تُعَد تقنيات هندسة المطالبات استراتيجيات يتم استخدامها لتصميم وصياغة المطالبات أو استعلامات الإدخال أو التعليمات المقدمة لنماذج الذكاء الاصطناعي، وخاصةً النماذج اللغوية الكبيرة (LLMs) مثل GPT-4 من OpenAI أو Google Gemini أو IBM® Granite. تهدف هذه التقنيات إلى توجيه أنظمة الذكاء الاصطناعي التوليدي لإنتاج استجابات دقيقة وذات صلة ومناسبة للسياق، ما يُتيح للمستخدمين تحقيق المخرجات المرجوّة بشكل فعَّال.
تمتلك النماذج اللغوية الكبيرة، المبنية على خوارزميات التعلّم الآلي المتقدمة، القدرة على فهم وإنشاء نصوص تشبه النصوص البشرية. وتستفيد هندسة المطالبات من هذه القدرة من خلال صياغة المدخلات التي تساعد النموذج على أداء المهام المعقدة، مثل التلخيص أو الترجمة أو الكتابة الإبداعية أو حل المشكلات، بدقة أكبر. من خلال تجربة بنى مطالبات مختلفة، يمكن للمستخدمين التأثير في سلوك النماذج اللغوية الكبيرة لتحسين أدائها عبر تطبيقات متنوعة.
مع استمرار دور الذكاء الاصطناعي التوليدي في مختلَف المجالات، أصبح فهم تقنيات هندسة المطالبات أمرًا ضروريًا لاستغلال إمكاناته بالكامل وتكييف النماذج لتلبية الاحتياجات الخاصة بكفاءة.
المطالبة هي النص أو الاستعلام الذي يتم تقديمه إلى نموذج الذكاء الاصطناعي، مثل النماذج اللغوية الكبيرة، بهدف توليد استجابة. وهي الآلية الأساسية لتوجيه سلوك النموذج وتحديد المهمة وتحديد سياق التفاعل. تؤثِّر صياغة المطالبة بشكل كبير في جودة المخرجات وأهميتها، ما يجعل من الضروري اختيار نوع المطالبة المناسبة للمهام المحددة.
لتحقيق أفضل النتائج من نماذج الذكاء الاصطناعي، من الضروري فهم الطرق المختلفة التي يمكن بها صياغة المطالبات لتتناسب مع المهام والأهداف المتنوعة. هناك ثلاث طرق رئيسية لصياغة المطالبة: التعليمات المباشرة، والتعليمات المفتوحة، والتعليمات الخاصة بالمهمة.
التعليمات المباشرة هي أوامر واضحة ومحددة تخبر الذكاء الاصطناعي بما يجب فعله بالضبط. تُعَد هذه المطالبات مثالية للمهام البسيطة التي يكون لدى المستخدم فيها توقُّع واضح للمخرجات. تعتمد المطالبات المباشرة على قدرة النموذج على تحليل التعليمات الصريحة وتوليد استجابات تتماشى بشكل وثيق مع الأمر. وكلما كانت التعليمات أكثر تفصيلًا، زادت احتمالية تلبية المخرجات للتوقعات.
مثال:
في هذه الحالة، يعرف الذكاء الاصطناعي التنسيق الدقيق [قصيدة] والموضوع [الطبيعة] لإنشاء النص.
تُعَد التعليمات المفتوحة أقل تقييدًا وتشجِّع الذكاء الاصطناعي على استكشاف أفكار أوسع أو تقديم استجابات إبداعية وتفسيرية. تُعَد هذه المطالبات مفيدة للعصف الذهني أو سرد القصص أو المناقشات الاستكشافية حيث يقدِّر المستخدم التنوع والأصالة في المخرجات. تستفيد المطالبات المفتوحة من القدرات التوليدية للنموذج دون فرض قيود. يعتمد النموذج على بيانات التدريب الخاصة به لاستنتاج أفضل نهج للمطالبة، والتي يمكن أن تؤدي إلى نتائج متنوعة أو غير متوقعة.
مثال:
هنا، يتمتع الذكاء الاصطناعي بحرية تحديد جوانب الكون التي يجب مناقشتها، مثل أصله أو بنيته أو النظريات العلمية.
تم تصميم التعليمات المخصصة للمهام من أجل المهام الدقيقة والموجَّهة نحو الهدف، مثل الترجمة أو التلخيص أو العمليات الحسابية. غالبًا ما تتم صياغة هذه المطالبات بوضوح ويمكن أن تتضمن سياقًا أو أمثلة إضافية للمساعدة على ضمان دقة الإجابات. تعمل المطالبات المخصصة للمهام على تعزيز فهم النموذج للمهام المتخصصة. يمكن أن تتضمن تقنيات المطالبة المتقدمة مثل المطالبة بخطوات قليلة (تقديم أمثلة) أو المطالبة الصفرية (دون تقديم أمثلة ولكن بالاعتماد على معرفة النموذج المدرَّبة مسبقًا).
