מודול זה מכסה מושגים וטכניקות חיוניות ליצירת הנחיות יעילות במודלים של בינה מלאכותית גנרטיבית. הדרך שבה אתם כותבים את ההנחיה שלכם ל-LLM גם חשובה. הנחיה מעוצבת בקפידה יכולה להשיג תגובה באיכות טובה יותר. אבל מה בדיוק אומרות המונחים הנחיה והנדסת הנחיות_? וכיצד אוכל לשפר את קלט ההנחיה שאני שולח ל-LLM? אלו השאלות שננסה לענות עליהן בפרק זה ובפרק הבא.
בינה מלאכותית גנרטיבית מסוגלת ליצור תוכן חדש (כגון טקסט, תמונות, שמע, קוד וכו') בתגובה לבקשות משתמשים. היא משיגה זאת באמצעות מודלים שפה גדולים כמו סדרת GPT של OpenAI ("Generative Pre-trained Transformer") שמאומנים לשימוש בשפה טבעית וקוד.
משתמשים יכולים כעת לקיים אינטראקציה עם מודלים אלה באמצעות פרדיגמות מוכרות כמו צ'אט, ללא צורך בידע טכני או הכשרה. המודלים מבוססי-הנחיה - משתמשים שולחים קלט טקסט (הנחיה) ומקבלים בחזרה את תגובת הבינה המלאכותית (השלמה). הם יכולים לאחר מכן "לשוחח עם הבינה המלאכותית" באופן איטרטיבי, בשיחות מרובות-תורים, ולשפר את ההנחיה עד שהתגובה תתאים לציפיותיהם.
"הנחיות" הופכות כעת לממשק התכנות הראשי עבור אפליקציות בינה מלאכותית גנרטיבית, המנחות את המודלים מה לעשות ומשפיעות על איכות התגובות המוחזרות. "הנדסת הנחיות" היא תחום לימוד הצומח במהירות, המתמקד בעיצוב ואופטימיזציה של הנחיות כדי לספק תגובות עקביות ואיכותיות בקנה מידה.
בשיעור זה נלמד מהי הנדסת הנחיות, מדוע היא חשובה, וכיצד נוכל ליצור הנחיות יעילות יותר עבור מודל ומטרת אפליקציה נתונה. נבין מושגים מרכזיים ושיטות עבודה מומלצות להנדסת הנחיות - ונלמד על סביבת "ארגז חול" של Jupyter Notebooks שבה נוכל לראות את המושגים הללו מיושמים על דוגמאות אמיתיות.
בסוף השיעור הזה נוכל:
- להסביר מהי הנדסת הנחיות ומדוע היא חשובה.
- לתאר את מרכיבי ההנחיה וכיצד משתמשים בהם.
- ללמוד שיטות עבודה מומלצות וטכניקות להנדסת הנחיות.
- ליישם טכניקות שנלמדו על דוגמאות אמיתיות, באמצעות נקודת קצה של OpenAI.
הנדסת הנחיות: התרגול של עיצוב ושיפור קלטים להנחות מודלים של בינה מלאכותית לייצור פלטים רצויים. טוקניזציה: התהליך של המרת טקסט ליחידות קטנות יותר, הנקראות טוקנים, שמודל יכול להבין ולעבד. LLMs מכווני-הוראות: מודלים שפה גדולים (LLMs) שעברו כיוונון עם הוראות ספציפיות כדי לשפר את דיוק ורלוונטיות התגובות שלהם.
הנדסת הנחיות היא כיום יותר אמנות מאשר מדע. הדרך הטובה ביותר לשפר את האינטואיציה שלנו לגביה היא לתרגל יותר ולאמץ גישה של ניסוי וטעייה המשלבת מומחיות בתחום היישום עם טכניקות מומלצות ואופטימיזציות ספציפיות למודל.
מחברת Jupyter הנלווית לשיעור זה מספקת סביבת ארגז חול שבה תוכלו לנסות את מה שאתם לומדים - תוך כדי או כחלק מאתגר הקוד בסוף. כדי לבצע את התרגילים, תצטרכו:
- מפתח API של Azure OpenAI - נקודת הקצה של השירות עבור LLM שהופעל.
- סביבת הרצה של Python - שבה ניתן להפעיל את המחברת.
- משתני סביבה מקומיים - השלימו את הגדרת ההתחלה עכשיו כדי להתכונן.
