فكِّر في السيناريو التالي. تطرح سؤالًا على نموذج ذكاء اصطناعي، فيعطيك إجابة واحدة، وتنتهي المسألة عند هذا الحد. بدلًا من ذلك، قدِّم له نموذجًا مُجربًا يوضِّح بالضبط كيفية التفكير في مشكلة معقدة، وفجأة سيصبح قادرًا على حل فئة كاملة من المسائل بسرعة أكبر وذكاء أعلى وبشكل أكثر اتساقًا. هذا ما توفِّره المطالبة الوصفية.
بينما يمكن للنماذج اللغوية الكبيرة (LLMs) مثل ChatGPT من OpenAI، وGemini من Google، ونماذج Anthropic مفتوحة المصدر التعامل مع العديد من المهام، غالبًا ما تواجه صعوبة في الاستدلال المعقد. تساعد الطرق الحالية مثل سلسلة الأفكار (Chain-of-Thought) وشجرة التفكير (Tree-of-Thought)، لكنها لا ترقى إلى مستوى الاستدلال البشري. تُغيِِّر المطالبة الوصفية ذلك من خلال تزويد النماذج اللغوية الكبيرة (LLMs) بأطر عمل منظمة لأداء أكثر تقدمًا.
تُعَد المطالبة الوصفية تقنية متقدمة في هندسة المطالبات تمنح النماذج اللغوية الكبيرة (LLMs) قالب توجيه قابلًا لإعادة الاستخدام خطوة بخطوة باللغة الطبيعية. تُتيح هذه الطريقة للنموذج حل فئة كاملة من المهام المعقدة، بدلًا من الاكتفاء بمهمة واحدة مرتبطة بمطالبة أصلية محددة. تُعلِّم المطالبة الوصفية نموذج الذكاء الاصطناعي كيفية التفكير في حل المشكلة من خلال التركيز على الهيكل والتركيب ونمط الاستدلال اللازم للوصول إلى الإجابة النهائية. وهذا يعني أنها تستخدم هندسة المطالبات لتحديد كيفية تفكير النموذج في المشكلة خطوة بخطوة قبل تقديم الإجابة النهائية.
على سبيل المثال، يطلب المستخدم من الذكاء الاصطناعي حل نظام من معادلتين خطيتين، x − y = 4 و2x + 3y = 12. يمكن توجيه الذكاء الاصطناعي باستخدام المطالبة الوصفية للقيام بما يلي:
توفِّر هذه البنية قابلية التكيف، وتقدِّم مخرجات عالية الجودة، وتسمح لوكلاء الذكاء الاصطناعي بالتعامل مع مشكلات معقدة في أي مجال تقريبًا مع الحاجة القليلة إلى إعادة التوجيه.
تستند تقنية المطالبة الوصفية إلى المفاهيم الرياضية، نظرية الأنواع ونظرية الفئات، التي توفِّر طريقة منظمة لربط المشكلات بالحلول.1
هذه الطريقة مهمة لأنها تحافظ على هيكل واضح بين المهام والمطالبات الخاصة بها، ما يجعل من السهل على الذكاء الاصطناعي اتِّباع قالب موحَّد وحل مجموعة واسعة من المشكلات. الفكرة الأساسية وراء نظرية الفئات هي رسم خريطة للعلاقات. الفئة هي "عالم" يتكوَّن من الأشياء وعلاقاتها. في المطالبة الوصفية، يمكننا مراعاة ما يلي:
إذا غيَّرت المهمة (مثل الأرقام في مسألة رياضية)، يظل إطار التفكير نفسه وتتكيف المطالبة وفقًا لذلك.
هذا السيناريو تعززه نظرية الأنواع، التي تضمن أن تصميم المطالبة يتوافق مع نوع المشكلة. في المطالبة الوصفية، قد يكون النوع "مشكلة رياضية" أو "طلب تلخيص". يضمن ذلك أن تحصل المهمة الرياضية على هيكل تفكير مخصص للرياضيات، بينما تحصل مهمة التلخيص على نموذج موجَّه للتلخيص، مع الحفاظ على الدقة والمرونة ومنع التفكير غير الملائم في المهام المعقدة.
لوضع هذه المفاهيم موضع التنفيذ، تتضمن المطالبة الوصفية ثلاث خطوات:
1. تحديد المهمة (T): تحديد فئة المشكلة، وليس الحالة الفردية فقط.
2. ربط المهمة بمطالبة منظمة (P): إنشاء قالب منظم ومتسلسل للتفكير باستخدام أداة المطالبة الوصفية (M). يمكن إنشاء هذه المطالبة تلقائيًا بواسطة وكلاء الذكاء الاصطناعي أو يدويًا.
