يغطي هذا الفصل مفاهيم وتقنيات أساسية لإنشاء توجيهات فعالة لنماذج الذكاء الاصطناعي التوليدي. الطريقة التي تكتب بها التوجيه لنموذج اللغة الكبير (LLM) لها تأثير كبير. يمكن للتوجيه المصمم بعناية أن يحقق استجابة ذات جودة أفضل. ولكن ماذا تعني مصطلحات مثل التوجيه و_هندسة التوجيه_؟ وكيف يمكنني تحسين مدخلات التوجيه التي أرسلها إلى النموذج؟ هذه هي الأسئلة التي سنحاول الإجابة عليها في هذا الفصل والفصل التالي.
الذكاء الاصطناعي التوليدي قادر على إنشاء محتوى جديد (مثل النصوص، الصور، الصوت، الأكواد، إلخ) استجابةً لطلبات المستخدم. يتم تحقيق ذلك باستخدام نماذج اللغة الكبيرة مثل سلسلة GPT ("المحول المدرب مسبقًا التوليدي") من OpenAI التي تم تدريبها على استخدام اللغة الطبيعية والأكواد.
يمكن للمستخدمين الآن التفاعل مع هذه النماذج باستخدام أنماط مألوفة مثل الدردشة، دون الحاجة إلى أي خبرة تقنية أو تدريب. تعتمد النماذج على التوجيه - حيث يرسل المستخدمون إدخال نصي (توجيه) ويحصلون على استجابة الذكاء الاصطناعي (الإكمال). يمكنهم بعد ذلك "الدردشة مع الذكاء الاصطناعي" بشكل تكراري، في محادثات متعددة، لتحسين التوجيه حتى تتطابق الاستجابة مع توقعاتهم.
أصبحت "التوجيهات" الآن الواجهة البرمجية الأساسية لتطبيقات الذكاء الاصطناعي التوليدي، حيث تخبر النماذج بما يجب القيام به وتؤثر على جودة الردود المقدمة. "هندسة التوجيه" هي مجال دراسة سريع النمو يركز على تصميم وتحسين التوجيهات لتقديم ردود متسقة وعالية الجودة على نطاق واسع.
في هذا الدرس، سنتعلم ما هي هندسة التوجيه، ولماذا هي مهمة، وكيف يمكننا صياغة توجيهات أكثر فعالية لنموذج معين وهدف تطبيق محدد. سنفهم المفاهيم الأساسية وأفضل الممارسات لهندسة التوجيه - ونتعرف على بيئة "صندوق الرمل" التفاعلية في Jupyter Notebooks حيث يمكننا تطبيق هذه المفاهيم على أمثلة حقيقية.
بنهاية هذا الدرس، سنكون قادرين على:
- شرح ما هي هندسة التوجيه ولماذا هي مهمة.
- وصف مكونات التوجيه وكيفية استخدامها.
- تعلم أفضل الممارسات والتقنيات لهندسة التوجيه.
- تطبيق التقنيات المكتسبة على أمثلة حقيقية باستخدام نقطة نهاية OpenAI.
هندسة التوجيه: ممارسة تصميم وتحسين المدخلات لتوجيه نماذج الذكاء الاصطناعي نحو إنتاج المخرجات المطلوبة.
التجزئة: عملية تحويل النص إلى وحدات أصغر، تُسمى الرموز، يمكن للنموذج فهمها ومعالجتها.
نماذج اللغة الكبيرة المعدلة بالتعليمات: نماذج اللغة الكبيرة (LLMs) التي تم تحسينها بتعليمات محددة لتحسين دقة الردود وملاءمتها.
هندسة التوجيه هي حاليًا أكثر فنًا من كونها علمًا. أفضل طريقة لتحسين حدسنا لها هي الممارسة أكثر واعتماد نهج التجربة والخطأ الذي يجمع بين خبرة المجال التطبيقي والتقنيات الموصى بها والتحسينات الخاصة بالنموذج.
يوفر دفتر Jupyter Notebook المرافق لهذا الدرس بيئة صندوق الرمل حيث يمكنك تجربة ما تعلمته - أثناء تقدمك أو كجزء من تحدي الكود في النهاية. لتنفيذ التمارين، ستحتاج إلى:
- مفتاح API لـ Azure OpenAI - نقطة النهاية للخدمة لنموذج LLM المنشور.
- بيئة تشغيل Python - حيث يمكن تنفيذ الدفتر.
- متغيرات البيئة المحلية - أكمل الإعداد الآن لتكون جاهزًا.
يأتي الدفتر مع تمارين بداية - ولكن يُشجعك على إضافة أقسام Markdown (وصف) و_Code_ (طلبات التوجيه) الخاصة بك لتجربة المزيد من الأمثلة أو الأفكار - وبناء حدسك لتصميم التوجيه.
