دليل أساسي إلى هندسة التحفيز في ChatGPT

منذ إطلاقها ، كانت ChatGPT تجعل موجات في مجال الذكاء الاصطناعي ، وجذبت أكثر من 100 مليون مستخدم في وقت سريع. السر وراء أداء ChatGPT المثير للإعجاب وتنوعها يكمن في فن دقيق مخفي في برمجةها – هندسة التحفيز.

تم إطلاق DALL-E و MidJourney و StableDiffusion في عام 2022 ، مما أبرز الإمكانات المثيرة للانقلاب للذكاء الاصطناعي التوليدي. ولكن كان ChatGPT من Open AI هو الذي أخذ مركز الصدارة真正ًا في نهاية عام 2022. ولم تظهر أي علامات على تباطؤ هذا الزخم.

أعلنت Google (GOOGL ) عن Bard و responded Meta مع Llama 2 إلى ChatGPT من Open AI ، مما زاد بشكل كبير من زخم السباق الاصطناعي. من خلال تزويد هذه النماذج بالمدخلات ، نحن نهيئ سلوكها وresponses. هذا يجعلنا جميعًا مهندسي تحفيز إلى درجة معينة. لاحظت الصناعة التكنولوجية ذلك. المستثمرون من البنوك الاستثمارية ي注ون الأموال في الشركات الناشئة التي تركز على هندسة التحفيز ، مثل Vellum AI . بالإضافة إلى ذلك ، تقارير Forbes أن مهندسي التحفيز يحصلون على رواتب تزيد عن 300000 دولار ، مما يشير إلى سوق عمل مزدهر وقيم.

في هذه المقالة ، سنكشف عن عالم هندسة التحفيز في سياق ChatGPT. سنستكشف المبادئ الأساسية والتقنيات ، ونتناول التطبيقات التجارية.

دعونا ن开始 بفهم كيف تعمل ChatGPT ودور هندسة التحفيز في هذا العملية.

آلية هندسة التحفيز في ChatGPT

السر وراء نجاح ChatGPT يكمن في khảيته لفهم و模仿 دقائق المحادثة البشرية. يتم تدريب النموذج على مجموعة متنوعة من النصوص على الإنترنت ، ولكن من المهم أن نلاحظ أنه لا يعرف وثائق أو مصادر محددة في مجموعة تدريبه ، مما يضمن العمومية على التحديد. هذا النهج في التدريب يسمح ل ChatGPT ب生成 استجابات إبداعية ، وتحويل حوارات معقدة ، وحتى إظهار حس الفكاهة. ومع ذلك ، من المهم أن نذكر أن ChatGPT لا يفهم أو يعتقد حقًا ؛ إنه يولد استجابات بناءً على الأنماط التي تعلمها خلال التدريب.

khảية ChatGPT لفهم اللغة البشرية واستجابتها بطريقة دقيقة ومتأصلة تجعلها أداة متنوعة للغاية.

تعتمد آليات هذه النماذج على مفهوم “الرموز” – قطع لغة منفصلة يمكن أن تتراوح من حرف واحد إلى كلمة كاملة. تعمل هذه النماذج مع عدد معين من الرموز في الوقت نفسه (4096 ل GPT-3.5-Turbo أو 8192 أو 32768 ل GPT-4) ، وتتنبأ بالتسلسل التالي من الرموز المحتملة. تعمل النماذج على معالجة الرموز باستخدام جبر خطي معقد ، وتتنبأ بالرمز التالي الأكثر احتمالا.

على سبيل المثال ، يمكن أن يتحول جملة بسيطة من تسعة كلمات إلى عشرة رموز. حتى كلمة معقدة واحدة يمكن أن تتحول إلى رموز متعددة ، مما يساعد النموذج على فهم اللغة وتوليدها بشكل أفضل. حتى اللغات ذات الهياكل الكلمة المعقدة ، مثل الألمانية ، يتم إدارتها من خلال عملية التokenization.

نماذج GPT (الtransformer التوليدي المسبق) تعمل من خلال توليد رمز واحد في كل مرة ، بدءًا من الرمز الأول وصولًا إلى الرمز الأخير. بعد توليد كل رمز ، يعيد النموذج معالجة التسلسل بأكمله مرة أخرى لتوليد الرمز التالي. يستمر هذا العملية التكرارية حتى يتم توليد الرمز الأخير ، مما يجعل توليد النص مشابهًا ل环 كبير.

