تاريخ النشر: 23 أبريل 2024
المساهمون: Vrunda Gadesha، وEda Kavlakoglu
ربط التوجيهات هو تقنية معالجة اللغة الطبيعية (NLP)، والتي تستفيد من النماذج اللغوية الكبيرة (LLMs) وتتضمن توليد مخرجات مرغوبة من خلال اتباع سلسلة من التوجيهات. في هذه العملية، يتم تزويد نموذج NLP بسلسلة من التوجيهات، مما يوجهه لإنتاج الاستجابة المطلوبة. يتعلم النموذج فهم السياق والعلاقات بين التوجيهات، مما يمكّنه من توليد نص متماسك ومتسق وغني بالسياق[1].
هذا المفهوم هو تطبيق متقدم للهندسة التوجيهية. وقد اكتسب اهتمامًا كبيرًا في مجال معالجة اللغة الطبيعية نظرًا لقدرته على تحسين جودة توليد النصوص وإمكانية التحكم فيها. يمكن تنفيذ سلسلة توجيهي فعال كتقنية هندسية بدلًا من استخدام طرق أخرى، مثل النماذج بدون تدريب مسبق (zero shot)، أو النماذج ذات التدريب القليل (few shot)، أو النماذج المخصصة الدقيقة (fine-tuned models) [2]. من خلال تقديم توجيه واضح وهيكل منظم، يساعد التسلسل التوجيهي النموذج على فهم نوايا المستخدم بشكل أفضل، مما يساهم في إنتاج استجابات أكثر دقة وملاءمة.
يمكن أن يعزز التسلسل التوجيهي من فعالية مساعدة الذكاء الاصطناعي في مجالات مختلفة. من خلال تقسيم المهام المعقدة إلى توجيهات أصغر وربطها معًا، يمكن للمطورين إنشاء استجابات أكثر تخصيصًا ودقة لتلبية احتياجات المستخدمين الفردية. هذا النهج لا يحسن تجربة المستخدم العامة فحسب، بل يسمح أيضا بمزيد من التخصيص والمرونة استجابة لمتطلبات المستخدم المتغيرة أو سيناريوهات التطبيقات[3].
تعرف على سبب اعتبار الذكاء الاصطناعي أولوية في خدمة العملاء، وكيفية بناء ذكاء اصطناعي مسؤول، ودوره في تحسين مراكز الاتصال والارتقاء بتجربة العملاء.
اطلب نسخة من دليل شاغلي منصب CEO لاستخدام الذكاء الاصطناعي التوليدي
هناك نوعان رئيسيان من التوجيهات التي يتم توليدها عند العمل مع نماذج LLMs، وهما:
وهي التوجيهات الأساسية التي تحتوي على تعليمات أو سؤال واحد يطلب من النموذج الرد عليه. تُستخدم هذه التوجيهات عادةً لبدء محادثة أو لطلب معلومات. ومن الأمثلة على التوجيهات البسيطة : " ما هو حال الطقس اليوم؟ "
تحتوي هذه التوجيهات على إرشادات أو أسئلة متعددة تتطلب من النموذج تنفيذ سلسلة من الإجراءات أو تقديم رد مفصل. غالبا ما يتم استخدامها لتسهيل المهام الأكثر تعقيدًا أو للمشاركة في محادثات أعمق. من الأمثلة على التوجيهات المعقدة: "أنا أبحث عن مطعم يقدم طعاما نباتيًا ويفتح حتى الساعة 10 مساء. هل يمكنك أن توصي بواحد؟"
تحويل التوجيه المعقد إلى سلسلة من التوجيهات البسيطة يمكن أن يساعد في تقسيم المهمة المعقدة إلى مهام فرعية أصغر. هذا النهج يجعل من السهل على المستخدمين فهم الخطوات المطلوبة لإكمال الطلب وتقليل مخاطر حدوث الأخطاء أو سوء الفهم.
لنفترض أن لدينا معلومات باللغة الإسبانية. نحتاج إلى استخراج المعلومات منها، لكننا لا نفهم اللغة الإسبانية. أولا، يجب علينا ترجمة النص من الإسبانية إلى الإنجليزية. بعد ذلك، نحتاج إلى طرح سؤال لاستخراج المعلومات، ومن ثم ترجمة المعلومات المستخرجة من الإنجليزية إلى الإسبانية مرة أخرى. هذه مهمة معقدة، وإذا حاولنا دمج كل هذه الخطوات في توجيه واحد، فسيصبح توجيه معقد للغاية، مما يزيد من احتمال حدوث المزيد من الأخطاء في الاستجابة. لذلك، من الأفضل تقسيم التوجيه المعقدة إلى سلسلة من التوجيهات البسيطة. تتضمن بعض الخطوات للقيام بذلك ما يلي:
- تحديد الهدف أو الرئيسي أو الغرض من التوجيه.
