لنقم بمراجعة بعض ما تعلمناه في الفصل السابق:
هندسة المطالبات هي العملية التي من خلالها نوجه النموذج نحو استجابات أكثر ملاءمة من خلال تقديم تعليمات أو سياق أكثر فائدة.
هناك أيضًا خطوتان لكتابة المطالبات: بناء المطالبة من خلال تقديم سياق ذي صلة، والتحسين، أي كيفية تحسين المطالبة تدريجيًا.
في هذه المرحلة، لدينا فهم أساسي لكيفية كتابة المطالبات، ولكننا بحاجة إلى التعمق أكثر. في هذا الفصل، ستنتقل من تجربة مطالبات مختلفة إلى فهم سبب كون مطالبة معينة أفضل من الأخرى. ستتعلم كيفية بناء المطالبات باستخدام بعض التقنيات الأساسية التي يمكن تطبيقها على أي نموذج لغوي كبير.
في هذا الفصل، سنغطي المواضيع التالية:
- توسيع معرفتك بهندسة المطالبات من خلال تطبيق تقنيات مختلفة على مطالباتك.
- تكوين مطالباتك لتغيير النتائج.
بعد إكمال هذا الدرس، ستكون قادرًا على:
- تطبيق تقنيات هندسة المطالبات التي تحسن نتائج مطالباتك.
- تنفيذ مطالبات تكون إما متنوعة أو حتمية.
هندسة المطالبات هي عملية إنشاء مطالبات تنتج النتيجة المرجوة. هناك ما هو أكثر من هندسة المطالبات من مجرد كتابة نص المطالبة. هندسة المطالبات ليست تخصصًا هندسيًا، بل هي مجموعة من التقنيات التي يمكنك تطبيقها للحصول على النتيجة المرجوة.
لنأخذ مطالبة أساسية مثل هذه:
قم بإنشاء 10 أسئلة عن الجغرافيا.
في هذه المطالبة، أنت بالفعل تطبق مجموعة من تقنيات المطالبات المختلفة.
لنقم بتفصيل ذلك.
- السياق، حيث تحدد أنه يجب أن يكون عن "الجغرافيا".
- تحديد النتيجة، حيث تطلب ألا تزيد عن 10 أسئلة.
قد تحصل أو لا تحصل على النتيجة المرجوة. سيتم إنشاء الأسئلة، ولكن الجغرافيا موضوع كبير وقد لا تحصل على ما تريد بسبب الأسباب التالية:
- موضوع كبير، لا تعرف ما إذا كان سيكون عن البلدان، العواصم، الأنهار وما إلى ذلك.
- التنسيق، ماذا لو كنت تريد أن تكون الأسئلة بتنسيق معين؟
كما ترى، هناك الكثير من الأمور التي يجب مراعاتها عند إنشاء المطالبات.
حتى الآن، رأينا مثالًا بسيطًا للمطالبة، ولكن الذكاء الاصطناعي التوليدي قادر على تقديم المزيد لمساعدة الأشخاص في مجموعة متنوعة من الأدوار والصناعات. دعونا نستكشف بعض التقنيات الأساسية التالية.
أولاً، نحتاج إلى فهم أن المطالبات هي خاصية ناشئة للنموذج اللغوي الكبير، مما يعني أنها ليست ميزة مدمجة في النموذج بل شيء نكتشفه أثناء استخدام النموذج.
هناك بعض التقنيات الأساسية التي يمكننا استخدامها لطلب النموذج اللغوي الكبير. دعونا نستكشفها.
- المطالبة بدون أمثلة، وهي أبسط أشكال المطالبات. إنها مطالبة واحدة تطلب استجابة من النموذج بناءً على بيانات التدريب فقط.
- المطالبة مع أمثلة قليلة، هذا النوع من المطالبات يوجه النموذج من خلال تقديم مثال أو أكثر يمكنه الاعتماد عليها لتوليد استجابته.