ولكن هنا تكمن العقدة – جودة هذه الاستجابات تعتمد بشكل كبير على التحفيزات التي تتلقاها. مثل توجيه محادثة مع شخص ، توجيه حوار مع ChatGPT يتطلب مستوى معين من المهارة والفهم. यह هو المكان الذي تأتي فيه هندسة التحفيز.

ما هي هندسة التحفيز؟

هندسة التحفيز هي فن صياغة تحفيزات دقيقة وفعالة لتعليم نماذج الذكاء الاصطناعي (NLP / الرؤية) مثل ChatGPT لتوليد مخرجات دقيقة وآمنة ومفيدة.

هندسة التحفيز لا تقتصر على توليد النص فقط ، بل لها تطبيقات واسعة في مجال الذكاء الاصطناعي. يتم استخدامها بشكل متزايد في مجالات مثل أتمتة العمليات الروبوتية ، وأصول ثلاثية الأبعاد ، وبرامج ، وتعليمات الروبوت ، ووسائط رقمية أخرى. توفر مزيجًا فريدًا من المنطق والبرمجة والفن ، وفي بعض الحالات ، معوضات خاصة.

في حين يمكن أن يتضمن التحفيز نصًا طبيعيًا أو صورًا أو أنواع أخرى من بيانات الإدخال ، يمكن أن تختلف المخرجات بشكل كبير عبر خدمات وادوات الذكاء الاصطناعي. كل أداة لها معوضات خاصة توفر وزن الكلمات وأسلوبها ووجهات نظرها وتنسيقها أو خواص أخرى للمستجيب المرغوب.

هذا المجال ضروري لإنشاء خدمات ذكاء اصطناعي أفضل و الحصول على نتائج أفضل من أدوات الذكاء الاصطناعي التوليدية الحالية. على سبيل المثال ، يستخدم مطورو الشركات هندسة التحفيز لتعديل نماذج اللغة الكبيرة (LLM) مثل GPT-3 لتزويد聊بوت مواجه للعملاء أو لمهام مثل إنشاء عقود محددة للصناعة.

هذا العملية التكرارية لتعديل التحفيز وقياس أداء الذكاء الاصطناعي هو عنصر أساسي في تمكين نماذج الذكاء الاصطناعي من توليد استجابات محددة و مفيدة في سياقات مختلفة.

كيف تصبح مهندس تحفيز

قوة نموذج GPT-4 في فهم التعليمات المعقدة وحل المشكلات بدقة تجعلها موردًا قيّمًا. ومع ذلك ، هناك طرق مختلفة للوصول إلى قدرات هذا النموذج ، ويمكن أن يكون فهم هذه الطرق حاسمًا في دور مهندس التحفيز في تحسين الكفاءة والفعالية من حيث التكلفة.

هناك طريقتان أساسيتان للتفاعل مع نماذج GPT مثل GPT-4. الطريقة الأولى هي من خلال واجهة برمجة التطبيقات (API) ل OpenAI ، حيث يتم احتساب التكاليف لكل رمز إدخال ومخرجات. في هذا السيناريو ، يمكن أن تختلف التكاليف لكل 1000 رمز بناءً على حجم السياق. على سبيل المثال ، في سياق أكبر يبلغ 32 كيلو ، يمكن أن يصل التكلفة إلى 0.06 دولار للرموز الإدخال و 0.12 دولار للرموز المخرجات. وبالتالي ، عند التعامل مع حجم كبير من الطلبات ، يمكن أن تتراكم تكاليف الاستخدام بسرعة.

بديلًا ، يعمل ChatGPT ، الذي يستخدم نموذج GPT-4 ، على نموذج اشتراك.

مهمة أخرى رئيسية في هندسة التحفيز تتضمن تعديل معلمات النموذج. يتضمن هذا التعديل المتغيرات التي يستخدمها النموذج لصنع التنبؤات. من خلال تعديل هذه المعلمات ، يمكن لمهندسي التحفيز تحسين جودة ودقة استجابات النموذج ، مما يجعلها أكثر صلة بالسياق وفائدة.

