الصورة عن طريق Freepik

تلعب نماذج اللغات الكبيرة (LLMs) مثل GPT من OpenAI وMistral's Mixtral دورًا مهمًا بشكل متزايد في تطوير التطبيقات التي تعمل بالذكاء الاصطناعي. إن قدرة هذه النماذج على توليد نتائج شبيهة بالنتائج البشرية تجعلها مساعدًا مثاليًا لإنشاء المحتوى وتصحيح أخطاء التعليمات البرمجية والمهام الأخرى التي تستغرق وقتًا طويلاً.

ومع ذلك، أحد التحديات الشائعة التي نواجهها عند العمل مع LLMs هو إمكانية مواجهة معلومات غير صحيحة في الواقع، والمعروفة باسم الهلوسة. سبب هذه الأحداث ليس بعيد المنال. يتم تدريب LLMs على تقديم إجابات مرضية للمطالبات؛ وفي الحالات التي لا يستطيعون فيها تقديم واحدة، فإنهم يستحضرون واحدًا. يمكن أيضًا أن تتأثر الهلوسة بنوع المدخلات والتحيزات المستخدمة في تدريب هذه النماذج.

في هذه المقالة، سوف نستكشف ثلاث تقنيات تحفيز متقدمة مدعومة بالأبحاث والتي ظهرت باعتبارها أساليب واعدة للحد من حدوث الهلوسة مع تحسين كفاءة وسرعة النتائج التي تنتجها LLMs.

لفهم التحسينات التي تجلبها هذه التقنيات المتقدمة بشكل أفضل، من المهم أن نتحدث عن أساسيات الكتابة السريعة. تشير المطالبات في سياق الذكاء الاصطناعي (وفي هذه المقالة، LLMs) إلى مجموعة من الأحرف أو الكلمات أو الرموز المميزة أو مجموعة من الإرشادات التي توجه نموذج الذكاء الاصطناعي فيما يتعلق بقصد المستخدم البشري.

تشير الهندسة السريعة إلى فن إنشاء المطالبات بهدف توجيه السلوك بشكل أفضل والمخرجات الناتجة لماجستير القانون المعني. وباستخدام تقنيات مختلفة لنقل النوايا البشرية بشكل أفضل، يستطيع المطورون تعزيز نتائج النماذج من حيث الدقة، والملاءمة، والتماسك.

فيما يلي بعض النصائح الأساسية التي يجب عليك اتباعها عند صياغة المطالبة:

• كن موجزا
• توفير البنية عن طريق تحديد تنسيق الإخراج المطلوب
• أعط مراجع أو أمثلة إن أمكن. 

كل هذا سيساعد النموذج على فهم ما تحتاجه بشكل أفضل وزيادة فرص الحصول على إجابة مرضية.

فيما يلي مثال جيد يستعلم عن نموذج الذكاء الاصطناعي بمطالبة باستخدام جميع النصائح المذكورة أعلاه:

موجه = "أنت مهندس سريع متخصص في الذكاء الاصطناعي. يرجى إنشاء ملخص مكون من جملتين لأحدث التطورات في توليد الهلوسة، مع التركيز على تحديات الهلوسة وإمكانية استخدام تقنيات التحفيز المتقدمة لمواجهة هذه التحديات. يجب أن يكون الإخراج بتنسيق تخفيض السعر."

ومع ذلك، فإن اتباع هذه النصائح الأساسية التي تمت مناقشتها سابقًا لا يضمن دائمًا النتائج المثلى، خاصة عند التعامل مع المهام المعقدة.

لقد استثمر باحثون بارزون من مؤسسات بارزة في مجال الذكاء الاصطناعي مثل Microsoft وGoogle الكثير من الموارد في تحسين LLM، أي الدراسة النشطة للأسباب الشائعة للهلوسة وإيجاد طرق فعالة لمعالجتها. تم العثور على تقنيات الحث التالية لتوفير تعليمات أفضل ومدركة للسياق لماجستير القانون المدروس، وبالتالي زيادة فرص الحصول على نتائج أفضل ذات صلة وكذلك تقليل احتمالية الحصول على معلومات غير دقيقة أو لا معنى لها.

فيما يلي بعض الأمثلة على تقنيات المطالبة المتقدمة القائمة على الأبحاث:

1. تحفيز الإقناع العاطفي

A دراسة 2023 قام بها باحثون من مايكروسوفت وجدت أن استخدام اللغة العاطفية والمطالبات المقنعة، التي تسمى "EmotionPrompts"، يمكن أن يحسن أداء LLM بنسبة تزيد عن 10٪. 

يضيف هذا الأسلوب عنصرًا شخصيًا وعاطفيًا إلى الموجه المحدد، مما يحول الطلب إلى طلب مهم للغاية وله عواقب كبيرة على النتائج. إنه تقريبًا مثل التحدث إلى إنسان؛ يساعد استخدام الزاوية العاطفية في إيصال أهمية المهمة، وتحفيز التركيز والالتزام بشكل أعمق. يمكن أن تكون هذه الإستراتيجية مفيدة للمهام التي تتطلب مهارات أعلى في حل المشكلات والإبداع.

