فهرس المحتويات
- مقدمة
- التلقينات
- هندسة التلقينات
- استجابة الذكاء الاصطناعي للتلقينات
- فوائد استخدام تلقينات فعّالة
- كتابة تلقينات فعّالة
- القيود
- الخاتمة
- المراجع
1.مقدمة
قبل الدخول في هندسة التلقينات، من المفيد فهم ما هو تشات جي بي تي ChatGPT وكيف يعمل. هو نموذج قائم على بنية المحولات
يستخدم تعلّم الآلة لإنتاج النصوص. دُرِّب على نطاق واسع من نصوص الإنترنت ومصادر أخرى، لكنه لا يعرف بالتحديد ما هي الوثائق التي كانت ضمن بيانات تدريبه.
يولّد النص عبر توقّع الكلمة التالية في الجملة، ثم يكرر هذه العملية مرات عديدة لتكوين جمل وفقرات كاملة. فمثلًا عند إدخال “الشمس…”, قد يتوقّع كلمة مثل “تسطع” أو “تشرق”
فهم هذه الآلية مهم لهندسة التلقيناتPrompt Engineering، لأنك عمليًا توجّه توقّعات النموذج عبر طريقة صياغتك للطلب. ويمكنك الرجوع إلى دليل “ما هو تشات جي بي تي” لفهم أعمق لكيفية عمل النموذج اللغوي الكبير.[1]
2.التلقينات Prompts
هي المدخلات التي تكتبها لنظام الذكاء الاصطناعي للحصول على نتائج محددة؛ فهي بمثابة بداية الحوار: ما الذي تقوله للذكاء الاصطناعي وكيف تصوغه كي يردّ عليك بإجابات مفيدة. بعد ذلك يمكنك متابعة الحوار بتلقين جديد أو مكمل، فينتج النظام ردًا آخر تبعًا للسياق، تمامًا كالمحادثة مع شخص، لكن عبر نص مكتوب ومع طرفٍ محاوِر هو الذكاء الاصطناعي.
3.هندسة التلقينات
وقد يكون التلقين بسيطًا مثل عبارة قصيرة، أو معقّدًا مثل عدة جمل وفقرات. كما أصبحت النماذج الحديثة قادرة على استقبال مدخلات متعددة الوسائط، مثل الصور والصوت. ورغم تطور واجهات الدردشة المعتمدة على النماذج اللغوية الكبيرة، يبقى من المفيد النظر إلى أدوات مثل تشات جي بي تي على أنها “آلة تبرمجها بالكلمات” ، إذ تعتمد جودة التفاعل والمخرجات بدرجة كبيرة على طريقة صياغتك للتلقينات. [2]
هندسة التلقينات هي فنّ صياغة تلقينات تُوجّه تشات جي بي تي بفعالية لإنتاج المخرجات المطلوبة. وهي تقوم على فهم سلوك النموذج ثم تعديل المدخلات وصقلها لتوجيه استجاباته بالشكل الأنسب.[1]
لماذا تُشبَّه هندسة التلقينات بعملية البناء باستخدام قطع الليغو؟
تخيّل أن أمامك مجموعة ليغو جديدة تمامًا. يمكنك أن تبدأ بالبناء بلا تعليمات لترى ما الذي سيحدث: قد تصنع شيئًا جميلًا ومفيدًا، وقد لا تحصل على نتيجة تناسبك. هذا يشبه استخدام الذكاء الاصطناعي دون توجيهات واضحة؛ أحيانًا تصيب الهدف بالمصادفة، وأحيانًا تأتي النتيجة بعيدة عمّا تريد.
وقد يكون إدخال تلقينات عشوائية ممتعًا فعلًا، لأن النتائج قد تكون غير متوقعة أو مفاجئة أو حتى مضحكة دون قصد، كما أنه أسلوب جيد للعصف الذهني وتوليد الأفكار والاستكشاف بحرية.