مثال:
يستوعب النموذج كلًا من مهمة الترجمة اللغوية والإدخال المحدد، ما يمكِّنه من إنتاج المخرجات المطلوبة: "Bonjour".
من خلال فهم هذه الأنواع من المطالبات والفروق الفنية الدقيقة وراءها، يمكن للمستخدمين صياغة مطالبات، توجِّه نماذج الذكاء الاصطناعي بفاعلية، وتحسين جودة الإجابات وملاءمتها.
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.
لزيادة فعالية نماذج الذكاء الاصطناعي إلى أقصى حد، تستخدم هندسة المطالبات مجموعة متنوعة من التقنيات المصممة خصيصًا لمختلَف المهام والأهداف. فيما يلي العديد من التقنيات الرئيسية، كلٌّ منها موضَّح بأمثلة على المطالبات المصممة لتحقيق نتائج محددة.
لتوضيح فاعلية تقنيات هندسة المطالبات المختلفة، دعونا نتحقق من مهمة واحدة كحالة استخدام مركزية: شرح تغيُّر المناخ. تتم صياغة المهمة على النحو التالي:
تتعامل كل تقنية مع المهمة بشكل مختلف، حيث تقدِّم مستويات متفاوتة من التوجيه والتعقيد والمنهجية. فيما يلي، نستكشف كيف يمكن تطبيق هذه التقنيات على حالة الاستخدام هذه، مع مطالبات مصممة خصيصًا لتسليط الضوء على قدراتها.
المطالبة الصفرية تتضمن طلبًا من النموذج لأداء مهمة دون تقديم أي أمثلة أو إرشادات مسبقة. تعتمد كليًا على المعرفة المدرَّبة مسبقًا للذكاء الاصطناعي لتفسير الاستجابة للمطالبة.[1]
مثال على المطالبة:
لا يتم إعطاء النموذج أي أمثلة سابقة أو سياق إضافي ويجب أن يعتمد فقط على معرفته المدرَّبة مسبقًا لتوليد المخرجات.
تتضمن المطالبة بخطوات قليلة عددًا صغيرًا من الأمثلة داخل المطالبة لإظهار المهمة للنموذج. يساعد هذا النهج النموذج على فهم السياق والمخرجات المتوقعة بشكل أفضل.[2]
مثال على المطالبة:
من خلال تقديم بعض الأمثلة على كيفية شرح مواضيع أخرى، يتم توجيه النموذج بشأن الأسلوب ومستوى البساطة المتوقع لشرح تغيُّر المناخ.
تشجِّع المطالبة بسلسة الأفكار النموذج على التفكير في المشكلة خطوة بخطوة، وتقسيمها إلى عناصر أصغر للوصول إلى نتيجة منطقية.[3]
مثال على المطالبة:
يتم تشجيع النموذج على التفكير خطوة بخطوة، وتقسيم التفسير إلى أجزاء منطقية أصغر من أجل الوضوح.
تتضمن المطالبة الوصفية مطالبة النموذج بإنشاء أو تحسين مطالباته الخاصة لأداء المهمة بشكل أفضل. يمكن لهذه التقنية تحسين جودة الإخراج من خلال الاستفادة من قدرة النموذج على التوجيه الذاتي.[4]
مثال على المطالبة:
يُنشئ النموذج مطالبة خاصة به قبل محاولة شرح الموضوع، ما قد يحسِّن من ملاءمة المخرجات وجودتها.
تعتمد تقنية التناسق الذاتي على توليد عدة إجابات مستقلة من النموذج لتحديد الاستجابة الأكثر ترابطًا ودقة. وهي مفيدة بشكل خاص للمهام التي تتطلب استدلالًا أو تفسيرًا.[5]
مثال على المطالبة:
ينتج النموذج استجابات مستقلة متعددة ويختار الاستجابات الأكثر اتساقًا أو تماسكًا كمخرجات نهائية.
تتضمن هذه التقنية مطالبة النموذج بتوليد معرفة أساسية قبل معالجة المهمة الرئيسية، ما يعزز قدرته على إنتاج استجابات مستنيرة ودقيقة.[6]
مثال على المطالبة:
يولِّد النموذج المعرفة الأساسية أولًا (على سبيل المثال، الغازات الدفيئة والاحتباس الحراري) لتقديم تفسير أكثر استنارة.