على الرغم من أن nhiều مهندسي تحفيز يأتون من خلفية تقنية ، فإن الطبيعة متعددة التخصصات لهذا المجال تجعله مفتوحًا للأفراد من خلفيات مهنية متنوعة. بشكل متزايد ، يستخدم الكتاب والباحثون والفنانون مهاراتهم الفريدة لتعزيز فعالية نماذج الذكاء الاصطناعي. يعكس هذا التحول في سوق العمل ، حيث يبحث عدد متزايد من الشركات عن مهندسي تحفيز ذوي مهارات و خلفيات متنوعة.

تصميم و هندسة التحفيز في ChatGPT

تصميم و هندسة التحفيز تلعبان دورًا حاسمًا في تحسين أداء نماذج اللغة و تتضمن أكثر من مجرد صياغة الأسئلة ؛ إنها تتطلب فهمًا عميقًا للنموذج و نهجًا متكررًا و متطورًا.

تصميم التحفيز

تصميم التحفيز ، في جوهره ، هو فن و علم صياغة التحفيز المثالي للنموذج الكبير للغة (LLM) ، مثل ChatGPT ، لتحقيق هدف واضح. إنه مزيج من :

• فهم LLM : قد يستجيب نماذج اللغة المختلفة بشكل مختلف لنفس التحفيز. بالإضافة إلى ذلك ، قد يكون لبعض نماذج اللغة كلمات أو محفزات فريدة يفسرها بشكل معين.
• معرفة المجال : الخبرة في المجال ذي الصلة حاسمة عند تصميم التحفيزات. على سبيل المثال ، توليد تحفيز لاستنتاج تشخيص طبي يتطلب معرفة طبية.
• نهج تكراري وقياس الجودة : عملية إنشاء التحفيز المثالي غالبًا ما تتضمن التجربة و الخطأ. لذلك ، من المهم أن يكون لديك طريقة لتقييم جودة الإخراج بخلاف الحكم الذاتي ، خاصة عند استخدام التحفيز على نطاق أكبر.

هندسة التحفيز

هندسة التحفيز هي مجال موسع لتصميم التحفيز يتضمن عدة عمليات حرجة :

• تصميم التحفيزات على نطاق واسع : يتضمن هذا التصميم تحفيزات siêu (تحفيزات تنتج تحفيزات أخرى) و قوالب التحفيز ، التي هي تحفيزات معلمة يمكن تنفيذها في وقت التشغيل.
• تصميم الأدوات و التكامل : في بعض الأحيان ، قد تتضمن التحفيزات نتائج من أدوات خارجية ، و من المهم دمج هذه الأدوات بشكل متسلسل في النظام.
• التنسيق و التخطيط و إدارة التحفيز : نشر تطبيق LLM ، مثل聊بوت ، غالبًا ما يتطلب إدارة مكتبات التحفيز ، و اختيار التحفيزات المناسبة ، و دمج الأدوات بشكل فعال.
• تقييم و ضمان جودة التحفيز : يتضمن هذا تعريف المعايير و العمليات لتقييم التحفيزات بشكل تلقائي و بشري.
• تحسين التحفيز : يمكن أن يعتمد تكلفة و تأخر نموذج الذكاء الاصطناعي على اختيار النموذج و طول التحفيز (عدد الرموز).

تم تطوير العديد من نهج تصميم التحفيز الآلي والأدوات والإطارات لادارة التحفيز على نطاق واسع. ومع ذلك ، من المهم أن نفهم أن لا واحدة من هذه الأدوات يمكن أن تحل محل الفهم الدقيق و الحكم و الخبرة لمهندس تحفيز متمرس.