- سلسلة التفكير، هذا النوع من المطالبات يخبر النموذج كيف يمكنه تقسيم المشكلة إلى خطوات.
- المعرفة المولدة، لتحسين استجابة المطالبة، يمكنك تقديم حقائق أو معرفة مولدة بالإضافة إلى مطالبتك.
- من الأقل إلى الأكثر، مثل سلسلة التفكير، هذه التقنية تتعلق بتقسيم المشكلة إلى سلسلة من الخطوات ثم طلب تنفيذ هذه الخطوات بالترتيب.
- التنقيح الذاتي، هذه التقنية تتعلق بانتقاد مخرجات النموذج ثم طلب تحسينها.
- المطالبة الماييوتيكية، الهدف هنا هو ضمان صحة إجابة النموذج من خلال طلب شرح الأجزاء المختلفة للإجابة. هذه شكل من أشكال التنقيح الذاتي.
هذا النوع من المطالبات بسيط جدًا، يتكون من مطالبة واحدة. هذه التقنية ربما تكون ما تستخدمه أثناء بدء تعلمك عن النماذج اللغوية الكبيرة. إليك مثال:
- مطالبة: "ما هو الجبر؟"
- الإجابة: "الجبر هو فرع من الرياضيات يدرس الرموز الرياضية والقواعد الخاصة بمعالجتها."
هذا النوع من المطالبات يساعد النموذج من خلال تقديم بعض الأمثلة مع الطلب. يتكون من مطالبة واحدة مع بيانات إضافية خاصة بالمهمة. إليك مثال:
- مطالبة: "اكتب قصيدة بأسلوب شكسبير. إليك بعض أمثلة السوناتات الشكسبيرية: السوناتة 18: 'هل أقارنك بيوم صيف؟ أنت أكثر جمالًا وأكثر اعتدالًا...' السوناتة 116: 'لا تدعني أعيق زواج العقول الحقيقية. الحب ليس حبًا إذا تغير عندما يجد التغيير...' السوناتة 132: 'أحب عينيك، وهما، كما لو كانتا تشفقان علي، تعرفان قلبك وتعذبني بالازدراء،...' الآن، اكتب سوناتة عن جمال القمر."
- الإجابة: "على السماء، يضيء القمر بلطف، في ضوء فضي يلقي جماله الرقيق،..."
الأمثلة توفر للنموذج السياق، التنسيق أو الأسلوب المطلوب للإخراج. تساعد النموذج على فهم المهمة المحددة وتوليد استجابات أكثر دقة وملاءمة.
سلسلة التفكير هي تقنية مثيرة جدًا لأنها تتعلق بأخذ النموذج عبر سلسلة من الخطوات. الفكرة هي تعليم النموذج بطريقة تجعله يفهم كيفية القيام بشيء ما. انظر إلى المثال التالي، مع وبدون سلسلة التفكير:
- مطالبة: "أليس لديها 5 تفاحات، ترمي 3 تفاحات، تعطي 2 لبوب وبوب يعيد واحدة، كم تفاحة لديها أليس؟"
- الإجابة: 5
النموذج يجيب بـ 5، وهو غير صحيح. الإجابة الصحيحة هي تفاحة واحدة، بالنظر إلى الحساب (5 - 3 - 2 + 1 = 1).
كيف يمكننا تعليم النموذج القيام بذلك بشكل صحيح؟
لنحاول استخدام سلسلة التفكير. تطبيق سلسلة التفكير يعني:
- إعطاء النموذج مثالًا مشابهًا.
- عرض الحساب وكيفية حسابه بشكل صحيح.
- تقديم المطالبة الأصلية.