تتضمن سلسلة المطالبات ربط عدة مطالبات معًا، بحيث يصبح مخرج إحدى المطالبات هو مدخل المطالبة التالية. وهذه التقنية مثالية للعمليات متعددة الخطوات.
مثال على المطالبة:
المطالبة التالية بناءً على الاستجابة السابقة:
المطالبة التالية بناءً على الاستجابة السابقة:
يتم تقسيم المهمة إلى سلسلة من المطالبات الصغرى، حيث يتم استخدام مخرج كل خطوة كمُدخل للخطوة التالية لتقديم شرح أكثر تنظيمًا.
تشجِّع المطالبة بشجرة الأفكار النموذج على استكشاف فروع متعددة من الاستدلال أو الأفكار قبل الوصول إلى المخرجات النهائية.[7][8]
مثال على المطالبة:
يستكشف النموذج عدة أساليب للتفسير ويختار الأكثر فاعلية، لتقديم مخرجات متكاملة ومتوازنة.
التوليد المعزز بالاسترجاع (RAG) يجمع بين استرجاع المعلومات الخارجية والذكاء الاصطناعي التوليدي لإنتاج استجابات تستند إلى المعرفة الحديثة أو الخاصة بالمجال.[9]
مثال على المطالبة:
يجمع النموذج بين قدراته التوليدية والمعرفة الخارجية لإنتاج تفسير مستنير.
تدمج هذه التقنية القدرات مع الأدوات الخارجية أو واجهة برمجة التطبيقات، ما يسمح للنموذج باستخدام الموارد مثل الآلات الحاسبة أو محركات البحث.[10]
مثال على المطالبة:
يدمج النموذج الاستدلال مع الأدوات الخارجية (مثل الآلات الحاسبة أو واجهات برمجة التطبيقات) لتحليل البيانات وتقديم تفسير قائم على البيانات.
تنطوي هذه الطريقة على استخدام الذكاء الاصطناعي نفسه لتوليد التعليمات الخاصة بمهام محددة وتحسينها، ما يؤدي إلى أتمتة عملية صياغة التعليمات الفعَّالة.
مثال على المطالبة:
يعمل النموذج على أتمتة إنشاء مطالبة محسَّنة لتحسين جودة استجاباته.
تعمل المطالبة النشطة على تعديل المطالبة ديناميكيًا استنادًا إلى المخرجات الوسيطة للنموذج، مع تحسين الإدخال للحصول على نتائج أفضل.[11]
المطالبة الأوَّلية
المطالبة اللاحقة
تتطور المطالبة ديناميكيًا استنادًا إلى المخرجات الوسيطة، مع تحسين الاستجابة عبر عدة تكرارات.
تستخدم المطالبة التحفيزية الاتجاهية (DSP) مؤشرات توجِّه النموذج نحو نوع محدد من الاستجابات أو وجهة النظر.[12]
مثال على المطالبة:
يتم توجيه النموذج نحو منظور أو نبرة محددة، ما يؤثِّر في صياغة تفسيره.
يدمج PALM قدرات البرمجة لتعزيز مهارات النموذج في الاستدلال والحساب.[13]
مثال على المطالبة:
يجمع النموذج بين البرمجة وتوليد اللغة لتوفير كلٍّ من التصوُّر والشرح.
يجمع ReAct بين الاستدلال ومطالبات التنفيذ، ما يشجِّع النموذج على التفكير النقدي والتصرُّف بناءً على استدلاله.[14]
مثال على المطالبة:
يوضِّح هذا المثال كيف يمكن للنموذج الجمع بين التفكير التحليلي والرؤى القابلة للتنفيذ.
يسمح الانعكاس للنموذج بتقييم مخرجاته السابقة وتحسينها لتحسين الدقة أو التماسك.[15]
مثال على المطالبة:
يُعيد النموذج النظر في مخرجاته السابقة ويحسِّنها بشكل متكرر.
يدمج هذا الأسلوب الاستدلال على شكل سلسلة من الأفكار عبر عدة وسائط، مثل النصوص والصور أو الصوت.[16]
مثال على المطالبة:
يدمج النموذج الاستدلال عبر طرائق متعددة (النص والصور) لتقديم شرح شامل.
تستفيد المطالبة بالرسوم البيانية من الهياكل القائمة على الرسم البياني لتنظيم العلاقات المعقدة بين المفاهيم أو نقاط البيانات والاستدلال عليها.
مثال على المطالبة:
يستخدم النموذج الاستدلال المستند إلى الرسم البياني لربط نقاط البيانات وإنشاء شرح متعمق.