המחברת מגיעה עם תרגילי התחלה - אך מומלץ להוסיף את קטעי ה-Markdown (תיאור) ו-Code (בקשות הנחיה) שלכם כדי לנסות דוגמאות או רעיונות נוספים - ולבנות את האינטואיציה שלכם לעיצוב הנחיות.
רוצים לקבל תמונה כוללת של מה שהשיעור הזה מכסה לפני שאתם צוללים פנימה? עיינו במדריך המאויר הזה, שנותן לכם תחושה של הנושאים המרכזיים המכוסים ושל המסקנות המרכזיות שעליכם לחשוב עליהן בכל אחד מהם. מפת השיעור לוקחת אתכם מהבנת המושגים והאתגרים המרכזיים לטיפול בהם באמצעות טכניקות הנדסת הנחיות רלוונטיות ושיטות עבודה מומלצות. שימו לב כי החלק "טכניקות מתקדמות" במדריך זה מתייחס לתוכן המכוסה בפרק הבא של תכנית הלימודים הזו.
כעת, בואו נדבר על איך הנושא הזה קשור למשימה שלנו בסטארטאפ להביא חדשנות בינה מלאכותית לחינוך. אנו רוצים לבנות אפליקציות מונעות בינה מלאכותית של למידה מותאמת אישית - אז בואו נחשוב איך משתמשים שונים באפליקציה שלנו עשויים "לעצב" הנחיות:
- מנהלים עשויים לבקש מהבינה המלאכותית לנתח נתוני תכנית לימודים כדי לזהות פערים בכיסוי. הבינה המלאכותית יכולה לסכם תוצאות או להמחיש אותן עם קוד.
- מחנכים עשויים לבקש מהבינה המלאכותית ליצור תוכנית שיעור לקהל יעד ונושא מסוימים. הבינה המלאכותית יכולה לבנות את התוכנית המותאמת בפורמט מוגדר.
- תלמידים עשויים לבקש מהבינה המלאכותית להדריך אותם בנושא קשה. הבינה המלאכותית יכולה כעת להנחות תלמידים עם שיעורים, רמזים ודוגמאות מותאמים לרמתם.
זה רק קצה הקרחון. עיינו ב-הנחיות לחינוך - ספריית הנחיות קוד פתוח שאצרו מומחי חינוך - כדי לקבל תחושה רחבה יותר של האפשרויות! נסו להפעיל כמה מההנחיות האלה בארגז החול או להשתמש במגרש המשחקים של OpenAI כדי לראות מה קורה!
התחלנו את השיעור בהגדרת הנדסת הנחיות כתהליך של עיצוב ואופטימיזציה של קלטי טקסט (הנחיות) כדי לספק תגובות עקביות ואיכותיות (השלמות) עבור מטרה אפליקטיבית ומודל נתונים. ניתן לחשוב על זה כתהליך בן שני שלבים:
- עיצוב ההנחיה הראשונית עבור מודל ומטרה נתונים
- שיפור ההנחיה באופן איטרטיבי כדי לשפר את איכות התגובה
זהו בהכרח תהליך של ניסוי וטעייה הדורש אינטואיציה ומאמץ משתמש כדי לקבל תוצאות אופטימליות. אז למה זה חשוב? כדי לענות על השאלה הזו, תחילה עלינו להבין שלושה מושגים:
- טוקניזציה = איך המודל "רואה" את ההנחיה
- מודלים בסיסיים = איך מודל הבסיס "מעבד" הנחיה
- מודלים מכווני-הוראות = איך המודל יכול כעת לראות "משימות"
מודל שפה גדול (LLM) רואה הנחיות כ_רצף של טוקנים_ שבהם מודלים שונים (או גרסאות של מודל) יכולים לטוקניזציה את אותה הנחיה בדרכים שונות. מכיוון ש-LLMs מאומנים על טוקנים (ולא על טקסט גולמי), הדרך שבה הנחיות מתוקננות משפיעה ישירות על איכות התגובה המיוצרת.
כדי לקבל אינטואיציה לגבי איך טוקניזציה עובדת, נסו כלים כמו מפרק הטוקנים של OpenAI המוצג למטה. העתיקו את ההנחיה שלכם - ותראו איך זה מתורגם לטוקנים, תוך שימת לב לאופן שבו תווים רווחיים וסימני פיסוק מטופלים. שימו לב שהדוגמה הזו מציגה מודל LLM ישן יותר (GPT-3) - אז ניסיון עם מודל חדש יותר עשוי להניב תוצאה שונה.
