الدليل الأساسي للهندسة الفورية في ChatGPT

منذ إطلاقه ، شات جي بي تي أحدثت موجات في مجال الذكاء الاصطناعي ، وجذبت أكثر من 100 مليون مستخدم في وقت قياسي. تكمن الصلصة السرية لأداء ChatGPT المثير للإعجاب وتعدد الاستخدامات في فن محتضن بمهارة في برمجتها - 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 Google عن Bard و ميتا لما 2  لقد أدت الاستجابة إلى ChatGPT الخاصة بـ OpenAI إلى تضخيم زخم سباق الذكاء الاصطناعي بشكل كبير. من خلال توفير المدخلات لهذه النماذج ، فإننا نوجه سلوكهم وردودهم. هذا يجعلنا جميعًا مهندسين موجهين إلى درجة معينة. لقد لاحظت صناعة التكنولوجيا. يضخ أصحاب رؤوس الأموال المغامرة 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، سنزيل الغموض عن عالم الهندسة السريعة في سياق ChatGPT. سوف نستكشف المبادئ والتقنيات الأساسية، ونفحص تطبيقاتها التجارية.

دعونا أولاً نفهم كيفية عمل ChatGPT والدور المحوري الذي تلعبه الهندسة السريعة في هذه العملية.

الميكانيكا وراء الهندسة الفورية ChatGPT

السر وراء نجاح ChatGPT هو قدرته على فهم وتقليد الفروق الدقيقة في المحادثة البشرية. يتم تدريب النموذج على مجموعة متنوعة من نصوص الإنترنت ، ولكن بشكل حاسم ، لا يعرف وثائق أو مصادر محددة في مجموعة التدريب الخاصة به ، مما يضمن التعميم على الخصوصية. يسمح هذا النهج التدريبي لـ ChatGPT بتوليد استجابات إبداعية ، والتنقل في الحوارات المعقدة ، وحتى إظهار روح الدعابة. ومع ذلك ، من المهم أن تتذكر أن ChatGPT لا يفهم حقًا أو لديه معتقدات ؛ يولد ردودًا بناءً على الأنماط التي تعلمها أثناء التدريب.

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

تعتمد ميكانيكا هذه النماذج على مفهوم "الرموز المميزة" - أجزاء منفصلة من اللغة يمكن أن تتراوح من حرف واحد إلى كلمة كاملة. تعمل هذه النماذج مع عدد محدد من الرموز المميزة في وقت واحد (4096 لـ GPT-3.5-Turbo أو 8192 أو 32768 لـ GPT-4) ، مع توقع التسلسل التالي للرموز المحتملة. تعالج النماذج الرموز المميزة باستخدام الجبر الخطي المعقد ، وتتنبأ بالرمز اللاحق الأكثر احتمالية.

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.

ولكن هنا تكمن المشكلة - تعتمد جودة هذه الاستجابات إلى حد كبير على المطالبات التي تتلقاها. تمامًا مثل توجيه محادثة مع إنسان ، فإن توجيه الحوار مع ChatGPT يتطلب مستوى معينًا من المهارة والفهم. هذا هو المكان الذي تدخل فيه الهندسة السريعة.

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 براعة نموذج GPT-4 في فهم الإرشادات المعقدة وحل المشكلات المعقدة بدقة تجعله موردًا لا يقدر بثمن. ومع ذلك ، هناك طرق مختلفة للوصول إلى قدرات هذا النموذج ، ويمكن أن يكون فهمها أمرًا حاسمًا لدور المهندس الفوري في تحسين الكفاءة والفعالية من حيث 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 1K Tokens بناءً على حجم السياق. على سبيل المثال ، في سياق أكبر بحجم 32 ألفًا ، يمكن أن ترتفع التكلفة إلى 0.06 دولارًا أمريكيًا للرموز المميزة للإدخال و 0.12 دولارًا أمريكيًا 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.

تتضمن المهمة الرئيسية الأخرى في الهندسة السريعة ضبط معلمات النموذج. تتضمن هذه العملية تعديل المتغيرات التي يستخدمها النموذج لعمل تنبؤات. من خلال ضبط هذه المعلمات بدقة ، يمكن للمهندسين الفوريين تحسين جودة ودقة استجابات النموذج ، مما يجعلها أكثر صلة بالسياق ومفيدة.

على الرغم من أن العديد من المهندسين الفوريين يأتون من خلفية تقنية ، إلا أن الطبيعة متعددة 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. ينعكس هذا التحول في سوق العمل أيضًا ، مع تزايد عدد الشركات التي تبحث عن مهندسين فوريين 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

التصميم الفوري ، في جوهره ، هو فن وعلم إنشاء موجه مثالي لنموذج لغة كبير معين (LLM) ، مثل ChatGPT ، لتحقيق هدف محدد بوضوح. إنه 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).