وهكذا، يمكننا أن نرى كيف يمكن تطبيق تقنيات هندسة المطالبات المختلفة على مهمة واحدة. ومن خلال استخدام المهمة نفسها عبر طرق مثل المطالبة الصفرية والمطالبة بخطوات قليلة وسلسلة الأفكار وشجرة الأفكار، يمكننا ملاحظة كيف ينظِّم كل أسلوب المهمة بطريقة مختلفة ويوجِّه الذكاء الاصطناعي لإنتاج استجابات فريدة. تُظهر هذه الأمثلة مرونة وإبداع هندسة المطالبات في حل مجموعة متنوعة من التحديات. ونشجِّع القراء على تجربة أمثلة المطالبات هذه مع نماذج ذكاء اصطناعي مختلفة، مثل نماذج IBM Granite أو ChatGPT من OpenAI أو Bard من Google أو Claude من Anthropic أو Cohere أو Jurassic من AI21 Labs. يتيح ذلك للمستخدمين ملاحظة اختلاف النتائج واكتشاف ما يناسب احتياجاتهم بشكل أفضل.
على الرغم من قوة تقنيات هندسة المطالبات، فإنها تواجه عدة تحديات. فقد يكون من الصعب صياغة مطالبات فعَّالة تنتج نتائج دقيقة باستمرار، خاصةً في المهام التي تتطلب التفكير المعقد أو فهم المنطق السليم أو الاستجابات الدقيقة. من المشكلات الشائعة الأخرى الهلوسة، حيث تنتج نماذج الذكاء الاصطناعي التوليدي معلومات غير دقيقة أو ملفقة بالكامل. والاعتماد على قوالب منظمة أو تعديل ضبط النموذج يمكن أن يساعد على التخفيف من بعض هذه المشكلات، لكن تصميم المطالبات التي تنجح في سيناريوهات متنوعة يظل عملية تجريبية. بالإضافة إلى ذلك، قد يكون من الصعب تحقيق التوازن بين القدرات العامة للذكاء الاصطناعي والأهداف الخاصة بالمهام، خاصةً بالنسبة إلى المهام المتخصصة أو الخاصة بمجال معين.
تمتلك تقنيات هندسة المطالبات مجموعة واسعة من التطبيقات في مختلَف المجالات. في روبوتات المحادثة، تساعد على تحسين الاستجابات التي تم إنشاؤها لتحسين تفاعلات المستخدم في الوقت الفعلي. بالنسبة إلى المطورين، يمكن أن تساعد المطالبة على إنشاء مقتطفات من التعليمات البرمجية أو إنشاء برنامج تعليمي خطوة بخطوة لمفاهيم البرمجة. في التعليم، يمكنها تبسيط التفسيرات أو حل مشكلة رياضية بتفكير تفصيلي. تستخدم الشركات هندسة المطالبات في صناعة القرار من خلال توليد مخرجات ذكاء اصطناعي مصممة خصيصًا لسيناريوهات محددة. على نطاق واسع، يتم استخدام هذه التقنيات في إنشاء المحتوى ودعم العملاء وسير العمل الآلي، ما يجعل أنظمة الذكاء الاصطناعي أكثر كفاءة وقدرة على التكيف مع المهام المتنوعة.
يكمن مستقبل تقنيات هندسة المطالبات في تطوير معالجة اللغة الطبيعية للمساعدة على ضمان استجابات أكثر دقة وملاءمة عبر التطبيقات المتنوعة. ومع تطور نماذج الذكاء الاصطناعي، ستتحسن قدرتها على التفكير المنطقي، ما يمكِّنها من التعامل مع مهام أكثر تعقيدًا بأقل قدر من التوجيهات. يمكننا أيضًا أن نتوقع تطوير أدوات وأطر عمل أكثر ذكاءً لأتمتة عملية إنشاء المطالبات وتحسينها، ما يجعل التفاعلات مع الذكاء الاصطناعي أكثر سهولة وفاعلية وتخصيصًا للمستخدمين في مختلَف المجالات.
