ربط المطالبات هو تقنية معالجة اللغة الطبيعية (NLP)، والتي تستفيد من النماذج اللغوية الكبيرة (LLMs) وتتضمن توليد مخرجات مرغوبة من خلال اتباع سلسلة من المطالبات. في هذه العملية، يتم تزويد نموذج معالجة اللغة الطبيعية بسلسلة من المطالبات، مما يوجهه لإنتاج الاستجابة المطلوبة. يتعلم النموذج فهم السياق والعلاقات بين المطالبات، مما يمكّنه من توليد نص متماسك ومتسق وثري من حيث السياق[1].
هذا المفهوم هو تطبيق متقدم لهندسة المطالبات. وقد اكتسب اهتمامًا كبيرًا في مجال معالجة اللغة الطبيعية؛ نظرًا لقدرته على تحسين جودة توليد النصوص وإمكانية التحكم فيها. يمكن تنفيذ سلسلة المطالبات الفعَّالة كتقنية هندسية على النُهج الأخرى، مثل النماذج الصفرية، أو قليلة التدريب أو النماذج المخصصة المضبوطة بدقة[2]. من خلال تقديم توجيه واضح وهيكل منظم، تساعد سلسلة المطالبات النموذج على فهم نوايا المستخدم بشكل أفضل، ما يساهم في إنتاج استجابات أكثر دقة وملاءمة.
يمكن أن تعزز سلسلة المطالبات من فاعلية مساعد الذكاء الاصطناعي في مجالات مختلفة. من خلال تقسيم المهام المعقدة إلى مطالبات أصغر وربطها معًا، يمكن للمطورين إنشاء استجابات أكثر تخصيصًا ودقة لتلبية احتياجات المستخدمين الفردية. هذا النهج لا يحسِّن تجربة المستخدم العامة فحسب، بل يسمح أيضًا بمزيد من التخصيص والمرونة استجابة لمتطلبات المستخدم المتغيرة أو سيناريوهات التطبيقات[3].
هناك نوعان رئيسيان من التوجيهات التي يتم توليدها عند العمل مع نماذج LLMs، وهما:
وهي التوجيهات الأساسية التي تحتوي على تعليمات أو سؤال واحد يطلب من النموذج الرد عليه. تُستخدم هذه التوجيهات عادةً لبدء محادثة أو لطلب معلومات. ومن الأمثلة على التوجيهات البسيطة : " ما هو حال الطقس اليوم؟ "
تحتوي هذه التوجيهات على إرشادات أو أسئلة متعددة تتطلب من النموذج تنفيذ سلسلة من الإجراءات أو تقديم رد مفصل. غالبا ما يتم استخدامها لتسهيل المهام الأكثر تعقيدًا أو للمشاركة في محادثات أعمق. من الأمثلة على التوجيهات المعقدة: "أنا أبحث عن مطعم يقدم طعاما نباتيًا ويفتح حتى الساعة 10 مساء. هل يمكنك أن توصي بواحد؟"
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.
تحويل التوجيه المعقد إلى سلسلة من التوجيهات البسيطة يمكن أن يساعد في تقسيم المهمة المعقدة إلى مهام فرعية أصغر. يمكن أن يسهل هذا النهج على المستخدمين فهم الخطوات المطلوبة لإكمال الطلب وتقليل مخاطر الأخطاء أو سوء الفهم.
لنفترض أن لدينا معلومات باللغة الإسبانية. نحتاج إلى استخراج المعلومات منها، لكننا لا نفهم اللغة الإسبانية. أولا، يجب علينا ترجمة النص من الإسبانية إلى الإنجليزية. بعد ذلك، نحتاج إلى طرح سؤال لاستخراج المعلومات، ومن ثم ترجمة المعلومات المستخرجة من الإنجليزية إلى الإسبانية مرة أخرى. هذه مهمة معقدة، وإذا حاولنا دمج كل هذه الخطوات في توجيه واحد، فسيصبح توجيه معقد للغاية، مما يزيد من احتمال حدوث المزيد من الأخطاء في الاستجابة. لذلك، من الأفضل تقسيم التوجيه المعقدة إلى سلسلة من التوجيهات البسيطة. تتضمن بعض الخطوات للقيام بذلك ما يلي:
لدينا هنا التوجيه المعقد: "تأمل النص المكتوب باللغة الإسبانية. ترجمه إلى اللغة الإنجليزية. استخرج جميع الإحصائيات والحقائق المستخدمة في هذا النص وقم بإدراجها كنقاط. ثم ترجمها مرة أخرى إلى الإسبانية."
