الدليل الأساسي للهندسة الفورية في ChatGPT

منذ إطلاقه ، شات جي بي تي أحدث ChatGPT نقلة نوعية في مجال الذكاء الاصطناعي، حيث جذب أكثر من 100 مليون مستخدم في وقت قياسي. يكمن سرّ الأداء المذهل والتنوع في ChatGPT في فنّ مُدمج ببراعة في برمجته: الهندسة السريعة.

تم إطلاق DALL-E و MidJourney و StableDiffusion في عام 2022 ، حيث أكد على الإمكانات التخريبية للذكاء الاصطناعي التوليدي. ولكنه كان افتح منظمة العفو الدوليةChatGPT التي احتلت مركز الصدارة بالفعل في وقت لاحق في عام 2022. ولم يُظهر هذا الزخم أي علامات على التباطؤ.

إعلان جوجل عن بارد و ميتا لاما 2  لقد عززت الاستجابة لـ ChatGPT من OpenAI زخم سباق الذكاء الاصطناعي بشكل كبير. من خلال تزويد هذه النماذج بالمدخلات، نوجه سلوكها واستجاباتها. هذا يجعلنا جميعًا مهندسين سريعين إلى حد ما. وقد انتبه قطاع التكنولوجيا لذلك. يضخّ المستثمرون المغامرون الأموال في الشركات الناشئة التي تركز على الهندسة السريعة، مثل ورق منظمة العفو الدولية. علاوة على ذلك ، تقارير فوربس التي تدفع المهندسين الأوامر رواتب تتجاوز 300,000 دولار، مما يدل على سوق عمل مزدهر وقيِّم.

في هذه المقالة، سنكشف غموض عالم هندسة الاستجابة السريعة في سياق ChatGPT. سنستكشف المبادئ والتقنيات الأساسية، وندرس تطبيقاتها التجارية.

دعونا أولاً نفهم كيفية عمل ChatGPT والدور المحوري الذي يلعبه هندسة المطالبة في هذه العملية.

الميكانيكا وراء الهندسة الفورية ChatGPT

يكمن سر نجاح ChatGPT في قدرته على فهم ومحاكاة تفاصيل المحادثات البشرية. يُدرَّب النموذج على مجموعة متنوعة من نصوص الإنترنت، ولكن الأهم من ذلك أنه لا يتعرف على مستندات أو مصادر محددة في مجموعة تدريبه، مما يضمن التعميم على التحديد. يتيح هذا النهج التدريبي لـ ChatGPT توليد استجابات إبداعية، والتعامل مع حوارات معقدة، وحتى إظهار حس فكاهة. مع ذلك، من المهم تذكر أن ChatGPT لا يفهم حقًا ولا يمتلك معتقدات؛ بل يُولِّد استجابات بناءً على الأنماط التي تعلمها أثناء التدريب.

إن قدرة ChatGPT على فهم اللغة البشرية والاستجابة لها بطريقة دقيقة وواعية بالسياق تجعلها أدوات متعددة الاستخدامات بشكل لا يصدق.

تعتمد آليات هذه النماذج على مفهوم "الرموز" - وهي أجزاء لغوية منفصلة، ​​تتراوح بين حرف واحد وكلمة 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)، متوقعةً التسلسل التالي من الرموز المحتملة. تُعالج النماذج الرموز باستخدام جبر خطي معقد، متوقعةً الرمز التالي الأكثر احتمالًا.

على سبيل المثال ، يمكن أن تتحول الجملة البسيطة المكونة من تسع كلمات إلى عشرة رموز. حتى كلمة واحدة معقدة يمكن أن تتحول إلى رموز متعددة ، مما يساعد النموذج على فهم اللغة وتوليدها بشكل أفضل. حتى اللغات ذات التركيبات المعقدة للكلمات ، مثل الألمانية ، تدار من خلال الترميز.