لكن المشكلة الأساسية هنا أن عاملين مهمين يكونان غائبين: التحكم وقابلية التنبؤ. فحين تكون التلقينات غير دقيقة، يصعب توقع ما سيخرج، وهذا قد يكون مناسبًا للإبداع والبدايات السريعة، لكنه أقل ملاءمة عندما تحتاج نتيجة محددة وموثوقة.[5]
4.استجابة الذكاء الاصطناعي للتلقينات
تكمن روعة الذكاء الاصطناعي في قدرته على التكيّف، ما يعني أنك تستطيع وربما ينبغي لك توجيه النتائج التي يمنحك إياها عبر كتابة تلقينات أكثر تفصيلًا، لأن صياغة تلقين فعّال تساعد على تحسين المخرجات إلى أقصى حد.
ويعود ذلك إلى أن معظم الأنظمة مثل تشات جي بي تي كلاود ChatGPT CLoudوغيرها تقوم أساسًا على دمج تقنيتين: معالجة اللغة الطبيعية وتعلّم الآلة ، وهو ما يمكّنها من فهم تلقيناتك حتى لو كتبتها بصيغة محادثة مع إنسان، كما يعني أن النظام يتعلّم باستمرار من مدخلاتك ومدخلات المستخدمين الآخرين.
5.فوائد استخدام تلقينات فعّالة
فيما يلي أبرز فوائد صياغة تلقينات جيدة عند استخدام تشات جي بي تي:
- إجابات أوضح: تساعد التلقينات الفعّالة تشات جي بي تي على تقديم ردود واضحة وسهلة الفهم بدل الإجابات الملتبسة.
- معلومات أكثر صلة: عندما يكون الطلب محددًا، يعرف تشات جي بي تيما تحتاجه بدقة فيقدّم معلومات أنفع.
- توفير الوقت: التلقين المنظّم يختصر الطريق إلى الإجابة الصحيحة دون تكرار السؤال مرات عديدة.
- رفع الدقّة: كلما كان المطلوب أوضح، زادت فرصة الحصول على إجابات أدق وأكثر موثوقية.
- تعزيز الإبداع: التلقينات الإبداعية تحفّز ردودًا مبتكرة ومفيدة للعصف الذهني واستكشاف الأفكار.
- تحسين التعلّم: التلقينات التفصيلية تساعد تشات جي بي تي على تبسيط الموضوعات المعقّدة وشرحها بطريقة أسهل للفهم.[3]
الشكل (1): متوسط نسب الصحة لكل مبدأ[4]
في الشكل(1) تحسُّن جودة استجابات نماذج اللغة الكبيرة بعد تطبيق المبادئ المُقدَّمة على التلقينات . يشير مصطلح “النطاق الصغير” إلى نماذج بحجم 7B، بينما يشير “النطاق المتوسط” إلى نماذج بحجم 13B، ويشير “النطاق الكبير” إلى نماذج بحجم 70B ونماذج GPT-3.5 وGPT-4.
الشكل (2): متوسط نسب التحسن لكل مبدأ[4]
في الشكل (2): تحسُّن دقّة استجابات نماذج اللغة الكبيرة بعد تطبيق المبادئ المُقدَّمة على التلقينات . يشير النطاق الصغير إلى نماذج بحجم 7B، ويشير النطاق المتوسط إلى نماذج بحجم 13B، بينما يشير النطاق الكبير إلى نماذج بحجم 70B ونماذج GPT-3.5 و GPT-4(جي بي تي 3.5 , جي بي تي 4)
6.كتابة تلقينات فعّالة
ببساطة، طريقة صياغتك للتلقين هي ما يحدّد شكل مخرجات الذكاء الاصطناعي. ويُسمّى فنّ تحسين التلقينات هندسة التلقينات ، وهي “اختيار الكلمات والعبارات والرموز والتنسيقات المناسبة” للحصول على أفضل نتيجة ممكنة من نماذج الذكاء الاصطناعي.
