دليل أساسي لهندسة الموجّهات في ChatGPT

منذ إطلاقه، أحدث ChatGPT تأثيرًا واسعًا في مجال الذكاء الاصطناعي ، وجذبت أكثر من 100 مليون مستخدم في وقت قياسي. السر وراء أداء ChatGPT المثير للإعجاب وتنوعها يكمن في فن دقيق مخفي في برمجته – هندسة الموجّهات.

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

زاد إعلان Google عن Bard وردّ Meta بـLlama 2 على ChatGPT من OpenAI ، مما زاد بشكل كبير من زخم السباق الاصطناعي. من خلال تزويد هذه النماذج بالمدخلات ، نحن نهيئ سلوكها واستجاباتها. هذا يجعلنا جميعًا مهندسي موجّهات إلى درجة معينة. لاحظت الصناعة التكنولوجية ذلك. مستثمرو رأس المال المخاطر يضخون الأموال في الشركات الناشئة التي تركز على هندسة الموجّهات ، مثل Vellum AI . بالإضافة إلى ذلك ، تقارير Forbes أن مهندسي الموجّهات يحصلون على رواتب تتجاوز 300 ألف دولار ، مما يشير إلى سوق عمل مزدهر وقيم.

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

دعونا نبدأ بفهم كيف تعمل ChatGPT ودور هندسة الموجّهات في هذا العملية.

آلية هندسة الموجّهات في ChatGPT

السر وراء نجاح ChatGPT يكمن في قدرته لفهم ومحاكاة 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 التعميم بدل الاقتصار على تفاصيل محددة. هذا النهج في التدريب يسمح ل ChatGPT بتوليد استجابات إبداعية ، وخوض 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.

قدرة ChatGPT لفهم اللغة البشرية واستجابتها بطريقة دقيقة ومراعية للسياق 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 تجزئة النص إلى رموز.

نماذج GPT (المحوّل التوليدي المدرّب مسبقًا) 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 لحلقة كبيرة.

ولكن هنا تكمن العقدة – جودة هذه الاستجابات تعتمد بشكل كبير على الموجّهات التي تتلقاها. مثل توجيه محادثة مع شخص ، توجيه حوار مع ChatGPT يتطلب مستوى معين من المهارة والفهم. وهنا يأتي دور هندسة الموجّهات.

ما هي هندسة الموجّهات؟

هندسة الموجّهات هي فن صياغة موجّهات دقيقة وفعالة لتعليم نماذج الذكاء الاصطناعي (معالجة اللغة الطبيعية (NLP) / الرؤية) مثل ChatGPT لتوليد مخرجات دقيقة وآمنة ومفيدة بأفضل كفاءة ممكنة من حيث التكلفة.

هندسة الموجّهات 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 ، معدّلات خاصة.

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

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 الموجّهات لتعديل نماذج اللغة الكبيرة (LLM) مثل GPT-3 لتشغيل روبوت دردشة يتعامل مع العملاء أو لمهام مثل إنشاء عقود محددة للصناعة.

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

كيف تصبح مهندس موجّهات

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

على الرغم من أن كثيرًا من مهندسي موجّهات 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 موجّهات ذوي مهارات و خلفيات متنوعة.

تصميم و هندسة الموجّهات في ChatGPT

تصميم و هندسة الموجّهات 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 الموجّه

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

• فهم LLM : قد يستجيب نماذج اللغة المختلفة بشكل مختلف لنفس الموجّه. 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 الموجّهات. على سبيل المثال ، صياغة موجّه لاستنتاج تشخيص طبي يتطلب معرفة طبية.
• نهج تكراري وقياس الجودة : عملية إنشاء الموجّه المثالي غالبًا ما تتضمن التجربة و الخطأ. لذلك ، من المهم أن يكون لديك طريقة لتقييم جودة الإخراج بخلاف الحكم الذاتي ، خاصة عند استخدام الموجّه على نطاق أكبر.

هندسة الموجّهات

هندسة الموجّهات هي مجال موسع لتصميم الموجّه يتضمن عدة عمليات حرجة :

• تصميم الموجّهات على نطاق واسع : يتضمن هذا التصميم موجّهات فوقية (موجّهات تنتج موجّهات أخرى) و قوالب الموجّه ، التي هي موجّهات معلمة يمكن تنفيذها في وقت التشغيل.
• تصميم الأدوات و التكامل : في بعض الأحيان ، قد تتضمن الموجّهات نتائج من أدوات خارجية ، و من المهم دمج هذه الأدوات بسلاسة في النظام.
• التنسيق و التخطيط و إدارة الموجّه : نشر تطبيق LLM ، مثل روبوت الدردشة ، غالبًا ما يتطلب إدارة مكتبات الموجّه ، والتخطيط واختيار الموجّهات المناسبة ، و دمج الأدوات بشكل فعال.
• تقييم و ضمان جودة الموجّه : يتضمن هذا تعريف المعايير و العمليات لتقييم الموجّهات بشكل تلقائي و بشري.
• تحسين الموجّه : يمكن أن يعتمد تكلفة وزمن استجابة نموذج الذكاء الاصطناعي على اختيار النموذج و طول الموجّه (عدد الرموز).

تم تطوير العديد من نهج تصميم الموجّه الآلي والأدوات والإطارات لادارة الموجّه 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 موجّهات متمرس.