تم تطوير العديد من مناهج وأدوات وأطر التصميم الآلي الفوري لإدارة المطالبات على نطاق واسع. ومع ذلك ، من المهم أن نفهم أنه لا يمكن لأي من هذه الأدوات أن تحل محل الفهم الدقيق والحكم والخبرة للمهندس الفوري المحنك.

الهندسة السريعة: التقنيات وأفضل الممارسات

1) التنسيب الفوري والوصف

يمكن أن يؤثر وضع التعليمات في بداية الأمر بشكل كبير على فهم الذكاء الاصطناعي واستجابته. ضع في اعتبارك مهمة تلخيص نص بتنسيق نقطي. النهج الأقل فعالية سيكون:

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

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

مستخدم: 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:

مستخدم: قم بإنشاء موجز (حوالي 200 كلمة) ، وملخصًا للورقة العلمية التالية. يجب أن يكون الملخص مفهوماً لشخص ليس لديه خلفية علمية ، بينما 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:

مستخدم: “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 تمتلك ChatGPT معرفة تتجاوز فترة التدريب الخاصة بها ، وبالتالي لا يمكنها تقديم معلومات حول الأحداث أو التحديثات الأخيرة بعد التدريب. ومع ذلك ، يمكنك تقديم معلومات جديدة إلى النموذج عبر المطالبات الخاصة بك.

مستخدم: "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:

مستخدم: "اشرح مفهوم العملة المشفرة لطالب في المدرسة الثانوية يدرس التمويل الرقمي"
ChatGPT: "تخيل أنك تلعب لعبة فيديو على الإنترنت وهناك أموال لعبة يمكنك كسبها لشراء ترقيات أو شخصيات جديدة. العملة المشفرة هي نوع من هذا القبيل ، ولكن بدلاً من أن تكون مقتصرة على اللعبة ، يمكنك في الواقع استخدامها لشراء سلع وخدمات من العالم الحقيقي. إنه مثل النقود الرقمية التي لا يتحكم فيها 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.

يحتوي ChatGPT على حد رمزي (بشكل عام 2048 رمزًا) ، والذي يتضمن كلاً من الموجه والاستجابة التي تم إنشاؤها. هذا يعني أن المطالبات الطويلة يمكن أن تحد من طول الاستجابة. لذلك ، من المهم إبقاء المطالبات موجزة وغنية بالمعلومات.

في الاستخدام العملي ، يجب أن نتصرف كمحررين ، ونختار بشكل انتقائي المعلومات الأكثر صلة بالمهمة المطروحة. تخيل كتابة مقال أو مقال بكلمة أو صفحة - لا يمكنك تفريغ الحقائق العشوائية فقط ، ولكن تحديد وتنظيم المعلومات ذات الصلة بالموضوع بعناية.

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

من خلال الاعتراف بالقيود المميزة للنموذج ، يوجه هذا الذكاء الاصطناعي لتقديم 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 صقل الأسئلة LLM تنقيح الأسئلة التي يطرحها المستخدم. إنها مفيدة بشكل خاص عندما لا يكون المستخدمون خبراء في مجال أو غير متأكدين من كيفية صياغة سؤالهم.

مثال موجه قد يبدو كالتالي:

مستخدم: "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 يقوم الذكاء الاصطناعي بتنقيح أسئلة علوم البيانات العامة للمستخدم 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:

مستخدم: "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 من المعلومات وتوحيدها للحصول على ناتج نهائي قوي

6) نهج دفع القليل من الطلقات

يُعد توجيه القليل من اللقطات نهجًا قويًا لتعليم نماذج الذكاء الاصطناعي لاتباع أنماط محددة أو تنفيذ المهام. الفكرة هي تغذية النموذج بعدد من الأمثلة قبل طرح السؤال المطلوب. يساعد هذا في ضبط السلوك المطلوب وتوجيه استجابات النموذج.

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

مستخدم: "فيما يلي بعض الأمثلة على نسخ التسويق التكنولوجي:" استمتع بالموسيقى بشكل لم يسبق له مثيل مع سماعات الرأس اللاسلكية المتطورة. " "التقط عالمك بدقة 4K المذهلة باستخدام كاميرا الحركة فائقة النعومة." بالنظر إلى هذه الأمثلة ، قم بصياغة نسخة تسويقية لساعتنا الذكية الجديدة التي تعمل بالذكاء الاصطناعي ".

شات جي بي تي: "عزز نمط حياتك من خلال ساعتنا الذكية التي تعمل بالذكاء الاصطناعي ، رفيقك في الصحة والاتصال والإنتاجية." الميزة الرائعة للتعلم قليل اللقطات هي أنه لا يتطلب وصفًا تفصيليًا لكيفية أداء المهمة. بدلاً من ذلك ، يتطلب الأمر توضيحات لما يتم عمله ، 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 المؤلفون Jason Wei وفريقه إلى تحفيز التفكير المنطقي ضمن نماذج اللغة الكبيرة. بدلاً من استخدام المحفزات التقليدية والمباشرة ، يستخدم الفريق سلسلة من المحفزات المترابطة ، لتشكيل "سلسلة فكرية".

