×

الاتصال السريع

1 نسعد بتواصلكم معنا
عبر البريد الإلكتروني info@arrowad.sa
2 نرحب بتفاعلكم معنا
عبر منصات التواصل الاجتماعي    
3 كما يمكنكم الاتصال المباشر بنا
عبر الرقم الموحد  920004248

هندسة أوامر الذكاء الاصطناعي التوليدي

تُعد معرفة كيفية التفاعل مع الأنظمة المعتمدة على الذكاء الاصطناعي التوليدي (Generative AI)، أمراً بالغ الأهمية في عصر بزوغ هذه التقنيات المتقدمة، ومع تزايد قدرات هذه الأنظمة على تحليل البيانات الضخمة، وتوليد المحتوى الذي يُحاكي الإبداع البشري، تتسع الفجوة بين المستخدمين المُلمين بأدوات الذكاء الاصطناعي والذين ليس لديهم معرفة بها، لذا أصبح من الضروري أن نفهم كيفية استخدام هذه التقنيات بطريقة تُعزز الإنتاجية وتُنمي الإبداع، على أنه نظل في الوقت نفسه على وعي بالتحديات الأخلاقية والأمنية المرتبطة باستخدامها، إضافة لذلك فإنه يجب على الشركات والمؤسسات التعليمية تطوير برامج لتدريب الأفراد على مهارات التفاعل مع الذكاء الاصطناعي تمكنهم من التعامل مع تقنيات المستقبل بثقة وكفاءة.

6 جمادى الآخر 1445، الموافق 19 ديسمبر 2023

نبذة عن الذكاء الاصطناعي التوليدي:

يشير الذكاء الاصطناعي التوليدي إلى قدرة النظم الذكية على إنتاج محتوى جديد ومفيد اعتمادًا على البيانات الأولية المُدخلة إليها، هذه التقنية، التي تُعد إحدى أبرز الإنجازات في مجال الذكاء الاصطناعي، تُمكن الحواسيب من التعلم والتكيف والتفاعل بأساليب تحاكي الذكاء البشري، اليوم يُستخدم الذكاء الصناعي التوليدي في مجموعة واسعة من التطبيقات، بداية من إنتاج النصوص الأدبية والمقالات، إلى تصميم الألعاب والموسيقى، وحتى في مجالات الأبحاث العلمية، والتشخيص الطبي، هذه التقنية تضعنا اليوم على عتبة لاستكشاف حدود لا ندرك مداها للذكاء الاصطناعي، كما تعتبر أيضًا خطوة كبيرة مشاركة الحواسيب في مجالات إنسانية، كانت حتى وقت في واحدة من مجالات الإبداع البشري.

هندسة الأوامر (Prompt Engineering) :

تعرف هندسة الأوامر بأنها ممارسة تطوير وصياغة الأوامر (Prompt) بطريقة تحسن من فهم النماذج ذكاء الاصطناعي (AI models) للطلبات وتعزز من جودة النتائج المُستخلصة (Output Quality). يُعتبر هذا المفهوم حديثًا نسبيًا وقد نشأ مع الجيل الجديد من النماذج اللغوية التوليدية الكبيرة (generative Large language models) مثل (GPT-3 وBERT)، التي بُنيت اعتماداً على مبدأ التعلم العميق (Deep Learning) ومعالجة اللغات الطبيعية (Natural Language Processing - NLP)، في هندسة الأوامر، يهدف المستخدمون إلى تحسين طريقة تفاعلهم مع نظم الذكاء الاصطناعي (AI systems) بشكل يجعل الأوامر أكثر دقة ووضوحًا للنظام، تُعتبر هذه العملية مهمة جدًا لتقليل الغموض (Ambiguity) وتحسين دقة الردود (Response Accuracy)، وبالتالي تعزيز كفاءة النظم القائمة على الذكاء الاصطناعي (AI).

على سبيل المثال، في دراسة نشرتها (OpenAI)، يُشير الباحثون إلى أن تصميم الأوامر بطريقة محددة، يمكن أن يؤثر بشكل كبير على أداء النماذج التوليدية (Generative Performance)، حيث يُمكن للتعديلات الصغيرة في الأوامر أن تنتج تغيرات كبيرة في الإخراج، بالإضافة إلى ذلك، يُمكن الإشارة إلى أن هندسة الأوامر تتطلب فهمًا عميقًا لكيفية عمل النماذج اللغوية (language models) والعوامل التي تؤثر على استجابتها (responses). وقد أظهرت دراسة أجريت في جامعة ستانفورد، أن الأوامر التي تحتوي على سياق أكثر تفصيلًا تُمكن النموذج من توليد استجابات أكثر دقة وصلة بالموضوع، ويقلل نسبة الهلوسة في الإجابات.

من المهم الإشارة إلى أن هندسة الأوامر لا تقتصر فقط على تحسين الأوامر اللغوية، ولكنها تشمل أيضًا استراتيجيات لتقييم وتحسين الأداء الشامل للنموذج (model performance)، وهذا يعني دراسة النتائج (results analysis)، وإجراء التعديلات اللازمة على الأوامر، وتحليل البيانات (data analysis) للتوصل إلى أفضل الممارسات في التفاعل مع النماذج الذكية.

تحسين الأوامر لتعزيز أداء النماذج التوليدية يتضمن أساليب متعددة، ويمكن أن يكون بسيطًا مثل توضيح السؤال أو معقدًا مثل تغيير السياق أو تقديم أمثلة:

مثال على أمر غير محسن:

"اكتب بريدًا إلكترونيًا."

هذا الأمر مبهم ولا يقدم معلومات كافية للنموذج لإنتاج بريد إلكتروني ذو جودة عالية، النموذج قد يستجيب بأسئلة إضافية للتوضيح أو ينتج بريدًا إلكترونيًا عامًا وغير موجه.

مثال على أمر محسن:

"اكتب بريدًا إلكترونيًا بأسلوب مهني موجهًا إلى مدير الموارد البشرية للتعبير عن الاهتمام بمنصب استشاري أول في إدارة البيانات الذي أعلن عنه مؤخرًا، مع التركيز على وجود خبرة تتجاوز العشر سنوات في مجالات إدارة البيانات وتحليلها."

هذا الأمر أكثر تحديدًا، ويعطي النموذج معلومات كافية لتوليد بريد إلكتروني مهني محدد ومفصل يلبي الغرض المطلوب.

مثال على استخدام السياق لتحسين الأمر:

"بناءً على السيرة الذاتية المرفقة ووصف الوظيفة لمنصب مساعد مستشار في مجموعة الرواد، اكتب رسالة تغطية تسلط الضوء على الخبرات والمهارات التي تجعل المرشح هو الخيار الأفضل للوظيفة المعلن عنها."

هذا الأمر يوجه النموذج لاستخدام معلومات محددة (السيرة الذاتية ووصف الوظيفة)، لإنشاء رسالة تغطية مخصصة، مما يزيد من احتمالية أن تكون النتيجة ذات صلة ومقنعة، فيما يلي مجموعة من الممارسات التي ستساعد في الحصول على استجابات أفضل من أنظمة الذكاء الاصطناعي التوليدي:

  • 1. حدد هدفًا

"استخدام غير صحيح: أخبرني عن الرؤية ٢٠٣٠."

 

"استخدام أفضل: أريد فهم تأثير رؤية المملكة العربية السعودية ٢٠٣٠ على الاقتصاد المحلي خلال السنوات الخمسين القادمة."

تحديد هدف واضح وخالي من الغموض، يساعد النموذج على توجيه استجاباته بحيث تكون ملائمة وفعّالة، متجنباً الالتباس وتساعده في تقديم المعلومات التي تلبي الغرض بشكل مباشر ودقيق.

  • 2. كن محددًا

"استخدام غير صحيح: اكتب مقالًا عن التكنولوجيا."

 

"استخدام أفضل: اكتب مقالًا من 500 كلمة عن تأثير الذكاء الاصطناعي على تطوير الأدوية الجديدة في العقد الأخير."

تحديد هدف واضح لطلبك يمكن أن يحسن كثيرًا من جودة ودقة استجابة نموذج الذكاء الاصطناعي. عندما تكون أوامرك محددة، يمكن للنموذج أن يفهم بشكل أفضل ما تبحث عنه ويقدم لك معلومات مرتبطة بشكل مباشر بطلبك.