هندسة التحفيز : تقنيات و أفضل الممارسات

1) وضع و وصف التحفيز

وضع التعليمات في بداية التحفيز يمكن أن يؤثر بشكل كبير على فهم الذكاء الاصطناعي و استجابته. فكر في مهمة تلخيص نص في شكل قائمة من النقاط الرئيسية. نهج أقل فعالية سيكون :

المستخدم : تلخيص النص أدناه في شكل قائمة من النقاط الرئيسية.
{نص الإدخال هنا}

من ناحية أخرى ، يمكن أن يكون نهج أكثر فعالية :

المستخدم : تلخيص النص أدناه في شكل قائمة من النقاط الرئيسية.
النص : “””
{نص الإدخال هنا}
“””

من خلال فصل التعليمات و السياق بوضوح باستخدام رموز مثل ### أو “” ، يمكن للنموذج الذكاء الاصطناعي تحديد مهمته و النص الذي يحتاج إلى معالجته بشكل أفضل ، مما يؤدي إلى استجابات أكثر دقة و صلة.

ثانيًا ، يمكن أن يؤثر كونك محددًا و واضحًا حول السياق و النتيجة المتوقعة و الطول و الشكل و الأسلوب ، إلخ ، بشكل كبير على دقة استجابات الذكاء الاصطناعي. افترض أنك تحتاج إلى توليد نظرة عامة قصيرة عن ورقة علمية في أسلوب جذاب و سهل الفهم للشخص العادي. تعليمات غامضة مثل “تلخيص الورقة العلمية” ستؤدي إلى نتائج أقل فعالية مقارنة بالتحفيز المحدد و المفصل :

المستخدم : توليد نظرة عامة قصيرة (حوالي 200 كلمة) عن الورقة العلمية أدناه. يجب أن تكون النظرة العامة قابلة للفهم لشخص بدون خلفية علمية ، مع الحفاظ على دقة النتائج الرئيسية للورقة.
الورقة : “””
{نص الورقة العلمية هنا}
“””

2) نمط الشخصية

نمط الشخصية هو استراتيجية توجيه الذكاء الاصطناعي للعمل من منظور معين ، مثل دور محترف أو شخصية خيالية. هذا النهج يسمح للنموذج بتوليد مخرجات متعلقة بالدور الذي تقوم به الشخصية. على سبيل المثال ، يمكنك توجيه الذكاء الاصطناعي للعمل كخبير أمن سيبراني خلال مراجعة الكود.

خذ على سبيل المثال :

المستخدم : “افترض أنك خبير تاريخي متخصص في الثورة الفرنسية. مع هذا الدور ، أشرح الأحداث الرئيسية و الأسباب التي أدت إلى سقوط الملكية الفرنسية.”

في هذا السيناريو ، من المتوقع أن يستجيب الذكاء الاصطناعي بتحليل عميق للثورة الفرنسية ، مع التركيز على سقوط الملكية ، كما لو كان خبيرًا تاريخيًا.

تقديم معلومات جديدة

ChatGPT لا تملك معرفة تتجاوز تاريخ تدريبها ، وبالتالي لا يمكنها تقديم معلومات عن أحداث أو تحديثات حديثة بعد تاريخ تدريبها. ومع ذلك ، يمكنك تقديم معلومات جديدة إلى النموذج من خلال تحفيزك.

المستخدم : “ما هو العملة المشفرة؟”
ChatGPT : “العملة المشفرة هي نوع من العملة الرقمية أو الافتراضية التي تستخدم التشفير لأغراض الأمان. أكثر العملات المشفرة شهرة هي بيتكوين.”

الآن ، إذا أضفنا بعض السياق إلى التحفيز ، يمكننا جعل الشرح أكثر فطنة :

المستخدم : “اشرح مفهوم العملة المشفرة لطالب في المدرسة الثانوية يدرس التمويل الرقمي”
ChatGPT : “تخيل أنك تلعب لعبة فيديو و هناك مال في اللعبة يمكنك كسبه لشراء تحديثات أو شخصيات جديدة. العملة المشفرة مثل ذلك ، لكن بدلاً من أن تكون مقيدة باللعبة ، يمكنك استخدامها لشراء سلع و خدمات حقيقية. إنها مثل المال الرقمي الذي لا تسيطر عليه أي بنك أو حكومة.”

3) قيود حجم التحفيز

فهم قيود حجم ChatGPT ضروري لأنها تؤثر بشكل مباشر على حجم و نوع المعلومات التي يمكننا إدخالها. لا تتمكن نماذج اللغة من معالجة كمية غير محدودة من البيانات في وقت واحد. لديهم قيود فطرية على حجم التحفيز الذي يمكننا إنشائه و إدخاله. لهذا القيود عواقب عميقة على تصميم و تنفيذ التحفيزات.