3. التنفيذ والإخراج: يضمن النموذج اللغوي الكبير حل المشكلات بشكل متسق ومفهوم من خلال تطبيق المطالبة المنظمة والمخصصة على المدخلات المحددة.
في المثال السابق لحل نظام من معادلتين خطيتين: [2x + 3y = 12 وx - y = 4]، تكون المهمة (T) هي "حل أي نظام مكوَّن من معادلتين خطيتين". يؤدي التخطيط إلى إنشاء مطالبة جديدة (P) قد تبدو على النحو التالي:
"تصرَّف كمعلم رياضيات واشرح كيفية حل مجموعة المعادلات الخطية المعطاة خطوة بخطوة.
2x + 3y = 12 وx - y = 4
استخدِم هذا القالب المنظم:
1: تحديد المعاملات a1 وb1 وc1 من المعادلة الأولى وa2 وb2 وc2 من المعادلة الثانية.
2: اختَر طريقة للحل (التعويض أو الحذف).
3: إذا تم استخدام طريقة الحذف، فاضرب إحدى المعادلتين أو كلتيهما حتى تتساوى قيم المعاملات لكل من x أو y من حيث القيمة المطلقة.
4: جمع أو طرح المعادلات لإزالة متغير واحد.
5: حل المتغير المتبقي.
6: للعثور على المتغير الآخر، أدخل القيمة المحلولة في إحدى المعادلات الأوَّلية.
7: تحقق من ذلك عن طريق استبدال x وy في المعادلتين الأصليتين.
8: لخِّص الإجابة النهائية على النحو التالي: (x، y)".
إذا تغيرت المعادلات، يظل النموذج اللغوي الكبير قادرًا على حلها ومتابعة التحليل، لأن العامل الموجَّه يوفر نفس الهيكل مع أرقام جديدة. النتيجة هي قالب مطالبة مدروس يمكِّن سير عمل الذكاء الاصطناعي التوليدي من حل المشكلات بطريقة موثوق بها وقابلة للتكيف والتوسع.
تم اختبار المطالبة الوصفية على مهام مختلفة في التفكير والبرمجة والإبداع، وغالبًا ما تتفوق على المطالبة التقليدية وحتى على النماذج المصممة بشكل دقيق. على سبيل المثال، في مجموعة بيانات MATH التي تحتوي على 5,000 مسألة رياضية بمستوى تنافسي، استخدم الباحثون مطالبة وصفية دون تدريب مسبق مع النموذج اللغوي الكبير Qwen‑72B. حقق ذلك دقة بنسبة 46.3% متجاوزًا النتيجة الأولية لنموذج GPT‑4 البالغة 42.5%، متفوقًا أيضًا على النماذج المضبوطة بدقة. وفرت المطالبة الوصفية إطار العمل للتفكير خطوة بخطوة، ما سمح لها بالتعامل مع المسائل غير المرئية دون استخدام أمثلة محفوظة.
يمكن للمطالبة الوصفية إدارة سير عمل تطوير البرمجيات من التخطيط وحتى مراجعة الكود، ما يمكِّن النماذج اللغوية الكبيرة من العمل كمهندسين ومطورين ومختبِرين. على سبيل المثال، أدت إضافة متخصص في Python إلى بنية المطالبة الوصفية لتوليد وتنفيذ الكود إلى رفع نسبة النجاح في لغز برمجة Python من 32.7% إلى 45.8%.2يمكنه تحديد نبرة وهيكل المحتوى أثناء تطويره، وتكرار المواد للحصول على نتائج غنية ومتكاملة. على سبيل المثال، في مهمة كتابة السوناتة الشكسپيرية التي تتطلب الالتزام بهيكل شعري صارم، رفعت المطالبة الوصفية دقة الأداء مقارنةً بنسبة 62% عند استخدام المطالبة التقليدية. باستخدام Python، زادت الدقة إلى 79.6%، ودونه، إلى 77.6%، ما يدل على قوتها في تحسين النغمة والبنية.
وبالنظر إلى حالات الاستخدام هذه، تعمل المطالبة الوصفية على تحويل التعليمات المعقدة إلى خطوات يمكن التحكم فيها توفِّر نتائج تتماشى أكثر مع المجال.
تختلف المطالبة الوصفية عن تقنيات المطالبة مثل المطالبة دون خطوات والمطالبة بخطوات قليلة في كلٍّ من التركيز والتنفيذ.
في المطالبة دون خطوات، يحصل النموذج اللغوي الكبير على مهمة دون أي أمثلة، معتمدًا فقط على التدريب المسبق. على الرغم من أنها مناسبة للمهام البسيطة، فإنها غالبًا ما تؤدي إلى استنتاجات غير متسقة في المهام المعقدة. تحسِّن المطالبة الوصفية هذه المشكلة من خلال قالب مطالبة منظم وقابل لإعادة الاستخدام يوجِّه حل المشكلات ويضمن نتائج متسقة وقابلة للتفسير.