تعمل نماذج GPT (المحولات التوليدية المدربة مسبقًا) عن طريق إنشاء رمز مميز واحد في كل مرة ، بدءًا من الرمز المميز الأول ويستمر حتى الأخير. بعد إنشاء كل رمز مميز ، يقوم النموذج بإعادة النظر في التسلسل بأكمله ومعالجته مرة أخرى لإنشاء الرمز المميز التالي. تستمر هذه العملية التكرارية حتى يتم إنشاء الرمز المميز النهائي ، مما يجعل إنشاء النص مشابهًا للحلقة الكبيرة.

لكن هنا تكمن المشكلة - جودة هذه الاستجابات تعتمد بشكل كبير على الإلحاحات التي تتلقاها. وكما هو الحال في إدارة محادثة مع شخص، فإن إدارة حوار باستخدام ChatGPT تتطلب مستوى معينًا من المهارة والفهم. وهنا يأتي دور هندسة الإلحاحات.

ما هي الهندسة الفورية؟

الهندسة السريعة هي فن صياغة مطالبات / مدخلات دقيقة وفعالة لتوجيه الذكاء الاصطناعي (NLP/ Vision) مثل ChatGPT لتوليد أكثر المخرجات فعالية من حيث التكلفة ودقة ومفيدة وآمنة.

لا تقتصر الهندسة السريعة على إنشاء النصوص فحسب، بل لديها تطبيقات واسعة النطاق عبر مجال الذكاء الاصطناعي. يتم استخدامه بشكل متزايد في مجالات مثل روبوتات أتمتة العمليات الآلية، والأصول ثلاثية الأبعاد، والبرامج النصية، وتعليمات الروبوت، وأنواع أخرى من المحتوى والوسائط الرقمية. فهو يوفر مزيجًا فريدًا من المنطق والتشفير والفن، وفي بعض الحالات، المعدلات الخاصة.

بينما يمكن أن تتضمن المطالبة نصًا بلغة طبيعية أو صورًا أو أنواعًا أخرى من بيانات الإدخال ، يمكن أن يختلف الإخراج بشكل كبير عبر خدمات وأدوات الذكاء الاصطناعي. تحتوي كل أداة على مُعدِّلات خاصة بها تصف وزن الكلمات أو الأنماط أو المنظورات أو التخطيط أو الخصائص الأخرى للاستجابة المطلوبة.

هذا المجال ضروري لإنشاء خدمات أفضل مدعومة بالذكاء الاصطناعي والحصول على نتائج فائقة من أدوات الذكاء الاصطناعي التوليدية الحالية. غالبًا ما يستخدم مطورو المؤسسات ، على سبيل المثال ، الهندسة السريعة لتصميم نماذج اللغات الكبيرة (LLMs) مثل GPT-3 لدعم مواجهة العملاء chatbot أو التعامل مع مهام مثل إنشاء عقود خاصة بالصناعة.

تعد هذه العملية التكرارية للتنقيح الفوري وقياس أداء الذكاء الاصطناعي عنصرًا أساسيًا في تمكين نماذج الذكاء الاصطناعي من إنشاء استجابات مفيدة وموجهة للغاية في سياقات مختلفة.

أن تصبح مهندسًا سريعًا

إن قدرة نموذج GPT-4 على فهم التعليمات المعقدة وحل المشكلات المعقدة بدقة تجعله موردًا قيّمًا. ومع ذلك، هناك طرق مختلفة للاستفادة من إمكانيات هذا النموذج، وفهم هذه الإمكانيات أمرٌ بالغ الأهمية لدور المهندس الفوري في تحسين الكفاءة والفعالية من حيث التكلفة.