ChatGPT لديها حد للرموز (عادة 2048 رمز) ، الذي يشمل كلاً من التحفيز و الاستجابة المولدة. هذا يعني أن التحفيزات الطويلة يمكن أن تقيد طول الاستجابة. لذلك ، من المهم الحفاظ على التحفيزات موجزة و مفيدة.

في الاستخدام العملي ، يجب أن نعمل كمحررين ، و نختار المعلومات الأكثر صلة لل任务 على يدنا. تخيل كتابة ورقة أو مقال مع حد للكلمات أو الصفحات – لا يمكنك مجرد إضافة حقائق عشوائية ، بل يجب عليك اختيار المعلومات و هيكلتها بعناية حول الموضوع.

المستخدم : “بناءً على قيود الرموز للنموذج ، تلخيص الأحداث الرئيسية للحرب العالمية الثانية في أقل من 1000 كلمة.”

من خلال الاعتراف بقيود الرموز للنموذج ، هذا التحفيز يوجه الذكاء الاصطناعي لتقديم تلخيص موجز و شاملاً للحرب العالمية الثانية.

التحفيزات للاستخدام المتكرر : في سيناريو محادثة ، يمكنك إعادة استخدام التحفيزات أو تعديلها بناءً على استجابات سابقة. هذا يوفر تدفقًا محادثيًا ويحافظ على السياق في التفاعل.

4) نمط تحسين السؤال

ChatGPT يمكنها أيضًا مساعدتك في تحسين أسئلتك. على سبيل المثال ، إذا سألت سؤالًا ، يمكنها اقتراح سؤال أفضل لمزيد من الدقة.

يتضمن نمط تحسين السؤال تحسين الأسئلة التي يطرحها المستخدم. هذا مفيد بشكل خاص عندما لا يكون المستخدمون خبراء في المجال أو غير متأكدين من كيفية صياغة سؤالهم.

يمكن أن يبدو التحفيز على سبيل المثال :

المستخدم : “كلما سألت سؤالًا عن علم البيانات ، اقترح سؤالًا أكثر دقة مع مراعاة تفاصيل التحليل الإحصائي ، و اسألني إذا كنت ترغب في المتابعة مع السؤال المعدل.”

في هذا السيناريو ، من المتوقع أن يقترح الذكاء الاصطناعي أسئلة أكثر دقة لأسئلتك العامة حول علم البيانات ، مع الأخذ في الاعتبار الجوانب الإحصائية.

5) نمط التحقق المعرفي

نمط التحقق المعرفي يكسّر الأسئلة المعقدة إلى أسئلة فرعية صغيرة و قابلة للإدارة. ثم يتم دمج إجابات هذه الأسئلة الفرعية لتوفير إجابة شاملة للسؤال الرئيسي. هذا النهج مفيد عندما تكون الأسئلة الأولية على مستوى عالٍ أو عندما يتم الحاجة إلى مزيد من الوضوح لتوفير إجابة كاملة.

على سبيل المثال :

المستخدم : “إذا سألت سؤالًا عن تغير المناخ ، قم بتقسيمه إلى ثلاث أسئلة صغيرة يمكن أن تساعدك على تقديم إجابة أكثر دقة. ثم ادمج إجابات هذه الأسئلة لتقديم الإجابة النهائية.”

في هذا السيناريو ، سوف يقسم الذكاء الاصطناعي السؤال المعقد حول تغير المناخ إلى ثلاث أسئلة صغيرة. بعد الحصول على إجابات هذه الأسئلة ، سوف يدمجها لتقديم استجابة أكثر شمولاً و دقة.

هذا النمط يتضمن توليد أسئلة متعددة للحصول على إجابة نهائية أكثر دقة. إنه عملية تحقق و توحيد للمعلومات من أجل مخرجات قوية.

6) نهج التحفيز القليل

التحفيز القليل هو نهج قوي لتعليم نماذج الذكاء الاصطناعي اتباع أنماط معينة أو أداء مهام. الفكرة هي تغذية النموذج بعدد من الأمثلة قبل سؤال المستخدم. هذا يساعد على تحديد السلوك المطلوب وتوجيه استجابات النموذج.

