحكم في طول الناتج أو توجيه النموذج للتوقف في نقاط النهاية المنطقية.

على سبيل المثال: بالنسبة لرسالة رسمية، يمكنك استخدام "تفضلوا بقبول فائق الاحترام،" كتسلسل توقف لضمان عدم قيام الذكاء الاصطناعي بإنشاء أي نص إضافي يتجاوز النهاية الصحيحة للرسالة.

4) Top P
تعد المعلمة "Top P"، المعروفة أيضًا باسم أخذ العينات النووية، طريقة توفر اختيارًا ديناميكيًا لعدد الكلمات التي تم أخذها في الاعتبار في كل خطوة من تنبؤات النموذج. تؤدي القيمة الأقل، مثل 0.5، إلى مخرجات أكثر أمانًا وتركيزًا. تتضمن القيمة الأعلى، مثل 0.9، مجموعة واسعة من الكلمات، مما يؤدي إلى نتائج أكثر تنوعًا.

مثال: إذا كنت تقوم بإنشاء نظام ذكاء اصطناعي لكتابة القصائد وتريد أن يستخدم مجموعة واسعة من المفردات والعبارات الأسلوبية، فيمكنك تعيين "Top P" على قيمة أعلى. يمكن أن تكون المطالبة: "اكتب قصيدة عن جمال الخريف".

5) عقوبة التردد
تتحكم عقوبة التكرار في مدى تفضيل النموذج للكلمات الأقل تكرارًا. تشجع العقوبة الأعلى (تصل إلى 1) النموذج على استخدام كلمات أقل شيوعًا، بينما تشجع القيمة الأقل (تصل إلى -1) النموذج على استخدام كلمات أكثر شيوعًا.

على سبيل المثال: إذا كنت تحاول إنشاء مقترح عمل وتريد تجنب المصطلحات، فيمكنك ضبط عقوبة التكرار على قيمة أقل للحفاظ على اللغة واضحة وسهلة الوصول.

6) عقوبة الحضور
تؤثر معلمة عقوبة الحضور على مدى معاقبة النموذج لتوليد أفكار أو موضوعات جديدة لم تكن موجودة في سجل المحادثة. تشجع القيم الأعلى النموذج على الالتزام بالموضوعات المذكورة بالفعل، بينما تسمح القيم المنخفضة للنموذج بتقديم مفاهيم جديدة بحرية أكبر.

على سبيل المثال: بالنسبة لجلسات العصف الذهني، يمكنك تعيين عقوبة الحضور إلى قيمة أقل لتشجيع مجموعة متنوعة من الأفكار. يمكنك استخدام مطالبة مثل "إنشاء استراتيجيات تسويقية مبتكرة لمنصة تعليمية عبر الإنترنت".​
 
تطبيق الصناعة للهندسة السريعة - هندسة المطالبات:

دعم العملاء وإنشاء الأسئلة الشائعة
في عالم دعم العملاء، لا يمكن المبالغة في أهمية الهندسة السريعة. أحد أكثر تطبيقات الذكاء الاصطناعي الرائدة في هذا القطاع هو ظهور روبوتات الدردشة التي تعمل بالذكاء الاصطناعي. على سبيل المثال، فكر في منصة التجارة الإلكترونية مثل eBay. إنهم يستخدمون نظام chatbot المتقدم الذي تم ضبطه بدقة باستخدام الهندسة السريعة للتعامل مع استفسارات العملاء.
إن chatbot قادر على التعامل مع مجموعة متنوعة من المشكلات بما في ذلك، على سبيل المثال لا الحصر، توفير تحديثات التسليم ومعالجة طلبات استرداد الأموال والإجابة على الاستفسارات حول مواصفات المنتج.

عندما يسأل العميل، "أين طلبي؟"، لا يستجيب برنامج الدردشة الآلي المدعم بالذكاء الاصطناعي برسالة عامة فحسب؛ بدلاً من ذلك، فإنه ينقر على نظام إدارة الطلب، ويجلب البيانات في الوقت الفعلي، ويقدم استجابة مخصصة مثل، "طلبك رقم 1234 قيد النقل حاليًا ومن المتوقع أن يتم تسليمه بحلول مساء الغد." مثل هذه الاستجابات الشخصية وذات الصلة هي النتيجة المباشرة للمطالبات المصممة جيدًا، والتي تشكل جوهر أنظمة الدردشة الذكية هذه.

