چگونه از یک چت بات سوال احمقانه نپرسید - وبلاگ نام تو

به گزارش وبلاگ نام تو، پس از تمام هیجانات اولیه ایجاد شده در خصوص چت جی پی تی (Chat GPT) ابزار پردازش زبان که به وسیله هوش مصنوعی راهنمایی می گردد استفاده از چت بات ها رایج تر شده است. بنابراین، چگونه هوش مصنوعی خود را برای محل کار و خانه آموزش می دهید؟ ما به چند پرسش ساده پاسخ می دهیم.

مهندسی پرامپت (Prompt Engineering) چیست؟

به گزارش وبلاگ نام تو به نقل از گاردین، این تکنیکی برای برقراری ارتباط موثر با مدل های هوش مصنوعی مولد است. مهندسی پرامپت یا Prompt Engineering به یافتن و استفاده از فرامین و دستورالعمل هایی گفته می گردد که به یاری آن با هوش مصنوعی ارتباط برقرار می کنیم. دستیابی به فرامین کاربردی می تواند منجر به بهبود نتایج خروجی گردد و پاسخ ها بیش تر به هدف ما نزدیک خواهند شد.

سیستم هایی مانند بارد (Bard)، دال - ای (Dall-E) و چت جی پی تی هنگامی که از یک ورودی به نام پرامپت* (Prompet) تغذیه می شوند و به آن دستور داده می گردد چه چیزی را فراوری کند متن، تصاویر و قطعات موسیقی را فراوری می نماید. با این وجود، جمله بندی و عبارت پردازی یک پرامپت می تواند خروجی برگشتی را تغییر دهد. مهندسی پرامپت فرموله کردن یک درخواست برای یک سیستم مبتنی هوش مصنوعی است به طوری که خروجی ای فراوری کند که دقیقا مطابق با انتظارات شما باشد.

این موضوع چه تفاوتی با صرف سوال پرسیدن دارد؟

اگر یک پرسش را در چت جی پی تی مطرح کنید ممکن است پاسخ رضایت بخشی ارائه دهد یا ندهد. مهندسی پرامپت شامل در نظر گرفتن ویژگی های یک مدل هوش مصنوعی برای ساخت ورودی هایی است که به وضوح درک می نماید و تمایل به فراوری خروجی هایی دارد که به طور مداوم مفیدتر، جالب تر و مناسب تر از آن چیزی می باشد که شما در فکر دارید. پرامپت را به خوبی فرموله نموده و پاسخ ممکن است حتی از انتظارت فراتر رود.

چرا باید برای این مسئله اهمیت قائل شوم؟

چت بات هایی مانند بارد، چت جی پی تی و بینگ چت (Bing Chat) می توانند برای تکمیل کار های اداری روزمره بسیار راحت باشند. مدافعان چت بات از این ابزار های مبتنی بر هوش مصنوعی برای تهیه پیش نویس ایمیل ها، خلاصه کردن یادداشت های جلسه، تنظیم قراردادها، برنامه ریزی تعطیلات و ارائه پاسخ به پرسش های پیچیده استفاده نموده اند.

جولز وایت دانشیار علوم رایانه در دانشگاه وندربیلت در نشویل در تنسی می گوید: هر فردی می تواند یکی از قدرتمندترین دستیاران شخصی روی کره زمین را داشته باشد که توانایی بهره وری بیشتری به او می دهد یا به او اجازه می دهد چیز هایی خلق کند که در حالت عادی نمی توانست. با این وجود، شما باید درک کنید که چگونه با آن تعامل داشته باشید و این بدان معناست که بدانید چگونه به طور موثر پرامپت نویسی کنید.

کمی هوش و ذکاوت نیز ممکن است مدیران استخدام را تحت تاثیر قرار دهد. مت برنی مشاور استراتژی استعدادیابی در وب سایت مشاغل Indeed می گوید که تعداد آگهی های شغلی که برای مهارت های مرتبط با هوش مصنوعی درخواست ارائه نموده اند هنوز اندک، اما با روندی رو به رشد است و شرکت ها در صنایع مختلف به طور فزاینده ای در پی چگونگی ادغام مدل ها در جریان کاری خود هستند.