وانطلاقًا من ذلك، يمكن اعتماد ثلاث استراتيجيات أساسية: قدّم سياقًا، وكن محددًا، وابنِ على المحادثة.
- قدّم سياقًا
يمكن أن يكون تلقينك سؤالًا بسيطًا مثل: “ما أفضل وقت في السنة للاستمتاع بألوان الخريف في نيو إنجلاند؟” وسيقدّم نظام مثل تشات جي بي تي إجابة مباشرة بسرعة.
لكن يمكنك جعل التلقين أكثر فعالية بإضافة سياق أو دور/نبرة محددة، مثل: “تصرّف كخبير أحياء برية متخصص في الأشجار. بالاعتماد على أنماط الطقس الأخيرة في الولايات المتحدة، توقّع أفضل موسم لألوان الخريف في نيو إنجلاند—واشرحه لرياض الأطفال.” ستكون النتيجة مختلفة كثيرًا عن التلقين البسيط لأنها ستراعي القيود والمعايير التي حدّدتها بإضافة سياق أكثر.
- كن محددًا
اجعل تلقينك أكثر تحديدًا بإضافة تفاصيل مثل السنة، أو المنطقة المقصودة (شمال/وسط/جنوب نيو إنجلاند)، أو المقارنة بين منطقتين. ويمكنك رفع الوضوح والملاءمة عبر تحديد المهمة بدقة، وتقديم أمثلة، وذكر قواعد أو قيود واضحة .
غالبًا ما ترتبط جودة مخرجات النماذج بمدى وضوح ودقة الاستعلام. فبدل سؤال عام مثل: “حدّثني عن تغيّر المناخ”، يمكنك تحديد ما تريده مثل: “ناقش الآثار الاقتصادية لتغيّر المناخ في الدول النامية خلال العقد القادم”. بهذه الطريقة توجّه تركيز النموذج لتحصل على إجابة أكثر استهدافًا وارتباطًا بسؤالك. وباختصار، كلما زادت دقّة تفاصيل المدخل زادت فائدة المخرج، لذا فإن صقل الاستعلام بسياق وقيود وأهداف صريحة يحسّن النتائج بشكل ملحوظ.
كما أن زيادة التفاصيل تجعل نواياك أوضح وتنتج إجابة أكثر تخصيصًا وأقل أخطاء .
يبيّن الجدول (1) أوجه الاختلاف بين أنواع التلقينات مع تقديم أمثلة توضيحية لكل منها.
| نوع التلقين | الوصف | مثال |
| Zero-Shot Prompt التلقين الصفري | قدم تعليمات بسيطة وواضحة بدون أمثلة. مفيد للرد السريع والعام. | “لخص هذا المقال في 5 نقاط.” |
| Few-Shot Prompt التلقين قليل الأمثلة | قدم بعض الأمثلة عما تريد أن يقلده الذكاء الاصطناعي. يساعد النموذج على تعلم الهيكل أو النغمة التي تريدها. | “إليك ملخصين مثاليين. اكتب ثالثا بنفس الأسلوب.” |
| Instructional Prompt التلقين التعليمي | أدرج أوامر مباشرة باستخدام أفعال مثل “كتب”، “شرح”، أو “مقارنة”. | “اكتب ملخصا تنفيذيا لهذه المذكرة. اجعلها أقل من 100 كلمة.” |
| Role-Based Prompt التلقين القائم على الدور | طلب من الذكاء الاصطناعي أن يتخذ شخصية أو وجهة نظر معينة. مفيد للإبداع والاستجابات الخاصة بالمجال. | “أنت أستاذ ماجستير إدارة أعمال وتعد مخطط محاضرة…” |
| Contextual Prompt التلقين السياقي | أضف خلفية أو إطار ذي صلة قبل طرح السؤال. يساعد الذكاء الاصطناعي على تخصيص الردود لجمهور أو بيئة محددة. | هذا النص مخصص لدورة جامعية في الاقتصاد السلوكي. أعد صياغتها بلغة أبسط.” |
