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:

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:

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

مثال على استخدام السياق لتحسين الأمر:

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: