مرحبًا مرة أخرى بمستكشفي الذكاء الاصطناعي، ومرحبًا بكم مرة أخرى في مدونتنا GPTInArabic!
اليوم، نتعمق في جانب مثير من العمل مع ChatGPT — هنسة الأوامر. إنه العلم (والقليل من الفن) وراء صياغة أوامر فعالة لتوجيه استجابات الذكاء الاصطناعي.
ما هي هندسة الأوامر ؟
هندسة الأوامر Prompt Engineering هي فن وعلم صياغة الأسئلة وتوفير المقدار المناسب من السياق لنماذج الذكاء الاصطناعي للحصول على المخرجات المطلوبة. يشبه التدريس، حيث تؤثر صياغة الأسئلة والسياق المعطى بشكل كبير على الاستجابات الواردة من نماذج الذكاء الاصطناعي، بهدف توفير فهم أوضح واستجابات أفضل للمطالبات المقدمة.
هندسة الأوامر تشبه تعليم الطفل من خلال الأسئلة. مثلما يمكن لسؤال تمت صياغته بشكل جيد أن يوجه عملية تفكير الطفل، يمكن للمطالبة المصاغة بشكل جيد الجيد أن توجه نموذج الذكاء الاصطناعي، وخاصة نموذج اللغة (LLM)، نحو مخرجات محددة. دعونا نستكشف هذا المفهوم بمزيد من التفصيل.
المصطلحات الأساسية
قبل أن نبدأ ونعرف أكثر عن هندسة الأوامر ، دعونا نتعرف على أهم المصطلحات التي سوف نستخدمها.
1- AI (Artificial Intellegence) : الذكاء الإصطناعي
حيث هو المجال الذي نقوم فيه بتعليم الكمبيوتر عمل مهام ممكن أن نقوم بعملها كبشر مثلا ممكن ان نعلمه الكتابه ، حيث يمكن ان يتعلم كتابة الرسائل،البريد الالكتروني،تقارير،سيرة ذاتية،كتب،قصص ، .. الخ
كل ما عليك هو إعطاؤه الأمر الصحيح وسوف يقوم هو بباقي العمل
أيضا يمكن للكمبيوتر عن طريق الذكاء الاصطناعي الرسم،البرمجة وكتابة الاكواد والتطبيقات وأيضا يمكنه حل المشاكل المعقدة جدا .باختصار، أنا أقوم بتعليم الكمبيوتر أن يعمل ويفكر مثل الإنسان.
2- NLP (Natural Language Processing) :
معالجة اللغة الطبيعية (NLP) هي شكل من أشكال الذكاء الاصطناعي (AI) الذي يركز على الطرق التي يمكن أن تتفاعل بها أجهزة الكمبيوتر والأشخاص باستخدام اللغة البشرية لان اجهزة الحاسب تفهم لغة الالة فقط. تساعد تقنيات البرمجة اللغوية العصبية أجهزة الكمبيوتر على تحليلنا وفهمنا والاستجابة لنا باستخدام طرق الاتصال الطبيعية لدينا: الكلام والنص المكتوب.فبذلك نستطيع كتابة جمل بشرية تماما وعن طريق NLP يستطيع الكمبيوتر فهمها والرد عليها ايضا وتنفيذ الأمر المطلوب منه
3- (GPT (Generative Pre-trained Transformer
نوع من نماذج الذكاء الاصطناعي التي طورتها شركة OpenAI. تم تصميم نماذج GPT لإنشاء نص شبيه بالنص البشري بناءً على المدخلات التي تتلقاها. وقد تم تدريب هذه النماذج على كميات هائلة من البيانات النصية من الإنترنت والمصادر الأخرى، مما يسمح لها بفهم وإنتاج نص متماسك وذي صلة بالسياق عبر مجموعة واسعة من المواضيع.
4- (LLM (Large Language Model
نموذج اللغة الكبير هو برنامج كمبيوتر يتعلم ويولد لغة شبيهة بالإنسان باستخدام بنية محولات مدربة على بيانات نصية ضخمة.
نماذج اللغة الكبيرة (LLMs) هي نماذج أساسية للتعلم الآلي تستخدم خوارزميات التعلم العميق لمعالجة اللغة الطبيعية وفهمها. يتم تدريب هذه النماذج على كميات هائلة من البيانات النصية لتعلم الأنماط وعلاقات الكيانات في اللغة. يمكن لـ LLMs تنفيذ العديد من أنواع المهام اللغوية، مثل ترجمة اللغات، وتحليل المشاعر، ومحادثات chatbot، والمزيد. يمكنهم فهم البيانات النصية المعقدة وتحديد الكيانات والعلاقات بينها وإنشاء نص جديد متماسك ودقيق نحويًا
أي بكلمات أبسط يعتبرمجموعة فرعية من الذكاء الاصطناعي حيث ندرب ونجعل أجهزة الكمبيوتر تفهم لغة الإنسان لذلك إذا طرحنا عليها سؤالًا فإنها تفهمه وتجاوب عليه وهنا هو المكان الذي نستعمل فيه هندسة الأوامر (prompt) كما سترى لاحقًا
ما هي الأوامر أو prompt ؟
انها ببساطة النص الذي تكتبه للبوت ، سيفهم نموذج الذكاء الاصطناعي الأمر ثم سيقوم بالأجابة ،هذا يسمى أمر أو (prompt) .
