نصائح مايكروسوفت لهندسة الأوامر لتحسين مخرجات نماذج الذكاء الاصطناعي اللغوية

ملخص سريع

• تكشف مايكروسوفت عن دليل شامل لهندسة الأوامر، مقدمة رؤى قيمة حول صياغة أوامر فعالة لنماذج الذكاء الاصطناعي اللغوية.
• يؤكد الدليل على أهمية الوضوح والدقة وتوفير السياق ذي الصلة في الأوامر لتحسين أداء النماذج اللغوية.
• تشمل نصائح مايكروسوفت لتأليف الأوامر أن تكون واضحة ومحددة، وتوفير مخرجات نموذجية، وتحسين الأوامر من خلال عملية تكرارية.

كشفت مايكروسوفت مؤخرًا عن دليل شامل لهندسة الأوامر، مقدمة رؤى لا تقدر بثمن حول فن صياغة الأوامر الفعالة. يتعمق الدليل في جوانب مختلفة، بما في ذلك بنية الأمر، ونصائح التأليف، والوضوح، والدقة، وتوفير المخرجات النموذجية والمعلومات السياقية. مع التأكيد على أهمية توجيه النموذج نحو إنتاج نتائج مثلى، يسلط الدليل الضوء على فائدة دمج الأمثلة والسياق ذي الصلة. وهو يعترف بأن تحسين المخرجات التي يولدها النموذج غالبًا ما ينطوي على عملية ديناميكية من التجربة والخطأ، تتطلب تعديلات تكرارية لتحقيق النتيجة المرجوة.

ما هو الأمر، وكيف تقوم بهندسته؟

الأمر هو تعليمات أو مدخلات محددة مقدمة لنموذج لغوي لإثارة استجابة أو مخرجات مرغوبة. فهو يعمل كنقطة انطلاق لعملية توليد النموذج، ويوجه فهمه ويشكل المخرجات اللاحقة.

يتكون الأمر من سياق ومهمة/استفسار. يوفر السياق معلومات ذات صلة أو خلفية لفهم النموذج للمخرجات المطلوبة. على سبيل المثال: "السياق: أنت معلم في المدرسة الثانوية. المهمة/الاستفسار: إنشاء خطة درس حول موضوع البناء الضوئي، بما في ذلك أهداف التعلم والأنشطة وطرق التقييم.".

تشير هندسة الأوامر إلى عملية تصميم وتحسين الأوامر بشكل استراتيجي لتحسين أداء النموذج اللغوي. تتضمن النظر في عوامل مثل بنية الأمر، والوضوح، والدقة، والمخرجات النموذجية، والسياق ذي الصلة لتوجيه النموذج نحو توليد استجابات أكثر دقة وملاءمة. من خلال صياغة الأوامر بعناية وتكرارها، تهدف هندسة الأوامر إلى تحسين جودة وفعالية المخرجات اللغوية المطلوبة.

نصائح مايكروسوفت لتأليف الأوامر

صياغة الأوامر الفعالة هي جانب حاسم في هندسة الأوامر، وتقدم مايكروسوفت رؤى ونصائح قيمة لتعزيز فن تأليف الأوامر. في حين أن قائمة النصائح التالية دقيقة وموجزة، إلا أنها توفر أساسًا متينًا لتحسين بناء الأمر والحصول على المخرجات المطلوبة.

• كن واضحًا ومحددًا
• قدم مخرجات نموذجية
• قدم سياقًا ذا صلة
• قم بالتحسين، التحسين، التحسين

كن واضحًا ومحددًا – توجيه النموذج للحصول على النتائج المطلوبة

عند تأليف أمر، يلعب الوضوح والدقة دورًا حيويًا في تشكيل المخرجات التي يولدها النموذج. كلما كانت التعليمات أكثر صراحة وتفاصيل، قل الافتراضات التي يحتاج النموذج إلى القيام بها، مما يؤدي إلى استجابات أكثر دقة واستهدافًا. من الضروري وضع حدود وقيود داخل الأمر لتوجيه النموذج نحو إنتاج النتائج المرجوة. على سبيل المثال، قد يحدد الأمر الجيد التنسيق المطلوب أو المعايير أو القيود، مثل "قدم ملخصًا للنتائج الرئيسية في حد أقصى 150 كلمة". في المقابل، قد يؤدي الأمر الغامض الذي يفتقر إلى الوضوح والدقة، مثل "لخص النتائج"، إلى مخرجات غامضة أو غير متسقة بسبب تفسير النموذج.

من خلال أن يكونوا واضحين ومحددين في أوامرهم، يمكن للمطورين والمستخدمين توجيه فهم النموذج بشكل فعال وتشجيعه على توليد مخرجات تتماشى مع نواياهم. إن توفير تعليمات صريحة ووضع حدود محددة جيدًا داخل الأمر يمكّن هندسة الأوامر من إنتاج نتائج أكثر دقة وموثوقية.