ברגע שההנחיה מתוקננת, הפונקציה העיקרית של "מודל הבסיס" היא לנבא את הטוקן הבא ברצף. מכיוון ש-LLMs מאומנים על מאגרי טקסט עצומים, יש להם תחושה טובה של הקשרים הסטטיסטיים בין טוקנים והם יכולים לעשות את הניבוי הזה בביטחון מסוים. שימו לב שהם לא מבינים את המשמעות של המילים בהנחיה או בטוקן; הם פשוט רואים תבנית שהם יכולים "להשלים" עם הניבוי הבא שלהם. הם יכולים להמשיך לנבא את הרצף עד לסיום על ידי התערבות משתמש או מצב שנקבע מראש.
רוצים לראות איך השלמה מבוססת-הנחיה עובדת? הכניסו את ההנחיה לעיל ל-Azure OpenAI Studio Chat Playground עם ההגדרות ברירת המחדל. המערכת מוגדרת לטפל בהנחיות כבקשות למידע - כך שתראו השלמה שמספקת את ההקשר הזה.
אבל מה אם המשתמש רצה לראות משהו ספציפי שעומד בקריטריונים או במטרת משימה כלשהי? כאן נכנסים לתמונה מודלים מכווני-הוראות.
מודל מכוון-הוראות מתחיל עם מודל הבסיס ומכוון אותו עם דוגמאות או זוגות קלט/פלט (כגון "הודעות" מרובות תורים) שיכולים להכיל הוראות ברורות - והתגובה של הבינה המלאכותית מנסה לעקוב אחר ההוראה הזו.
זה משתמש בטכניקות כמו חיזוק למידה עם משוב אנושי (RLHF) שיכולות לאמן את המודל ל_עקוב אחר הוראות_ ול_למוד ממשוב_ כך שהוא מייצר תגובות שמתאימות יותר ליישומים מעשיים ורלוונטיות יותר למטרות משתמש.
בואו ננסה את זה - חזרו להנחיה לעיל, אך כעת שנו את הודעת המערכת כדי לספק את ההוראה הבאה כהקשר:
סכם את התוכן שאתה מסופק עבור תלמיד כיתה ב'. שמור על התוצאה לפסקה אחת עם 3-5 נקודות.
ראו איך התוצאה כעת מכוונת לשקף את המטרה והפורמט הרצויים? מחנך יכול כעת להשתמש בתגובה זו ישירות בשקופיות שלו לכיתה הזו.
עכשיו כשאנחנו יודעים איך הנחיות מעובדות על ידי LLMs, בואו נדבר על למה אנחנו צריכים הנדסת הנחיות. התשובה טמונה בעובדה שה-LLMs הנוכחיים מציבים מספר אתגרים שהופכים השלמות אמינות ועקביות ליותר מאתגרות להשגה ללא השקעת מאמץ בעיצוב והאופטימיזציה של ההנחיה. לדוגמה:
-
תגובות המודל הן סטוכסטיות. אותה הנחיה תייצר ככל הנראה תגובות שונות עם מודלים שונים או גרסאות מודלים שונות. והיא עשויה אפילו לייצר תוצאות שונות עם אותו מודל בזמנים שונים. טכניקות הנדסת הנחיות יכולות לעזור לנו למזער את השינויים האלה על ידי מתן מסגרות בטוחות יותר.
-
המודלים יכולים להמציא תגובות. מודלים מאומנים עם מאגרי נתונים גדולים אך סופיים, מה שאומר שהם חסרים ידע על מושגים מחוץ לטווח האימון הזה. כתוצאה מכך, הם יכולים לייצר השלמות שאינן מדויקות, דמיוניות, או סותרות ישירות עובדות ידועות. טכניקות הנדסת הנחיות עוזרות למשתמשים לזהות ולהפחית המצאות כאלה, למשל, על ידי בקשת ציטוטים או הסברים מהבינה המלאכותית.
-
יכולות המודלים ישתנו. מודלים חדשים או דורות מודלים חדשים יהיו בעלי יכולות עשירות יותר אך גם יביאו תכונות ייחודיות ופשרות בעלות ומורכבות. הנדסת הנחיות יכולה לעזור לנו לפתח שיטות עבודה מומלצות ותהליכים שמפשטים את ההבדלים ומסתגלים לדרישות ספציפיות למודל בדרכים ניתנות להרחבה, ללא תפרים.