هناك طريقتان أساسيتان للتعامل مع نماذج GPT مثل GPT-4. إحداهما عبر واجهة برمجة تطبيقات OpenAI، حيث تُحسب التكاليف لكل رمز إدخال ورمز إخراج. في هذه الحالة، قد تتقلب تكاليف ألف رمز بناءً على حجم السياق. على سبيل المثال، في سياق أكبر حجمًا يبلغ 1 ألف رمز، قد تصل التكلفة إلى 32 دولار أمريكي لرموز الإدخال و0.06 دولار أمريكي لرموز الإخراج. وبالتالي، عند التعامل مع عدد كبير من الطلبات، يمكن أن تتراكم تكلفة الاستخدام بسرعة.

بدلاً من ذلك ، يعمل ChatGPT ، الذي يستفيد من نموذج GPT-4 ، على نموذج قائم على الاشتراك.

من المهام الرئيسية الأخرى في هندسة الاستجابة السريعة ضبط معاملات النموذج. تتضمن هذه العملية تعديل المتغيرات التي يستخدمها النموذج للتنبؤ. ومن خلال ضبط هذه المعاملات بدقة، يمكن لمهندسي الاستجابة السريعة تحسين جودة ودقة استجابات النموذج، مما يجعلها أكثر ملاءمةً للسياق وأكثر فائدة.

على الرغم من أن العديد من مهندسي الاستجابة السريعة ينحدرون من خلفية تقنية، إلا أن طبيعة هذا المجال متعددة التخصصات تجعله متاحًا للأفراد من خلفيات مهنية متنوعة. ويتزايد استخدام الكُتّاب والباحثين، وحتى الفنانين، لمهاراتهم الفريدة لتعزيز فعالية نماذج الذكاء الاصطناعي. وينعكس هذا التحول في سوق العمل أيضًا، حيث يبحث عدد متزايد من الشركات عن مهندسي استجابة سريعة يتمتعون بمجموعة متنوعة من المهارات والخلفيات.

التصميم والهندسة السريعة في ChatGPT

يلعب التصميم والهندسة الفوريان دورًا مهمًا في تحسين أداء النماذج اللغوية ويتضمن أكثر من مجرد صياغة الأسئلة ؛ تتطلب فهمًا عميقًا لنموذج الذكاء الاصطناعي ونهجًا متكررًا وصقلًا للغاية.

تصميم سريع

تصميم المطالبات، في جوهره، هو فن وعلم إنشاء المطالبات المثالية لنموذج لغوي كبير (LLM)، مثل ChatGPT، لتحقيق هدف واضح. وهو مزيج من:

• فهم LLM: قد تستجيب نماذج اللغات المختلفة بشكل متباين لنفس الموجه. علاوة على ذلك ، قد تحتوي نماذج لغوية معينة على كلمات رئيسية أو مشغلات فريدة تفسرها بطريقة معينة.
• معرفة المجال: الخبرة في المجال ذي الصلة أمر بالغ الأهمية عند تصميم المطالبات. على سبيل المثال ، يتطلب إنشاء موجه لاستنتاج تشخيص طبي معرفة طبية.
• النهج التكراري وقياس الجودة: غالبًا ما تتضمن عملية إنشاء موجه مثالي التجربة والخطأ. لذلك ، فإن وجود طريقة لتقييم جودة المخرجات تتجاوز مجرد الحكم الذاتي أمر حيوي ، لا سيما عند استخدام الموجه على نطاق أوسع.

موجه الهندسة

الهندسة السريعة هي مجال ممتد للتصميم الفوري يتضمن العديد من العمليات الهامة:

• تصميم الموجهات على نطاق واسع: تتضمن هذه العملية تصميم المطالبات الوصفية (المطالبات التي تنشئ مطالبات أخرى) وقوالب المطالبة ، وهي مطالبات ذات معلمات يمكن إنشاء مثيل لها في وقت التشغيل.
• تصميم الأدوات وتكاملها: يمكن أن تتضمن الموجهات أحيانًا 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 روبوت المحادثة ، إدارة مكتبات المطالبات والتخطيط واختيار المطالبات الصحيحة ودمج الأدوات المختلفة بكفاءة.
• تقييم المحفزات وضمان جودتها: يتضمن هذا الجانب تحديد المقاييس والعمليات لتقييم المطالبات سواء بشكل تلقائي أو بمشاركة بشرية.
• التحسين الفوري: يمكن أن تعتمد التكلفة ووقت الاستجابة لنموذج الذكاء الاصطناعي على اختيار النموذج وطول الطلب (عدد الرموز).