هندسة الموجّهات : تقنيات و أفضل الممارسات

1) وضع و وصف الموجّه

وضع التعليمات في بداية الموجّه 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 بالموجّه المحدد و المفصل :

المستخدم : توليد نظرة عامة قصيرة وجذابة (حوالي 200 كلمة) عن الورقة العلمية أدناه. يجب أن تكون النظرة العامة جذابة وقابلة 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. يفيد هذا النمط خصوصًا عندما يحتاج المستخدم إلى المساعدة لكنه لا يعرف التفاصيل الدقيقة المطلوبة في المخرجات. 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 موجّهك.

المستخدم : “ما هي 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 الموجّه ، 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 ترقيات 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 الموجّه

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 الموجّه الذي يمكننا إنشائه و إدخاله. لهذا القيود عواقب عميقة على تصميم و تنفيذ الموجّهات.

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

في الاستخدام العملي ، يجب أن نعمل كمحررين ، و نختار المعلومات الأكثر صلة للمهمة التي بين أيدينا. 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 الموجّه يوجه الذكاء الاصطناعي لتقديم تلخيص موجز و شاملاً للحرب العالمية الثانية.

الموجّهات للاستخدام المتكرر : في سيناريو محادثة ، يمكنك إعادة استخدام الموجّهات 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 الموجّه على سبيل المثال :

المستخدم : “كلما سألت سؤالًا عن علم البيانات ، اقترح سؤالًا أكثر دقة مع مراعاة تفاصيل التحليل الإحصائي ، واسألني إن كنت أريد 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 التوجيه بأمثلة قليلة

التوجيه بأمثلة قليلة هو نهج قوي لتعليم نماذج الذكاء الاصطناعي اتباع أنماط معينة أو أداء مهام. الفكرة هي تغذية النموذج بعدد من الأمثلة قبل طرح السؤال المطلوب. 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.’ ‘التقط عالمك بصور مذهلة بدقة 4K مع كاميرا الحركة فائقة الأناقة لدينا.’ مع هذه الأمثلة ، صيغ نصًا تسويقيًا لساعتنا الذكية الجديدة المدعومة بالذكاء الاصطناعي.”

ChatGPT : “عزّز نمط حياتك بساعتنا الذكية المدعومة بالذكاء الاصطناعي ، شريكك للصحة والتواصل والإنتاجية.” ميزة مذهلة في التعلم بأمثلة قليلة 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، تتجاوز هذه التقنية مجرد ربط المدخلات بالمخرجات؛ إذ يمكن أيضًا تعليم النموذج التعامل مع خطوات وسيطة لتحقيق هدف.

7) نهج سلسلة الأفكار

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

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

المستخدم : “يمكنك أن تفسر مفهوم 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 ، يؤتمت 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 لموجّهات متعلقة ، مما يحافظ على “محادثة” مع النموذج ويوجهه نحو استجابات أكثر دقة و صلة بالسياق.

فهم واجهة برمجة التطبيقات و هندسة الموجّهات من منظور المطور

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

في الرسم التوضيحي أعلاه ، يتفاعل المستخدم مع واجهة محادثة يدعمها 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 الموجّه 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 الموجّهات.

واجهة برمجة تطبيقات ChatGPT مصممة مع معلمات متعددة تتيح للمستخدمين تعديل استجابات الذكاء الاصطناعي لموجّهاتهم ، 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. الموجّه 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 للتوقف عند نقاط منطقية.

على سبيل المثال : لرسالة رسمية ، يمكنك استخدام “مع خالص التحية،” 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 تنشئ نظام ذكاء اصطناعي يكتب الشعر وتريده أن يستخدم مفردات وتعبيرات أسلوبية متنوعة، فيمكنك رفع قيمة Top P. ويمكن أن يكون الموجّه: «اكتب قصيدة عن جمال الخريف».

5) عقوبة التكرار (Frequency Penalty)

تتحكم عقوبة التكرار في مقدار تفضيل النموذج للكلمات الأقل تكرارًا. تشجعه عقوبة أعلى، حتى 1، على استخدام كلمات أقل شيوعًا، بينما تشجع قيمة أقل، وصولًا إلى ‎-1، استخدام كلمات أكثر شيوعًا.

على سبيل المثال: إذا كنت تكتب مقترح أعمال وتريد تجنب المصطلحات المعقدة، فيمكنك خفض عقوبة التكرار لإبقاء اللغة واضحة وسهلة الفهم.

6) عقوبة الظهور (Presence Penalty)

تؤثر معلمة عقوبة الظهور في مقدار معاقبة النموذج على توليد أفكار أو موضوعات جديدة لم تظهر في سجل المحادثة. تشجع القيم الأعلى النموذج على الالتزام بالموضوعات المذكورة سابقًا، بينما تتيح القيم الأقل إدخال مفاهيم جديدة بحرية أكبر.

على سبيل المثال: في جلسات العصف الذهني، يمكنك خفض عقوبة الظهور لتشجيع تنوع الأفكار. ويمكن استخدام موجّه مثل: «ابتكر استراتيجيات تسويق مبتكرة لمنصة تعليمية عبر الإنترنت».

التطبيقات الصناعية لهندسة الموجّهات