هل تريد الحصول على صورة عامة لما يغطيه هذا الدرس قبل أن تغوص فيه؟ تحقق من هذا الدليل المصور، الذي يمنحك فكرة عن الموضوعات الرئيسية التي يتم تناولها والنقاط الرئيسية التي يجب التفكير فيها في كل منها. يأخذك مخطط الدرس من فهم المفاهيم الأساسية والتحديات إلى معالجتها باستخدام تقنيات هندسة التوجيه ذات الصلة وأفضل الممارسات. لاحظ أن قسم "التقنيات المتقدمة" في هذا الدليل يشير إلى المحتوى الذي يتم تغطيته في الفصل التالي من هذا المنهج.
الآن، دعونا نتحدث عن كيفية ارتباط هذا الموضوع بمهمة شركتنا الناشئة لجلب الابتكار في الذكاء الاصطناعي إلى التعليم. نريد بناء تطبيقات تعليمية مدعومة بالذكاء الاصطناعي لتوفير تعلم مخصص - لذا دعونا نفكر في كيفية "تصميم" التوجيهات من قبل المستخدمين المختلفين لتطبيقنا:
- المسؤولون قد يطلبون من الذكاء الاصطناعي تحليل بيانات المناهج لتحديد الفجوات في التغطية. يمكن للذكاء الاصطناعي تلخيص النتائج أو تصويرها باستخدام الأكواد.
- المعلمون قد يطلبون من الذكاء الاصطناعي إنشاء خطة درس لجمهور مستهدف وموضوع معين. يمكن للذكاء الاصطناعي بناء خطة مخصصة بتنسيق محدد.
- الطلاب قد يطلبون من الذكاء الاصطناعي تدريسهم في موضوع صعب. يمكن للذكاء الاصطناعي الآن توجيه الطلاب بدروس ونصائح وأمثلة تناسب مستواهم.
وهذا مجرد غيض من فيض. تحقق من توجيهات للتعليم - مكتبة توجيهات مفتوحة المصدر تم تنسيقها بواسطة خبراء التعليم - للحصول على فكرة أوسع عن الإمكانيات! جرب تشغيل بعض تلك التوجيهات في صندوق الرمل أو باستخدام OpenAI Playground لترى ما يحدث!
بدأنا هذا الدرس بتعريف هندسة التوجيه كعملية تصميم وتحسين المدخلات النصية (التوجيهات) لتقديم ردود متسقة وعالية الجودة (إكمالات) لهدف تطبيق معين ونموذج. يمكننا التفكير في هذا كعملية من خطوتين:
- تصميم التوجيه الأولي لنموذج معين وهدف معين
- تحسين التوجيه بشكل تكراري لتحسين جودة الاستجابة
هذه العملية تعتمد بالضرورة على التجربة والخطأ وتتطلب حدس المستخدم وجهوده للحصول على أفضل النتائج. فلماذا هي مهمة؟ للإجابة على هذا السؤال، نحتاج أولاً إلى فهم ثلاثة مفاهيم:
- التجزئة = كيف يرى النموذج التوجيه
- نماذج LLM الأساسية = كيف يعالج نموذج الأساس التوجيه
- نماذج LLM المعدلة بالتعليمات = كيف يمكن للنموذج الآن رؤية "المهام"
يرى نموذج اللغة الكبير التوجيهات كسلسلة من الرموز حيث يمكن للنماذج المختلفة (أو إصدارات النموذج) أن تقوم بتجزئة نفس التوجيه بطرق مختلفة. نظرًا لأن نماذج اللغة الكبيرة يتم تدريبها على الرموز (وليس النص الخام)، فإن الطريقة التي يتم بها تجزئة التوجيهات لها تأثير مباشر على جودة الاستجابة المولدة.
للحصول على حدس حول كيفية عمل التجزئة، جرب أدوات مثل OpenAI Tokenizer الموضحة أدناه. انسخ توجيهك - وشاهد كيف يتم تحويله إلى رموز، مع الانتباه إلى كيفية التعامل مع أحرف المسافات وعلامات الترقيم. لاحظ أن هذا المثال يظهر نموذجًا أقدم (GPT-3) - لذا فإن تجربة هذا مع نموذج أحدث قد تنتج نتيجة مختلفة.
بمجرد تجزئة التوجيه، فإن الوظيفة الأساسية لـ "نموذج LLM الأساسي" (أو نموذج الأساس) هي التنبؤ بالرمز التالي في تلك السلسلة. نظرًا لأن نماذج اللغة الكبيرة يتم تدريبها على مجموعات بيانات نصية ضخمة، فإن لديها فهمًا جيدًا للعلاقات الإحصائية بين الرموز ويمكنها إجراء هذا التنبؤ بثقة معينة. لاحظ أنها لا تفهم معنى الكلمات في التوجيه أو الرمز؛ بل ترى نمطًا يمكنها "إكماله" بتنبؤها التالي. يمكنها الاستمرار في التنبؤ بالسلسلة حتى يتم إنهاؤها بواسطة تدخل المستخدم أو شرط محدد مسبقًا.
هل تريد أن ترى كيف يعمل الإكمال القائم على التوجيه؟ أدخل التوجيه أعلاه في Chat Playground في Azure OpenAI Studio مع الإعدادات الافتراضية. النظام مهيأ للتعامل مع التوجيهات كطلبات للحصول على معلومات - لذا يجب أن ترى إكمالًا يلبي هذا السياق.