  • 3. استخدم محددات

"استخدام غير صحيح: حلل مبيعات الربع الأول."

 

استخدام أفضل: [الطلب] أرجو تحليل البيانات المتعلقة بمبيعات الربع الأول واستخراج الاتجاهات والأنماط. [البيانات] مبيعات يناير: 150 وحدة مبيعات فبراير: 200 وحدة مبيعات مارس: 250 وحدة [النهاية]"

يساعد تقسيم الأمر إلى "الطلب" و"البيانات" و"النهاية" النموذج على فهم أن المستخدم يريد تحليل معين لمجموعة بيانات محددة، وبالتالي يقلل من احتمالية الاستجابة بمعلومات غير ذات صلة أو تفسير الطلب بطريقة خاطئة. استخدام المحددات في الأوامر لنموذج الذكاء الاصطناعي، يعمل مثل الإشارات التي تنظم المعلومات وتوجه النموذج لفهم ما هو مطلوب بوضوح أكبر.

  • 4. تخيل سيناريو

"استخدام غير صحيح: أعطني نصائح للتسويق."

 

"استخدام أفضل: تخيل أنك مدير تسويق في شركة تسويق سعودية وتريد إطلاق حملة تسويق لمنتج جديد في مجال الصحة الرقمية، وضع خطة تسويقية لإطلاقه."

إنشاء سيناريو تخيلي يمكن أن يساعد في توليد استجابات من النموذج أكثر تفصيلاً، ويضع النموذج في موقف محدد يتطلب التفكير والتخيل، وبالتالي يعطي النموذج إطارًا لإنتاج إجابة تتناسب مع السياق الذي تم طرحه.

  • 5. شجع التحليل

" استخدام غير صحيح: أعطني معلومات حول برامج تصميم الجرافكس"

 

"استخدام أفضل: ماهي الفروقات الرئيسة بين برنامج فوتشوب وجيمب، من ناحية التكلفة، منحى التعلم، سهولة الاستخدام."

صياغة الاوامر التي تشجع النموذج على تحليل الخيارات، ستؤدي إلى إجابات أدق وأعمق إدراكًا، كما أنه يتيح للنموذج أن يفكر.

  • 6. أعطِ النموذج مساحة للتفكير

"استخدام غير صحيح: حلل الفرصة الاستثمارية الجديدة في سوق الأسهم"

 

"استخدام أفضل: أرغب في تحليل فرصة استثمارية جديدة. يرجى التفكير في النقاط التالية قبل تقديم توصيتك:

  • قم بتحليل السوق المستهدف وتوقعات النمو.
  • دراسة الحواجز أمام الدخول ومستوى المنافسة.
  • تقييم المخاطر المالية والتشغيلية.
  • احسب العائد المحتمل مقابل التكلفة.
  • استنتج وقدم توصيات بناءً على التحليل المنهجي."

تشجيع النموذج على التفكير في المشكلة خطوة بخطوة يمكن أن يساعد في تحسين جودة الاستجابة وتجنب الاستنتاجات الخاطئة. هذا يعني أن الأمر يجب أن يوجه النموذج لتحليل المشكلة بطريقة منظمة وتدريجية، حيث يعتمد هذا الأسلوب على توجيه النموذج لاستخدام عملية تفكير منظمة وتسلسل منطقي، مما يؤدي إلى استجابات أكثر دقة وعمقًا في التحليل.

  • 7. وضح الصيغة

" استخدام غير صحيح: اكتب شيئًا عن النجوم. "

 

"استخدام أفضل: اكتب مقالة تعليمية بنقاط ترقيم تشرح دورة حياة النجم من الولادة إلى الانفجار العظيم."

  • 8. اذكر المصادر

" استخدام غير صحيح: قدم معلومات عن تأثير الانبعاثات الدفيئة على التغيرات المناخية وارتفاع درجات الحرارة"

 

"استخدام أفضل: عندما تقدم معلومات عن التغيرات المناخية، من المهم أن تستند إلى بيانات علمية موثوقة. لذا، يرجى الإشارة إلى الدراسات أو التقارير التي تدعم معلوماتك. على سبيل المثال: "تشير التقارير الصادرة عن الهيئة الحكومية الدولية المعنية بتغير المناخ (IPCC) إلى أن ارتفاع درجات الحرارة العالمية مرتبط بشكل مباشر بالأنشطة البشرية، خاصة انبعاثات غازات الدفيئة من الصناعات ووسائل النقل."