إليك الطريقة:
- مطالبة: "ليزا لديها 7 تفاحات، ترمي تفاحة واحدة، تعطي 4 تفاحات لبارت وبارت يعيد واحدة:
7 - 1 = 6
6 - 4 = 2
2 + 1 = 3
أليس لديها 5 تفاحات، ترمي 3 تفاحات، تعطي 2 لبوب وبوب يعيد واحدة، كم تفاحة لديها أليس؟" الإجابة: 1
لاحظ كيف نكتب مطالبات أطول بشكل كبير مع مثال آخر، حساب ثم المطالبة الأصلية ونصل إلى الإجابة الصحيحة وهي 1.
كما ترى، سلسلة التفكير هي تقنية قوية جدًا.
في كثير من الأحيان عندما تريد إنشاء مطالبة، ترغب في القيام بذلك باستخدام بيانات شركتك الخاصة. تريد أن يكون جزء من المطالبة من الشركة والجزء الآخر هو المطالبة التي تهتم بها.
كمثال، يمكن أن تبدو مطالبتك كما يلي إذا كنت تعمل في مجال التأمين:
{{company}}: {{company_name}}
{{products}}:
{{products_list}}
Please suggest an insurance given the following budget and requirements:
Budget: {{budget}}
Requirements: {{requirements}}
أعلاه، ترى كيف تم بناء المطالبة باستخدام قالب. في القالب، هناك عدد من المتغيرات، المشار إليها بـ {{variable}}، والتي سيتم استبدالها بقيم فعلية من واجهة برمجة التطبيقات الخاصة بالشركة.
إليك مثال على كيف يمكن أن تبدو المطالبة بمجرد استبدال المتغيرات بمحتوى من شركتك:
Insurance company: ACME Insurance
Insurance products (cost per month):
- Car, cheap, 500 USD
- Car, expensive, 1100 USD
- Home, cheap, 600 USD
- Home, expensive, 1200 USD
- Life, cheap, 100 USD
Please suggest an insurance given the following budget and requirements:
Budget: $1000
Requirements: Car, Home, and Life insurance
تشغيل هذه المطالبة عبر النموذج اللغوي الكبير سيؤدي إلى إنتاج استجابة مثل هذه:
Given the budget and requirements, we suggest the following insurance package from ACME Insurance:
- Car, cheap, 500 USD
- Home, cheap, 600 USD
- Life, cheap, 100 USD
Total cost: $1,200 USD
كما ترى، يقترح أيضًا التأمين على الحياة، وهو ما لا يجب أن يفعله. هذه النتيجة تشير إلى أننا بحاجة إلى تحسين المطالبة من خلال تغييرها لتكون أكثر وضوحًا بشأن ما يمكن السماح به. بعد بعض التجربة والخطأ، نصل إلى المطالبة التالية:
Insurance company: ACME Insurance
Insurance products (cost per month):
- type: Car, cheap, cost: 500 USD
- type: Car, expensive, cost: 1100 USD
- type: Home, cheap, cost: 600 USD
- type: Home, expensive, cost: 1200 USD
- type: Life, cheap, cost: 100 USD
Please suggest an insurance given the following budget and requirements:
Budget: $1000 restrict choice to types: Car, Home
لاحظ كيف أن إضافة النوع والتكلفة واستخدام كلمة تقييد يساعد النموذج على فهم ما نريده.
الآن نحصل على الاستجابة التالية:
Given the budget and requirements, we suggest the Car, Cheap insurance product which costs 500 USD per month.
الغرض من هذا المثال هو إظهار أنه على الرغم من أننا نستخدم تقنية أساسية مثل المعرفة المولدة، إلا أننا ما زلنا بحاجة إلى تحسين المطالبة في معظم الحالات للحصول على النتيجة المرجوة.