فكر في سيناريو حيث يحاول المستخدم صياغة نص تسويقي مقنع لجهاز تقني جديد :

المستخدم : “هنا بعض الأمثلة على نصوص تسويقية تقنية : ‘تجربة الموسيقى كما لم تتخيلها من قبل مع سماعاتنا اللاسلكية المتقدمة.’ ‘استخدم العالم في صور مذهلة بدقة 4K مع كاميرا الفعل السليمة لدينا.’ مع هذه الأمثلة ، صيغ نصًا تسويقيًا ل ساعنا الذكي الجديد.”

ChatGPT : “سخّر حياتك مع ساعنا الذكي القوي ، شريكك لصحة و اتصال و إنتاجية.” ميزة مذهلة في التعلم القليل هي أنه لا يتطلب وصفًا مفصلًا للعمل ؛ بل يتطلب عروضًا لما يتم القيام به ، مما يمكن أن يجعلها مناسبة للعديد من التطبيقات.

علاوة على ذلك ، يمكن تعليم النموذج على التعامل مع خطوات متوسطة لتحقيق هدف.

7) نهج سلسلة الأفكار

في بحثهم الأخير ، “التحفيز بسلسلة الأفكار يثير التفكير في نماذج اللغة الكبيرة” ، يهدف المؤلفون جيسون وي و فريقهم إلى تحفيز التفكير داخل نماذج اللغة الكبيرة. بدلاً من استخدام التحفيزات التقليدية المباشرة ، يستخدمون سلسلة من التحفيزات المترابطة ، تشكل “سلسلة أفكار”.

على سبيل المثال ، قد يكون المستخدم مهتمًا بتأثير الذكاء الاصطناعي على أسواق العمل :

المستخدم : “يمكنك أن تفسر概念 الذكاء الاصطناعي؟”

ChatGPT : “الذكاء الاصطناعي ، أو AI ، يُشير إلى قدرة الآلة على محاكاة السلوك البشري الذكي. إنه حول تصميم الآلات التي يمكنها التفكير و التعلم مثل البشر ، مما يسمح لها بتنفيذ مهام مثل الترجمة اللغوية و اتخاذ القرارات و حل المشكلات ، من بين أمور أخرى.”

المستخدم : “كيف يؤثر الذكاء الاصطناعي على سوق العمل الحالي؟”

ChatGPT : “الذكاء الاصطناعي يخلق وظائف جديدة و يغير طبيعة الوظائف الحالية. من ناحية ، يؤدي إلى تلقين المهام الروتينية ، مما يؤدي إلى فقدان الوظائف في بعض القطاعات. من ناحية أخرى ، يخلق طلبًا على أدوار لم تكن موجودة من قبل ، مثل ضباط أخلاقيات الذكاء الاصطناعي و محللي البيانات و مهندسي التعلم الآلي. بالإضافة إلى ذلك ، يمكن للذكاء الاصطناعي تعزيز الأدوار البشرية ، مما يسمح للأشخاص بتحقيق المهام بفعالية و دقة أكبر.”

نهج سلسلة الأفكار يتبع تطورًا لتحفيزات متعلقة ، مما يحافظ على “محادثة” مع النموذج ويوجهه نحو استجابات أكثر دقة و صلة بالسياق.

فهم واجهة برمجة التطبيقات و هندسة التحفيز من منظور المطور

من منظور المطور أو الباحث ، هندسة التحفيز هي عملية أكثر تعقيدًا. تتضمن تصميم الخوارزميات و التقنيات لمساعدة نموذج الذكاء الاصطناعي على فهم و الاستجابة للتحفيزات بشكل أكثر فعالية. يمكن أن تشمل استراتيجيات للتعامل مع التحفيزات الغامضة ، أو تحديد السياق للتحفيزات ، أو ربط التحفيزات معًا لتحفيز عمليات التفكير الأكثر تعقيدًا في الذكاء الاصطناعي.