طُوِّرت العديد من مناهج وأدوات وأطر تصميم المطالبات الآلية لإدارة المطالبات على نطاق واسع. ومع ذلك، من المهم إدراك أن أيًا من هذه الأدوات لا يغني عن الفهم الدقيق والحكم والخبرة التي يتمتع بها مهندس المطالبات المتمرس.

الهندسة السريعة: التقنيات وأفضل الممارسات

1) التنسيب الفوري والوصف

وضع التعليمات في بداية الموجه قد يؤثر بشكل كبير على فهم الذكاء الاصطناعي واستجابته. لنأخذ على سبيل المثال مهمة تلخيص نص في نقاط محددة. قد يكون النهج الأقل فعالية هو:

اسم المستخدم: لخص النص أدناه كقائمة نقطية لأهم النقاط.
{إدخال النص هنا}

من ناحية أخرى ، يمكن أن تكون الطريقة الأكثر فعالية هي:

اسم المستخدم: لخص النص أدناه كقائمة نقطية لأهم النقاط.
نص: """
{إدخال النص هنا}
"" "

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 إجابات أكثر دقة وذات صلة.

ثانيًا ، 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 ومناسب للشخص العادي. قد تؤدي التعليمات الغامضة مثل "تلخيص الورقة العلمية" إلى نتائج أقل فعالية مقارنة بموجه محدد ومفصل:

اسم المستخدمأنشئ ملخصًا موجزًا ​​(حوالي ٢٠٠ كلمة) وجذابًا للورقة العلمية التالية. يجب أن يكون الملخص مفهومًا لمن ليس لديه خلفية علمية، وأن يعكس بدقة النتائج الرئيسية للورقة.
ورق: """
{نص ورقة علمية هنا}
"" "

2) نمط الشخصية

نمط الشخصية هو استراتيجية تحدد الذكاء الاصطناعي للعمل من منظور معين ، مثل الدور المهني أو الشخصية الخيالية. يمكّن هذا التكتيك النموذج من تقديم مخرجات تتعلق بالأدوار المحددة التي سيتعامل معها الشخص. على سبيل المثال ، يمكن للمرء أن يوجه الذكاء الاصطناعي للعمل كخبير في الأمن السيبراني أثناء مراجعة الكود. هذا النمط مفيد بشكل خاص عندما يحتاج المستخدمون إلى المساعدة ولكنهم غير متأكدين من التفاصيل الدقيقة المطلوبة في الإخراج.

خذ ما يلي كمثال:

اسم المستخدم: “لنفترض شخصية مؤرخ كبير متخصص في الثورة الفرنسية. بالنظر إلى هذه الشخصية ، اشرح الأحداث والأسباب الرئيسية التي أدت إلى سقوط النظام الملكي الفرنسي ".

في هذا السيناريو ، من المتوقع أن يرد الذكاء الاصطناعي بتحليل متعمق للثورة الفرنسية ، مع التركيز على سقوط النظام الملكي ، كما يفعل المؤرخ.

إدخال معلومات جديدة

لا يمتلك ChatGPT معرفة تتجاوز حد التدريب، وبالتالي لا يمكنه تقديم معلومات حول الأحداث أو التحديثات الأخيرة بعد التدريب. مع ذلك، يمكنك إضافة معلومات جديدة إلى النموذج عبر توجيهاتك.

اسم المستخدم: "ما هي العملة المشفرة؟"
شات جي بي تي: "Cryptocurrency هو نوع من العملات الرقمية أو الافتراضية التي تستخدم التشفير للأمان. العملة المشفرة الأكثر شهرة هي البيتكوين ".