ولكن ماذا لو أراد المستخدم رؤية شيء محدد يلبي بعض المعايير أو هدف المهمة؟ هنا تأتي نماذج LLM المعدلة بالتعليمات إلى الصورة.
يبدأ نموذج LLM المعدل بالتعليمات بنموذج الأساس ويقوم بتحسينه باستخدام أمثلة أو أزواج إدخال/إخراج (مثل "رسائل" متعددة الأدوار) التي يمكن أن تحتوي على تعليمات واضحة - ويقوم الذكاء الاصطناعي بمحاولة اتباع تلك التعليمات.
يستخدم هذا تقنيات مثل التعلم المعزز مع ردود الفعل البشرية (RLHF) التي يمكنها تدريب النموذج على اتباع التعليمات و_التعلم من الردود_ بحيث ينتج استجابات أكثر ملاءمة للتطبيقات العملية وأكثر ارتباطًا بأهداف المستخدم.
دعونا نجرب ذلك - أعد النظر في التوجيه أعلاه، ولكن الآن قم بتغيير رسالة النظام لتوفير التعليمات التالية كالسياق:
قم بتلخيص المحتوى الذي يتم تقديمه لك لطالب في الصف الثاني. اجعل النتيجة فقرة واحدة تحتوي على 3-5 نقاط رئيسية.
شاهد كيف أن النتيجة الآن معدلة لتعكس الهدف والتنسيق المطلوب؟ يمكن للمعلم الآن استخدام هذه الاستجابة مباشرة في شرائح العرض لتلك الحصة.
الآن بعد أن عرفنا كيف يتم معالجة التوجيهات بواسطة نماذج اللغة الكبيرة، دعونا نتحدث عن لماذا نحتاج إلى هندسة التوجيه. الإجابة تكمن في حقيقة أن نماذج اللغة الكبيرة الحالية تواجه عددًا من التحديات التي تجعل تحقيق الإكمالات الموثوقة والمتسقة أكثر صعوبة دون بذل جهد في بناء وتحسين التوجيه. على سبيل المثال:
-
استجابات النموذج عشوائية. من المحتمل أن ينتج نفس التوجيه استجابات مختلفة مع نماذج مختلفة أو إصدارات مختلفة من النموذج. وقد ينتج أيضًا نتائج مختلفة مع نفس النموذج في أوقات مختلفة. تقنيات هندسة التوجيه يمكن أن تساعدنا في تقليل هذه التباينات من خلال توفير حدود أفضل.
-
النماذج قد تختلق استجابات. يتم تدريب النماذج مسبقًا على مجموعات بيانات كبيرة ولكن محدودة، مما يعني أنها تفتقر إلى المعرفة حول المفاهيم خارج نطاق التدريب. نتيجة لذلك، يمكن أن تنتج إكمالات غير دقيقة أو خيالية أو متناقضة مباشرة مع الحقائق المعروفة. تقنيات هندسة التوجيه تساعد المستخدمين على تحديد وتخفيف مثل هذه الاختلاقات، على سبيل المثال، من خلال طلب مراجع أو تبريرات من الذكاء الاصطناعي.
-
قدرات النماذج ستختلف. النماذج الأحدث أو أجيال النماذج ستتمتع بقدرات أغنى ولكنها ستجلب أيضًا خصائص فريدة وتنازلات في التكلفة والتعقيد. هندسة التوجيه يمكن أن تساعدنا في تطوير أفضل الممارسات وسير العمل التي تتجاوز الفروقات وتتكيف مع متطلبات النموذج الخاصة بطرق قابلة للتوسع وسلسة.
دعونا نرى هذا عمليًا في OpenAI أو Azure OpenAI Playground:
- استخدم نفس التوجيه مع عمليات نشر LLM مختلفة (مثل OpenAI، Azure OpenAI، Hugging Face) - هل لاحظت التباينات؟
- استخدم نفس التوجيه بشكل متكرر مع نفس عملية نشر LLM (مثل Azure OpenAI Playground) - كيف اختلفت هذه التباينات؟
في هذه الدورة، نستخدم مصطلح "الاختلاق" للإشارة إلى الظاهرة التي تولد فيها نماذج اللغة الكبيرة معلومات غير صحيحة بسبب قيود في تدريبها أو عوامل أخرى. قد تكون قد سمعت أيضًا عن هذا المصطلح باسم "الهلوسة" في المقالات الشعبية أو الأوراق البحثية. ومع ذلك، نوصي بشدة باستخدام مصطلح "الاختلاق" حتى لا ننسب سلوكًا يشبه الإنسان إلى نتيجة مدفوعة بالآلة. هذا يعزز أيضًا إرشادات الذكاء الاصطناعي المسؤول من منظور المصطلحات، مما يزيل المصطلحات التي قد تعتبر مسيئة أو غير شاملة في بعض السياقات.
