۰ نظر

با گفتن این جمله، چت‌ جی‌پی‌تی دروغگو می‌شود!

چگونه مهندسیِ پرامپت به ابزارهای هوش مصنوعی، یاد می‌دهد دقیقاً همان کاری را بکنند که می‌خواهیم؟ با این مطلب آموزشی کاربردی همراه باشید.

کد خبر : 103576

تاریخ انتشار :جمعه 29 فروردین 1404 - 14:12

به گزارش خط بازار؛ پیش‌تر در بخش آموزش ابزار، سازوکار و کاربرد هوش مصنوعی موارد زیر را مطالعه کردید:1. مقدمه‌ای بر پرامپت‌نویسی و اصول ابتدایی آن2. فاین‌تیونینگ مدل‌های زبانی و شخصی‌سازی هوش مصنوعی3. لانگ‌فرم جنریشن: تولید محتوای بلند و چندبخشی توسط هوش مصنوعیاکنون در چهارمین گام، به یکی از ستون‌های اصلی بهره‌برداری حرفه‌ای از مدل‌های مولد می‌پردازیم:

مهندسی پرامپت (Prompt Engineering)

در یک کلام مهندسی پرامپت یعنی طراحی دقیق ورودی‌هایی که بتوانند خروجی‌های باکیفیت، دقیق و قابل‌استفاده برای کاربردهای واقعی تولید کنند.چرا مهندسی پرامپت، هسته هوش مصنوعی مولد است؟طبق گزارش مرکز تحقیقات مدل‌های پایه در دانشگاه استنفورد در سال 2024، میانگین نرخ موفقیت در انجام وظایف پیچیده توسط مدل‌های زبانی بدون مهندسی پرامپت، کمتر از ۴۵٪ است؛ در حالی‌که استفاده از ساختارهای مهندسی‌شده، دقت را تا ۸۵٪ افزایش داده است.این جمله کلیدی را به خاطر بسپارید که: «تفاوت خروجی خوب و متوسط، صرفاً در نحوه نوشتن پرامپت است.»این مسئله، مخصوصاً در پروژه‌های تولید محتوا، تحلیل بازار، کدنویسی خودکار، طراحی کمپین، نوشتن متون حقوقی و حتی تولید تصویر، تفاوتی چشمگیر رقم می‌زند.در مطلب اول تعریف ساده‌ای از پرامپت بیان شده است. حال تعریفی نسبتاً تخصصی پیش روی ماست.

پرامپت چیست؟ تعریف، ساختار و چرایی اهمیت آن

پرامپت به‌زبان ساده، «درخواست متنی ما از مدل هوش مصنوعی» است. اما در کاربردهای واقعی، پرامپت چیزی بیش از یک درخواست ساده است. این درخواست باید:1. نقش مورد انتظار از مدل را مشخص کند2. وظیفه دقیق را تعریف کند3. زمینه اطلاعاتی و محدودیت‌ها را بیان کند4. قالب خروجی مطلوب را روشن کندبه زبان تخصصی‌تر: «پرامپت، ترکیبی است از توصیف نقش (role prompting)، وظیفه (task prompting)، داده‌های زمینه‌ای (contextual data) و فرمت خروجی (output formatting)».*نکته مهم*این موضوع فقط مربوط به مدل‌های مولد متنی نیست؛ در مدل‌های تولید تصویر مانند Midjourney یا DALL·E، یا در مدل‌های تبدیل صوت به متن مانند Whisper نیز، دقت در تنظیم پرامپت تأثیر مستقیم بر کیفیت خروجی دارد.قبل از اینکه وارد اصل مطلب شویم بهتر است برای استفاده بهتر و درست‌تر بدانید چرا مهندسی ساختار پرامپت مهم است؟!

معماری تعامل

در مدل‌های زبانی بزرگ (LLMs)، خروجی حاصل از نوعی «شبیه‌سازی شناختی» است. مدل، نقش‌های مختلف را شبیه‌سازی می‌کند، اطلاعات قبلی را ترکیب می‌کند و پاسخ تولید می‌کند. ساختار پرامپت اگر بدون نقش‌گذاری باشد، در نتیجه مدل نمی‌داند با چه لحن یا چه سطح تخصصی پاسخ دهد.اگر فاقد زمینه (context) باشد، آنگاه مدل پاسخ کلیشه‌ای و بی‌ربط می‌دهد.بدون محدودیت‌های فرمی نیز خروجی پراکنده، پرحشو یا غیرقابل استفاده می‌شود.پس پرامپت‌نویسی چیزی شبیه «معماری تعامل» با هوش مصنوعی است. و برای این معماری، چهار ساختار کلی وجود دارد که در این گزارش به دلیل مجال کم به اختصار اما به کفایت به توضیح دو مورد اول می‌پردازیم. (البته در مطالب بعدی و حتی بعد از توضیح دو مدل آخر، بصورت جزئی و با نگاه چندجانبه این ساختارها آموزش داده شده و در نهایت ساختارهای فرعی دیگر نیز آموزش داده خواهند شد)

ساختار اول: Role + Task + Context + Output Format

در حقیقت این ساختار تشکیل شده است از چهار جزء اصلی «نقش + وظیفه + زمینه + فرمت خروجی».این ساختار ساده‌ترین و در عین حال مؤثرترین چارچوب برای پرامپت‌نویسی حرفه‌ای است. در این سختار به مدل (یا همان ابزار هوش مصنوعی) می‌گویید:چه کسی باشد؟ (نقش)چه کاری انجام دهد؟ (وظیفه)با چه اطلاعاتی؟ (زمینه)در چه قالبی خروجی دهد؟ (فرمت)مثال ۱ | کاربرد در تحلیل داده:شما یک تحلیل‌گر داده در یک شرکت دارویی هستید. وظیفه شما تهیه یک گزارش ۴۰۰ کلمه‌ای از فروش فصلی داروی ضدافسردگی جدید در استان‌های شمالی ایران است. داده‌ها در قالب جدول ارائه شده‌اند. خروجی باید شامل تحلیل روندها، درصد تغییرات و پیشنهاد برای مدیریت فروش باشد.مثال ۲ | کاربرد در آموزش زبان:شما یک معلم زبان انگلیسی با ۱۵ سال تجربه هستید. وظیفه شما طراحی یک تمرین تعاملی برای آموزش Present Perfect به نوجوانان سطح A2 است. قالب: ۵ جمله ناقص + جای خالی + یک سناریوی واقعی برای هر جمله.مثال 3 | تولید طرح درس برای معلم:شما یک معلم زیست‌شناسی پایه دهم هستید. وظیفه شما طراحی یک طرح درس برای مفهوم «تنفس سلولی» است. زمینه: دانش‌آموزان در سطح متوسط هستند و قرار است برای آزمون نهایی آماده شوند. خروجی: جدول دو ستونه شامل مراحل تدریس + فعالیت پیشنهادی برای هر مرحله.مزایای این ساختار:اجرای دقیق وظیفهکنترل لحن و سطح تخصصیقابل استفاده در اکثر پلتفرم‌ها

ساختار شماره ۲: «تفکر زنجیره‌ای» (Chain of Thought)

در ساختار دوم یا همان «Think Step by Step»، از مدل می‌خواهیم قبل از ارائه پاسخ نهایی، به‌صورت مرحله‌به‌مرحله فکر کند. این روش دقت پاسخ در مسائل تحلیلی، ریاضی، منطقی و تصمیم‌گیری را به‌طور چشمگیری افزایش می‌دهد.مثال 1 | کاربرد در تصمیم‌گیری تجاری: انتخاب کانال بازاریابی مناسبما یک استارتاپ تازه در حوزه خدمات تناسب اندام آنلاین هستیم. می‌خواهیم بدانیم کدام کانال بازاریابی در اولویت است: اینستاگرام، گوگل ادز یا تبلیغات محیطی. لطفاً مرحله‌به‌مرحله تحلیل کن و در پایان یک نتیجه‌گیری ارائه بده.مثال 2 | تحلیل گزینه‌های سرمایه‌گذاری:ما دو گزینه برای سرمایه‌گذاری داریم: راه‌اندازی خط تولید مکمل گیاهی یا خرید تجهیزات جدید برای تولید قرص‌های ضدالتهاب. لطفاً مرحله‌به‌مرحله تحلیل کن: ۱. بازار هدف، ۲. هزینه اولیه، ۳. نرخ بازگشت سرمایه، ۴. ریسک‌ها، ۵. توصیه نهایی.مزایای این ساختار:بهبود چشمگیر در دقت محاسبات، تحلیل تصمیم‌گیری و استدلالکاهش خطاهای سطحی مدل

این فقط شروع داستان ماست!

براساس گزارش‌های داخلی و مطالعات تجربی، تغییر پرامپت می‌تواند به‌طور قابل‌توجهی دقت و سرعت استفاده از خروجی را افزایش دهد؛ حتی تا ۴۰٪ یا ۵۰٪ در برخی موارد.همچنین مهندسی پرامپت می‌تواند دقت خروجی را تا ده‌ها درصد افزایش دهد یا زمان لازم برای رسیدن به پاسخ مناسب را به‌طور چشمگیری کاهش دهد. این یعنی با پرسیدن سؤالات هوشمندانه، می‌توان مدل را به یک متخصص مجازی قابل اعتماد تبدیل کرد.پس سعی کنید با همین آموزش‌های فعلی که گام‌های ابتدایی برای آموزش‌های بعدی هستند،‌ تمرین کنید و تمرین کنید و تمرین کنید…منتظر آموزش‌های بعدی ما باشید…سوالات خود را با ما درمیان بگذارید!

منبع: فارس