الآن ، إذا أضفنا سياقًا أكثر قليلاً إلى الموجه ، فيمكننا جعل الشرح أكثر سهولة:

اسم المستخدم: "اشرح مفهوم العملة المشفرة لطالب في المدرسة الثانوية يدرس التمويل الرقمي"
ChatGPT: "تخيل أنك تلعب لعبة فيديو على الإنترنت، وهناك أموال يمكنك ربحها لشراء ترقيات أو شخصيات جديدة. العملات المشفرة تشبه ذلك إلى حد ما، ولكن بدلًا من أن تقتصر على اللعبة، يمكنك استخدامها لشراء سلع وخدمات حقيقية. إنها أشبه بالعملات الرقمية التي لا تخضع لسيطرة أي بنك أو حكومة."

3) قيود الحجم الفوري

يعد فهم قيود حجم ChatGPT أمرًا ضروريًا لأنه يؤثر بشكل مباشر على حجم ونوع المعلومات التي يمكننا إدخالها. لم يتم تصميم نماذج اللغة لمعالجة بيانات غير محدودة مرة واحدة. لديهم قيود متأصلة على حجم الموجه الذي يمكننا إنشاؤه وإدخاله. هذا القيد له آثار عميقة على تصميم وتنفيذ المطالبات.

لدى ChatGPT حدٌّ أقصى للرموز (عادةً ٢٠٤٨ رمزًا)، يشمل كلاً من المطالبة والاستجابة المُولَّدة. هذا يعني أن المطالبات الطويلة قد تُحدّ من طول الاستجابة. لذلك، من المهم أن تكون المطالبات موجزة وغنية بالمعلومات.

في الممارسة العملية، يجب علينا أن نتصرف كمحررين، فنختار بعناية المعلومات الأكثر صلة بالمهمة المطروحة. تخيّل كتابة بحث أو مقالة بحد أقصى للكلمات أو الصفحات - لا يمكنك ببساطة سرد معلومات عشوائية، بل عليك اختيار المعلومات المتعلقة بالموضوع وهيكلتها بعناية.

اسم المستخدم: "نظرًا للقيود المميزة للنموذج ، لخص الأحداث الرئيسية للحرب العالمية الثانية في أقل من 1000 كلمة."

من خلال الاعتراف بالقيود الرمزية للنموذج، يوجه هذا الأمر الذكاء الاصطناعي إلى تقديم ملخص موجز وشامل للحرب العالمية الثانية.

محفزات الاستخدام المتكرر: في سيناريو المحادثة ، يمكنك إعادة استخدام المطالبات أو تنقيحها بناءً على الردود السابقة. هذا يعطي تدفق محادثة ويحافظ على السياق في التفاعل.

4) نمط صقل السؤال

يمكن أن يساعد ChatGPT أيضًا في تحسين أسئلتك. على سبيل المثال ، إذا طرحت سؤالاً ، فيمكن أن يقترح سؤالاً بصيغة أفضل للحصول على نتائج أكثر دقة.

يتضمن نمط تحسين الأسئلة قيام خبير القانون بتحسين أسئلة المستخدم. يُعد هذا النمط مفيدًا بشكل خاص عندما لا يكون المستخدمون خبراء في مجال معين أو غير متأكدين من كيفية صياغة سؤالهم.

مثال موجه قد يبدو كالتالي:

اسم المستخدم: "عندما أطرح سؤالاً حول علم البيانات ، أقترح سؤالاً أكثر دقة مع مراعاة تفاصيل التحليل الإحصائي واسأل ما إذا كنت أرغب في متابعة السؤال المنقح."

هنا، من المتوقع أن تعمل الذكاء الاصطناعي على تحسين أسئلة علم البيانات العامة للمستخدم وتحويلها إلى أسئلة أكثر تفصيلاً مع مراعاة جوانب التحليل الإحصائي.

