تُشير المطالبة بخطوة واحدة إلى الطريقة التي يتم فيها تزويد النموذج بمطالبة واحدة لأداء مهمة. على عكس تقنيات هندسة المطالبات الأخرى، مثل المطالبة الصفرية التي لا يتم فيها تقديم أي مثال أو المطالبة بخطوات قليلة التي يتم فيها تقديم عدد قليل من الأمثلة، تعتمد المطالبة بخطوة واحدة على مطالبة واحدة مُعدّة بعناية لتحقيق النتيجة المطلوبة. تستفيد هذه الطريقة من النماذج اللغوية الكبيرة (LLMs) مثل نماذج GPT-3/GPT-4 (المحوِّل المدرَّب مسبقًا التوليدي) من OpenAI أو نماذج ™IBM® Granite لفهم وإنشاء نص يشبه النص البشري استنادًا إلى الحد الأدنى من المدخلات.
تُعَد المطالبة بخطوة واحدة مفيدة بشكل خاص في السيناريوهات التي يكون فيها جمع كميات كبيرة من بيانات التدريب غير عملي. على سبيل المثال، في التطبيقات مثل المطالبة بسلسلة الأفكار والمطالبة بخطوات قليلة والمطالبة الصفرية، حيث تتوفر بيانات مصنّفة قليلة أو لا تتوفر على الإطلاق، توفِّر المطالبة بخطوة واحدة ميزة كبيرة عبر تمكين النماذج من التعميم استنادًا إلى مثال واحد فقط. يوضِّح الشكل 1 تكوين المطالبة بخطوة واحدة.
في مجالات الذكاء الاصطناعي ومعالجة اللغة الطبيعية سريعة التطور، وبشكل خاص في الذكاء الاصطناعي التوليدي، أصبحت هندسة المطالبات تقنية محورية. من بين الأنواع المختلفة من المطالبات، تبرز المطالبة بخطوة واحدة لكفاءتها وفاعليتها. تستعرض هذه المقالة مفهوم المطالبة بخطوة واحدة، وآلياتها وتطبيقاتها، وفوائدها، وقيودها، وإمكاناتها المستقبلية.
المطالبة هي تقنية يتم استخدامها في الذكاء الاصطناعي لتوجيه النماذج اللغوية في توليد المخرجات المطلوبة. هناك أنواع مختلفة من المطالبة، بما في ذلك المطالبة الصفرية، والمطالبة بخطوات قليلة، والمطالبة بخطوة واحدة. يختلف كل نوع من حيث كمية البيانات والأمثلة المقدمة للنموذج لأداء مهمة محددة. وتتضمن هندسة المطالبات صياغة هذه المطالبات لتحسين أداء النموذج.
تستفيد المطالبة بخطوة واحدة من قدرات النماذج اللغوية الكبيرة (LLMs) المتقدمة لتوليد ردود متسقة وملائمة للسياق بناءً على مطالبة بمثال واحد. أصبحت هذه الكفاءة ممكنة بفضل العديد من الآليات الأساسية، بما في ذلك المطالبة المعرفية، والمطالبة البصرية في السياق، وإسقاط الميزات التكيفية. في حين أن بعض هذه الآليات، مثل المطالبة المعرفية وإسقاط الميزات التكيفية، معممة ويمكن تطبيقها على أنواع مختلفة من البيانات مثل النصوص والصور والفيديو، فإن هناك آليات أخرى، مثل المطالبة البصرية في السياق، مصممة خصيصًا للتعامل مع بيانات الصور أو الفيديو.
تُتيح المطالبة البصرية في السياق للنموذج تفسير المعلومات والرد استنادًا إلى المؤشرات البصرية، وهو أمر بالغ الأهمية لمهام مثل التعرُّف على الصور أو تحليل الفيديو. وعلى النقيض من ذلك، فإن المطالبة المعرفية وإسقاط الميزات التكيفية يعززان قدرة النموذج على فهم وتوليد الاستجابات عبر أنواع مختلفة من المدخلات، ما يجعلها متعددة الاستخدامات في مجالات متعددة.