الفكرة من المطالبة من الأقل إلى الأكثر هي تقسيم المشكلة الكبيرة إلى مشاكل فرعية. بهذه الطريقة، تساعد في توجيه النموذج اللغوي الكبير حول كيفية "التغلب" على المشكلة الكبيرة. يمكن أن يكون مثالًا جيدًا في علم البيانات حيث يمكنك أن تطلب من النموذج تقسيم المشكلة على النحو التالي:
مطالبة: كيف يمكن تنفيذ علم البيانات في 5 خطوات؟
مع إجابة مساعد الذكاء الاصطناعي:
- جمع البيانات
- تنظيف البيانات
- تحليل البيانات
- رسم البيانات
- تقديم البيانات
مع الذكاء الاصطناعي التوليدي والنماذج اللغوية الكبيرة، لا يمكنك الوثوق بالإخراج بشكل كامل. تحتاج إلى التحقق منه. بعد كل شيء، النموذج اللغوي الكبير يقدم لك ما هو الأكثر احتمالًا أن يُقال بعد ذلك، وليس ما هو صحيح. لذلك، فكرة جيدة أن تطلب من النموذج انتقاد نفسه، مما يقودنا إلى تقنية التنقيح الذاتي.
كيف تعمل هذه التقنية هو أنك تتبع الخطوات التالية:
- مطالبة أولية تطلب من النموذج حل مشكلة
- النموذج يجيب
- تنتقد الإجابة وتطلب من الذكاء الاصطناعي تحسينها
- النموذج يجيب مرة أخرى، هذه المرة يأخذ النقد في الاعتبار ويقترح الحلول التي توصل إليها
يمكنك تكرار هذه العملية بقدر ما تريد.
إليك مثال باستخدام هذه التقنية:
مطالبة: "قم بإنشاء واجهة برمجة تطبيقات ويب بلغة بايثون مع مسارات المنتجات والعملاء"
إجابة الذكاء الاصطناعي:
import flask
app = Flask(__name__)
@app.route('/products')
def products():
return 'Products'
@app.route('/customers')
def customers():
return 'Customers'مطالبة: اقترح 3 تحسينات على الكود أعلاه
إجابة الذكاء الاصطناعي:
Sure, here are three suggestions to improve the code:
Import the correct module: The first line should import Flask instead of flask. The correct import statement should be from flask import Flask.
Add a main function: Add a if __name__ == '__main__': block to the end of the file to run the application when the file is executed.
Use f-strings: Use f-strings to format the return statements in the route functions. For example, return 'Products' can be changed to return f'This is the {request.path} page'.
from flask import Flask, request
app = Flask(__name__)
@app.route('/products')
def products():
return f'This is the {request.path} page'
@app.route('/customers')
def customers():
return f'This is the {request.path} page'
if __name__ == '__main__':
app.run()كما ترى، استجابة الذكاء الاصطناعي أعلاه تحسن الكود المقترح الأول بفضل انتقاد الإجابة الأولى.
المطالبة الماييوتيكية هي تقنية مشابهة للتنقيح الذاتي ولكنها تتعلق أكثر بطلب النموذج لشرح نفسه. الهدف هو تقليل التناقضات في إخراج النموذج لضمان الوصول إلى الإجابة الصحيحة. سير العمل الذي يجب اتباعه هو:
- اطلب من النموذج الإجابة على سؤال
- لكل جزء من الإجابة، اطلب من النموذج شرحها بمزيد من العمق.
- إذا كانت هناك تناقضات، قم باستبعاد الأجزاء غير المتسقة.
كرر الخطوتين 2 و3 حتى تكون قد مررت بجميع الأجزاء وكنت راضيًا عن الإجابة.
إليك مثال على مطالبة:
مطالبة: كيف يمكنني إنشاء خطة أزمة للتخفيف من جائحة في 5 خطوات؟
إجابة النموذج:
1. Identify the risks
1. Identify the stakeholders
1. Identify the resources
1. Identify the actions
1. Identify the communication channels
تم تحديد 5 خطوات، ولكن هل يمكننا تحديد ما إذا كان هذا صحيحًا؟ دعونا نطلب من النموذج شرح كل خطوة:
مطالبة: اشرح الخطوة الأولى بمزيد من التفاصيل، ما هي المخاطر بالتفصيل في الجائحة؟
The risks are the following:
- Loss of life
- Loss of business
- Loss of reputation
- Loss of customers
- Loss of employees
في هذه المرحلة، نريد التأكد من صحة النموذج لذا نطلب منه شرح أول خطر بمزيد من التفاصيل ونأمل أن يكون متسقًا مع الإجابة أعلاه:
مطالبة: في الجائحة، ما هو أكبر خطر ولماذا؟
The biggest risk is loss of life because it's the most important thing to protect.