5) نمط المدقق المعرفي

يقسم نمط المدقق المعرفي الأسئلة المعقدة إلى أسئلة فرعية أصغر يمكن التحكم فيها. يتم بعد ذلك دمج الإجابات على هذه الأسئلة الفرعية لتقديم إجابة شاملة على السؤال الرئيسي. يكون هذا النهج مفيدًا عندما تكون الأسئلة الأولية عالية المستوى جدًا أو عندما تكون هناك حاجة إلى مزيد من الوضوح لتقديم إجابة كاملة.

على سبيل المثال:

اسم المستخدم: "إذا طرحت سؤالاً حول تغير المناخ ، فقسّمه إلى ثلاثة أسئلة أصغر ستساعدك على تقديم إجابة أكثر دقة. اجمع بين الإجابات على هذه الأسئلة الفرعية لإعطاء الإجابة النهائية ".

في هذا السيناريو ، سوف يقسم الذكاء الاصطناعي 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 تحقق وتوحيد المعلومات للحصول على نتيجة نهائية قوية.

6) نهج دفع القليل من الطلقات

يُعدّ التحفيز المُختصر أسلوبًا فعّالًا لتعليم نماذج الذكاء الاصطناعي اتباع أنماط مُحددة أو تنفيذ مهام مُحددة. تكمن الفكرة في تزويد النموذج بعدد من الأمثلة قبل طرح السؤال المطلوب. يُساعد هذا على تحديد السلوك المطلوب وتوجيه استجابات النموذج.

ضع في اعتبارك سيناريو يحاول فيه المستخدم صياغة نسخة تسويقية موجزة ومقنعة لأداة تقنية جديدة:

اسم المستخدمإليكم بعض الأمثلة على نصوص تسويقية تقنية: "استمتعوا بالموسيقى كما لم تختبروها من قبل مع سماعات الرأس اللاسلكية المتطورة لدينا". "صوّروا عالمكم بدقة 4K مذهلة باستخدام كاميرا الحركة فائقة الأناقة". بناءً على هذه الأمثلة، صُمّموا نصًا تسويقيًا لساعتنا الذكية الجديدة المدعومة بالذكاء الاصطناعي.

شات جي بي تيحسّن أسلوب حياتك مع ساعتنا الذكية المدعومة بالذكاء الاصطناعي، رفيقك في الصحة والاتصال والإنتاجية. الميزة المميزة للتعلم السريع هي أنه لا يتطلب وصفًا مفصلاً لكيفية أداء المهمة، بل يتطلب عروضًا توضيحية لما يتم إنجازه، مما يجعله مناسبًا للعديد من التطبيقات.

علاوة على ذلك ، تمتد هذه التقنية إلى ما وراء الاقتران البسيط بين المدخلات والمخرجات. يمكن أيضًا تدريس النموذج للتعامل مع الخطوات الوسيطة لتحقيق الهدف.

7) سلسلة الفكر المستحث

في ورقة بحثهم الأخيرة ، "تحفيز سلسلة الفكر على التفكير المنطقي في نماذج اللغة الكبيرةيهدف المؤلفان جيسون وي وفريقه إلى تحفيز التفكير المنطقي ضمن نماذج لغوية واسعة النطاق. فبدلاً من استخدام المحفزات التقليدية المباشرة، يستخدم الفريق سلسلة من المحفزات المترابطة، مُشكلةً بذلك "سلسلة أفكار".

على سبيل المثال ، قد يكون المستخدم مهتمًا بالتأثير المحتمل للذكاء الاصطناعي على أسواق العمل:

اسم المستخدم: "هل يمكنك شرح مفهوم الذكاء الاصطناعي بإيجاز؟"

شات جي بي تيالذكاء الاصطناعي، أو AI، يشير إلى قدرة الآلة على محاكاة السلوك البشري الذكي. يتعلق الأمر بتصميم آلات قادرة على التفكير والتعلم كالبشر، مما يُمكّنها من أداء مهام مثل ترجمة اللغات، واتخاذ القرارات، وحل المشكلات، وغيرها.