على سبيل المثال ، تحتاج إلى تلخيص مستند فرنسي إلى اللغة الإنجليزية وتنسيق المخرجات لواجهة برمجة تطبيقات معينة. باستخدام طلب بخطوة واحدة، يمكنك تقديم مطالبة بمثال واحد مثل: "تلخيص هذا النص الفرنسي إلى اللغة الإنجليزية باستخدام قالب واجهة برمجة التطبيقات {Title}، {Key Points}، {Summary}". يستخدم النموذج اللغوي الكبير قدراته متعددة اللغات وإسقاط الميزات التكيفية لإنتاج تنسيق المخرجات المطلوب. في Python، يمكن أتمتة هذه العملية من خلال دمج استجابة نموذج الذكاء الاصطناعي التوليدي ضمن سير عمل واجهة برمجة التطبيقات.
تتضمن هذه الطريقة الاستفادة من قواعد المعرفة الخارجية أو مجموعات البيانات المتخصصة مسبقًا لتعزيز فهم النموذج للسياق وقدراته على اتخاذ القرار. ومن خلال دمج الرسوم البيانية المعرفية المنظمة أو المقترحات النصية الغنية بمعلومات متعلقة بالإجراءات أو المهام، يمكن للنموذج استرجاع المعلومات ذات الصلة بشكل فعَّال، ما يدعم استنتاجات أكثر دقة. على سبيل المثال، يُتيح تضمين مجموعات بيانات متعلقة بالإجراءات، مثل تسلسل المهام أو الأحداث المرتبطة بالمجال، للنموذج التعميم بشكل أفضل على مهام جديدة في سيناريوهات التعلم بخطوة واحدة. تمكِّن هذه الطريقة النموذج من سد الفجوات المعرفية باستخدام مستودعات معلومات محددة مسبقًا، ما يؤدي إلى تحسين قدرته على التكيف وإنتاج ردود أكثر ملاءمة للسياق.[1] تصبح هذه التقنية قوية بشكل خاص عند دمجها مع النماذج اللغوية الكبيرة، حيث تقلل الحاجة إلى كميات كبيرة من بيانات التدريب الخاصة بالمهام، مع ضمان إنتاج مخرجات قوية وموثوق بها.
تعتمد هذه التقنية على الإشارات البصرية مثل أقنعة التقسيم أو المربعات المحيطة أو النقاط الأساسية لتوجيه النماذج نحو فهم بيانات الصور أو الفيديو ومعالجتها بشكل أكثر فعالية. في المطالبة البصرية في السياق، يتم تزويد النموذج بصورة مرجعية أو مجموعة من مقاطع الصور التي تسلِّط الضوء على مناطق معينة من الاهتمام، ما يسمح له بالتركيز على الميزة أثناء الاستدلال. باستخدام هذه المطالبات البصرية، يمكن للنموذج فهم العلاقات المكانية وحدود الكائنات والعناصر السياقية داخل الصورة بشكل أفضل، ما يحسِّن أداءَه بشكل كبير في مهام الرؤية. لقد ثبت أن هذا النهج يعزز قدرات التعلم بالمطالبة الصفرية وبخطوة واحدة من خلال تمكين النموذج من التعميم من الحد الأدنى من الأمثلة في العديد من التطبيقات القائمة على الرؤية، مثل اكتشاف الكائنات وتصنيف الصور والتجزئة.[2] بالإضافة إلى ذلك، تمكِّن هذه التقنية النموذج من تحسين تنبؤاته من خلال التكيف ديناميكيًا مع السياقات المرئية الجديدة مع الحد الأدنى من البيانات، ما يجعله فعَّالًا للغاية في السيناريوهات ذات الأمثلة التدريبية المحدودة.