لتحويل هذا التوجيه المعقد إلى توجيهات بسيطة، يمكننا تقسيم الهدف الرئيسي إلى إجراءات أصغر وإنشاء سلسلة توجيهات على النحو التالي:
سلسلة المطالبات المهيكلة هي مجموعة محددة مسبقًا من المطالبات أو الأسئلة المصممة لتوجيه المستخدم خلال محادثة أو سلسلة من الإجراءات، مما يضمن تدفقًا متسقًا ومنظمًا[4]. يُستخدم هذا غالبًا في دعم العملاء، التدريس، وأنظمة تفاعلية أخرى للحفاظ على الوضوح، والدقة، والكفاءة في التفاعل. عادةً ما تكون المطالبات في سلسلة مترابطة، مما يسمح للنظام بالبناء على الردود السابقة والحفاظ على السياق. يمكن أن يساعد هذا النهج في تقليل الغموض وتحسين رضا المستخدم وتعزيز التواصل الفعال بين البشر والآلات.
ابدأ بجمع مجموعة من التوجيهات المكتوبة مسبقًا التي يمكن تخصيصها لسيناريوهات متعددة. يجب أن تغطي هذه القوالب المهام والطلبات والأسئلة الشائعة التي قد يواجهها المستخدمون.
حدد الأسئلة أو التعليمات الأساسية التي يجب نقلها في سلسلة التوجيهات. يجب أن تكون هذه التوجيهات بسيطة وواضحة ومباشرة، ويجب أن تتمتع بالقدرة على الاستقلال بذاتها كتوجيهات فردية.
حدد المدخلات والمخرجات المحددة التي يحتاج المستخدم لتقديمها استجابةً لكل توجيه. يجب أن تكون هذه المدخلات محددة بوضوح وسهلة الفهم، ويجب ربطها بالتوجيهات المناسبة في سلسلة التوجيهات.
استخدم المكتبة المرجعية والتوجيهات الأساسية لبناء سلسلة التوجيهات الكاملة. تأكد من أن كل توجيه مرتبط منطقياً بالتوجيه الذي يليه، وأن المستخدم يُطلب منه تقديم الإدخالات الضرورية في النقاط المناسبة خلال التسلسل.
بعد بناء سلسلة التوجيهات، اختبرها بدقة للتأكد من سهولة فهمها وإكمالها. اطلب من مجموعة من المستخدمين إكمال سلسلة التوجيهات واجمع التعليقات حول أي مجالات للتحسين.
بناء على التعليقات التي يتم جمعها أثناء الاختبار، قم بإجراء أي تعديلات أو تحسينات ضرورية على سلسلة التوجيهات. قد يتضمن ذلك إعادة كتابة توجيهات معينة أو إضافة توجيهات أو إزالتها أو تغيير الترتيب الذي يتم به تقديم التوجيهات.
باتباع هذه الخطوات، يمكن لممثلي خدمة العملاء والمبرمجين بناء سلاسل توجيهات فعالة وذات كفاءة تساعد في إرشاد المستخدمين من خلال سلسلة من الإجراءات أو المهام.
يوفر ربط التوجيهات العديد من المزايا مقارنة بالأساليب التقليدية المستخدمة في هندسة التوجيهات. من خلال توجيه النموذج عبر سلسلة من التوجيهات، يعمل ربط التوجيهات على تعزيز الترابط والاتساق في توليد النص مما يؤدي إلى مخرجات أكثر دقة وجاذبية.