בואו נראה את זה בפעולה במגרש המשחקים של OpenAI או Azure OpenAI:
- השתמשו באותה הנחיה עם פריסות LLM שונות (למשל, OpenAI, Azure OpenAI, Hugging Face) - האם ראיתם את השינויים?
- השתמשו באותה הנחיה שוב ושוב עם פריסת LLM זהה (למשל, מגרש המשחקים של Azure OpenAI) - איך השינויים האלה היו שונים?
בקורס זה, אנו משתמשים במונח "המצאה" כדי להתייחס לתופעה שבה LLMs לפעמים מייצרים מידע שגוי מבחינה עובדתית עקב מגבלות באימונם או מגבלות אחרות. ייתכן ששמעתם על כך גם כ_"הזיות"_ במאמרים פופולריים או במחקרים. עם זאת, אנו ממליצים בחום להשתמש במונח "המצאה" כדי שלא נייחס תכונה אנושית להתנהגות הנובעת ממכונה. זה גם מחזק את הנחיות הבינה המלאכותית האחראית מנקודת מבט של טרמינולוגיה, מסיר מונחים שעשויים להיחשב גם פוגעניים או לא כוללים בהקשרים מסוימים.
רוצים לקבל תחושה של איך המצאות עובדות? חשבו על הנחיה שמורה לבינה המלאכותית ליצור תוכן לנושא לא קיים (כדי להבטיח שהוא לא נמצא במאגר האימונים). לדוגמה - ניסיתי את ההנחיה הזו:
הנחיה: צור תוכנית שיעור על מלחמת מאדים של 2076.
חיפוש באינטרנט הראה לי שיש חשבונות בדיוניים (למשל, סדרות טלוויזיה או ספרים) על מלחמות מאדים - אבל אף אחד לא ב-2076. ההיגיון גם אומר לנו ש-2076 הוא בעתיד ולכן לא יכול להיות קשור לאירוע אמיתי.
אז מה קורה כשאנחנו מריצים את ההנחיה הזו עם ספקי LLM שונים?
תגובה 1: מגרש המשחקים של OpenAI (GPT-35)
תגובה 2: מגרש המשחקים של Azure OpenAI (GPT-35)
תגובה 3: מגרש המשחקים של Hugging Face Chat (LLama-2)
כמצופה, כל מודל (או גרסת מודל) מייצר תגובות שונות במקצת הודות להתנהגות סטוכסטית ולשינויים ביכולות המודל. לדוגמה, מודל אחד מכוון לקהל כיתה ח' בעוד השני מניח תלמיד תיכון. אבל כל שלושת המודלים ייצרו תגובות שיכולות לשכנע משתמש לא מעודכן שהאירוע היה אמיתי.
טכניקות הנדסת הנחיות כמו מטה-הנחיה וקונפיגורציית טמפרטורה עשויות להפחית המצאות מודל במידה מסוימת. ארכיטקטורות הנדסת הנחיות חדשות משלבות גם כלים וטכניקות חדשות בצורה חלקה בזרימת ההנחיות, כדי להפחית או למזער חלק מההשפעות הללו.
בואו נסיים את החלק בסופו של דבר, הערך האמיתי של תבניות טמון ביכולת ליצור ולפרסם ספריות הנחיות עבור תחומים יישומיים אנכיים - שם תבנית ההנחיה היא עכשיו מותאמת לשקף הקשר או דוגמאות ספציפיות ליישום שמגבירות את הרלוונטיות והדיוק של התגובות עבור קהל המשתמשים המיועד. מאגר Prompts For Edu הוא דוגמה מצוינת לגישה זו, כשהוא מאגד ספריית הנחיות לתחום החינוך עם דגש על מטרות מפתח כמו תכנון שיעורים, עיצוב תכנית לימודים, הדרכת תלמידים וכו'.
אם נחשוב על בניית הנחיות כבעלות הוראה (משימה) ומטרה (תוכן ראשי), אז תוכן משני הוא כמו הקשר נוסף שאנחנו מספקים כדי להשפיע על התוצאה בדרך כלשהי. זה יכול להיות פרמטרים לכוונון, הוראות עיצוב, טקסונומיות נושא וכו' שיכולים לעזור למודל להתאים את תגובתו כך שתתאים למטרות או לציפיות המשתמש הרצויות.