ما هما أكبر خطرين في الجائحة؟
The two biggest risks are loss of life and loss of business.
في هذه المرحلة، النموذج متسق ويذكر "الحياة" و"الأعمال" كأكبر خطرين. يمكننا الآن الانتقال إلى الخطوة التالية والشعور بالثقة إلى حد ما. ومع ذلك، لا يجب أن نثق بالنموذج بشكل أعمى، يجب دائمًا التحقق من الإخراج.
النماذج اللغوية الكبيرة بطبيعتها غير حتمية، مما يعني أنك ستحصل على نتائج مختلفة في كل مرة تقوم فيها بتشغيل نفس المطالبة. جرب المطالبة التالية كمثال:
"قم بإنشاء كود لواجهة برمجة تطبيقات ويب بلغة بايثون"
# Import necessary modules
import flask
from flask import request, jsonify
# Create a Flask app
app = flask.Flask(__name__)
# Create a route for the API
@app.route('/api', methods=['GET'])
def api():
# Get the data from the request
data = request.args
# Process the data
result = process_data(data)
# Return the result as JSON
return jsonify(result)
# Function to process the data
def process_data(data):
# Do something with the data
result = data + 1
# Return the result
return result
# Run the app
if __name__ == '__main__':
app.run()تشغيل نفس المطالبة مرة أخرى يولد استجابة مختلفة قليلاً:
#import necessary packages
import flask
from flask import request, jsonify
#create the Flask application
app = flask.Flask(__name__)
app.config["DEBUG"] = True
#create a list of books
books = [
{'id': 0,
'title': 'A Fire Upon the Deep',
'author': 'Vernor Vinge',
'first_sentence': 'The coldsleep itself was dreamless.',
'year_published': '1992'},
{'id': 1,
'title': 'The Ones Who Walk Away From Omelas',
'author': 'Ursula K. Le Guin',
'first_sentence': 'With a clamor of bells that set the swallows soaring, the Festival of Summer came to the city Omelas, bright-towered by the sea.',
'published': '1973'},
{'id': 2,
'title': 'Dhalgren',
'author': 'Samuel R. Delany',
'first_sentence': 'to wound the autumnal city.',
'published': '1975'}
]
#create an endpoint for the API
@app.route('/', methods=['GET'])
def home():
return '''<h1>Books API</h1>
<p>A prototype API for retrieving books.</p>'''
#create an endpoint to return all books
@app.route('/api/v1/resources/books/all', methods=['GET'])
def api_all():
return jsonify(books)
#create an endpoint to return a single book
@app.route('/api/v1/resources/books', methods=['GET'])
def api_id():
#check if an ID was provided as part of the URL
#if ID is provided, assign it to a variable
#if no ID is provided, display an error
if 'id' in request.args:
id = int(request.args['id'])
else:
return "Error: No id field provided. Please specify an id."
#create an empty list for our results
results = []
#loop through the data and match results that fit the requested ID
#IDs are unique, but other fields might return many results
for book in books:
if book['id'] == id:
results.append(book)
#use the jsonify function from Flask to convert our list of
#Python dictionaries to the JSON format
return jsonify(results)
app.run()هل الإخراج المتنوع مشكلة؟
يعتمد ذلك على ما تحاول القيام به. إذا كنت تريد استجابة محددة، فإنها تكون مشكلة. إذا كنت موافقًا على الإخراج المتنوع مثل "قم بإنشاء أي 3 أسئلة عن الجغرافيا"، فإنها ليست مشكلة.