في الرسم التوضيحي أعلاه ، يتفاعل المستخدم مع واجهة محادثة مدعومة bởi GPT-4. يتم تحسين إدخال المستخدم لتحقيق الوضوح و الاتساق السياقي بواسطة وحدة متخصصة قبل أن يتم تغذيته إلى نموذج الذكاء الاصطناعي. دور هذه الوحدة هو تحسين و تعزيز إدخال المستخدم لتحقيق فهم أفضل ، مع الحفاظ على السياق المحادثي. يتم إرجاع استجابة الذكاء الاصطناعي ، التي يتم صياغتها بناءً على التحفيز المعدل ، إلى المستخدم من خلال واجهة المحادثة. يتم تحديث تاريخ التفاعل بشكل مستمر ، مع الحفاظ على السياق المحادثي. بشكل عام ، هذا الرسم التوضيحي يظهر تدفقًا ديناميكيًا للمحادثة بين المستخدم و الذكاء الاصطناعي تمكّن بواسطة تقنيات هندسة التحفيز.

واجهة برمجة التطبيقات ل ChatGPT مصممة مع معلمات متعددة تتيح للمستخدمين تعديل استجابات الذكاء الاصطناعي لتحفيزاتهم ، مما يجعلها أكثر فعالية و تنوعًا. تشمل هذه المعلمات درجة الحرارة و الحد الأقصى للطول و تسلسلات الإيقاف. دعونا نستكشف كيف تعمل هذه المعلمات و كيف يمكن استخدامها في سياقات مختلفة.

1) درجة الحرارة

معلمة درجة الحرارة تؤثر على عشوائية استجابات الذكاء الاصطناعي. درجة حرارة أعلى ، مثل 1.0 ، تشجع على مخرجات أكثر عشوائية ، مما يؤدي إلى استجابات متنوعة ولكن قد تكون غير متعلقة بالموضوع. في المقابل ، درجة حرارة أقل ، مثل 0.2 ، تؤدي إلى استجابات أكثر تحديدًا ، مما يمكن أن يكون مفيدًا لاستجابات محددة و مركزة ولكن قد يفتقر إلى التنوع.

على سبيل المثال : إذا كنت تكتب قصة خيالية و تريد عناصر غير متوقعة و خيالية ، يمكنك تعيين درجة الحرارة على قيمة أعلى. التحفيز يمكن أن يكون “اكتب قصة قصيرة عن قطة تسافر عبر الزمن”. مع درجة حرارة عالية ، قد تحصل على قصة خيالية و غير متوقعة مع تحولات غير متوقعة.

2) الحد الأقصى للطول

معلمة الحد الأقصى للطول تتحكم في طول الرمز الأقصى لمخرجات النموذج ، الذي يشمل الرموز في الإدخال و الإخراج. تعيين حد أعلى يسمح بمخرجات أطول ، بينما يؤدي حد أقل إلى الحفاظ على الإخراج قصيرًا و موجزًا.

على سبيل المثال : للاستجابات القصيرة لأسئلة مثل “من هو الفائز بجائزة نوبل في الأدب لعام 2020؟” ، قد تريد تعيين الحد الأقصى للطول على قيمة منخفضة ، مما يضمن استجابة مباشرة و موجزة.

3) تسلسلات الإيقاف

تسلسلات الإيقاف هي سلاسل نصية محددة حيث ، عند مواجهة النموذج لها ، يتوقف عن توليد المزيد من الإخراج. يمكن أن تكون هذه الميزة مفيدة للتحكم في طول الإخراج أو توجيه النموذج لوقف عند نقاط منطقية.

على سبيل المثال : لرسالة رسمية ، يمكنك استخدام “باًء” كتسلسل إيقاف لضمان عدم توليد الذكاء الاصطناعي أي نص إضافي بعد نهاية الرسالة المناسبة.

4) Top P

معلمة Top P ، المعروفة أيضًا باسم عينة النواة ، هي طريقة توفر اختيارًا ديناميكيًا لعدد الكلمات التي يتم النظر فيها في كل خطوة من التنبؤات. قيمة أقل ، مثل 0.5 ، تؤدي إلى استجابات أكثر أمانًا و مركزة. قيمة أعلى ، مثل 0.9 ، تشمل اختيارًا أوسع للكلمات ، مما يؤدي إلى استجابات أكثر تنوعًا.

على سبيل المثال : إذا كنت تريد إنشاء ق