ما هي هندسة النصوص المُدخَلة؟
هندسة النصوص المُدخَلة هي العملية التي تقوم فيها بتوجيه حلول الذكاء الاصطناعي المولّد (generative AI) لتوليد المخرجات التي ترغب فيها. على الرغم من أن الذكاء الاصطناعي المولّد يحاول محاكاة البشر، إلا أنه يتطلب تعليمات مفصلة لإنشاء مخرجات عالية الجودة وذات صلة. في هندسة النصوص المُدخَلة، يمكنك اختيار التنسيقات والعبارات والكلمات والرموز الأكثر ملاءمة التي توجه الذكاء الاصطناعي للتفاعل مع المستخدمين بشكل أكثر جدوى. يستخدم المهندسون الإبداع بالإضافة إلى التجربة والخطأ لإنشاء مجموعة من نصوص الإدخال، لذلك يعمل الذكاء الاصطناعي المولّد الخاص بالتطبيق كما هو متوقع.
ما المقصود بالنص الفوري (prompt)؟
المُطالبة (prompt) هي نص بلغة طبيعية يطلب من الذكاء الاصطناعي المولّد أداء مهمة محددة. الذكاء الاصطناعي المولّد هو حل الذكاء الاصطناعي الذي ينشئ محتوى جديدًا مثل القصص والمحادثات ومقاطع الفيديو والصور والموسيقى. إنه مدعوم بنماذج تعلم الآلة (ML) الكبيرة جدًا التي تستخدم شبكات عصبونية عميقة تم اختبارها مسبقًا على كميات هائلة من البيانات.
تتميز نماذج اللغات الكبيرة (LLMs) بالمرونة الشديدة ويمكنها أداء مهام مختلفة. على سبيل المثال، يمكنهم تلخيص المستندات وإكمال الجمل والإجابة على الأسئلة وترجمة اللغات. بالنسبة لمدخلات المستخدم المحددة، تعمل النماذج من خلال توقُّع أفضل النتائج التي تحددها من التدريب السابق.
ومع ذلك، نظرًا لأنها نماذج مفتوحة جدًا، يمكن للمستخدمين التفاعل مع حلول الذكاء الاصطناعي المولّدة من خلال مجموعات بيانات الإدخال التي لا تعد ولا تحصى. تعد نماذج لغة الذكاء الاصطناعي قوية جدًا ولا تتطلب الكثير لبدء إنشاء المحتوى. حتى كلمة واحدة كافية للنظام لإنشاء استجابة مفصلة.
ومع ذلك، لا يُنتج عن كل نوع من المدخلات مخرجات مفيدة. أنظمة الذكاء الاصطناعي المولّدة تتطلب سياقًا ومعلومات مفصلة لإنتاج استجابات دقيقة وذات صلة. عندما تقوم بتصميم النصوص بشكل منهجي، تحصل على نتائج أكثر فائدة وقابلية للاستخدام. في هندسة النصوص المُدخلة (prompt engineering)، يمكنك تحسين النصوص باستمرار حتى تحصل على النتائج المرجوة من نظام الذكاء الاصطناعي.
لماذا تعتبر هندسة النصوص المُدخَلة مهمة؟
زادت وظائف هندسة النصوص المُدخَلة بشكل كبير منذ إطلاق الذكاء الاصطناعي المولّد. يقوم المهندسون بسد الفجوة بين المستخدمين النهائيين ونموذج اللغة الكبير. فهي تحدد البرامج النصية والقوالب التي يمكن للمستخدمين تخصيصها وإكمالها للحصول على أفضل نتيجة من نماذج اللغة. يقوم هؤلاء المهندسون بتجربة أنواع مختلفة من المدخلات لإنشاء مكتبة سريعة يمكن لمطوري التطبيقات إعادة استخدامها في سيناريوهات مختلفة.
هندسة النصوص المُدخَلة تجعل تطبيقات الذكاء الاصطناعي أكثر كفاءة وفعالية. عادةً ما يقوم مطورو التطبيقات بتخليص مدخلات المستخدم المفتوحة داخل المطالبة قبل تمريرها إلى نموذج الذكاء الاصطناعي.
على سبيل المثال، ضع في اعتبارك برامج الدردشة الآلية التي تعمل بالذكاء الاصطناعي. يمكن للمستخدم إدخال بيان مشكلة غير مكتمل مثل «أين يمكن شراء قميص.» كود التطبيق يستخدم مطالبة هندسية تقول : «أنت مساعد مبيعات لشركة ملابس. يسألك مستخدم، مقيم في ألاباما بالولايات المتحدة، عن مكان شراء قميص. قم بالرد بأقرب ثلاثة مواقع متاجر تحتوي حاليًا على قميص.» يقوم برنامج الدردشة الآلي بعد ذلك بإنشاء معلومات أكثر صلة ودقة.