- تقسيم الهدف الرئيسي إلى مهام فرعية أكثر تحديدًا.
- إنشاء توجيه لكل إجراء أو مهمة محددة.
- التأكد من أن كل توجيه واضح ومحدد ولا لبس فيه.
- اختبار التوجيهات لضمان سهولة الفهم وشموليتها.
لدينا هنا التوجيه المعقد: "تأمل النص المكتوب باللغة الإسبانية. ترجمه إلى اللغة الإنجليزية. استخرج جميع الإحصائيات والحقائق المستخدمة في هذا النص وقم بإدراجها كنقاط. ثم ترجمها مرة أخرى إلى الإسبانية."
لتحويل هذا التوجيه المعقد إلى توجيهات بسيطة، يمكننا تقسيم الهدف الرئيسي إلى إجراءات أصغر وإنشاء سلسلة توجيهات على النحو التالي:
- "اقرأ النص الإسباني المقدم."
- "ترجم النص إلى اللغة الإنجليزية."
- "استخرج الإحصاءات والحقائق من النص."
- "قم بإنشاء قائمة نقطية تحتوي على جميع هذه الحقائق."
- "ترجمها إلى اللغة الإسبانية."
سلسلة التوجيهات المهيكلة هي مجموعة محددة مسبقًا من التوجيهات أو الأسئلة المصممة لتوجيه المستخدم خلال محادثة أو سلسلة من الإجراءات، مما يضمن تدفقًا متسقًا ومنظمًا للمعلومات.[4]. يُستخدم هذا غالبًا في دعم العملاء، التدريس، وأنظمة تفاعلية أخرى للحفاظ على الوضوح، الدقة، والكفاءة في التفاعل. عادةً ما تكون التوجيهات في سلسلة مترابطة، مما يسمح للنظام بالبناء على الردود السابقة والحفاظ على السياق. يمكن أن يساعد هذا النهج في تقليل الغموض وتحسين رضا المستخدم وعزيز التواصل الفعال بين البشر والآلات.
ابدأ بجمع مجموعة من التوجيهات المكتوبة مسبقًا التي يمكن تخصيصها لسيناريوهات متعددة. يجب أن تغطي هذه القوالب المهام والطلبات والأسئلة الشائعة التي قد يواجهها المستخدمون.
حدد الأسئلة أو التعليمات الأساسية التي يجب نقلها في سلسلة التوجيهات. يجب أن تكون هذه التوجيهات بسيطة وواضحة ومباشرة، ويجب أن تتمتع بالقدرة على الاستقلال بذاتها كتوجيهات فردية.
حدد المدخلات والمخرجات المحددة التي يحتاج المستخدم لتقديمها استجابةً لكل توجيه. يجب أن تكون هذه المدخلات محددة بوضوح وسهلة الفهم، ويجب ربطها بالتوجيهات المناسبة في سلسلة التوجيهات.
استخدم المكتبة المرجعية والتوجيهات الأساسية لبناء سلسلة التوجيهات الكاملة. تأكد من أن كل توجيه مرتبط منطقياً بالتوجيه الذي يليه، وأن المستخدم يُطلب منه تقديم الإدخالات الضرورية في النقاط المناسبة خلال التسلسل.
بعد بناء سلسلة التوجيهات، اختبرها بدقة للتأكد من سهولة فهمها وإكمالها. اطلب من مجموعة من المستخدمين إكمال سلسلة التوجيهات واجمع التعليقات حول أي مجالات للتحسين.
بناء على التعليقات التي يتم جمعها أثناء الاختبار، قم بإجراء أي تعديلات أو تحسينات ضرورية على سلسلة التوجيهات. قد يتضمن ذلك إعادة كتابة توجيهات معينة أو إضافة توجيهات أو إزالتها أو تغيير الترتيب الذي يتم به تقديم التوجيهات.
باتباع هذه الخطوات، يمكن لممثلي خدمة العملاء والمبرمجين بناء سلاسل توجيهات فعالة وذات كفاءة تساعد في إرشاد المستخدمين من خلال سلسلة من الإجراءات أو المهام.
يوفر ربط التوجيهات العديد من المزايا مقارنة بالأساليب التقليدية المستخدمة في هندسة التوجيهات. من خلال توجيه النموذج عبر سلسلة من التوجيهات، يعمل ربط التوجيهات على تعزيز الترابط والاتساق في توليد النص مما يؤدي إلى مخرجات أكثر دقة وجاذبية.