دعونا نلقي نظرة على مثال بسيط حيث يتم استخدام العاطفة لتعزيز المطالبة:

موجه الأساسية: "اكتب نص بايثون لفرز قائمة الأرقام."

موجه مع العاطفي إقناع: "أنا متحمس لتطوير مهاراتي في بايثون، ولست بحاجة لكتابة برنامج نصي لفرز الأرقام. هذه خطوة حاسمة في مسيرتي المهنية كمطور."

في حين أن كلا الإصدارين الموجهين أنتجا نتائج تعليمات برمجية مماثلة، إلا أن تقنية "EmotionPrompts" ساعدت في إنشاء رمز أكثر وضوحًا وقدمت تفسيرات إضافية كجزء من النتيجة التي تم إنشاؤها.

تجربة أخرى مثيرة للاهتمام فينكستر وجدت أن تقديم النصائح المالية لحاملي شهادة الماجستير في القانون يمكن أن يؤدي أيضًا إلى تحسين أدائهم - تقريبًا مثل مناشدة الحافز المالي للإنسان.

2. سلسلة من الأفكار المطالبة

تم اكتشاف تقنية تحفيزية أخرى لفعاليتها بواسطة أ مجموعة من الباحثين في جامعة بيتسبرغ هو أسلوب سلسلة الفكر. تستخدم هذه التقنية نهجًا خطوة بخطوة يرشد النموذج عبر بنية الإخراج المطلوبة. يساعد هذا النهج المنطقي النموذج على صياغة استجابة أكثر صلة وتنظيمًا لمهمة أو سؤال معقد.

فيما يلي مثال لكيفية إنشاء موجه نمط سلسلة الأفكار بناءً على القالب المحدد (باستخدام ChatGPT الخاص بـ OpenAI مع GPT-4):

المطالبة الأساسية: "قم بصياغة خطة تسويق رقمية لتطبيق مالي يستهدف أصحاب الأعمال الصغيرة في المدن الكبيرة."

N
 

سلسلة الفكر موجه:

"حدد استراتيجية التسويق الرقمي لتطبيق مالي لأصحاب الأعمال الصغيرة في المدن الكبيرة. قم بالتركيز على:

1. اختيار المنصات الرقمية التي تحظى بشعبية كبيرة بين هذه المجموعة السكانية للأعمال.
2. إنشاء محتوى جذاب مثل الندوات عبر الإنترنت أو الأدوات الأخرى ذات الصلة.
3. إنشاء تكتيكات فعالة من حيث التكلفة فريدة من نوعها عن الإعلانات التقليدية.
4. تصميم هذه التكتيكات لتناسب احتياجات الأعمال التجارية الصغيرة في المناطق الحضرية بطريقة تزيد من معدلات تحويل العملاء.

قم بتسمية وتفصيل كل جزء من الخطة بخطوات فريدة وقابلة للتنفيذ.

أنتجت سلسلة التقنية السريعة نتيجة أكثر دقة وقابلة للتنفيذ من نظرة خاطفة.

تقنية Step-Back-Prompting، التي قدمها سبعة من موظفي Google الباحثون في ديب مايند، تم تصميمه لمحاكاة المنطق عند التعامل مع LLMs. وهذا مشابه لتعليم الطالب المبادئ الأساسية للمفهوم قبل حل مشكلة معقدة.

لتطبيق هذه التقنية، تحتاج إلى الإشارة إلى المبدأ الأساسي وراء السؤال قبل أن تطلب من النموذج تقديم إجابة. وهذا يضمن حصول النموذج على سياق قوي، مما سيساعده على تقديم إجابة صحيحة وذات صلة من الناحية الفنية. 

دعونا نتفحص مثالين (باستخدام ChatGPT الخاص بـ OpenAI مع GPT-4):

مثال 1:

موجه الأساسية: "كيف تعمل اللقاحات؟"

المطالبات باستخدام تقنية Step-Back

1. "ما هي الآليات البيولوجية التي تسمح للقاحات بالحماية من الأمراض؟"

    

   
    

2. "هل يمكنك تفسير الاستجابة المناعية للجسم الناجمة عن التطعيم؟"

    

   
    

في حين أن المطالبة الأساسية قدمت إجابة مرضية، فإن استخدام تقنية Step-Back قدم إجابة متعمقة وأكثر تقنية. سيكون هذا مفيدًا بشكل خاص للأسئلة الفنية التي قد تكون لديك. 

مع استمرار المطورين في بناء تطبيقات جديدة لنماذج الذكاء الاصطناعي الحالية، هناك حاجة متزايدة لتقنيات تحفيز متقدمة يمكنها تعزيز قدرات نماذج اللغات الكبيرة ليس فقط لفهم كلماتنا ولكن أيضًا القصد والعاطفة الكامنة وراءها لتوليد المزيد من الدقة والملاءمة للسياق. النواتج.
 
 

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
• أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
• أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
• أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
• المصدر https://www.kdnuggets.com/3-research-driven-advanced-prompting-techniques-for-llm-efficiency-and-speed-optimization?utm_source=rss&utm_medium=rss&utm_campaign=3-research-driven-advanced-prompting-techniques-for-llm-efficiency-and-speed-optimization