قدم مخرجات نموذجية – توجيه النموذج من خلال التعلم بدون أمثلة وتعلم عدد قليل من الأمثلة

لبدء توليد المخرجات، يوفر الاستفادة من الإعدادات المهيأة مسبقًا للنموذج المدرب، والمعروفة باسم التعلم بدون أمثلة (zero-shot learning)، نهجًا سريعًا. ومع ذلك، لتعزيز أداء النموذج أكثر وتخصيص مخرجاته لمهام أو مجالات محددة، يصبح توفير المخرجات النموذجية لا يقدر بثمن. من خلال مشاركة الأمثلة، لا سيما باستخدام بيانات أو سيناريوهات مشابهة لسياق العمل المقصود، يمكن توجيه النموذج بشكل أفضل لتوليد نتائج أكثر دقة ومرغوبة. تستغل هذه التقنية، المعروفة بتعلم عدد قليل من الأمثلة (few-shot learning)، قوة الأمثلة لتعزيز فهم النموذج وتحسين جودة مخرجاته المولدة.

على سبيل المثال، دعنا نفكر في سيناريو حيث تريد من النموذج تلخيص المقالات الإخبارية. من خلال التعلم بدون أمثلة، يمكن للنموذج توليد ملخص عام بناءً على تدريبه المسبق. ومع ذلك، من خلال توفير مخرجات نموذجية لمقالات إخبارية تم تلخيصها سابقًا ضمن نفس المجال، يمكنك تدريب النموذج على التقاط الفروق الدقيقة المحددة، وتحسين تماسك الملخصات، وضمان الاتساق مع الأسلوب والنبرة المطلوبين. بهذه الطريقة، يصبح النموذج مجهزًا بشكل أفضل للتعامل مع مهمة تلخيص المقالات الإخبارية بفعالية.

قدم سياقًا ذا صلة – ترسيخ النموذج لأداء محسن

في هندسة الأوامر، يعد تقديم السياق ذي الصلة من خلال تقديم حقائق ومعلومات إضافية تقنية قوية لتوجيه النموذج للإجابة على الأسئلة وأداء مهام متنوعة. هذه العملية، المعروفة باسم الترسخ (grounding)، تتضمن تثبيت فهم النموذج للمعلومات الواقعية. تستخدم بينغ، محرك بحث مايكروسوفت، نهجًا مشابهًا لتعزيز قدرات الذكاء الاصطناعي الخاصة بها. بالإضافة إلى تقديم استفسار، قم بإجراء بحث لتوفير معلومات من صفحات الويب ذات الصلة. يتم بعد ذلك دمج محتويات هذه صفحات الويب كسياق إضافي داخل الأمر، مما يمكّن نماذج الذكاء الاصطناعي من توليد استجابات أكثر اتساقًا مع نية المستخدم.

على سبيل المثال، لنفترض أنك تريد استخدام نموذج لغوي للمساعدة في الإجابة على أسئلة الحقائق التاريخية. من خلال تضمين الحقائق والتفاصيل التاريخية ذات الصلة كسياق داخل الأمر، مثل الفترة الزمنية المحددة، أو الشخصيات التاريخية المشاركة، أو الأحداث المهمة، يمكنك تزويد النموذج بأساس متين في التاريخ. يتيح هذه المعلومات الإضافية للنموذج توليد استجابات تستند إلى المعرفة التاريخية ذات الصلة وتزيد من احتمالية الإجابات الدقيقة والمفيدة.

قم بالتحسين، التحسين، التحسين – المسار التكراري نحو المخرجات المحسنة

في هندسة الأوامر، غالبًا ما تتضمن الرحلة نحو توليد مخرجات مثالية عملية من التجربة والخطأ. من المهم ألا تثبط عزيمتك إذا لم تتوافق النتائج الأولية مع توقعاتك. بدلاً من ذلك، اعتمد نهجًا تكراريًا وتجرب التقنيات المختلفة الموضحة في هذه المقالة لاكتشاف ما يعمل بشكل أفضل لحالتك الاستخدامية المحددة. إحدى الاستراتيجيات الفعالة هي إعادة استخدام مجموعة المخرجات الأولية التي يولدها النموذج كمورد قيم لتحسين الأوامر اللاحقة.

من خلال دمج المخرجات الأولية في الأمر كسياق وإرشاد إضافي، فإنك تزود النموذج بحلقة تغذية راجعة ت informing وتوجه تكراراته اللاحقة. تمكّن عملية التحسين التكرارية هذه النموذج من التعلم من المحاولات السابقة وإنتاج مخرجات أكثر دقة وتطورًا مع مرور الوقت. لذلك، لا تتردد في التحسين والتكرار والاستفادة من المخرجات المولدة كحجر عثرة نحو تحقيق النتائج المرجوة. تذكر، غالبًا ما يكمن النجاح في المثابرة والقدرة على التكيف لضبط نماذج هندسة الأوامر حتى تتماشى مع توقعاتك.

الخلاصة

مع إصدار هذا الدليل، تهدف مايكروسوفت إلى تمكين المطورين والمستخدمين من الاستفادة من الإمكانات الكاملة لهندسة الأوامر. من خلال فهم تعقيدات بناء الأمر، يمكن للممارسين تحسين أداء ودقة النماذج اللغوية. يساعد تركيز الدليل على الوضوح والدقة في الأوامر في إثارة استجابات دقيقة من النموذج. علاوة على ذلك، يسمح تضمين المخرجات النموذجية والسياق ذي الصلة للنموذج بإدراك النية المطلوبة وتوليد استجابات أكثر ملاءمة واتساقًا. من خلال اعتماد النهج التكراري المقترح في الدليل، يمكن للمطورين ضبط المخرجات وتحسين نماذج هندسة الأوامر تكراريًا، مما يؤدي في النهاية إلى نتائج محسنة وتجربة مستخدم أكثر تخصيصًا.