هل تريد الحصول على فكرة عن كيفية عمل الاختلاقات؟ فكر في توجيه يطلب من الذكاء الاصطناعي إنشاء محتوى لموضوع غير موجود (لضمان عدم وجوده في مجموعة بيانات التدريب). على سبيل المثال - جربت هذا التوجيه:
التوجيه: قم بإنشاء خطة درس عن حرب المريخ لعام 2076. أظهرت لي عملية البحث على الإنترنت وجود روايات خيالية (مثل المسلسلات التلفزيونية أو الكتب) عن حروب المريخ - ولكن لا شيء منها في عام 2076. المنطق السليم يخبرنا أن عام 2076 هو في المستقبل وبالتالي لا يمكن ربطه بحدث حقيقي.
إذن ماذا يحدث عندما نجرب هذا الطلب مع مزودي نماذج اللغة المختلفة؟
الرد الأول: OpenAI Playground (GPT-35)
الرد الثاني: Azure OpenAI Playground (GPT-35)
الرد الثالث: Hugging Face Chat Playground (LLama-2)
كما هو متوقع، كل نموذج (أو إصدار النموذج) ينتج ردودًا مختلفة قليلاً بفضل السلوك العشوائي وتفاوت قدرات النموذج. على سبيل المثال، يستهدف أحد النماذج جمهورًا في الصف الثامن بينما يفترض الآخر جمهورًا من طلاب الثانوية. ولكن جميع النماذج الثلاثة قدمت ردودًا قد تقنع مستخدمًا غير مطلع بأن الحدث كان حقيقيًا.
تقنيات هندسة الطلب مثل metaprompting و temperature configuration قد تقلل من اختلاقات النموذج إلى حد ما. كما أن هندسة الطلب الجديدة architectures تدمج أدوات وتقنيات جديدة بسلاسة في تدفق الطلب، لتخفيف أو تقليل بعض هذه التأثيرات.
لنختتم هذا القسم بالحصول على فكرة عن كيفية استخدام هندسة الطلب في الحلول الواقعية من خلال دراسة حالة: GitHub Copilot.
GitHub Copilot هو "مساعد البرمجة بالذكاء الاصطناعي" - يحول طلبات النصوص إلى إكمالات للرمز ومتكامل في بيئة التطوير الخاصة بك (مثل Visual Studio Code) لتجربة مستخدم سلسة. كما هو موثق في سلسلة المدونات أدناه، كان الإصدار الأول يعتمد على نموذج OpenAI Codex - حيث أدرك المهندسون بسرعة الحاجة إلى تحسين النموذج وتطوير تقنيات هندسة الطلب لتحسين جودة الكود. في يوليو، أطلقوا نموذج ذكاء اصطناعي محسن يتجاوز Codex لتقديم اقتراحات أسرع.
اقرأ المنشورات بالترتيب لتتبع رحلتهم التعليمية.
- مايو 2023 | GitHub Copilot يتحسن في فهم الكود الخاص بك
- مايو 2023 | داخل GitHub: العمل مع نماذج اللغة الكبيرة وراء GitHub Copilot.
- يونيو 2023 | كيفية كتابة طلبات أفضل لـ GitHub Copilot.
- يوليو 2023 | GitHub Copilot يتجاوز Codex مع نموذج ذكاء اصطناعي محسن
- يوليو 2023 | دليل المطور لهندسة الطلب ونماذج اللغة الكبيرة
- سبتمبر 2023 | كيفية بناء تطبيق مؤسسي لنماذج اللغة الكبيرة: دروس من GitHub Copilot
يمكنك أيضًا تصفح مدونة الهندسة الخاصة بهم للحصول على المزيد من المنشورات مثل هذا المنشور الذي يوضح كيف يتم تطبيق هذه النماذج والتقنيات لدفع التطبيقات الواقعية.
لقد رأينا لماذا هندسة الطلب مهمة - الآن دعونا نفهم كيف يتم بناء الطلبات حتى نتمكن من تقييم تقنيات مختلفة لتصميم طلبات أكثر فعالية.
لنبدأ بالطلب الأساسي: إدخال نصي يتم إرساله إلى النموذج دون أي سياق آخر. إليك مثال - عندما نرسل الكلمات الأولى من النشيد الوطني الأمريكي إلى واجهة برمجة التطبيقات للإكمال فإنها تكمل الرد فورًا بالكلمات التالية، مما يوضح سلوك التنبؤ الأساسي.
| الطلب (الإدخال) | الإكمال (الإخراج) |
|---|---|
| Oh say can you see | يبدو أنك تبدأ كلمات "The Star-Spangled Banner"، النشيد الوطني للولايات المتحدة. الكلمات الكاملة هي ... |
الآن دعونا نضيف سياقًا وتعليمات إلى الطلب الأساسي. واجهة برمجة التطبيقات لإكمال المحادثة تتيح لنا بناء طلب معقد كمجموعة من الرسائل مع:
- أزواج الإدخال/الإخراج التي تعكس إدخال المستخدم ورد المساعد.
- رسالة النظام التي تحدد سياق سلوك أو شخصية المساعد.