לדוגמה: בהתחשב בקטלוג קורסים עם מטא-נתונים נרחבים (שם, תיאור, רמה, תגים מטא-נתונים, מדריך וכו') על כל הקורסים הזמינים בתכנית הלימודים:
- אנחנו יכולים להגדיר הוראה ל"סכם את קטלוג הקורסים לסתיו 2023"
- אנחנו יכולים להשתמש בתוכן הראשי כדי לספק כמה דוגמאות לתוצאה הרצויה
- אנחנו יכולים להשתמש בתוכן המשני כדי לזהות את חמשת ה"תגים" המובילים של עניין.
עכשיו, המודל יכול לספק סיכום בפורמט שמוצג על ידי כמה דוגמאות - אבל אם תוצאה מכילה מספר תגים, הוא יכול לתת עדיפות לחמשת התגים שזוהו בתוכן המשני.
עכשיו כשאנחנו יודעים איך הנחיות יכולות להיות בנויוֹת, אנחנו יכולים להתחיל לחשוב על איך לעצב אותן כדי לשקף שיטות עבודה מומלצות. אנחנו יכולים לחשוב על זה בשני חלקים - שיש את הגישה הנכונה ויישום הטכניקות הנכונות.
הנדסת הנחיות היא תהליך של ניסוי וטעייה אז שמרו על שלושה גורמים מנחים רחבים בראש:
-
הבנת התחום חשובה. דיוק ורלוונטיות התגובה הם פונקציה של התחום שבו היישום או המשתמש פועל. השתמשו באינטואיציה ובמומחיות התחום שלכם כדי להתאים אישית טכניקות נוספות. למשל, הגדירו אישיויות ספציפיות לתחום בהנחיות המערכת שלכם, או השתמשו ב_תבניות ספציפיות לתחום_ בהנחיות המשתמש שלכם. ספקו תוכן משני המשקף הקשרים ספציפיים לתחום, או השתמשו ב_רמזים ודוגמאות ספציפיות לתחום_ כדי להנחות את המודל לעבר דפוסי שימוש מוכרים.
-
הבנת המודל חשובה. אנחנו יודעים שמודלים הם סטוכסטיים מטבעם. אבל יישומי מודל יכולים גם להשתנות מבחינת מאגר הנתונים שהם משתמשים בו (ידע מוקדם), היכולות שהם מספקים (למשל, דרך API או SDK) וסוג התוכן שהם מותאמים אליו (למשל, קוד לעומת תמונות לעומת טקסט). הבינו את החוזקות והמגבלות של המודל שאתם משתמשים בו, והשתמשו בידע הזה כדי לתעדף משימות או לבנות תבניות מותאמות אישית שמותאמות ליכולות המודל.
-
חזרה ואימות חשובים. מודלים מתפתחים במהירות, וכך גם הטכניקות להנדסת הנחיות. כמומחה תחום, ייתכן שיש לכם הקשר או קריטריונים אחרים ליישום שלכם, שעשויים לא להיות חלים על הקהילה הרחבה יותר. השתמשו בכלים וטכניקות להנדסת הנחיות כדי "להתחיל" בניית הנחיות, ואז חזרו ואמתו את התוצאות באמצעות האינטואיציה והמומחיות התחום שלכם. רשמו את התובנות שלכם וצרו בסיס ידע (למשל, ספריות הנחיות) שניתן להשתמש בהן כקו בסיס חדש על ידי אחרים, לחזרות מהירות יותר בעתיד.
עכשיו בואו נסתכל על שיטות עבודה מומלצות נפוצות שמומלצות על ידי OpenAI וAzure OpenAI מתרגלים.