من خلال إلزام النموذج باتباع سلسلة من المطالبات، يساعد ربط المطالبات في الحفاظ على الاتساق في توليد النص. يعد هذا الأمر بالغ الأهمية في التطبيقات التي تتطلب الحفاظ على نبرة، أو أسلوب، أو تنسيق ثابت، مثل دعم العملاء أو الأدوار التحريرية[5].
في دعم العملاء، يمكن استخدام ربط التوجيهات لضمان التواصل المتسق مع المستخدمين. على سبيل المثال، يمكن أن يتم توجيه روبوت المحادثة لاستخدام الاسم المفضل للمستخدم أو اتباع نبرة صوت معينة طوال المحادثة.
يوفر ربط المطالبات تحكمًا أكبر في توليد النصوص، مما يسمح للمستخدمين بتحديد المخرجات المطلوبة بدقة. يُعد هذا مفيدًا بشكل خاص في المواقف التي تكون فيها بيانات الإدخال مشوشة أو غامضة، حيث يمكن توجيه النموذج لتوضيح أو تحسين الإدخال قبل توليد الاستجابة[6].
في أنظمة تلخيص النصوص، يتيح ربط التوجيهات للمستخدمين التحكم في مستوى التفاصيل والدقة في التلخيص المولّد. على سبيل المثال، قد يطلب من المستخدم أولا تقديم المحتوى الذي يرغب في تلخيصه، مثل ورقة بحثية، ثم يتم توجيه آخر لتهيئة هذا الملخص بتنسيق أو قالب محدد.
يساعد ربط المطالبات في تقليل معدلات الخطأ من خلال توفير سياق أفضل ومدخلات أكثر تركيزًا للنموذج. يعد ربط المطالبات المنظم مفيدًا لتقليل الجهد البشري والتحقق من صحة الرموز والمخرجات بشكل أسرع. من خلال تقسيم المدخلات إلى مطالبات أصغر يمكن التحكم فيها، يمكن للنموذج فهم نوايا المستخدم بشكل أفضل وتوليد استجابات أكثر دقة وملاءمة[7].
في أنظمة الترجمة الآلية، قبل ترجمة الجملة، قد يطلب النظام من المستخدم أولا تحديد اللغة المصدر واللغة الهدف وأي سياق أو مصطلحات ذات صلة. يساعد هذا النموذج على فهم النص المصدر بشكل أفضل وتوليد ترجمة دقيقة.
من خلال الاستفادة من هذه المزايا، يمتلك ربط التوجيهات القدرة على تحسين أداء وفعالية نماذج معالجة اللغة الطبيعية (NLP) في العديد من التطبيقات، بدءًا من دعم العملاء وحتى تحرير النصوص وترجمة اللغات.
يعد ربط التوجيهات تقنية متعددة الاستخدامات يمكن تطبيقها في مجموعة واسعة من حالات الاستخدام، وتنقسم إلى فئتين رئيسيتين: الإجابة على الأسئلة والمهام متعددة الخطوات.
كما يوحي اسمها، توفر مهام الإجابة على الأسئلة إجابات على الأسئلة المتداولة التي يطرحها المستخدمون. يقوم النموذج بأتمتة الرد بناءً على السياق من الوثائق الموجودة عادة في قاعدة المعرفة. تشمل التطبيقات الشائعة ما يلي:
كما هو متوقع، تتكون المهام متعددة الخطوات من سلسلة من الخطوات لتحقيق هدف معين. بعض الأمثلة على ذلك تشمل:
يُعد ربط التوجيهات تقنية قوية يمكن استخدامها في مجموعة متنوعة من التطبيقات في الوقت الحقيقي، لمساعدة المستخدمين والمحترفين على إتمام سلسلة من الإجراءات أو المهام. من خلال تقسيم المهام المعقدة إلى سلسلة من التوجيهات البسيطة، يمكن أن يساعد ربط التوجيهات في ضمان فهم المستخدمين والمحترفين للخطوات المطلوبة لإكمال الطلب، مما يوفر تجربة أفضل بشكل عام. سواء تم استخدامه في خدمة العملاء، أو البرمجة، أو التعليم، يمكن أن يساعد ربط التوجيهات في تبسيط العمليات المعقدة وتحسين الكفاءة والدقة.