الطلب الآن في الشكل أدناه، حيث أن التجزئة تلتقط بشكل فعال المعلومات ذات الصلة من السياق والمحادثة. الآن، يمكن أن يكون تغيير سياق النظام مؤثرًا على جودة الإكمالات بقدر تأثير إدخالات المستخدم المقدمة.
response = openai.chat.completions.create(
model="gpt-3.5-turbo",
messages=[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Who won the world series in 2020?"},
{"role": "assistant", "content": "The Los Angeles Dodgers won the World Series in 2020."},
{"role": "user", "content": "Where was it played?"}
]
)في الأمثلة أعلاه، كان طلب المستخدم عبارة عن استفسار نصي بسيط يمكن تفسيره كطلب للحصول على معلومات. مع طلبات التعليمات، يمكننا استخدام هذا النص لتحديد مهمة بمزيد من التفاصيل، مما يوفر توجيهًا أفضل للذكاء الاصطناعي. إليك مثال:
| الطلب (الإدخال) | الإكمال (الإخراج) | نوع التعليمات |
|---|---|---|
| اكتب وصفًا للحرب الأهلية | تم إرجاع فقرة بسيطة | بسيط |
| اكتب وصفًا للحرب الأهلية. قدم تواريخ وأحداث رئيسية ووصف أهميتها | تم إرجاع فقرة تليها قائمة بتواريخ الأحداث الرئيسية مع وصف | معقد |
| اكتب وصفًا للحرب الأهلية في فقرة واحدة. قدم 3 نقاط رئيسية مع التواريخ وأهميتها. قدم 3 نقاط أخرى مع الشخصيات التاريخية الرئيسية ومساهماتهم. أعد الإخراج كملف JSON | تم إرجاع تفاصيل أكثر شمولاً في مربع نص، تم تنسيقه كـ JSON يمكن نسخه ولصقه في ملف والتحقق من صحته حسب الحاجة | معقد. منسق. |
في الأمثلة أعلاه، كان الطلب لا يزال مفتوحًا إلى حد ما، مما يسمح لنموذج اللغة الكبير بتحديد أي جزء من مجموعة بياناته المدربة مسبقًا كان ذا صلة. مع نمط تصميم المحتوى الأساسي، يتم تقسيم النص المدخل إلى جزأين:
- تعليمات (إجراء)
- محتوى ذو صلة (يؤثر على الإجراء)
إليك مثال حيث تكون التعليمات هي "لخص هذا في جملتين".
| الطلب (الإدخال) | الإكمال (الإخراج) |
|---|---|
| المشتري هو الكوكب الخامس من الشمس وأكبر كوكب في النظام الشمسي. إنه عملاق غازي بكتلة تعادل واحد من ألف من كتلة الشمس، ولكنه يعادل ضعفين ونصف من كتلة جميع الكواكب الأخرى في النظام الشمسي مجتمعة. المشتري هو واحد من أكثر الأجسام سطوعًا التي يمكن رؤيتها بالعين المجردة في السماء الليلية، وقد عرفته الحضارات القديمة منذ ما قبل التاريخ المسجل. سمي على اسم الإله الروماني المشتري. عندما يُرى من الأرض، يمكن أن يكون المشتري ساطعًا بما يكفي ليعكس الضوء الذي يلقي بظلال مرئية، وهو في المتوسط ثالث أكثر الأجسام الطبيعية سطوعًا في السماء الليلية بعد القمر والزهرة. لخص هذا في جملتين قصيرتين |
المشتري، الكوكب الخامس من الشمس، هو الأكبر في النظام الشمسي ويُعرف بكونه واحدًا من أكثر الأجسام سطوعًا في السماء الليلية. سمي على اسم الإله الروماني المشتري، وهو عملاق غازي بكتلة تعادل ضعفين ونصف من كتلة جميع الكواكب الأخرى مجتمعة. |
يمكن استخدام جزء المحتوى الأساسي بطرق مختلفة لتحفيز تعليمات أكثر فعالية:
- أمثلة - بدلاً من إخبار النموذج بما يجب فعله بتعليمات صريحة، قدم له أمثلة عما يجب فعله ودعه يستنتج النمط.
- إشارات - اتبع التعليمات بـ "إشارة" توجه الإكمال، مما يوجه النموذج نحو ردود أكثر صلة.
- قوالب - هذه وصفات قابلة للتكرار للطلبات مع أماكن فارغة (متغيرات) يمكن تخصيصها بالبيانات لاستخدامات محددة.
دعونا نستكشف هذه الطرق عمليًا.
هذه طريقة تستخدم فيها المحتوى الأساسي "لتغذية النموذج" ببعض الأمثلة على الإخراج المطلوب لمهمة معينة، ودعه يستنتج النمط للإخراج المطلوب. بناءً على عدد الأمثلة المقدمة، يمكن أن يكون لدينا طلب بدون أمثلة، طلب بمثال واحد، طلب بعدة أمثلة، إلخ.