| מה | למה |
|---|---|
| העריכו את המודלים האחרונים. | דורות מודל חדשים צפויים לכלול תכונות ואיכות משופרות - אך עשויים גם לגרום לעלויות גבוהות יותר. העריכו אותם להשפעה, ואז קבלו החלטות מעבר. |
| הפרידו בין הוראות והקשר | בדקו אם המודל/ספק שלכם מגדיר מפרידים כדי להבחין בין הוראות, תוכן ראשי ותוכן משני בצורה ברורה יותר. זה יכול לעזור למודלים להקצות משקלים בצורה מדויקת יותר לטוקנים. |
| היו ספציפיים וברורים | תנו יותר פרטים על ההקשר הרצוי, התוצאה, האורך, הפורמט, הסגנון וכו'. זה ישפר את איכות התגובות ואת עקביותן. תפסו מתכונים בתבניות שניתן להשתמש בהן שוב. |
| היו תיאוריים, השתמשו בדוגמאות | מודלים עשויים להגיב טוב יותר לגישה של "הצג וספר". התחילו עם zero-shot approach where you give it an instruction (but no examples) then try few-shot as a refinement, providing a few examples of the desired output. Use analogies. |
| Use cues to jumpstart completions | Nudge it towards a desired outcome by giving it some leading words or phrases that it can use as a starting point for the response. |
| Double Down | Sometimes you may need to repeat yourself to the model. Give instructions before and after your primary content, use an instruction and a cue, etc. Iterate & validate to see what works. |
| Order Matters | The order in which you present information to the model may impact the output, even in the learning examples, thanks to recency bias. Try different options to see what works best. |
| Give the model an “out” | Give the model a fallback completion response it can provide if it cannot complete the task for any reason. This can reduce chances of models generating false or fabricated responses. |
As with any best practice, remember that your mileage may vary based on the model, the task and the domain. Use these as a starting point, and iterate to find what works best for you. Constantly re-evaluate your prompt engineering process as new models and tools become available, with a focus on process scalability and response quality.
Congratulations! You made it to the end of the lesson! It's time to put some of those concepts and techniques to the test with real examples!
For our assignment, we'll be using a Jupyter Notebook with exercises you can complete interactively. You can also extend the Notebook with your own Markdown and Code cells to explore ideas and techniques on your own.
- (Recommended) Launch GitHub Codespaces
- (Alternatively) Clone the repo to your local device and use it with Docker Desktop
- (Alternatively) Open the Notebook with your preferred Notebook runtime environment.
- Copy the
.env.copyfile in repo root to.envand fill in theAZURE_OPENAI_API_KEY,AZURE_OPENAI_ENDPOINTandAZURE_OPENAI_DEPLOYMENTערכים. חזרו לסעיף ארגז החול ללמידה כדי ללמוד איך.
- בחרו את ליבת זמן הריצה. אם משתמשים באפשרויות 1 או 2, פשוט בחרו את ליבת Python 3.10.x ברירת המחדל שסופקה על ידי מיכל הפיתוח.
אתם מוכנים להריץ את התרגילים. שימו לב שאין כאן תשובות נכונות או שגויות - רק חקר אפשרויות באמצעות ניסוי וטעייה ובניית אינטואיציה למה עובד עבור מודל ותחום יישום נתון.
מהסיבה הזו אין קטעי פתרון קוד בשיעור זה. במקום זאת, המחברת תכיל תאי Markdown שכותרתם "הפתרון שלי:" שמציגים דוגמת תוצאה אחת להמחשה.
איזו מההנחיות הבאות היא הנחיה טובה בעקבות כמה שיטות עבודה מומלצות סבירות?
- הראה לי תמונה של מכונית אדומה
- הראה לי תמונה של מכונית אדומה מסוג וולוו ודגם XC90 חונה ליד צוק כשהשמש שוקעת
- הראה לי תמונה של מכונית אדומה מסוג וולוו ודגם XC90
תשובה: 2, זו ההנחיה הטובה ביותר מכיוון שהיא מספקת פרטים על "מה" ונכנסת לפרטים (לא סתם מכונית אלא סוג ודגם ספציפיים) והיא גם מתארת את ההקשר הכללי. 3 היא הטובה הבאה מכיוון שהיא גם מכילה הרבה תיאורים.
ראו אם תוכלו לנצל את טכניקת ה"רמז" עם ההנחיה: השלימו את המשפט "הראה לי תמונה של מכונית אדומה מסוג וולוו ו ". מה התגובה שלו, ואיך הייתם משפרים אותה?
רוצים ללמוד עוד על מושגים שונים בהנדסת הנחיות? לכו לדף למידה מתמשכת כדי למצוא משאבים נהדרים נוספים בנושא זה.
עברו לשיעור 5 שבו נסתכל על טכניקות הנחיה מתקדמות!
כתב ויתור:
מסמך זה תורגם באמצעות שירות תרגום מבוסס AI Co-op Translator. בעוד שאנו שואפים לדיוק, יש להיות מודעים לכך שתרגומים אוטומטיים עשויים להכיל טעויות או אי דיוקים. המסמך המקורי בשפתו המקורית צריך להיחשב כמקור הסמכותי. למידע קריטי, מומלץ להשתמש בתרגום אנושי מקצועי. אנו לא אחראים על כל אי הבנות או פרשנויות שגויות הנובעות משימוש בתרגום זה.