تُعَد تقنيات هندسة المطالبات ضرورية لتحسين التفاعل مع الذكاء الاصطناعي واستغلال الإمكانيات الكاملة للنماذج اللغوية الكبيرة. ومن خلال استخدام أساليب منظمة مثل المطالبة الصفرية والمطالبة بخطوات قليلة وسلسلة الأفكار وشجرة الأفكار، تُتيح هذه التقنيات للذكاء الاصطناعي التعامل مع مجموعة واسعة من المهام، بدءًا من روبوتات المحادثة ووصولًا إلى اتخاذ القرارات والتعليم. وعلى الرغم من التحديات مثل الهلوسة وتصميم مطالبات فعَّالة، تستمر تطبيقات هندسة المطالبات في التوسع في مختلَف المجالات، ما يوفر مخرجات ذكاء اصطناعي أكثر ذكاءً وتخصيصًا. ومع التقدم في مجال معالجة اللغة الطبيعية والقدرات الاستدلالية، فإن مستقبل هندسة المطالبات يَعِدُ بمزيد من الكفاءة والقدرة على التكيف. نشجِّع القراء على تجربة هذه التقنيات عبر نماذج ذكاء اصطناعي مختلفة لاستكشاف إمكانياتها وتحسين نتائجها.
[1] Wei, J., Bosma, M., Zhao, V.Y., Guu, K., Yu, A.W., Lester, B., Du, N., Dai, A.M. and Le, Q.V., 2021. Finetuned language models are zero-shot learners. arXiv preprint arXiv:2109.01652.
[2] Touvron, H., Lavril, T., Izacard, G., Martinet, X., Lachaux, M.A., Lacroix, T., Rozière, B., Goyal, N., Hambro, E., Azhar, F. and Rodriguez, A., 2023. Llama: Open and efficient foundation language models. arXiv preprint arXiv:2302.13971.
[3] Wei, J., Wang, X., Schuurmans, D., Bosma, M., Xia, F., Chi, E., Le, Q.V. and Zhou, D., 2022. Chain-of-thought prompting elicits reasoning in large language models. Advances in neural information processing systems, 35, pp.24824-24837.
[4] Zhang, Y., Yuan, Y. and Yao, A.C.C., 2023. Meta prompting for ai systems. arXiv preprint arXiv:2311.11482.
[5] Wang, X., Wei, J., Schuurmans, D., Le, Q., Chi, E., Narang, S., Chowdhery, A. and Zhou, D., 2022. Self-consistency improves chain of thought reasoning in language models. arXiv preprint arXiv:2203.11171.
[6] Liu, J., Liu, A., Lu, X., Welleck, S., West, P., Bras, R.L., Choi, Y. and Hajishirzi, H., 2021. Generated knowledge prompting for commonsense reasoning. arXiv preprint arXiv:2110.08387.
[7] Yao, S., Yu, D., Zhao, J., Shafran, I., Griffiths, T., Cao, Y. and Narasimhan, K., 2023. Tree of thoughts: Deliberate problem solving with large language models. Advances in neural information processing systems, 36, pp.11809-11822.
[8] Long, J., 2023. Large language model guided tree-of-thought. arXiv preprint arXiv:2305.08291.
[9] Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.T., Rocktäschel, T. and Riedel, S., 2020. Retrieval-augmented generation for knowledge-intensive nlp tasks. Advances in neural information processing systems, 33, pp.9459-9474.
[10] Paranjape, B., Lundberg, S., Singh, S., Hajishirzi, H., Zettlemoyer, L. and Ribeiro, M.T., 2023. Art: Automatic multi-step reasoning and tool-use for large language models. arXiv preprint arXiv:2303.09014.
[11] Diao, S., Wang, P., Lin, Y., Pan, R., Liu, X. and Zhang, T., 2023. Active prompting with chain-of-thought for large language models. arXiv preprint arXiv:2302.12246.
[12] Li, Z., Peng, B., He, P., Galley, M., Gao, J. and Yan, X., 2023. Guiding large language models via directional stimulus prompting. Advances in Neural Information Processing Systems, 36, pp.62630-62656
[13] Gao, L., Madaan, A., Zhou, S., Alon, U., Liu, P., Yang, Y., Callan, J. and Neubig, G., 2022. Pal: program-aided language models. arXiv. arXiv preprint arXiv:2211.10435.
[14] Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K. and Cao, Y., 2023, January. React: Synergizing reasoning and acting in language models. In International Conference on Learning Representations (ICLR).
[15] Shinn, N., Cassano, F., Gopinath, A., Narasimhan, K. and Yao, S., 2023. Reflexion: Language agents with verbal reinforcement learning. Advances in Neural Information Processing Systems, 36, pp.8634-8652.
[16] Zhang, Z., Zhang, A., Li, M., Zhao, H., Karypis, G. and Smola, A., 2023. Multimodal chain-of-thought reasoning in language models. arXiv preprint arXiv:2302.00923.
[17] Liu, Z., Yu, X., Fang, Y. and Zhang, X., 2023, April. Graphprompt: Unifying pre-training and downstream tasks for graph neural networks. In Proceedings of the ACM web conference 2023 (pp. 417-428).