في هذه الأمثلة، يتم تشجيع النموذج على استخدام المصادر التي يمكن التحقق منها علمياً، مما يزيد من الثقة في الإجابات المقدمة ويساعد في تجنب المعلومات غير المؤكدة، كما أن الطلب من النموذج أن يذكر مصادره يمكن أن يقلل من مخاطر الإجابات التي قد تكون مبنية على معلومات غير دقيقة أو غير موجودة، وهو ما يُعرف بـ "الهلوسة المعلوماتية" (Informational Hallucination). خاصة في السياقات التي تتطلب دقة عالية مثل البحوث العلمية، التقارير التاريخية، أو الاقتباسات الأدبية.

  • 7. تجنب المصطلحات

"استخدام غير صحيح: أفضل الممارسات للتحسين الجزئي لأداء قواعد البيانات في بيئات الحوسبة الموزعة، ما هي؟"

 

"استخدام أفضل: كيف يمكن جعل قاعدة البيانات تعمل بشكل أسرع في الشركات الكبيرة؟"

تجنب (المصطلحات المتخصصة) واستخدام لغة بسيطة وسهلة في الأوامر، يساعد على تحسين استجابات النموذج وفهمه بشكل أفضل وبالتالي تقديم استجابة أكثر دقة، كما أن استخدام مصطلحات متخصصة يمكن أن يؤدي إلى سوء تفسير النموذج للطلب، خاصةً إذا كانت المصطلحات لها معاني متعددة في سياقات مختلفة.

  • 8. حدد إطارًا زمنيًا

"استخدام غير صحيح: أعطني ملخصًا للتطورات في مجال الطاقة المتجددة"

 

"استخدام أفضل: أريد ملخصًا لآخر التطورات في مجال الطاقة المتجددة، خلال الخمس سنوات الماضية."

إضافة إطار زمني إلى الأوامر يساعد وضع إطار زمني في تحديد السياق الذي يجب على النموذج أخذه في الاعتبار عند تقديم الإجابة، كما يُظهر الإطار الزمني أن هناك حاجة إلى المعلومات بسرعة، مما يعطي الاستجابة شعورًا بالضرورة، ويضمن أن تكون المعلومات المقدمة دقيقة فيما يتعلق بالفترة الزمنية المحددة..

  • 9. وضح الصيغة

"استخدام غير صحيح: قارن بين أحدث الهواتف الذكية في السوق"

 

"استخدام أفضل: أريد مقارنة بين الهواتف الذكية الأحدث في السوق صمم جدولاً يضم العلامة التجارية، الموديل، السعر، المواصفات".

يعطي تحديد التنسيق توجيهات واضحة للنموذج حول كيف يجب أن تظهر الاستجابة، سواء كان ذلك في شكل قائمة، فقرات، جدول، أو أي تنسيق آخر، ويساعد على معالجة الطلب بشكل أكثر كفاءة لأنه يقلل من الحاجة لتخمين كيف يفضل المستخدم تلقي المعلومات، ويحسن من وضوح الإجابة ويسهل استيعاب المعلومات المقدمة.

  • 10. اذكر المصادر

"استخدام غير صحيح: اشرح لي مفهوم الذكاء الاصطناعي."

 

"استخدام أفضل: قم بتلخيص مفهوم الذكاء الاصطناعي واذكر ثلاثة مراجع رئيسية تناولت هذا الموضوع."

من خلال تطبيق هذه الممارسات العشرة بشكل صحيح فإننا نساعد النموذج التوليدي على فهم الغرض والسياق بشكل أفضل، مما يؤدي إلى تحسين جودة الناتج يمكن تحسين التفاعل مع أنظمة الذكاء الاصطناعي والحصول على نتائج أكثر دقة وفائدة.

ياسر القاضي

مستشار أول تنفيذي

TOP