بعد ذلك، نناقش بعض فوائد هندسة النصوص المُدخَلة.
تحكم أكبر للمطورين
تمنح هندسة النصوص المُدخَلة المطورين مزيدًا من التحكم في تفاعلات المستخدمين مع الذكاء الاصطناعي. توفر المطالبات الفعالة المقصد وتضع السياق لنماذج اللغات الكبيرة. إنها تساعد الذكاء الاصطناعي على تحسين المخرجات وتقديمها بإيجاز بالتنسيق المطلوب.
كما أنها تمنع المستخدمين من إساءة استخدام الذكاء الاصطناعي أو طلب شيء لا يعرفه الذكاء الاصطناعي أو لا يمكنه التعامل معه بدقة. على سبيل المثال، قد ترغب في تقييد المستخدمين لديك من إنشاء محتوى غير لائق في تطبيق الذكاء الاصطناعي للأعمال.
تجربة مستخدم محسّنة
يتجنب المستخدمون التجربة والخطأ ولا يزالون يتلقون ردودًا متماسكة ودقيقة وذات صلة من أدوات الذكاء الاصطناعي. هندسة النصوص المُدخَلة تُسهِّل على المستخدمين الحصول على النتائج ذات الصلة في المطالبة الأولى. تساعد أيضًا في تخفيف التحيز الذي قد يكون موجودًا من التحيز البشري الحالي في بيانات تدريب النماذج اللغوية الكبيرة.
علاوة على ذلك، فإنها تعزز التفاعل بين المستخدم والذكاء الاصطناعي حتى يفهم الذكاء الاصطناعي قصد المستخدم حتى مع الحد الأدنى من المدخلات. على سبيل المثال، تحصل طلبات تلخيص مستند قانوني ومقال إخباري على نتائج مختلفة يتم تعديلها وفقًا للأسلوب ونبرة الكلام المكتوب. هذا صحيح حتى لو طلب كلا المستخدمين من التطبيق:«قم بتلخيص هذا المستند.»
زيادة المرونة
تعمل المستويات الأعلى من التجريد على تحسين نماذج الذكاء الاصطناعي والسماح للمؤسسات بإنشاء أدوات أكثر مرونة على نطاق واسع. يمكن للمهندس إنشاء مطالبات بتعليمات محايدة للنطاق تسلط الضوء على الروابط المنطقية والأنماط العامة. يمكن للمؤسسات إعادة استخدام المطالبات بسرعة عبر المؤسسة لتوسيع استثماراتها في الذكاء الاصطناعي.
على سبيل المثال، للعثور على فرص لتحسين العملية، يمكن للمهندس إنشاء مطالبات مختلفة لتدريب نموذج الذكاء الاصطناعي للعثور على أوجه القصور باستخدام إشارات عامة بدلاً من البيانات الخاصة بالسياق. يمكن بعد ذلك استخدام المطالبات لعمليات ووحدات أعمال متنوعة.
ما هي بعض حالات استخدام هندسة النصوص المُدخَلة؟
تُستخدم تقنيات هندسة النصوص المُدخَلة في أنظمة الذكاء الاصطناعي المتطورة لتحسين تجربة المستخدم مع نموذج تعلم اللغة. ونقدم فيما يلي بعض الأمثلة.
الخبرة في الموضوع
تلعب هندسة النصوص المُدخَلة دورًا رئيسيًا في التطبيقات التي تتطلب من الذكاء الاصطناعي تقديم استجابات بخبرة في الموضوع. يمكن للمهندس الذي يتمتع بخبرة في هذا المجال توجيه الذكاء الاصطناعي للإشارة إلى المصادر الصحيحة وتأطير الإجابة بشكل مناسب بناءً على السؤال المطروح.
على سبيل المثال، في المجال الطبي، يمكن للطبيب استخدام نموذج لغوي مصمم بسرعة لإنشاء تشخيصات مميزة لحالة معقدة. يحتاج الأخصائي الطبي فقط إلى إدخال الأعراض وتفاصيل المريض. يستخدم التطبيق مطالبات مصصمة لتوجيه الذكاء الاصطناعي أولاً لإدراج الأمراض المحتملة المرتبطة بالأعراض التي تم إدخالها. ثم تقوم بتضييق القائمة بناءً على معلومات المريض الإضافية.