توفِّر المطالبة بخطوات قليلة للنموذج بعض الأمثلة ليقلّدها، مثل عرض ثلاث مسائل رياضية محلولة قبل طلب حل رابعة. يعتمد هذا الأسلوب على "التعليم من خلال الأمثلة"، لكنه لا يزال يربط تفكير النموذج بتلك الأمثلة. بدلًا من ذلك، تعمل المطالبة الوصفية على تجريد عملية حل المشكلات نفسها إلى قالب عام متسلسل، مستقل عن أمثلة محددة، يمكن تكييفه وإعادة استخدامه عبر فئات كاملة من المشكلات.
بالمقارنة مع المطالبة بتسلسل الأفكار (Chain-of-Thought) التي توجِّه النموذج للتفكير خطوة بخطوة، تعمل المطالبة الوصفية على تحديد ما يجب أن تكون عليه تلك الخطوات لنوع مهمة معين، ما يجعل عملية الاستدلال أكثر قابلية للتكيف.
تجعل هذه القدرة المطالبة الوصفية ذات قيمة خاصة للذكاء الاصطناعي التوليدي ووكلاء الذكاء الاصطناعي وسير العمل حيث تكون الموثوقية والقدرة على التكيف من الأمور الضرورية.
يمكن تطبيق المطالبة الوصفية بطرق مختلفة اعتمادًا على من ينشئ المطالبة الوصفية وكيفية إنشائها وكيفية استخدامها في سير عمل الذكاء الاصطناعي.
هذا النوع هو النوع الأكثر وضوحًا من المطالبات الوصفية. يقوم شخص مثل خبير أو مهندس المطالبة بكتابة قالب واضح خطوة بخطوة للمهمة. ثم يتَّبِع النموذج اللغوي الكبير هذا الهيكل للوصول إلى الإجابة. يعمل هذا النهج بشكل جيد عندما تعرف بالضبط كيف يجب حل المشكلة وتريد مخرجات متسقة وعالية الجودة. لذلك، يستغرق إنشاء هذه المطالبات وقتًا وخبرة للعديد من المهام المختلفة.
هنا، يعمل النموذج اللغوي الكبير أو وكيل الذكاء الاصطناعي على إنشاء المطالبة الوصفية لنفسه قبل حل المشكلة. يحدث هذا النوع على مرحلتين: في المرحلة الأولى، يأخذ الوصف الخاص بالمهمة ويولِّد مطالبة منظمة خطوة بخطوة؛ أما في المرحلة الثانية، فيتم استخدام هذه المطالبة لإنتاج الإجابة النهائية. يُتيح ذلك للذكاء الاصطناعي تكييف عملية حل المشكلات الخاصة به، ما يجعله مفيدًا في سيناريوهات المطالبة دون خطوات والمطالبة بخطوات قليلة دون الحاجة إلى أمثلة جاهزة. العيب هو أن جودة المخرجات تعتمد على مدى جودة مطالبة الذكاء الاصطناعي.
يُستخدم هذا النوع في سير العمل المعقد للذكاء الاصطناعي حيث تتعاون عدة نماذج لغوية كبيرة أو وكلاء ذكاء اصطناعي معًا. يعمل نموذج القائد (Conductor) على تخطيط العملية وإنشاء مطالبات وصفية مختلفة لكل نموذج متخصص. ثم يقسِّم المهمة الكبرى إلى مهام فرعية، ثم يستخدم قوالب المطالبات لتوزيع كل جزء على النموذج المتخصص المناسب. على سبيل المثال، يتولى نموذج واحد العمليات الحسابية، وآخر يكتب كود Python، وثالث يتحقق من النتائج. يؤدي هذا العمل الجماعي إلى تحسين الدقة والقدرة على التكيف، لكنه يحتاج إلى المزيد من قوة الحوسبة.
المطالبة الوصفية ليست مجرد طريقة لتحسين استجابات الذكاء الاصطناعي، بل هي طريقة لتفاعل الأشخاص مع النماذج اللغوية الكبيرة. فبدلًا من إعطاء التعليمات المباشرة لنماذج الذكاء الاصطناعي، نعمل على توجيه عملية تفكيرها من خلال تعليمها كيفية توليد مطالبات فعَّالة بنفسها. تُتيح المطالبة الوصفية نوعًا من تحسين الذات للذكاء الاصطناعي، حيث تتطور قدرات الاستدلال والمرونة مع كل تكرار، ما يساهم في تطوير أنظمة ذكاء اصطناعي أكثر ذكاءً واستقلالية.