يتكون الطلب الآن من ثلاثة مكونات:
- وصف المهمة
- بعض الأمثلة على الإخراج المطلوب
- بداية مثال جديد (يصبح وصفًا ضمنيًا للمهمة)
| نوع التعلم | الطلب (الإدخال) | الإكمال (الإخراج) |
|---|---|---|
| بدون أمثلة | "الشمس مشرقة". ترجم إلى الإسبانية | "El Sol está brillando". |
| بمثال واحد | "الشمس مشرقة" => ""El Sol está brillando". "إنه يوم بارد وعاصف" => |
"Es un día frío y ventoso". |
| بعدة أمثلة | اللاعب ركض القواعد => البيسبول اللاعب ضرب إيس => التنس اللاعب ضرب ستة => الكريكيت اللاعب قام بضربة ساحقة => |
كرة السلة |
لاحظ كيف كان علينا تقديم تعليمات صريحة ("ترجم إلى الإسبانية") في طلب بدون أمثلة، ولكن يتم استنتاجها في مثال الطلب بمثال واحد. يظهر المثال بعدة أمثلة كيف أن إضافة المزيد من الأمثلة يسمح للنماذج باستنتاجات أكثر دقة دون تعليمات إضافية.
تقنية أخرى لاستخدام المحتوى الأساسي هي تقديم إشارات بدلاً من الأمثلة. في هذه الحالة، نحن نعطي النموذج دفعة في الاتجاه الصحيح من خلال بدءه بمقتطف يعكس تنسيق الرد المطلوب. ثم يأخذ النموذج "الإشارة" ليكمل بنفس الطريقة.
| عدد الإشارات | الطلب (الإدخال) | الإكمال (الإخراج) |
|---|---|---|
| 0 | المشتري هو الكوك | |
| 1 | كوكب المشتري هو الكوكب الخامس من الشمس وأكبر كوكب في النظام الشمسي. إنه عملاق غازي بكتلة تعادل واحد على ألف من كتلة الشمس، ولكنه يعادل مرتين ونصف كتلة جميع الكواكب الأخرى في النظام الشمسي مجتمعة. كوكب المشتري هو واحد من أكثر الأجسام سطوعًا التي يمكن رؤيتها بالعين المجردة في السماء الليلية، وقد كان معروفًا لدى الحضارات القديمة منذ ما قبل التاريخ المسجل. ملخص ما تعلمناه هو أن كوكب المشتري |
هو الكوكب الخامس من الشمس وأكبر كوكب في النظام الشمسي. إنه عملاق غازي بكتلة تعادل واحد على ألف من كتلة الشمس، ولكنه يعادل مرتين ونصف كتلة جميع الكواكب الأخرى مجتمعة. يمكن رؤيته بسهولة بالعين المجردة وكان معروفًا منذ العصور القديمة. |
| 2 | كوكب المشتري هو الكوكب الخامس من الشمس وأكبر كوكب في النظام الشمسي. إنه عملاق غازي بكتلة تعادل واحد على ألف من كتلة الشمس، ولكنه يعادل مرتين ونصف كتلة جميع الكواكب الأخرى في النظام الشمسي مجتمعة. كوكب المشتري هو واحد من أكثر الأجسام سطوعًا التي يمكن رؤيتها بالعين المجردة في السماء الليلية، وقد كان معروفًا لدى الحضارات القديمة منذ ما قبل التاريخ المسجل. ملخص أهم 3 حقائق تعلمناها: |
1. كوكب المشتري هو الكوكب الخامس من الشمس وأكبر كوكب في النظام الشمسي. 2. إنه عملاق غازي بكتلة تعادل واحد على ألف من كتلة الشمس... 3. كوكب المشتري كان مرئيًا بالعين المجردة منذ العصور القديمة ... |
قالب التعليمات هو وصفة محددة مسبقًا للتعليمات يمكن تخزينها وإعادة استخدامها حسب الحاجة، لتحقيق تجارب مستخدم أكثر اتساقًا على نطاق واسع. في أبسط أشكاله، هو مجرد مجموعة من أمثلة التعليمات مثل هذا المثال من OpenAI الذي يوفر مكونات التعليمات التفاعلية (رسائل المستخدم والنظام) وتنسيق الطلب المدفوع بواسطة API - لدعم إعادة الاستخدام.
في شكله الأكثر تعقيدًا مثل هذا المثال من LangChain يحتوي على أماكن فارغة يمكن استبدالها ببيانات من مصادر متنوعة (مدخلات المستخدم، سياق النظام، مصادر بيانات خارجية، إلخ) لإنشاء تعليمات ديناميكية. هذا يسمح لنا بإنشاء مكتبة من التعليمات القابلة لإعادة الاستخدام التي يمكن استخدامها لتحقيق تجارب مستخدم متسقة برمجيًا على نطاق واسع.
أخيرًا، تكمن القيمة الحقيقية للقوالب في القدرة على إنشاء ونشر مكتبات التعليمات لتطبيقات المجالات العمودية - حيث يتم الآن تحسين قالب التعليمات ليعكس سياق أو أمثلة خاصة بالتطبيق تجعل الردود أكثر صلة ودقة لجمهور المستخدم المستهدف. مستودع Prompts For Edu هو مثال رائع على هذا النهج، حيث يتم تنسيق مكتبة من التعليمات لمجال التعليم مع التركيز على أهداف رئيسية مثل تخطيط الدروس، تصميم المناهج الدراسية، تدريس الطلاب، إلخ.