| Meta Prompt / System Prompt تلقين النظام | تعليمات خلف الكواليس، على مستوى النظام تحدد سلوك الذكاء الاصطناعي أو نبرته أو نطاقه قبل أي تدخل للمستخدم. عادة ما يكتبها المنصة (مثل OpenAI). عادة لن ترى أو تكتبها إلا إذا كنت تبني أداة الذكاء الاصطناعي الخاصة بك. | “دائما رد بشكل رسمي واستشهد بمصادر حقيقية. لا تخمن أبدا.” |
الجدول (1) : مقارنة بين أنواع التلقينات
- البناء على المحادثة
تأتي كثير من أنظمة الذكاء الاصطناعي على شكل نافذة دردشة، وهي قادرة عادةً على تذكّر ما جرى سابقًا في الحوار دون الحاجة لإعادة شرح السياق من البداية. في مثال موسم ألوان الخريف، بعد أن يولّد النظام إجابة مناسبة لرياض الأطفال، يمكنك متابعة الطلب مباشرةً مثل: “اجعلها أكثر طرافة”، أو “اشرحها لطلاب جامعيين يدرسون الأدب الإنجليزي باستخدام تشبيهات يفهمونها”، من دون تكرار السياق أو الشروط السابقة. كذلك تتيح أغلب الأنظمة إعادة توليد نسخة مختلفة من الإجابة إذا أردت، دون كتابة تلقين جديد بالكامل.
7.القيود
يمكنك الاستمرار في تطوير الإجابات عبر تلقينات متتابعة، ومع تحسّن النماذج واتساع نوافذ السياق أصبحت قدرتها على حفظ السياق عبر التفاعلات أفضل . هذا الأسلوب التكراري يساعد على استخراج قيمة أكبر من الذكاء الاصطناعي ، لكنه قد يصبح عائقًا عند الانتقال لموضوع جديد؛ وعندها يُفضّل بدء محادثة جديدة.
على الرغم من أن هندسة التلقينات قد تحسّن مخرجات الذكاء الاصطناعي، فإن هناك بعض القيود التي ينبغي أخذها في الحسبان:
- ركّز أكثر على المشكلة وأقل على التلقين
تتطور منصات الذكاء الاصطناعي والنماذج التي تقوم عليها بسرعة وتزداد تعقيدًا، لذلك يشكّك بعض الخبراء في استمرار أهمية هندسة التلقينات على المدى الطويل. ويُتَوَقَّع أن تتمكن النماذج قريبًا من كتابة التلقينات بنفسها.
ويتنبأ عكار بمستقبل تستطيع فيه الأنظمة المتقدمة فهم نوايانا دون تلقينات مقصودة، ويؤكد على الفرق بين المشكلة والتلقين؛ فهندسة التلقينات تهتم بصياغة إدخال نصّي مثالي عبر اختيار الكلمات والعبارات وبنية الجمل وعلامات الترقيم، بينما تركز صياغة المشكلة على تعريفها بتحديد الهدف والنطاق والحدود . لذلك قد يصبح الأهم مستقبلًا تطوير مهارة وصف المشكلة بدقة أكثر من إتقان هندسة التلقينات[2].
- كن واعيًا بعيوب الذكاء الاصطناعي
رغم التقدّم السريع، لا يزال الذكاء الاصطناعي غير معصوم من الخطأ، وتبقى دقّة المعلومات مصدر قلق مستمر؛ فقد أشار حادثٌ في عام 2023 إلى نشر محتوى مولّد بالذكاء الاصطناعي تبيّن لاحقًا أنه غير صحيح . ويمكن العثور على حالات مشابهة في سياقات متعددة، بما فيها المجال الأكاديمي. قد تنتج أدوات الذكاء الاصطناعي محتوى غير دقيق أو مضلّل أو مختلق بالكامل، حتى وإن بدا متماسكًا ومقنعًا. ولشيوع هذه الظاهرة يُطلق عليها اسم هلوسة الذكاء الاصطناعي . لذلك من المهم تذكّر حدود الذكاء الاصطناعي عند صياغة التلقينات، ومراجعة النتائج دائمًا بعين نقدية[2].