حسنًا، لقد قررنا أننا نريد تقييد الإخراج ليكون أكثر قابلية للتنبؤ، أي أكثر حتمية. كيف يمكننا القيام بذلك؟
درجة الحرارة هي قيمة بين 0 و1، حيث تكون 0 هي الأكثر حتمية و1 هي الأكثر تنوعًا. القيمة الافتراضية هي 0.7. دعونا نرى ما يحدث مع تشغيلين لنفس المطالبة مع ضبط درجة الحرارة على 0.1:
"قم بإنشاء كود لواجهة برمجة تطبيقات ويب بلغة بايثون"
#import necessary libraries
import flask
from flask import request, jsonify
#create an instance of the Flask class
app = flask.Flask(__name__)
#create an endpoint for the API
@app.route('/api/v1/endpoint', methods=['GET'])
def api_endpoint():
#get the request data
data = request.get_json()
#process the data
result = process_data(data)
#return the result
return jsonify(result)
#function to process the data
def process_data(data):
#process the data
result = {'result': 'success'}
#return the result
return result
#run the Flask app
if __name__ == '__main__':
app.run()تشغيل المطالبة مرة أخرى يعطينا هذه النتيجة:
#import necessary libraries
import flask
from flask import request, jsonify
#create a Flask app
app = flask.Flask(__name__)
#create a route for the API
@app.route('/api', methods=['GET'])
def api_call():
#get the data from the request
data = request.get_json()
#process the data
result = process_data(data)
#return the result
return jsonify(result)
#define the process_data function
def process_data(data):
#do something with the data
result = data + 1
#return the result
return result
#run the app
if __name__ == '__main__':
app.run()هناك فرق بسيط فقط بين هذين الإخراجين. دعونا نفعل العكس هذه المرة، دعونا نضبط درجة الحرارة على 0.9:
# Import necessary libraries
import flask
from flask import request, jsonify
# Create a Flask app
app = flask.Flask(__name__)
# Create a route for the API
@app.route('/api', methods=['GET'])
def api_call():
# Get the data from the request
data = request.args
# Process the data
result = process_data(data)
# Return the result
return jsonify(result)
# Function to process the data
def process_data(data):
# Do something with the data
result = data + 1
# Return the result
return result
# Run the app
if __name__ == '__main__':
app.run()والمحاولة الثانية عند ضبط درجة الحرارة على 0.9:
import flask
from flask import request, jsonify
# create the Flask app
app = flask.Flask(__name__)
app.config['DEBUG'] = True
# create some test data
books = [
{'id': 0, 'title': 'A Fire Upon The Deep', 'author': 'Vernor Vinge', 'first_sentence': 'The coldsleep itself was dreamless.', 'year_published': '1992'},
{'id': 1, 'title': 'The Ones Who Walk Away From Omelas', 'author': 'Ursula K. Le Guin', 'first_sentence': 'With a clamor of bells that set the swallows soaring, the Festival of Summer came to the city Omelas, bright-towered by the sea.', 'published': '1973'},
{'id': 2, 'title': 'Dhalgren', 'author': 'Samuel R. Delany', 'first_sentence': 'to wound the autumnal city.', 'published': '1975'}
]
# create an endpoint
@app.route('/', methods=['GET'])
def home():
return '''<h1>Welcome to our book API!</h1>'''
@app.route('/api/v1/resources/booksكما ترى، النتائج لا يمكن أن تكون أكثر تنوعًا.
لاحظ أن هناك المزيد من المعايير التي يمكنك تغييرها لتنوع المخرجات، مثل top-k، top-p، عقوبة التكرار، عقوبة الطول وعقوبة التنوع، ولكن هذه خارج نطاق هذا المنهج.
هناك العديد من الممارسات التي يمكنك تطبيقها للحصول على ما تريد. ستجد أسلوبك الخاص مع استخدامك المتزايد للتوجيه.