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

مستخدم: "هل يمكنك شرح مفهوم الذكاء الاصطناعي بإيجاز؟"

شات جي بي تي: "الذكاء الاصطناعي ، أو AI ، يشير إلى قدرة الآلة على تقليد السلوك البشري الذكي. يتعلق الأمر بتصميم آلات يمكنها التفكير والتعلم مثل البشر ، وتمكينهم من أداء مهام مثل ترجمة اللغة ، واتخاذ القرار ، وحل المشكلات ، من بين أمور أخرى ".

مستخدم: "كيف يؤثر الذكاء الاصطناعي على سوق العمل الحالي؟"

شات جي بي تي: "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.

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

فهم ChatGPT API والهندسة السريعة من منظور المطور

من منظور المطور أو الباحث ، تعتبر 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 المطالبات الغامضة ، وتحديد سياق المطالبات ، أو تسلسل المحفزات معًا لتحفيز عمليات التفكير الأكثر تعقيدًا في الذكاء الاصطناعي.

في الرسم التوضيحي أعلاه ، يتفاعل المستخدم مع واجهة دردشة مدعومة بواسطة GPT-4. تم تحسين مدخلاتهم من أجل الوضوح والاتساق السياقي من خلال وحدة متخصصة قبل إدخالها في نموذج الذكاء الاصطناعي. يتمثل دور هذه الوحدة في تحسين مدخلات المستخدم وتعزيزها من أجل فهم أفضل مع الحفاظ أيضًا على سياق المحادثة. يتم إرجاع استجابة AI ، التي تم إنشاؤها بناءً على موجه محسّن ، 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 هندسية فورية.

• واجهة برمجة تطبيقات ChatGPT تم تصميم الواجهة باستخدام العديد من المعلمات الفائقة التي تمكن المستخدمين من تحسين استجابات الذكاء الاصطناعي للمطالبات ، مما يجعلها أكثر فعالية وتنوعًا. وتشمل هذه معلمات درجة الحرارة ، والحد الأقصى للطول ، وتسلسل الإيقاف. دعنا نستكشف كيف تعمل ويمكن استخدامها في سياقات مختلفة.

1) درجة الحرارة

تؤثر معلمة درجة الحرارة على عشوائية استجابات الذكاء الاصطناعي. تشجع درجة الحرارة المرتفعة ، مثل 1.0 ، المزيد من الإخراج العشوائي ، مما يؤدي إلى استجابات متنوعة ولكن من المحتمل أن تكون خارج الموضوع. في المقابل ، تحث درجة الحرارة المنخفضة ، مثل 0.2 ، الذكاء الاصطناعي على اختيار استجابات أكثر حتمية ، والتي يمكن أن تكون مفيدة للنواتج المركزة والمحددة ولكنها قد تفتقر إلى التنوع.

مثال: إذا كنت تكتب قصة إبداعية وتريد عناصر خيالية لا يمكن التنبؤ بها ، فاضبط درجة الحرارة على قيمة أعلى. يمكن أن تكون المطالبة: "اكتب قصة قصيرة عن قطة تسافر عبر الزمن". مع ارتفاع درجة الحرارة ، قد تحصل على قصة جامحة وخيالية مع التقلبات والانعطافات غير المتوقعة.

2) الطول الأقصى

تتحكم هذه المعلمة في الحد الأقصى لطول الرمز المميز لإخراج النموذج ، والذي يتضمن كلاً من الرموز المميزة في إدخال الرسالة وإخراج الرسالة. يسمح تعيين حد أعلى لمزيد من الاستجابات الممتدة ، بينما يجعل الحد الأدنى الناتج قصيرًا وموجزًا.

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

المعلمة "Top P" ، والمعروفة أيضًا باسم أخذ العينات النواة ، هي طريقة توفر اختيارًا ديناميكيًا لعدد الكلمات التي يتم النظر فيها في كل خطوة من تنبؤات النموذج. تؤدي القيمة الأقل ، مثل 0.5 ، إلى نواتج أكثر أمانًا وتركيزًا. تتضمن القيمة الأعلى ، مثل 0.9 ، مجموعة أوسع من الكلمات ، مما يؤدي إلى نواتج أكثر تنوعًا.

مثال: إذا كنت تنشئ ذكاءً اصطناعيًا لكتابة قصائد وتريد أن تستخدم مجموعة كبيرة من المفردات والعبارات الأسلوبية ، يمكنك تعيين "Top P" على قيمة أعلى. يمكن أن تكون المطالبة: "تأليف 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.

مثال: إذا كنت تحاول إنشاء عرض عمل وترغب في تجنب المصطلحات ، فيمكنك تعيين عقوبة التكرار على قيمة أقل للحفاظ على اللغة واضحة ويمكن 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