كما أن إدخال تلقين واستلام مخرجات يشبه المحادثة مع شخص آخر، ومثل أي محادثة بشرية قد تتعقّد الأمور أحيانًا وقد “ينسى” النظام سياقًا سابقًا أو يضلّ مسار الحديث، وهو سبب إضافي يجعل التركيز على تحديد المشكلة بوضوح أكثر فائدة من تكرار محاولات صياغة تلقين مثالي.
- تجنّب الأضرار المحتملة للذكاء الاصطناعي
يُعيد الذكاء الاصطناعي إنتاج تحيّزات ضارّة. ومن الأمثلة التي أثارت جدلًا أن طالبة في معهد “إم آي تي” من أصول آسيوية طلبت من نظام ذكاء اصطناعي تحويل صورتها إلى صورة شخصية احترافية، فكانت النتيجة صورة بعيون زرقاء فاقعة وبشرة أفتح لونًا . وقد أقرّ سام ألتمان، الرئيس التنفيذي لتشات جي بي تي، بأن الذكاء الاصطناعي ما يزال مقصّرًا في إزالة التحيّزات وإنتاج لغة شاملة، ودعا إلى تطوير تكراري يستند إلى تغذية راجعة أوسع من الجمهور لمواجهة هذه التحديات [2].
8.الخاتمة
مع سعي المستخدمين للاستفادة من قوة الذكاء الاصطناعي، تصبح صياغة التلقين المناسب مهارة أساسية لتوجيه النظام نحو النتائج المطلوبة وتحقيق أفضل المخرجات. وتكمن جاذبية أدوات مثل تشات جي بي تي كلاود وغيرها في قدرتها على التكيّف والتعلّم من مدخلاتك المصاغة بعناية، ومحاكاة الحوار البشري، وتوليد إجابات ملائمة. ومع ذلك، ينبغي البقاء يقظين تجاه عيوبها المحتملة وتحيّزاتها، وتجاه مخاطر الاعتماد المفرط عليها دون مراجعة نقدية.[2]
تم اختبار26 مبدأً يعزّز قدرة نماذج اللغة الكبيرة على التركيز على العناصر الأساسية في سياق الإدخال، مما يؤدي إلى توليد استجابات عالية الجودة. ومن خلال توجيه النموذج بهذه المبادئ المصاغة بعناية قبل معالجة الإدخال، يمكن تشجيع النموذج على إنتاج استجابات أفضل. وتُظهر نتائجنا التجريبية أن هذه الإستراتيجية يمكنها إعادة صياغة السياقات التي قد تؤثّر سلبًا في جودة المخرجات، وبذلك تُحسِّن ملاءمة الاستجابات واختصارها وموضوعيتها.[4]
وتوجد العديد من الاتجاهات الممكنة للبحث مستقبلًا. ففي تجاربنا، استخدمنا أسلوب التلقين بعدد محدود من الأمثلة لتطبيق هذه المبادئ. وهناك إمكانية لتطوير النماذج الأساسية لتتوافق بشكل أكبر مع هذه التعليمات المبدئية باستخدام إستراتيجيات بديلة مثل الضبط الدقيق fine-tuning، والتعلّم المُعزَّreinforcement learning، وتحسين التفضيلات المباشر direct preference optimization، أو أساليب توجيه مختلفة بالاعتماد على مجموعة البيانات التي قمنا بتوليدها. إضافةً إلى ذلك، يمكن دمج الإستراتيجيات التي أثبتت نجاحها في العمليات القياسية لنماذج اللغة الكبيرة، على سبيل المثال عبر إجراء الضبط الدقيق باستخدام التلقينات الأصلية أو المبدئية كمدخلات، والاستجابات المصقولة القائمة على هذه المبادئ كأهداف تدريبية.[4]
9. المراجع