التفكير النقدي
تطبيقات التفكير النقدي نموذج لغة لحل المشكلات المعقدة. للقيام بذلك، يقوم النموذج بتحليل المعلومات من زوايا مختلفة، وتقييم مصداقيتها، واتخاذ قرارات منطقية. تعمل هندسة النصوص المُدخَلة على تحسين قدرات تحليل بيانات النموذج.
على سبيل المثال، في سيناريوهات صنع القرار، يمكنك مطالبة النموذج بإدراج جميع الخيارات الممكنة وتقييم كل خيار والتوصية بالحل الأفضل.
الإبداع
يتضمن الإبداع توليد أفكار أو مفاهيم أو حلول جديدة. يمكن استخدام هندسة النصوص المُدخَلة لتعزيز القدرات الإبداعية للنموذج في سيناريوهات مختلفة.
على سبيل المثال، في كتابة السيناريوهات، يمكن للكاتب استخدام نموذج مصمم بسرعة للمساعدة في توليد أفكار للقصة. قد يطلب الكاتب من النموذج سرد الشخصيات والإعدادات ونقاط الحبكة المحتملة ثم تطوير قصة بهذه العناصر. أو يمكن لمصمم الجرافيك مطالبة النموذج بإنشاء قائمة من لوحات الألوان التي تثير عاطفة معينة ثم إنشاء تصميم باستخدام تلك اللوحة.
ما هي تقنيات هندسة النصوص المُدخَلة؟
هندسية النصوص المُدخلة هي مجال ديناميكي ومتطور. يتطلب الأمر كلاً من المهارات اللغوية والتعبير الإبداعي لضبط النصوص والحصول على الاستجابة المطلوبة من أدوات الذكاء الاصطناعي المولّد.
فيما يلي بعض الأمثلة على التقنيات التي تحث المهندسين على استخدامها لتحسين مهام معالجة اللغة الطبيعية (NLP) لنماذج الذكاء الاصطناعي الخاصة بهم.
مطالبة سلسلة الأفكار (Chain-of-thought prompting)
تحفيز سلسلة الأفكار هو أسلوب يقسم السؤال المعقد إلى أجزاء منطقية أصغر تحاكي سلسلة الأفكار. يساعد هذا النموذج على حل المشكلات في سلسلة من الخطوات الوسيطة بدلاً من الإجابة المباشرة على السؤال. هذا يعزز قدرة نماذج الذكاء الاصطناعي على التفكير.
يمكنك تنفيذ العديد من عمليات النشر المتسلسلة للمهام المعقدة واختيار النتيجة الأكثر شيوعًا. في حالة وجود اختلاف كبير في عمليات النشر، يمكن استشارة شخص لتصحيح سلسلة التفكير.
على سبيل المثال، إذا كان السؤال «ما هي عاصمة فرنسا؟» قد يؤدي النموذج عدة عمليات طرح تؤدي إلى إجابات مثل «باريس» و«عاصمة فرنسا هي باريس»و«باريس هي عاصمة فرنسا». نظرًا لأن جميع عمليات الطرح تؤدي إلى نفس النتيجة، فسيتم اختيار «باريس» كإجابة نهائية.
مطالبة شجرة الأفكار (Tree-of-thought prompting)
تعمل تقنية شجرة الأفكار على تعميم تقنية نصوص سلسلة الأفكار. يطالب النموذج بإنشاء واحدة أو أكثر من الخطوات التالية المحتملة. ثم يقوم بتشغيل النموذج في كل خطوة تالية ممكنة باستخدام طريقة البحث المتسلسل.
على سبيل المثال، إذا كان السؤال هو «ما هي آثار تغير المناخ؟» قد يولد النموذج أولاً الخطوات التالية المحتملة مثل «قائمة التأثيرات البيئية» و «قائمة التأثيرات الاجتماعية». وسيقوم بعد ذلك بتفصيل كل منها في خطوات لاحقة.
المطالبة التوليدية (Maieutic prompting)
النصوص التوليدية مشابه لتقنية نصوص شجرة الأفكار. يُطلب من النموذج الإجابة على سؤال مع شرح. ثم يُطلب من النموذج شرح أجزاء من الشرح. يتم تقليص فروع التفسير غير المتسق أو التخلص منها. هذا يُحسِّن الأداء في التفكير المنطقي المعقد.