اسم المستخدم: "كيف يؤثر الذكاء الاصطناعي على سوق العمل الحالي؟"

شات جي بي تييُحدث الذكاء الاصطناعي وظائف جديدة ويُغير طبيعة الوظائف الحالية. فمن جهة، يُؤتمت المهام الروتينية، مما يُؤدي إلى فقدان بعض الوظائف في قطاعات مُعينة. ومن جهة أخرى، يُوجد طلبًا على وظائف لم تكن موجودة سابقًا، مثل مسؤولي أخلاقيات الذكاء الاصطناعي، ومحللي البيانات، ومهندسي التعلم الآلي. بالإضافة إلى ذلك، يُمكن للذكاء الاصطناعي تعزيز الأدوار البشرية، مما يُتيح للأفراد إنجاز المهام بكفاءة ودقة أكبر.

تتبع سلسلة الأفكار سلسلة من الأفكار ذات الصلة، مما يحافظ على "محادثة" مع النموذج الذي يوجهه نحو استجابات أكثر دقة وملاءمة للسياق.

فهم واجهة برمجة تطبيقات ChatGPT وهندسة المطالبات من منظور المطور

من وجهة نظر المطور أو الباحث، تُعد هندسة المحفزات عملية أكثر تعقيدًا. فهي تتضمن تصميم خوارزميات وتقنيات لمساعدة نموذج الذكاء الاصطناعي على فهم المحفزات والاستجابة لها بفعالية أكبر. قد يشمل ذلك استراتيجيات للتعامل مع المحفزات الغامضة، وتحديد سياق المحفزات، أو ربط المحفزات معًا لتحفيز عمليات تفكير أكثر تعقيدًا في الذكاء الاصطناعي.

في الرسم التوضيحي أعلاه، يتفاعل مستخدم مع واجهة دردشة تعمل بنظام GPT-4. تُحسّن وحدة متخصصة مدخلاته لضمان الوضوح والاتساق السياقي قبل إدخالها إلى نموذج الذكاء الاصطناعي. يتمثل دور هذه الوحدة في تحسين مدخلات المستخدم وتحسينها لفهم أفضل مع الحفاظ على سياق المحادثة. تُعاد استجابة الذكاء الاصطناعي، المصممة بناءً على التوجيه المُحسّن، إلى المستخدم عبر واجهة الدردشة. يُحدّث سجل التفاعل باستمرار، مع الحفاظ على سياق المحادثة. بشكل عام، يوضح هذا الرسم البياني تدفقًا ديناميكيًا للمحادثات بين المستخدم والذكاء الاصطناعي، مدعومًا بتقنيات هندسة التوجيه.

استخدم واجهات برمجة تطبيقات ChatGPT صُممت الواجهة باستخدام مُعاملات فائقة مُتنوعة تُمكّن المستخدمين من تحسين استجابات الذكاء الاصطناعي للمُطالبات، مما يجعلها أكثر فعاليةً وتنوعًا. تشمل هذه المُعاملات درجة الحرارة، والطول الأقصى، وتسلسلات التوقف. دعونا نستكشف كيفية عملها وإمكانية استخدامها في سياقات مُختلفة.

1) درجة الحرارة

يؤثر مُعامل درجة الحرارة على عشوائية استجابات الذكاء الاصطناعي. درجة حرارة أعلى، مثل 1.0، تُشجع على إنتاج نتائج عشوائية أكثر، مما ينتج عنه استجابات متنوعة، وإن كانت قد تكون خارج الموضوع. في المقابل، تُحفز درجة حرارة أقل، مثل 0.2، الذكاء الاصطناعي على اختيار استجابات أكثر تحديدًا، مما قد يكون مفيدًا لمخرجات مُركزة ومحددة، ولكنه قد يفتقر إلى التنوع.