على سبيل المثال هذا هو Chat GPT إذا قم بطرح سؤال عليه “كيف حالك” ، أن كلمة ” كيف حالك” هي نص الأمر الذي قمت بكتابته لنموذج الذكاء الاصطناعي أو إلى نموذج اللغة إلى llm (نموذج اللغة الكبير) وبعد ذلك سوف يفهم نموذج اللغة
مثل chat GPT النص ويرد عليك ، لذلك لدينا الأمر و رد الذكاء الاصطناعي بهذه البساطه كما في الصورة
مثال أخر
“أكتب لي خمسة عناوين لفيديو يوتيوب حول التسويق عبر الإنترنت”
سيمنحك الإجابة و ستحصل على أفكار
الآن، ماذا لو لم تكن العناوين أو النتيجة هي النتيجة المطلوبه ؟؟!!
هنا تأتي مهارة هندسة الأوامر ،إنها ببساطة تعلم كيفية إعطاء أفضل الأوامر ، أو كيفية كتابة أفضل الأوامر للحصول على أفضل النتائج من نموذج اللغة ،بكلمات بسيطة هو كيفية التحدث مع الذكاء الاصطناعي أو إلى البرمجة اللغوية العصبية للحصول على أفضل النتائج.
كيف تعمل هندسة الأوامر؟ عملية تدريجية خطوة بخطوة
هندسة الأوامر هي عملية منهجية تتكشف في عدة خطوات متميزة لتحسين التواصل مع نماذج الذكاء الاصطناعي. فيما يلي نهج منظم:
- تحليل المشكلة
في هندسة الأوامر، تتمثل الخطوة الأولى الحاسمة في فهم المشكلة بدقة. وهذا لا يتضمن فقط تحديد ما تريد أن يقوم به نموذج الذكاء الاصطناعي ولكن أيضًا فهم التعقيدات والفروق الدقيقة للمهمة. يساعد التعمق في المهمة في توقع كيفية تفسير النموذج للمطالبات المختلفة، وهو أمر ضروري لصياغة مطالبات فعالة. على سبيل المثال، في مهمة توليد النص، يعد فهم ما إذا كان الناتج المطلوب هو قصة أو مقال أو قصيدة أمرًا حيويًا لتوجيه لغة الذكاء الاصطناعي وأسلوبه. - صياغة الموجه (prompt) الأولي
بمجرد أن يتم تحديد المشكلة وفهمها بوضوح، فإن الخطوة التالية هي صياغة الموجه الأولي. هذه مهمة دقيقة حيث تتم صياغة الموجه لتوفير تعليمات واضحة ومباشرة لنموذج الذكاء الاصطناعي. يعمل الموجه كخارطة طريق للذكاء الاصطناعي، ويوجهه نحو المخرجات المطلوبة. وتكمن الحرفية هنا في الموازنة بين الحاجة إلى التحديد (لتوجيه الذكاء الاصطناعي بدقة) والحاجة إلى الانفتاح (للسماح للذكاء الاصطناعي بتوليد استجابات إبداعية ومتنوعة). - تقييم استجابة النموذج
بعد نشر المطالبة الأولية، تتضمن الخطوة التالية تقييم استجابة نموذج الذكاء الاصطناعي. تعد هذه المرحلة مهمة لتقييم ما إذا كانت مخرجات الذكاء الاصطناعي تتماشى مع التوقعات المحددة في المطالبة. إنها عملية تحديد فعالية الموجه وقدرة الذكاء الاصطناعي التفسيرية. إذا انحرفت المخرجات عن الهدف المطلوب، فمن الضروري تحديد سبب وكيفية سوء تفسير الذكاء الاصطناعي للمطالبة، والذي قد يكون بسبب عدم الوضوح أو عدم كفاية السياق أو تعقيد المهمة. - التنقيح التكراري
بناءً على التقييم، يتم بعد ذلك تنقيح المطالبة. هذه المرحلة تكرارية وقد تتطلب عدة جولات من التعديلات. تتضمن عملية التنقيح تغيير لغة المطالبة أو إضافة المزيد من السياق أو إعادة هيكلة الاستعلام لجعله أكثر وضوحًا. الهدف هو تحسين المطالبة بطريقة توجه الذكاء الاصطناعي بشكل أكثر فعالية نحو النتيجة المرجوة. كل تكرار يجعل المطالبة أقرب إلى الحالة المثلى التي تتماشى فيها استجابة الذكاء الاصطناعي بشكل مثالي مع أهداف المهمة. - الاختبار عبر النماذج