على سبيل المثال، إذا كان السؤال هو «لماذا السماء زرقاء؟» قد يجيب النموذج أولاً: «تبدو السماء زرقاء للعين البشرية لأن الموجات القصيرة من الضوء الأزرق مبعثرة في جميع الاتجاهات بواسطة الغازات والجسيمات في الغلاف الجوي للأرض.» قد يتوسع النموذج بعد ذلك في أجزاء من هذا التفسير، مثل سبب تشتت الضوء الأزرق أكثر من الألوان الأخرى وما يتكون منه الغلاف الجوي للأرض.
المطالبة المستندة إلى التعقيد (Complexity-based prompting)
تقنية هندسة النصوص المُدخَلة هذه تتضمن تنفيذ العديد من عمليات طرح سلسلة الأفكار. إنها تختار عمليات الطرح التي تحتوي على سلاسل الأفكار الأطول ثم تختار الاستنتاج الأكثر شيوعًا.
على سبيل المثال، إذا كان السؤال يمثل مشكلة حسابية معقدة، فقد يقوم النموذج بإجراء العديد من عمليات الطرح، كل منها يتضمن خطوات متعددة من العمليات الحسابية. وسينظر في عمليات الطرح التي تتضمن سلاسل الأفكار الأطول والتي ستكون في هذا المثال معظم خطوات الحسابات. سيتم اختيار عمليات الطرح التي تصل إلى نتيجة مشتركة مع عمليات الطرح الأخرى كإجابة نهائية.
مطالبة المعرفة المولدة (Generated knowledge prompting)
تتضمن هذه التقنية مطالبة النموذج أولاً بتوليد الحقائق ذات الصلة والتي تكون ضرورية لإكمال المطالبة. ثم تستمر في إكمال المطالبة. غالبًا ما يؤدي هذا إلى جودة إنجاز أعلى حيث أن النموذج مشروط بالحقائق ذات الصلة.
على سبيل المثال، تخيل أن مستخدمًا يطالب النموذج بكتابة مقال عن آثار إزالة الغابات. قد يولد النموذج أولاً حقائق مثل «إزالة الغابات تساهم في تغير المناخ» و «إزالة الغابات تؤدي إلى فقدان التنوع البيولوجي.» ثم سيوضح النقاط الواردة في المقالة.
المطالبة من الأقل إلى الأكثر (Least-to-most prompting)
في تقنية هندسية النصوص المُدخَلة هذه، يُطلب من النموذج أولاً إدراج المشكلات الفرعية للمشكلة، ثم حلها بالتسلسل. يضمن هذا الأسلوب إمكانية حل المشكلات الفرعية اللاحقة بمساعدة الإجابات على المشكلات الفرعية السابقة.
على سبيل المثال، تخيل أن مستخدمًا يطالب النموذج بمسألة رياضية مثل «حل لـ x في المعادلة 2x + 3 = 11.» قد يسرد النموذج أولاً المشكلات الفرعية مثل «اطرح 3 من كلا الجانبين» و «اقسم على 2». سيقوم بعد ذلك بحل المشاكل بالتسلسل للحصول على الإجابة النهائية.
مطالبة التحسين الذاتي (Self-refine prompting)
في هذه التقنية، يُطلب من النموذج حل المشكلة ونقد حلها ثم حل المشكلة مع مراعاة المشكلة والحل والنقد. تتكرر عملية حل المشكلات حتى تصل إلى سبب محدد مسبقًا للتوقف. على سبيل المثال، قد تنفد الرموز المميزة أو الوقت، أو قد قد يُخرج النموذج رمز إيقاف.
على سبيل المثال، تخيل أن مستخدمًا يطلب من أحد النماذج ما يلي «اكتب مقالًا قصيرًا عن الأدب.» قد يقوم النموذج بصياغة مقال، وينقده لعدم وجود أمثلة محددة، ويُعيد كتابته لتشمل أمثلة محددة. ستتكرر هذه العملية حتى يتم اعتبار المقالة مرضية أو يتم استيفاء معيار التوقف.
مطالبة التحفيز الاتجاهي (Directional-stimulus prompting)
تتضمن تقنية هندسة النصوص المُدخَلة هذه تلميحًا أو عبارة مساعدة، مثل الكلمات الرئيسية المطلوبة، لتوجيه نموذج اللغة نحو الإخراج المطلوب.
