تعمل الموجة الحالية من التطورات التوليدية السريعة في مجال الذكاء الاصطناعي على ظهور تخصصات هندسية جديدة، وأكثرها شهرة هو “الهندسة السريعة”. وقد أدى هذا إلى خلق جدل مستقطب حول ما إذا كان هذا مجرد بدعة عابرة أم سيصبح مستقبل هندسة البرمجيات.
بعض، مثل روبن ليأعلن الرئيس التنفيذي لشركة بايدو، أكبر محرك بحث في الصين، أن الهندسة السريعة سوف تشكل نصف الوظائف في العالم في السنوات العشر المقبلة. آخرون يحبون سام التمان، الرئيس التنفيذي لشركة Open AI، يعتقد أن هذا نتيجة للقيود المؤقتة في نماذج اللغات الكبيرة الحالية (LLMs) ويعتقد أن الهندسة السريعة على المدى الطويل ستكون بالغة الأهمية.
من المحتمل أن يكون الواقع في مكان ما بينهما، لذلك من المهم أن يطور الجميع فهمًا أساسيًا وقدرات لمنصات وأدوات وتقنيات الذكاء الاصطناعي التوليدية (GenAI) مثل الهندسة السريعة.
صعود الهندسة السريعة
في حين أن قوة منصات GenAI العديدة ستستمر في الزيادة، فإن إطلاق القيمة الكاملة لأنظمة GenAI هذه يتطلب تعقيدًا في كيفية صياغة الأسئلة أو المطالبات. نظرًا لأن نماذج اللغة الكبيرة هذه تتعلم من كميات هائلة من البيانات النصية، فهي حساسة جدًا لكيفية صياغة السؤال أو المطالبة.
يتطلب هذا النظام الجديد المتمثل في “الهندسة الفورية” مهارات لغوية قوية لإنشاء استعلام مناسب لنظام الذكاء الاصطناعي باستخدام الأسماء والأفعال والصفات وغيرها من أساسيات اللغة. ويتطلب هذا أيضًا فهم الفروق الدقيقة في اللغة، مثل التعابير واللغة العامية وغيرها من المصطلحات غير الرسمية. إن معرفة متى يتم استخدام هذه الأشياء في مواقف مختلفة يمكن أن يحسن بشكل كبير من أهمية الاستجابة.
ما الذي يجعل المهندس الفوري جيدًا؟
الهندسة السريعة هي أكثر بكثير من مجرد الحصول على الكلمات الصحيحة. إنه مجال متعدد الأبعاد يتضمن القدرة على إعادة صياغة السؤال وتحويله إلى بيان مشكلة فعال. من أجل إنشاء بيان مشكلة فعال، تحتاج إلى تحديد المشكلة الدقيقة التي تبحث عن الذكاء الاصطناعي لحلها. إذا ثبت أن بيان المشكلة كبير جدًا، فمن المحتمل أن تحتاج إلى تحليله إلى موضوعات أصغر يمكن تأطيرها بسهولة أكبر لمنصة GenAI. ومن المهم أيضًا أن تكون للمشكلة قيود أو حدود حتى لا تكون الاستجابات واسعة جدًا.
يجب أن يفهم المهندس السريع أيضًا كيفية عمل منصة GenAI، وأن يتعرف على كيفية استجابتها لمطالبات محددة، وأن يكون مبدعًا بما يكفي لضمان تقديم مخرجات ذات معنى. يتضمن ذلك فهم كيفية تنظيم LLMs الأساسية وكيفية تطور قدراتها بسرعة. من الأهمية بمكان أن تكون قادرًا على التكيف بسرعة مع المطالبات للتأثير على أداء نموذج الذكاء الاصطناعي.
محاولة إنشاء مطالبة جيدة
إن إنشاء موجه جيد هو مزيج من الفن والعلم. هناك العديد من العناصر التي يجب مراعاتها عند تصميم موجه.
أولاً، هي تفاصيل المهمة المطلوب إكمالها، والتي يجب أن تركز على ما تريد أن يفعله النموذج: الإجابة على سؤال، وتلخيص النتائج، وتقديم مقارنة، وما إلى ذلك. يعد وصف السياق أمرًا بالغ الأهمية في الموجه لأنه يوفر معلومات النموذج حول كيفية تصميم الرد. أشياء بسيطة مثل توفير عدد الكلمات يمكن أن تجبر النموذج على أن يكون أكثر إيجازًا في استجابته.