من خلال إلزام النموذج باتباع سلسلة من التوجيهات، يساعد ربط التوجيهات في الحفاظ على الاتساق في توليد النص. يعد هذا الأمر بالغ الأهمية في التطبيقات التي تتطلب الحفاظ على نبرة، أو أسلوب، أو تنسيق ثابت، مثل دعم العملاء أو الأدوار التحريرية. [5].
في دعم العملاء، يمكن استخدام ربط التوجيهات لضمان التواصل المتسق مع المستخدمين. على سبيل المثال، يمكن أن يتم توجيه روبوت المحادثة لاستخدام الاسم المفضل للمستخدم أو اتباع نبرة صوت معينة طوال المحادثة.
يوفر ربط التوجيهات تحكمًا أكبر في توليد النصوص، مما يسمح للمستخدمين بتحديد المخرجات المطلوبة بدقة. يُعد هذا مفيدًا بشكل خاص في المواقف التي تكون فيها بيانات الإدخال مشوشة أو غامضة، حيث يمكن توجيه النموذج لتوضيح أو تحسين الإدخال قبل وليد الاستجابة[6].
في أنظمة تلخيص النصوص، يتيح ربط التوجيهات للمستخدمين التحكم في مستوى التفاصيل والدقة في التلخيص المولّد. على سبيل المثال، قد يطلب من المستخدم أولا تقديم المحتوى الذي يرغب في تلخيصه، مثل ورقة بحثية، ثم يتم توجيه آخر لتهيئة هذا الملخص بتنسيق أو قالب محدد.
يساعد ربط التوجيهات في تقليل معدلات الخطأ من خلال توفير سياق أفضل ومدخلات أكثر تركيزًا للنموذج. يعد ربط التوجيهات المنظم مفيدًا لتقليل الجهد البشري والتحقق من صحة الرموز والمخرجات بشكل أسرع. من خلال تقسيم المدخلات إلى توجيهات أصغر يمكن التحكم فيها، يمكن للنموذج فهم نوايا المستخدم بشكل أفضل وتوليد استجابات أكثر دقة وملاءمة[7].
في أنظمة الترجمة الآلية، قبل ترجمة الجملة، قد يطلب النظام من المستخدم أولا تحديد اللغة المصدر واللغة الهدف وأي سياق أو مصطلحات ذات صلة. يساعد هذا النموذج على فهم النص المصدر بشكل أفضل وتوليد ترجمة دقيقة.
من خلال الاستفادة من هذه المزايا، يمتلك ربط التوجيهات القدرة على تحسين أداء وفعالية نماذج معالجة اللغة الطبيعية (NLP) في العديد من التطبيقات، بدءًا من دعم العملاء وحتى تحرير النصوص وترجمة اللغات.
يعد ربط التوجيهات تقنية متعددة الاستخدامات يمكن تطبيقها في مجموعة واسعة من حالات الاستخدام، وتنقسم إلى فئتين رئيسيتين: الإجابة على الأسئلة والمهام متعددة الخطوات.
كما يوحي اسمها، توفر مهام الإجابة على الأسئلة إجابات على الأسئلة المتداولة التي يطرحها المستخدمون. يقوم النموذج بأتمتة الرد بناءً على السياق من الوثائق الموجودة عادة في قاعدة المعرفة. تشمل التطبيقات الشائعة ما يلي:
- خدمة/دعم العملاء: يمكن أن يساعد ربط التوجيهات المستخدمين في البحث ضمن قاعدة المعرفة للشركة للعثور على الإجابة الأكثر ملاءمة، مما يحسن تجربة المستخدم ويزيد من الكفاءة[8].
- المنصات التعليمية: يمكن للمعلمين إنشاء تجارب تعليمية تفاعلية من خلال توجيه الطلاب بأسئلة تستند إلى تقدمهم، مما يتيح التعلم المخصص والتكيفي [9].
- مساعدة الباحثين: يمكن للباحثين استخدام ربط التوجيهات لأتمتة عملية البحث وتحليل الأدبيات ذات الصلة، مما يوفر الوقت والموارد[3][10].
كما هو متوقع، تتكون المهام متعددة الخطوات من سلسلة من الخطوات لتحقيق هدف معين. بعض الأمثلة على ذلك تشمل:
- إنشاء المحتوى: يمكن أن يسهم ربط التوجيهات في تبسيط مراحل مختلفة من عملية إنشاء المحتوى، مثل البحث في موضوع معين، وإعداد مخطط تفصيلي، وكتابة مقال، والتحقق من صحة محتوى، والتحرير، وغيره الكثير[11][12].