إنشاء المحتوى والتسويق
في مجال إنشاء المحتوى والتسويق، تعد الهندسة السريعة بمثابة حجر الزاوية في الابتكارات المعتمدة على الذكاء الاصطناعي. تستخدم شركات مثل Grammarly محركات تعمل بالذكاء الاصطناعي لمساعدة المستخدمين في إنشاء محتوى جذاب وصحيح نحويًا. تعمل هذه المنصات على أساس المطالبات، لتوجيه نموذج الذكاء الاصطناعي لإنشاء اقتراحات أو تصحيحات يمكن أن تعزز الجودة الشاملة للمحتوى.

فكر في مستخدم يهدف إلى إنشاء محتوى جذاب حول تطورات الذكاء الاصطناعي. يمكنهم استخدام عبارة موجهة مثل: "اشرح أحدث التطورات في الذكاء الاصطناعي بطريقة بسيطة وجذابة للمبتدئين". يمكن للذكاء الاصطناعي، من خلال تسخير هذه المطالبة، صياغة مقالة موجزة وسهلة للقارئ حول مفاهيم الذكاء الاصطناعي المعقدة، وبالتالي سد الفجوة المعرفية وتحفيز اهتمام القارئ. هذه مجرد واحدة من الطرق العديدة التي يمكن للهندسة السريعة من خلالها تحسين إنشاء المحتوى.

المساعدة في الترميز وتفسير الكود
الهندسة السريعة، في هذا السياق، تشبه محادثة ثنائية الاتجاه بين المطور والذكاء الاصطناعي. يزود المطور الذكاء الاصطناعي بمطالبة - وصف للمشكلة أو الوظيفة التي يحتاج إلى تنفيذها، ويستجيب الذكاء الاصطناعي بقطعة من التعليمات البرمجية أو الاقتراح ذي الصلة، مما يساعد في عملية تطوير البرمجيات.

بالإضافة إلى ذلك، تم تطوير أدوات البرمجة المعززة بالذكاء الاصطناعي، مثل GitHub Copilot، بخبرة OpenAI، حيث خضعت هذه الأدوات المتقدمة لتدريب مكثف لأداء مهام معقدة مثل ملء ملفات التعليمات البرمجية غير المكتملة.
إنهم يفعلون ذلك على الرغم من الاختلافات الواضحة بين عملية كتابة التعليمات البرمجية ومهمة إكمالها.

التعليم والتعلم الشخصي
شهد دمج الذكاء الاصطناعي في قطاع التعليم طفرة ملحوظة في السنوات الأخيرة، حيث لعبت الهندسة السريعة دورًا محوريًا. تم تطوير معلمي الذكاء الاصطناعي لتوفير تجارب تعليمية مخصصة، والتكيف مع وتيرة التعلم لكل طالب وأسلوبه.

لنأخذ على سبيل المثال منصة تعليمية قائمة على الذكاء الاصطناعي مثل Duolingo. ويستخدم مطالبات مصممة جيدًا لتقييم كفاءة الطالب في لغة جديدة وتوفير التمارين المناسبة. إذا كان الطالب يتعلم اللغة الفرنسية ويواجه صعوبة في التصريف، فيمكن لمدرس الذكاء الاصطناعي تقديم تمارين مخصصة مثل، "تصريف الفعل "manger" (To eat) في زمن المضارع". يتم تقييم أداء الطالب وتقدمه بشكل مستمر، ويتم تحسين المطالبات وتكييفها وفقًا لذلك، مما يضمن تجربة تعليمية مخصصة وفعالة.

الصعود الذي لا يمكن وقفه للهندسة السريعة
بينما نقترب من نهاية تعمقنا في الهندسة السريعة، من المهم التأكيد على مدى حداثة هذا المجال حقًا. نحن على أعتاب عصر يتجاوز فيه الذكاء الاصطناعي الاستجابة للأوامر المبرمجة مسبقًا، ويتطور لمعالجة وتنفيذ المطالبات المصممة بعناية والتي تؤدي إلى نتائج محددة للغاية.

إن التطبيقات العديدة التي استكشفناها، بدءًا من دعم العملاء وحتى إنشاء المحتوى وتحليل البيانات والتعلم المخصص، ما هي إلا غيض من فيض. ومع تكثيف الأبحاث في هذا المجال، يمكننا أن نتطلع إلى استخدامات أكثر تطورًا ودقة للهندسة السريعة. إن التقارب بين الإبداع البشري وبراعة الذكاء الاصطناعي يدفعنا نحو مستقبل لن يساعد فيه الذكاء الاصطناعي فحسب، بل سيغير جوانب مختلفة من حياتنا.

المصدر الأجنبي من هنا
 
Similar threads Most view عرض المزيد

المواضيع المشابهة

عودة
أعلى أسفل