على سبيل المثال، إذا كان الدافع هو كتابة قصيدة عن الحب، فقد يقوم المهندس بصياغة توجيهات تتضمن «القلب» و «العاطفة» و «الأبدية». قد يُطلب من النموذج :«اكتب قصيدة عن الحب تتضمن كلمات «القلب» و «العاطفة» و «الأبدية».» سيؤدي ذلك إلى توجيه النموذج لصياغة قصيدة باستخدام هذه الكلمات الرئيسية.
ما هي بعض أفضل الممارسات الخاصة بهندسية النصوص المُدخلة؟
تتطلب عملية هندسة النصوص المُدخلة الجيدة توصيل التعليمات بالسياق والنطاق والاستجابة المتوقعة. بعد ذلك، نشارك بعض أفضل الممارسات.
نصوص لا لبس فيها
حدد بوضوح الاستجابة المطلوبة في النص لتجنب سوء التفسير من قبل الذكاء الاصطناعي. على سبيل المثال، إذا كنت تطلب ملخصًا جديدًا، فذكر بوضوح أنك تبحث عن ملخص وليس تحليل مفصل. يساعد هذا الذكاء الاصطناعي على التركيز فقط على طلبك وتقديم استجابة تتوافق مع هدفك.
سياق مناسب داخل النص
قم بتوفير سياق مناسب داخل النص وقم بتضمين متطلبات الإخراج في الإدخال الفوري الخاص بك، مع حصرها في تنسيق معين. على سبيل المثال، لنفترض أنك تريد قائمة بالأفلام الأكثر شعبية في التسعينيات في جدول. للحصول على النتيجة الدقيقة، يجب عليك تحديد عدد الأفلام التي تريد إدراجها بشكل صريح وطلب تنسيق الجدول.
التوازن بين المعلومات المستهدفة والمخرجات المرغوبة
قم بموازنة البساطة والتعقيد في النص المُدخل لتجنب الإجابات الغامضة أو غير ذات الصلة أو غير المتوقعة. قد يفتقر النص البسيط للغاية إلى السياق، في حين أن النص المعقد للغاية قد يربك الذكاء الاصطناعي. هذا مهم بشكل خاص للموضوعات المعقدة أو اللغة الخاصة بالمجال، والتي قد تكون أقل شيوعًا بالنسبة للذكاء الاصطناعي. بدلاً من ذلك، استخدم لغة بسيطة وقم بتقليل حجم النص لجعل سؤالك أكثر قابلية للفهم.
تجربة النص المُدخل وتنقيحه
هندسة النصوص المُدخلة هي عملية تكرارية. من الضروري تجربة أفكار مختلفة واختبار نصوص الذكاء الاصطناعي لمعرفة النتائج. قد تحتاج إلى محاولات متعددة للتحسين من أجل الدقة والملاءمة. يعمل الاختبار والتكرار المستمران على تقليل حجم النص المُدخل ومساعدة النموذج على توليد مخرجات أفضل. لا توجد قواعد ثابتة لكيفية إخراج الذكاء الاصطناعي للمعلومات، لذا فإن المرونة والقدرة على التكيف ضروريان.
كيف يمكن لـ AWS دعم متطلبات الذكاء الاصطناعي المولّد الخاصة بك؟
تقدم Amazon Web Services (AWS) اتساع وعمق الأدوات لبناء واستخدام الذكاء الاصطناعي المولّد. على سبيل المثال، يمكنك استخدام الخدمات التالية:
- مطور Amazon Q لإنشاء اقتراحات التعليمة البرمجية التي تتراوح من المقتطفات إلى الوظائف الكاملة في الوقت الفعلي بناءً على تعليقاتك والتعليمة البرمجية الحالية.
- ستقوم Amazon Bedrock بتسريع تطوير تطبيقات الذكاء الاصطناعي المولّد باستخدام نماذج اللغة من خلال واجهة برمجة التطبيقات، دون إدارة البنية التحتية.
- Amazon SageMaker JumpStart لاكتشاف واستكشاف ونشر نماذج اللغات مفتوحة المصدر. على سبيل المثال، يمكنك العمل مع نماذج مثل OpenLLaMA وRedPajama وMPT-7B من MosaicML وFLAN-T5 وGPT-NeoX-20B وBLOOM.
إذا كنت تفضل إنشاء نماذجك الخاصة، فاستخدم Amazon SageMaker. يوفر بنية تحتية وأدوات مُدارة لتسريع بناء النماذج القابلة للتطوير والموثوقية والآمنة والتدريب والنشر.
ابدأ استخدام هندسة الأوامر (هندسة التلقين) على AWS من خلال إنشاء حساب اليوم.
