برومبت للهندسة

دور الموجهات

تكون المطالبة بمثابة التعليمات أو الاستعلام الذي يوجه سلوك نموذج الذكاء الاصطناعي. تتضمن هندسة المطالبة الفعالة فهم كيفية تفسير النموذج للغة والاختبار التكراري للصياغة والسياق والقيود المختلفة. تتطلب هذه العملية غالبًا الوضوح والخصوصية وتوفير سياق أو أمثلة كافية ضمن المطالبة نفسها. وتتراوح الأساليب من التعليمات البسيطة إلى أساليب أكثر تعقيدًا مثل تقديم أمثلة(التعلّم من خلال بعض الأمثلة) أو توجيه عملية التفكير في النموذج(المطالبة المتسلسلة). والهدف من ذلك هو سد الفجوة بين نية الإنسان وقدرات توليد المخرجات الخاصة بالنموذج، والتي غالبًا ما يتم استكشافها في مجالات مثل معالجة اللغات الطبيعية (NLP).

الاختلافات الرئيسية عن التقنيات الأخرى

تختلف الهندسة السريعة اختلافًا جوهريًا عن تقنيات تحسين تعلّم الآلة (ML) الأخرى:

• الضبط الدقيق: يتضمن الضبط الدقيق تدريبًا إضافيًا على نموذج مُدرّب مسبقًا على مجموعة بيانات محددة لتكييف أوزان النموذج الداخلي لمهمة متخصصة. على العكس من ذلك، تعمل الهندسة الفورية مع النموذج الحالي دون إعادة التدريب، مع التركيز فقط على صياغة المدخلات.
• ضبط المعلمة الفائقة: يتضمن ذلك تحسين المعلمات التي تتحكم في عملية التعلم نفسها (مثل معدل التعلم أو حجم الدفعة) أثناء تدريب النموذج. تحدث هندسة الدفعات أثناء وقت الاستدلال لتحسين مدخلات النموذج المدرّب بالفعل. يمكنك استكشاف أدلة ضبط المعلمة الفائقة لمزيد من التفاصيل حول هذه العملية.
• هندسة الميزات: تُستخدم عادةً في التعلّم الآلي التقليدي، وتتضمن اختيار أو تحويل أو إنشاء ميزات من البيانات الأولية لتحسين أداء النموذج. تتعامل هندسة الملامح مع صياغة مدخلات اللغة الطبيعية للنماذج التوليدية، وليس معالجة ميزات البيانات المجدولة.

التطبيقات الواقعية

الهندسة السريعة أمر بالغ الأهمية في مختلف تطبيقات الذكاء الاصطناعي:

1. إنشاء المحتوى: يستخدم المسوقون هندسة المطالبات لإنشاء أنواع محددة من النصوص الإبداعية، مثل الخطوط العريضة لمنشورات المدونة أو تنويعات نسخ الإعلانات أو التعليقات على وسائل التواصل الاجتماعي، من خلال تحديد النغمة والأسلوب والجمهور المستهدف والكلمات الرئيسية. على سبيل المثال، يؤدي طلب نموذج "اكتب ثلاثة عناوين جذابة لحملة تسويق عبر البريد الإلكتروني تستهدف أصحاب الأعمال الصغيرة حول إدارة المخزون المدعوم بالذكاء الاصطناعي" إلى نتائج أكثر استهدافًا من "كتابة عناوين بريد إلكتروني عامة". يستفيد هذا من إمكانيات توليد النصوص في إدارة المخزون.
2. روبوتات الدردشة الآلية لدعم العملاء: يقوم المطورون بهندسة المطالبات لتحديد شخصية روبوت الدردشة الآلية (على سبيل المثال، ودود أو رسمي)، ونطاق المعرفة، وسير العمل المحدد للتعامل مع استفسارات المستخدم. قد توجه المطالبة الروبوت إلى الروبوت "أنت وكيل دعم مفيد لـ Ultralytics. قم بالرد بأدب على أسئلة المستخدمين حول تراخيص برنامج Ultralytics YOLO . إذا سئل عن التسعير، قم بتوجيهه إلى صفحة التسعير." يضمن ذلك تفاعلات متناسقة ومفيدة، مع إمكانية استخدام تقنيات مثل الاسترجاع-التوليد المعزز (RAG) للوصول إلى معلومات محددة. يمكنك معرفة المزيد حول كيفية عمل LLMs لفهم التكنولوجيا الأساسية.

الأهمية والمستقبل

نظرًا لأن نماذج الذكاء الاصطناعي أصبحت مدمجة في أنظمة أكثر تعقيدًا، بدءًا من توليد التعليمات البرمجية إلى البحث العلمي، فإن القدرة على توجيهها بفعالية من خلال الهندسة السريعة تصبح حيوية بشكل متزايد. ويتطلب ذلك مزيجًا من المهارة اللغوية والمعرفة بالمجال وفهم قدرات نموذج الذكاء الاصطناعي وحدوده. توفر أطر العمل مثل LangChain اللغوية والموارد مثل وثائق OpenAI API الأدوات وأفضل الممارسات لهذا المجال المتطور. ينطوي ضمان الاستخدام المسؤول أيضاً على مراعاة أخلاقيات الذكاء الاصطناعي والتخفيف من التحيز المحتمل في الذكاء الاصطناعي من خلال التصميم الفوري الدقيق. يمكن أن يوفر استكشاف Ultralytics HUB رؤى حول إدارة نماذج الذكاء الاصطناعي والمشاريع التي قد تنشأ فيها اعتبارات سريعة. يستمر إجراء المزيد من الأبحاث لاستكشاف استراتيجيات مطالبة أكثر تقدماً، بما في ذلك التحسين التلقائي للمطالبات وفهم الفروق الدقيقة في التفاعل بين الإنسان والذكاء الاصطناعي.