إذا فكرنا في بناء التعليمات على أنه يحتوي على تعليمات (مهمة) وهدف (محتوى أساسي)، فإن المحتوى الثانوي يشبه السياق الإضافي الذي نقدمه للتأثير على النتيجة بطريقة ما. يمكن أن يكون ذلك معلمات ضبط، تعليمات التنسيق، تصنيفات الموضوعات، إلخ، التي يمكن أن تساعد النموذج على تخصيص استجابته لتناسب أهداف أو توقعات المستخدم المطلوبة.
على سبيل المثال: بالنظر إلى كتالوج دورة يحتوي على بيانات وصفية واسعة (الاسم، الوصف، المستوى، علامات البيانات الوصفية، المدرب، إلخ) لجميع الدورات المتاحة في المنهج الدراسي:
- يمكننا تحديد تعليمات لـ "تلخيص كتالوج الدورة لفصل الخريف 2023"
- يمكننا استخدام المحتوى الأساسي لتقديم بعض الأمثلة على النتيجة المطلوبة
- يمكننا استخدام المحتوى الثانوي لتحديد أهم 5 "علامات" ذات اهتمام.
الآن، يمكن للنموذج تقديم ملخص بالتنسيق الموضح بواسطة الأمثلة القليلة - ولكن إذا كانت النتيجة تحتوي على علامات متعددة، يمكنه إعطاء الأولوية للعلامات الخمس المحددة في المحتوى الثانوي.
الآن بعد أن عرفنا كيف يمكن بناء التعليمات، يمكننا البدء في التفكير في كيفية تصميمها لتعكس أفضل الممارسات. يمكننا التفكير في هذا على جزئين - امتلاك العقلية الصحيحة وتطبيق التقنيات الصحيحة.
هندسة التعليمات هي عملية تجريبية، لذا حافظ على ثلاثة عوامل توجيهية واسعة في ذهنك:
-
فهم المجال مهم. دقة الاستجابة وملاءمتها هي وظيفة المجال الذي يعمل فيه التطبيق أو المستخدم. استخدم حدسك وخبرتك في المجال لتخصيص التقنيات بشكل أكبر. على سبيل المثال، قم بتحديد شخصيات خاصة بالمجال في تعليمات النظام الخاص بك، أو استخدم قوالب خاصة بالمجال في تعليمات المستخدم. قدم محتوى ثانوي يعكس سياقات خاصة بالمجال، أو استخدم إشارات وأمثلة خاصة بالمجال لتوجيه النموذج نحو أنماط استخدام مألوفة.
-
فهم النموذج مهم. نحن نعلم أن النماذج عشوائية بطبيعتها. لكن تنفيذ النماذج يمكن أن يختلف أيضًا من حيث مجموعة البيانات التدريبية التي تستخدمها (المعرفة المدربة مسبقًا)، القدرات التي توفرها (مثل عبر API أو SDK) ونوع المحتوى الذي يتم تحسينه له (مثل الكود مقابل الصور مقابل النص). فهم نقاط القوة والقيود الخاصة بالنموذج الذي تستخدمه، واستخدم تلك المعرفة لتحديد الأولويات أو بناء قوالب مخصصة محسنة لقدرات النموذج.
-
التكرار والتحقق مهم. النماذج تتطور بسرعة، وكذلك تقنيات هندسة التعليمات. كخبير في المجال، قد يكون لديك سياق أو معايير أخرى خاصة بتطبيقك، والتي قد لا تنطبق على المجتمع الأوسع. استخدم أدوات وتقنيات هندسة التعليمات "لإطلاق" بناء التعليمات، ثم قم بالتكرار والتحقق من النتائج باستخدام حدسك وخبرتك في المجال. قم بتسجيل رؤيتك وإنشاء قاعدة معرفة (مثل مكتبات التعليمات) التي يمكن استخدامها كقاعدة جديدة من قبل الآخرين، لتكرارات أسرع في المستقبل.
الآن دعونا نلقي نظرة على أفضل الممارسات الشائعة التي يوصي بها OpenAI وAzure OpenAI.