پس چگونه آن را انجام دهم؟

چندین تکنیک پرطرفدار وجود دارد. استفاده از پرسونا* یک ترفند رایج است. به سیستم بگویید که به عنوان یک وکیل یا معلم خصوصی عمل کند و خروجی هایی با تقلید از لحن و صدای آن ایجاد می نماید و یا به عنوان یک تمرین معکوس به سیستم دستور دهید تا یک کار را با در نظر گرفتن یک مخاطب خاص برای مثال یک کودک پنج ساله یا تیمی از بیوشیمیدان های متخصص یا یک جشم کریسمس اداری انجام دهد و نتیجه ای متناسب با آن جمعیت شناسی دریافت خواهید کرد. مهم تر از همه آن که احتیاجی نیست خودتان ویژگی های سبک پرسونا را بدانید، اما می توانید آن را به سیستم بسپارید تا بفهمد.

در این میان، تحریک زنجیره ای از فکر برای حل مسئله مناسب تر است. درخواست از مدل برای فکر کردن مرحله به مرحله آن را تشویق می نماید تا خروجی خود را به قطعات کوچک تقسیم کند که اغلب نتایج جامع تری را به همراه دارد.

هم چنین، بعضی از محققان دریافته اند که نشان دادن نمونه ای از یک مدل هوش مصنوعی با راهکار گام به گام آن توانایی آن مدل را برای پاسخ صحیح هنگام حل سوالات مشابه بهبود می بخشد. اگر خروجی بسیار خاصی در فکر دارید یک نمونه متن یا تصویری را آپلود کنید که نشان می دهد چه چیزی فراوری می گردد و به مدل دستور دهید از آن به عنوان یک الگو استفاده کند. هم چنین، اصول اولیه زبان روزمره را از قلم نیاندازید: دستورالعمل های واضح و ضروری که تفسیر نادرست را به حداقل می رساند. به طور واضح آن چه را که از خروجی می خواهید و نمی خواهید به صراحت بیان کنید و تعداد و قالب کلمات را به شکلی واضح تنظیم نمایید.

باید از چه چیزی پرهیز کنم؟

از زبان مبهم پرهیز نمایید. مدل های مبتنی بر هوش مصنوعی بدون اطلاعات اضافی قادر نیستند سلائق، ایده ها یا منظره محصولی که در فکر شماست را نشان دهند. در نتیجه، تصور نکنید اگر چیزی کم است مدل به درستی جای خالی را پر می نماید.

آیا می توان جلوی انتشار خروجی نادرست از هوش مصنوعی را گرفت؟

خیر. مدل های زبان بزرگ منابع را سرهم بندی خواهند کرد یعنی حتی زمانی که صریحا دستور داده شده باشد که این کار را انجام ندهند در نهایت اطلاعاتی را ارائه می دهند که در ظاهر قابل قبول به نظر می رسند، اما کاملا نادرست هستند. این یک مشکل حل نشدنی در این نوع از مدل ها است. آن مدل ها برای پیش بینی توالی کلماتی طراحی شده اند که زبان انسان را تکرار می نمایند، اما هیچ ارتباطی با حقیقت یا واقعیت موجود ندارند. با این وجود، تذکر زیرکانه می تواند به مقابله با دروغ ها پس از ظاهر شدن یاری کند. برای مثال، اگر چت بات ادعا های نادرستی را مطرح می نماید می توانید به اشتباهات اشاره کنید و از آن بخواهید که پاسخ را بر اساس بازخورد شما بازنویسی کند.