في التعرُّف على الأفعال بخطوة واحد، يتعامل إسقاط الميزات التكيفية مع تحديات التغيُّرات الزمنية في بيانات الفيديو من خلال محاذاة الميزات المستخرجة وتحسينها مع مرور الوقت. تتضمن هذه الطريقة التدريب المسبق والضبط الدقيق للشبكة الأساسية لتعلم مجموعة عامة من الميزات ثم تطبيق تقنيات التكيف مع الميزات التي تسمح للنموذج بتعديل تمثيلات ميزاته الداخلية بشكل ديناميكي استنادًا إلى التقدم الزمني للفيديو. من خلال إسقاط ميزات المدخلات على مساحة تلتقط الأنماط المكانية والزمانية على حد سواء، يمكن للنموذج التعامل بشكل أفضل مع التباين في تسلسل الحركة، وتقديم أمثلة مثل التغيُّرات في سرعة الحركة أو تفاعل الكائنات. يعمل هذا النهج بشكل كبير على تحسين قدرة النموذج على التعرُّف على الأفعال من فيديو تدريب واحد فقط، ما يعزز تعميمه ودقته في التعرُّف على الأفعال المعقدة في تسلسلات الفيديو الجديدة غير المرئية.[3] يُعد الإسقاط التكيّفي للميزة مفيدًا بشكل خاص في التعامل مع الديناميكيات الزمنية الدقيقة للمهام القائمة على الفيديو، ما يجعله عنصرًا حساسًا لتعزيز أداء التعرُّف على الأفعال بخطوة واحدة.
تعزز هذه الاستراتيجية التعلم بخطوة واحدة من خلال التركيز خطوة بخطوة على المناطق الأكثر صلة في المدخلات بالنسبة للنموذج. في مهام الكشف عن الحركة، يتم استخدام تكبير الانتباه من خلال آليات مثل الانتباه المتبادل بين مجموعات الدعم والاستعلام. يسمح هذا النهج للنموذج بمقارنة ومواءمة الميزات من فيديو الدعم (الذي يحتوي على مثال الحركة) مع فيديو الاستعلام (حيث يجب اكتشاف الحركة). من خلال التركيز على مناطق زمنية أو مكانية محددة من المرجح أن تحتوي على الحركة ذات الصلة، يولِّد النموذج مقترحات عمل عالية الجودة. هذا الآلية القائمة على الانتباه المتبادل تمكِّن النموذج من التركيز بفاعلية على الأجزاء الرئيسية من المدخلات، ما يقلل الضوضاء والمعلومات غير المهمة، وبالتالي يحسِّن أداءَه في سيناريوهات التعلم بخطوة واحدة.[4] تساعد هذه التقنية على تضييق مساحات الإدخال المعقدة، ما يسمح بمعالجة أكثر كفاءة لمجموعة الاستعلامات مع الحفاظ على الدقة حتى مع الحد الأدنى من الأمثلة التدريبية.
توضِّح هذه الآليات مدى قدرة المطالبة بخطوة واحدة على التكيف والتحمّل عبر مجالات مختلفة من خلال أمثلة محددة. من خلال الاستفادة من تقنيات المطالبة المتقدمة ودمج المعرفة الخارجية والإشارات البصرية، يمكن أن تحقق المطالبة بخطوة واحدة دقة وكفاءة عالية بأقل قدر من المدخلات.
تقدِّم المطالبة بخطوة واحدة فوائد كبيرة إلى جانب بعض التحديات، ما يجعلها تقنية جذابة ومعقدة في مجال الذكاء الاصطناعي والتعلم الآلي. وفيما يلي نظرة متعمقة على المزايا والقيود المتعلقة بها:
المزايا
القيود
رسائل Think الإخبارية
ابقَ مطَّلعًا على أحدث أخبار الصناعة وأدوات الذكاء الاصطناعي والاتجاهات الناشئة في هندسة المطالبات مع رسائل Think الإخبارية. بالإضافة إلى ذلك، احصل على شرح جديد، ودروس تعليمية، ورؤى الخبراء— تصلك مباشرة إلى بريدك الوارد. راجع بيان الخصوصية لشركة IBM.
تُعَد المطالبة بخطوة واحدة تقنية فعَّالة تنتشر تطبيقاتها وأمثلة استخدامها عبر مختلَف الصناعات والسيناريوهات. ومن خلال الاستفادة من القدرات اللغوية المتقدمة وأساليب المطالبة المتطورة، يمكن أن تؤدي المطالبة بخطوة واحدة إلى تعزيز الكفاءة والأداء بشكل كبير في مختلَف المهام. وفيما يلي بعض حالات الاستخدام البارزة:
1. خدمة العملاء وروبوتات المحادثة
يمكن أن تؤدي المطالبة بخطوة واحدة إلى تحسين أداء روبوتات المحادثة والمساعدين الافتراضيين في بيئات خدمة العملاء. فمن خلال تقديم مثال واحد مصمم بشكل جيد، يمكن تدريب روبوت المحادثة على التعامل مع الاستفسارات المعقدة، وتقديم ردود مخصصة، وتحسين رضا العملاء بشكل عام. تقلل هذه الطريقة من الحاجة إلى بيانات تدريب مكثفة، ما يُتيح النشر السريع والتكيف مع سيناريوهات خدمة العملاء المختلفة.[6]
2. إنشاء المحتوى والأتمتة
في مجال إنشاء المحتوى والأتمتة، يمكن استخدام المطالبة بخطوة واحدة لتوليد مقالات وتقارير ومحتوى إبداعي عالي الجودة باستخدام الحد الأدنى من المدخلات. وهذا مفيد بشكل خاص للمسوِّقين والكتَّاب ومنشئي المحتوى الذين يحتاجون إلى إنتاج كميات كبيرة من المحتوى بكفاءة. من خلال توفير مطالبة واحدة، يمكن للنماذج إنشاء محتوى متنوع وملائم للسياق، ما يوفر الوقت والموارد.[1]
3. التوصيات المخصصة
تعمل المطالبة بخطوة واحدة على تحسين أنظمة التوصيات من خلال توليد اقتراحات مصممة خصيصًا بناءً على مدخلات محدودة. على سبيل المثال، يمكن أن تستخدم منصات التجارة الإلكترونية المطالبة بخطوة واحدة لتقديم توصيات مخصصة للمنتجات، ما يؤدي إلى تحسين التجربة وتعزيز المبيعات. تستفيد هذه الطريقة من الحد الأدنى من البيانات لإنتاج توصيات عالية الدقة وذات صلة.[7]
4. التعرُّف على الحركة في مقاطع الفيديو
في تحليل الفيديو، يمكن استخدام المطالبة بخطوة واحدة لمهام التعرُّف على الأفعال، مثل تحديد حركة معينة في لقطات المراقبة أو التحليلات الرياضية. ومن خلال تقديم فيديو واحد كمثال، يمكن للنماذج أن تتعلم التعرُّف على أفعال مشابهة في فيديوهات جديدة، حتى في ظل ظروف متغيرة. ويُعَد هذا الأمر ذا قيمة خاصة في تطبيقات مثل الأمن، وتحليل الأداء الرياضي، وتحرير الفيديوهات بشكل مؤتمت.[3]
وبالتالي، تُعَد المطالبة بخطوة واحدة تقدمًا كبيرًا في مجال الذكاء الاصطناعي، حيث تقدِّم حلولًا فعَّالة ومرنة في مختلَف المجالات. ومع استمرار الأبحاث في معالجة قيودها، من المتوقع أن تتوسع تطبيقات هذه التقنية وفوائدها، مساهِمة بذلك في تطور الأنظمة الذكية.