هناك أيضًا العديد من التقنيات التي يمكن استخدامها لتعليم نماذج لغوية كبيرة. بعض التقنيات الأكثر بروزًا هي المطالبة بالصفر والواحد والقليل من الطلقات.
المطالبة الصفرية هي حيث يقوم النموذج بالتنبؤ بموضوع لم يتم التدريب عليه دون الحاجة إلى أي تدريب إضافي. وهذا يعني أن النماذج يمكنها فهم المهام وتنفيذها دون رؤية أي أمثلة سابقة. في هذه الحالة، يمكنك تزويد النموذج بنص مطالبة وداعم يصف ما تريد أن يأخذه النموذج في الاعتبار في المطالبة. يعد هذا مفيدًا لتحليل المشاعر في النص وترجمة الجمل وتلخيص النص.
في المطالبات ذات اللقطة الواحدة أو الجرعات القليلة، يتم تدريب النماذج باستخدام كمية أقل من البيانات، مما يسمح للنموذج بالتعلم والتعميم (إما واحد أو عدد قليل). في هذه الحالات، يمكنك تزويد النموذج ببعض الأمثلة لتوجيه النموذج، مما يتيح التعلم في السياق لإنتاج الاستجابة المطلوبة. يمكن أن يكون هذا مفيدًا في توجيه استجابة النموذج لتكون أكثر وعيًا بجهة الاتصال وملاءمة، خاصة في المواقف التي تكون فيها بيانات التدريب المتاحة محدودة. على سبيل المثال، إذا أردت إنشاء بعض تعليمات SQL البرمجية، فسيتعين عليك فهم بناء جملة SQL بالإضافة إلى التنسيق الذي يتوقعه النموذج. هنا مثال:
موجه الإدخال:
أقسام الجدول والأعمدة = [DepartmentId, DepartmentName]طلاب الجدول والأعمدة = [DepartmentId, StudentId, StudentName]قم بإنشاء استعلام MySQL لجميع الطلاب في قسم الشؤون المالية
انتاج:
حدد معرف الطالب، اسم الطالب من الطلاب حيث يوجد معرف القسم (حدد معرف القسم من الأقسام حيث اسم القسم = ‘المالية’)؛
هناك أيضًا تقنية تسمى تحفيز سلسلة الأفكار (CoT) التي تتيح قدرات التفكير المعقدة من خلال خطوات وأمثلة التفكير الوسيطة. والفكرة هي أنه من خلال عرض بعض الأمثلة على النموذج (أي بضع لقطات)، يكون برنامج LLM قادرًا على متابعة عملية التفكير وتقديم إجابة دقيقة. يعد CoT فعالاً للغاية في تحسين النتائج في مهام مثل الحساب والتفكير والمهام الأخرى المنطقية.
يعتمد النهج الذي يجب استخدامه على نوع المهمة وتعقيدها. تحتاج إلى تقييم ما إذا كانت المهمة بسيطة، أو محددة جيدًا، أو تتطلب مهارات متخصصة.
هل الهندسة السريعة مجرد جسر؟
على المدى القصير، من الواضح أن أي شخص يريد التفاعل بفعالية مع منصات GenAI سيحتاج إلى فهم أساسيات الهندسة السريعة. ستصبح هذه المهارات قريبًا متطلبات أساسية لإنجاز عملك اليومي، وهي تشبه إلى حد كبير كيفية تفاعلنا مع محركات البحث على الإنترنت اليوم.
ومع ذلك، فمن المحتمل أنه مع مرور الوقت، سيكون هذا مجرد جسر حتى تتمكن أنظمة الذكاء الاصطناعي هذه من فهم اللغة البشرية بشكل طبيعي أكثر. على المدى الطويل، ستصبح النماذج اللغوية الكبيرة أكثر كفاءة في فهم غرض الموجه وتتطلب قدرًا أقل من “الهندسة” للوصول إلى النتيجة المرجوة.
في المستقبل، من غير المحتمل أن تكون كل الهندسة عبارة عن هندسة فورية. ولكن من المحتمل جدًا أن يكون المهندسون العظماء على دراية عميقة بالهندسة السريعة.
في الوقت الحالي، يبدو أن الكتابة أصبحت بالفعل لغة برمجة مهمة يجب علينا جميعًا صقلها.