مثال: إذا كنت تكتب قصة إبداعية وترغب في عناصر غير متوقعة ومبتكرة، فاضبط درجة الحرارة على قيمة أعلى. قد يكون السؤال: "اكتب قصة قصيرة عن قطة تسافر عبر الزمن". مع درجة حرارة عالية، قد تحصل على قصة خيالية جامحة ذات منعطفات غير متوقعة.

2) الطول الأقصى

يتحكم هذا المعامل في الحد الأقصى لطول رمز مُخرَج النموذج، والذي يشمل كلاً من الرموز في إدخال الرسالة ومُخرَجها. يسمح تحديد حد أعلى باستجابات أطول، بينما يُبقي الحد الأدنى المُخرَج قصيرًا ومُوجزًا.

مثال: للحصول على إجابات موجزة لأسئلة عامة مثل ، "من فاز بجائزة نوبل في الأدب عام 2020؟" قد ترغب في تعيين الحد الأقصى للطول على قيمة منخفضة ، مما يضمن أن تكون الاستجابة موجزة ومباشرة.

3) إيقاف تسلسل

تسلسلات الإيقاف هي سلاسل نصية محددة حيث يتوقف النموذج عن توليد المزيد من المخرجات عندما يواجهها النموذج. يمكن أن تكون هذه الميزة مفيدة للتحكم في طول الإخراج أو توجيه النموذج للتوقف عند نقاط النهاية المنطقية.

مثال: بالنسبة لرسالة رسمية ، يمكنك استخدام "Yoursely imed" كسلسلة توقف لضمان عدم قيام الذكاء الاصطناعي بإنشاء أي نص إضافي بخلاف النهاية الصحيحة للحرف.

4) أعلى P

معامل "أعلى قيمة P"، المعروف أيضًا باسم أخذ العينات من النواة، هو طريقة توفر اختيارًا ديناميكيًا لعدد الكلمات المُعتَبَرة في كل خطوة من خطوات تنبؤات النموذج. تؤدي القيمة المنخفضة، مثل 0.5، إلى نتائج أكثر أمانًا وتركيزًا. أما القيمة الأعلى، مثل 0.9، فتشمل مجموعة أوسع من الكلمات، مما يؤدي إلى نتائج أكثر تنوعًا.

مثال: إذا كنت تُنشئ ذكاءً اصطناعيًا لكتابة القصائد وتريده استخدام مجموعة واسعة من المفردات والعبارات الأسلوبية، يمكنك ضبط "أفضل P" على قيمة أعلى. يمكن أن يكون الموجه: "أنشئ قصيدة عن جمال الخريف".

5) عقوبة التردد

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

على سبيل المثال: إذا كنت تحاول إنشاء اقتراح عمل وتريد تجنب المصطلحات المتخصصة، فقد تقوم بتعيين عقوبة التردد إلى قيمة أقل للحفاظ على وضوح اللغة وسهولة الوصول إليها.

6) عقوبة الحضور

تؤثر معلمة "عقوبة التواجد" على مقدار معاقبة النموذج لتوليد أفكار أو موضوعات جديدة لم تكن موجودة في سجل المحادثة. تشجع القيم الأعلى النموذج على التمسك بالموضوعات التي سبق ذكرها ، بينما تسمح القيم المنخفضة للنموذج بتقديم مفاهيم جديدة بحرية أكبر.

مثال: بالنسبة لجلسات العصف الذهني ، يمكنك تعيين عقوبة الحضور على قيمة أقل لتشجيع مجموعة متنوعة من الأفكار. يمكنك استخدام موجه مثل ، "إنشاء استراتيجيات تسويق مبتكرة لمنصة تعليمية عبر الإنترنت."

تطبيق الصناعة للهندسة السريعة