بالإضافة إلى التقنيات التي قمنا بتغطيتها، هناك بعض الممارسات الجيدة التي يجب أخذها في الاعتبار عند توجيه نموذج اللغة الكبير (LLM).
إليك بعض الممارسات الجيدة التي يجب أخذها في الاعتبار:
- حدد السياق. السياق مهم، كلما استطعت تحديده مثل المجال، الموضوع، وما إلى ذلك، كان ذلك أفضل.
- حدد المخرجات. إذا كنت تريد عددًا معينًا من العناصر أو طولًا معينًا، فقم بتحديد ذلك.
- حدد ماذا وكيف. تذكر أن تذكر ما تريد وكيف تريد تحقيقه، على سبيل المثال "قم بإنشاء واجهة برمجة تطبيقات ويب بلغة بايثون مع مسارات للمنتجات والعملاء، وقسمها إلى 3 ملفات".
- استخدم القوالب. غالبًا، سترغب في إثراء توجيهاتك ببيانات من شركتك. استخدم القوالب للقيام بذلك. يمكن أن تحتوي القوالب على متغيرات تستبدلها ببيانات فعلية.
- اكتب بشكل صحيح. قد يقدم لك نموذج اللغة الكبير استجابة صحيحة، ولكن إذا كتبت بشكل صحيح، ستحصل على استجابة أفضل.
إليك كود بلغة بايثون يوضح كيفية بناء واجهة برمجة تطبيقات بسيطة باستخدام Flask:
from flask import Flask, request
app = Flask(__name__)
@app.route('/')
def hello():
name = request.args.get('name', 'World')
return f'Hello, {name}!'
if __name__ == '__main__':
app.run()استخدم مساعدًا ذكياً مثل GitHub Copilot أو ChatGPT وطبق تقنية "التنقيح الذاتي" لتحسين الكود.
يرجى محاولة حل المهمة عن طريق إضافة توجيهات مناسبة إلى الكود.
Tip
صغ توجيهًا لطلب تحسين الكود، من الجيد تحديد عدد التحسينات. يمكنك أيضًا طلب تحسينه بطريقة معينة، مثل تحسين الهيكلية، الأداء، الأمان، إلخ.
لماذا قد أستخدم توجيه التفكير المتسلسل؟ أرني إجابة صحيحة واحدة وإجابتين غير صحيحتين.
- لتعليم نموذج اللغة الكبير كيفية حل مشكلة.
- ب، لتعليم نموذج اللغة الكبير كيفية العثور على أخطاء في الكود.
- ج، لتوجيه نموذج اللغة الكبير لتقديم حلول مختلفة.
الإجابة: 1، لأن التفكير المتسلسل يتعلق بتوضيح كيفية حل المشكلة للنموذج من خلال تقديم سلسلة من الخطوات، ومشاكل مشابهة وكيف تم حلها.
لقد استخدمت للتو تقنية التنقيح الذاتي في المهمة. خذ أي برنامج قمت ببنائه وفكر في التحسينات التي ترغب في تطبيقها عليه. الآن استخدم تقنية التنقيح الذاتي لتطبيق التغييرات المقترحة. ما رأيك في النتيجة، هل أصبحت أفضل أم أسوأ؟
بعد إكمال هذا الدرس، تحقق من مجموعة تعلم الذكاء الاصطناعي التوليدي لمواصلة تطوير معرفتك بالذكاء الاصطناعي التوليدي!
توجه إلى الدرس السادس حيث سنطبق معرفتنا في هندسة التوجيه من خلال بناء تطبيقات توليد النصوص
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 الرسمي. للحصول على معلومات حاسمة، يُوصى بالترجمة البشرية الاحترافية. نحن غير مسؤولين عن أي سوء فهم أو تفسيرات خاطئة ناتجة عن استخدام هذه الترجمة.