- تطوير البرمجيات: يمكن أن يرشد ربط التوجيهات المطورين من خلال سلسلة من الخطوات، بدءًا من المنطق الأساسي، مرورًا بكتابة التعليمات البرمجية بلغة طبيعية، ووصولًا إلى كتابة الرموز البرمجية بلغة معينة، مع ضمان التحقق من صحة الرموز البرمجية[3][13].
- التوصيات المخصصة: يمكن تطبيق حالة الاستخدام هذه في صناعات متعددة، حيث يمكن أن يساعد ربط التوجيهات في تخصيص التوصيات بناء على تفضيلات المستخدم وسلوكه والبيانات التاريخية[14].
يُعد ربط التوجيهات تقنية قوية يمكن استخدامها في مجموعة متنوعة من التطبيقات في الوقت الحقيقي، لمساعدة المستخدمين والمحترفين على إتمام سلسلة من الإجراءات أو المهام. من خلال تقسيم المهام المعقدة إلى سلسلة من التوجيهات البسيطة، يمكن أن يساعد ربط التوجيهات في ضمان فهم المستخدمين والمحترفين للخطوات المطلوبة لإكمال الطلب، مما يوفر تجربة أفضل بشكل عام. سواء تم استخدامه في خدمة العملاء، أو البرمجة، أو التعليم، يمكن أن يساعد ربط التوجيهات في تبسيط العمليات المعقدة وتحسين الكفاءة والدقة.
تعرف على LangChain، وهو إطار عمل مفتوح المصدر، يُستخدم بشكل شائع لتطوير التطبيقات باستتخدام نماذج LLMs.
تعرف على كيفية ربط النماذج لإنشاء تسلسل لنظام الإجابة على الأسئلة العام.
تعرف على كيفية قيام الذكاء الاصطناعي التوليدي بتحويل الأعمال وكيفية إعداد منظمتك لمستقبل الذكاء الاصطناعي.
أفضل الممارسات لضبط التوجيهات باستخدام Llama 2.
الحواشي
Pengfei Liu, W. Y. (2021). Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing. ACM Computing Surveys. | |
Gunwoo Yong, K. J. (2022). Prompt engineering for zero‐shot and few‐shot defect detection and classification using a visual‐language pretrained model. | |
O. Marchenko, O. R. (2020). Improving Text Generation Through Introducing Coherence Metrics. Cybernetics and Systems Analysis. | |
Zhifang Guo, Y. L. (2022). Prompttts: Controllable Text-To-Speech With Text Descriptions. Zhifang Guo, Yichong Leng, Yihan Wu, Sheng Zhao, Xuejiao Tan. | |
Jason Wei, X. W. (2022). Chain of Thought Prompting Elicits Reasoning in Large Language Models. | |
Mero, J. (2018). The effects of two-way communication and chat service usage on consumer attitudes in the e-commerce retailing sector. Electronic Markets. | |
Yu Cheng, J. C. (2023). Prompt Sapper: A LLM-Empowered Production Tool for Building AI Chains. ACM Transactions on Software Engineering and Methodology. | |
Tongshuang Sherry Wu, E. J. (2022). PromptChainer: Chaining Large Language Model Prompts through Visual Programming. CHI Conference on Human Factors in Computing Systems Extended Abstracts. | |
Shwetha Sridharan, D. S. (2021). Adaptive learning management expert system with evolving knowledge base and enhanced learnability. Education and Information Technologies. | |
Boshi Wang, X. D. (2022). Iteratively Prompt Pre-trained Language Models for Chain of Thought. Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing. | |
M. Rice, K. M. (2018). Evaluating an augmented remote assistance platform to support industrial applications. IEEE 4th World Forum on Internet of Things (WF-IoT). | |
Cynthia A. Thompson, M. G. (2011). A Personalized System for Conversational Recommendations. J. Artif. Intell. Res. | |
Qing Huang, J. Z. (2023). PCR-Chain: Partial Code Reuse Assisted by Hierarchical Chaining of Prompts on Frozen Copilot. IEEE/ACM 45th International Conference on Software Engineering: Companion Proceedings (ICSE-Companion). | |
Yafeng Gu, Y. S. (2023). APICom: Automatic API Completion via Prompt Learning and Adversarial Training-based Data Augmentatio. Proceedings of the 14th Asia-Pacific Symposium on Internetware. | |