من الخطوات الأساسية في هندسة المطالبات اختبار المطالبة عبر نماذج ذكاء اصطناعي مختلفة. تساعد هذه الخطوة في فهم مدى تعدد استخدامات المطالبة وقابليتها للتكيف. قد تفسر النماذج المختلفة، بسبب تدريبها وهياكلها الفريدة، نفس المطالبة بطرق مختلفة. يضمن الاختبار عبر النماذج أن يكون الموجه قويًا وفعالًا في بيئات ذكاء اصطناعي متنوعة، مما يؤدي إلى نتائج أكثر موثوقية وقابلة للتعميم. - القياس والأتمتة
تتضمن الخطوة الأخيرة توسيع نطاق المطالبة وأتمتتها. بمجرد أن يتم تنقيح الموجه إلى النقطة التي ينتج عنها نتائج مرغوبة باستمرار، يمكن توسيع نطاقه لمعالجة سياقات أوسع أو أتمتته لتحقيق الكفاءة. قد يتضمن التوسيع تكييف الموجه للمهام ذات الصلة أو أتمتة عملية التوليد للمهام ذات الحجم الكبير. وتمثل هذه الخطوة الانتقال من مرحلة التطوير إلى مرحلة النشر، حيث يتم استخدام الموجه في تطبيقات عملية وواقعية.
لماذا تعتبر هندسة الأوامر مهمة؟
يكمن سحر ChatGPT في تعدد استخداماته. ويمكنه إنشاء نص شبيه بالنص البشري لمجموعة واسعة من التطبيقات، بدءًا من كتابة المقالات وحتى الإجابة على الأسئلة. لكن هذا التنوع يمكن أن يكون سلاحاً ذو حدين. نفس الذكاء الاصطناعي الذي يقوم بصياغة قصيدة جميلة يمكن أن ينتج دليلًا إرشادياً تقنيًا، مع مطالبة مختلفة. يكمن مفتاح توجيه مخرجات ChatGPT في الأمر الذي يتم إعطاءه .
صياغة المطالبات الفعالة
عادة ما تكون المطالبة الفعالة لـ ChatGPT واضحة ومحددة ومباشرة. كلما زاد السياق والتفاصيل التي تقدمها، كان بإمكان ChatGPT تصميم استجابته بشكل أفضل وفقًا لاحتياجاتك.
على سبيل المثال، إذا كنت تريد من ChatGPT أن يكتب قصة، فيمكنك تقديم مطالبة مثل “كان ياما كان في أرض بعيدة…”. قد ينجح هذا، لكنه واسع جدًا، ويمكن لـ ChatGPT أن يأخذ القصة في أي عدد من الاتجاهات. لتضييق نطاق الأمر، يمكنك تقديم تعليمات أكثر تحديدًا، مثل “اكتب قصة قصيرة تدور أحداثها في أرض بعيدة، وتضم فارسًا شجاعًا وتنينًا ماكرًا”.
تقنيات شائعة في هندسة الأوامر
- درجة الحرارة والحد الأقصى للرموز: هذه هي الإعدادات التي تتحكم في مخرجات الذكاء الاصطناعي. تتحكم “درجة الحرارة” في العشوائية (القيم المنخفضة تجعل المخرجات أكثر تركيزًا)، وتحد “الحد الأقصى للرموز” من طول استجابة الذكاء الاصطناعي.
- رسائل النظام: يمكنك تضمين “رسالة نظام” في بداية المطالبة لإعطاء تعليمات عالية المستوى. على سبيل المثال: “أنت مساعد تتحدث مثل شكسبير”.
- رسائل المستخدم: يمكنك تقديم تعليمات أكثر تحديدًا كـ “رسائل مستخدم” مثل: “ترجمة النص الإنجليزي التالي إلى الإنجليزية الشكسبيرية…”
هندسة الأوامر هي جزء من العلم، وجزء من الفن، وجزء من التجربة والخطأ.
من خلال الممارسة، ستتعلم صياغة المطالبات التي توجه ChatGPT لإنتاج المخرجات التي تحتاجها. في مقالاتنا القادمة بالمدونة، سنقدم أمثلة عملية ونصائح لهندسة الأوامر الفعالة. ابقوا متابعين!
حتى المرة القادمة،