وایت پیشنهاد می نماید که از مدل بخواهید فهرستی از حقایق اساسی را که خروجی اش مبتنی بر آن است تهیه کند تا بتوانید آن موارد را به صورت جداگانه تایید کنید. هم چنین، شما می توانید فهرستی شماره گذاری شده از حقایق را به آن ارائه دهید تا پاسخ خود را بر اساس آن ارائه داده و هنگام استفاده از آن ها به هر یک ارجاع دهد تا آنالیز واقعیت را برای موارد بعدی سرعت بخشد.

آیا این می تواند یک شغل باشد؟

برای بعضی افراد این احتمال وجود دارد. توسعه دهندگان هوش مصنوعی مهندسان پرامپت را استخدام نموده اند تا محدودیت ها و کمبود های مدل های خود را آزمایش نمایند تا بتوان آن را برای مدیریت بهتر ورودی های کاربر اصلاح کرد. با این وجود، طول عمر و بقای چنین جایگاهی تضمن نشده است. ریما لیندر مدرس علوم رایانه در دانشگاه تنسی معتقد است که توسعه دهندگان هوش مصنوعی ممکن است دانشمندان رایانه متخصص را به مهندسان پرامپت خود ترجیح دهند و هم چنین فقدان گواهینامه برسمیت شناخته شده به وسیله آن صنعت بدان معناست که ارزیابی توانایی یک فرد سخت است.

در بازار کار گسترده تر مهندسی پرامپت احتمالا مسیر سئو (بهینه ساز سایت برای موتور های جستجو) را خواهد پیمود مهارتی که در نقش های مختلف مورد احتیاج است و برای مدیران استخدامی به عنوان امتیازی در رزومه تان محسوب می گردد.

تجربه استفاده از یک مدل بزرگ زبان یا ترانسفورماتور پیش ساخته فراوریی تقریبا برای هر کار مستقر در دفتر الزامی خواهد بود، زیرا اگر نتوانید این کار را انجام دهید در رسیدن به اهداف خود کُندتر خواهید بود.

آیا تمام این موارد منسوخ خواهند شد؟

درست همان گونه که مدل های مبتنی بر هوش مصنوعی پایدار نیستند برترین روش های مهندسی پرامپت نیز پایدار نخواهند بود. تکنیک هایی که اکنون با سیستم ها کار می نمایند ممکن است در نسخه های به روز شده کمتر مفید باشند اگرچه معین نیست که تغییرات می تواند تا چه مقدار باشد.

وایت می گوید: من فکر می کنم مفاهیم و الگو های اصلی ای وجود خواهند داشت که تغییر نمی نمایند. بسیاری از این روش های بیان چیز ها به معیار هایی تبدیل می شوند که مدل های نو در برابر آن آموزش دیده اند. بنابراین، بخشی از مهندسی پرامپت بر روی خود مدل ها بازخورد داده خواهد شد.

هم چنین، به طور قابل توجهی توانایی مدل ها برای درک حتی مبهم ترین و پرامپت های مهندسی نشده می تواند به طرز چشمگیری بهبود یابد. هر چه این سیستم ها مکالمه ای تر می شوند و هرچه تعامل با آن ها شهودی تر گردد ممکن است در آینده احتیاجی به مهندسی پرامپت نداشته باشیم. برای بعضی از توسعه دهندگان این هدف غایی آنان است.

* پرامپت در حوزه هوش مصنوعی به فرایند ورود و ارسال جزئیات درخواست به هوش مصنوعی گفته می گردد تا هوش مصنوعی دریافت نماینده پرامپت براساس جزئیاتی که در آن معین شده خروجی را تحویل دهد. پرامپت می تواند کلمه، عبارت، جمله یا حتی یک تصویر باشد.

* پرسونا یک شخصیت فرضی است که ما آن را در فکر مان یا روی کاغذ ایجاد می کنیم تا بهتر بتوانیم مخاطبان وب سایت یا رسانه مان را تجسم کنیم. به عبارت دیگر، پرسونا یک شخصیت فرضی است که به اغلب مشتریان و مخاطبان کسب و کارمان نزدیک است.