| ماذا | لماذا |
|---|---|
| تقييم أحدث النماذج. | من المحتمل أن تحتوي أجيال النماذج الجديدة على ميزات وجودة محسنة - ولكن قد تتطلب أيضًا تكاليف أعلى. قم بتقييمها للتأثير، ثم اتخذ قرارات الهجرة. |
| فصل التعليمات والسياق | تحقق مما إذا كان النموذج/المزود الخاص بك يحدد فواصل لتمييز التعليمات، المحتوى الأساسي والثانوي بشكل أكثر وضوحًا. يمكن أن يساعد ذلك النماذج على تخصيص الأوزان بشكل أكثر دقة للرموز. |
| كن محددًا وواضحًا | قدم المزيد من التفاصيل حول السياق المطلوب، النتيجة، الطول، التنسيق، الأسلوب، إلخ. سيؤدي ذلك إلى تحسين جودة واستمرارية الردود. قم بتسجيل الوصفات في قوالب قابلة لإعادة الاستخدام. |
| كن وصفيًا، استخدم أمثلة | قد تستجيب النماذج بشكل أفضل لنهج "عرض وتوضيح". ابدأ بنهج zero-shot حيث تقدم له تعليمات (ولكن بدون أمثلة) ثم جرب few-shot كتحسين، مع تقديم بعض الأمثلة على النتيجة المطلوبة. استخدم التشبيهات. |
| استخدم إشارات لبدء الإكمال | قم بتوجيهه نحو النتيجة المطلوبة من خلال إعطائه بعض الكلمات أو العبارات الرائدة التي يمكنه استخدامها كنقطة انطلاق للاستجابة. |
| كرر التعليمات | أحيانًا قد تحتاج إلى تكرار نفسك للنموذج. قدم التعليمات قبل وبعد المحتوى الأساسي، استخدم تعليمات وإشارة، إلخ. قم بالتكرار والتحقق لمعرفة ما يعمل. |
| الترتيب مهم | الترتيب الذي تقدم به المعلومات للنموذج قد يؤثر على النتيجة، حتى في أمثلة التعلم، بفضل تحيز الحداثة. جرب خيارات مختلفة لمعرفة ما يعمل بشكل أفضل. |
| أعط النموذج "مخرجًا" | قدم للنموذج استجابة احتياطية يمكنه تقديمها إذا لم يتمكن من إكمال المهمة لأي سبب. يمكن أن يقلل ذلك من فرص النماذج في تقديم ردود خاطئة أو ملفقة. |
كما هو الحال مع أي أفضل ممارسة، تذكر أن تجربتك قد تختلف بناءً على النموذج، المهمة والمجال. استخدم هذه كنقطة انطلاق، وقم بالتكرار لمعرفة ما يعمل بشكل أفضل بالنسبة لك. قم بإعادة تقييم عملية هندسة التعليمات الخاصة بك باستمرار مع توفر نماذج وأدوات جديدة، مع التركيز على قابلية التوسع في العملية وجودة الاستجابة.
تهانينا! لقد وصلت إلى نهاية الدرس! حان الوقت لتطبيق بعض تلك المفاهيم والتقنيات مع أمثلة حقيقية!
بالنسبة لمهمتنا، سنستخدم دفتر Jupyter مع تمارين يمكنك إكمالها بشكل تفاعلي. يمكنك أيضًا تمديد الدفتر بخلايا Markdown وكود لاستكشاف الأفكار والتقنيات بنفسك.
- (موصى به) قم بتشغيل GitHub Codespaces
- (بديل) قم باستنساخ المستودع إلى جهازك المحلي واستخدمه مع Docker Desktop
- (بديل) افتح الدفتر باستخدام بيئة تشغيل الدفاتر المفضلة لديك.
- انسخ ملف
.env.copyفي جذر المستودع إلى.envواملأ القيمAZURE_OPENAI_API_KEY،AZURE_OPENAI_ENDPOINTوAZURE_OPENAI_DEPLOYMENT. عد إلى قسم Sandbox التعليمي لتتعلم كيف.
- اختر نواة التشغيل. إذا كنت تستخدم الخيارين 1 أو 2، فقط اختر نواة Python 3.10.x الافتراضية المقدمة بواسطة حاوية التطوير.
أنت جاهز لتشغيل التمارين. لاحظ أنه لا توجد إجابات صحيحة وخاطئة هنا - فقط استكشاف الخيارات من خلال التجربة وبناء حدس لما يعمل لنموذج معين ومجال التطبيق.
لهذا السبب لا توجد أقسام حلول الكود في هذا الدرس. بدلاً من ذلك، سيكون الدفتر يحتوي على خلايا Markdown بعنوان "My Solution:" تظهر مثالًا واحدًا للإخراج كمرجع.
أي من التعليمات التالية تعتبر تعليمات جيدة تتبع بعض أفضل الممارسات المعقولة؟
- أرني صورة لسيارة حمراء
- أرني صورة لسيارة حمراء من نوع فولفو وطراز XC90 متوقفة بجانب منحدر مع غروب الشمس
- أرني صورة لسيارة حمراء من نوع فولفو وطراز XC90
الإجابة: 2، إنها أفضل تعليمات لأنها تقدم تفاصيل حول "ما" وتدخل في التفاصيل (ليس فقط أي سيارة بل نوع وطراز محدد) كما أنها تصف الإعداد العام. 3 هي الأفضل التالية لأنها تحتوي أيضًا على الكثير من الوصف.
حاول استخدام تقنية "الإشارة" مع التعليمات: أكمل الجملة "أرني صورة لسيارة حمراء من نوع فولفو و". ماذا يرد، وكيف يمكنك تحسينه؟
هل تريد معرفة المزيد عن مفاهيم هندسة التعليمات المختلفة؟ انتقل إلى صفحة التعلم المستمر للعثور على موارد رائعة أخرى حول هذا الموضوع.
توجه إلى الدرس الخامس حيث سننظر في تقنيات التعليمات المتقدمة!
إخلاء المسؤولية:
تم ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي Co-op Translator. بينما نسعى لتحقيق الدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الموثوق. للحصول على معلومات حاسمة، يُوصى بالترجمة البشرية الاحترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.