مهندسی سریع هوش مصنوعی؛ یاد بگیرید از چت‌بات‌ها سؤالات احمقانه نپرسید!

به گزارش خبرنگار خبرگزاری علم و فناوری آنا، با تمام هیجان اولیه نسبت به «چت جی‌پی‌تی» و ابزار پردازش زبان مبتنی بر هوش مصنوعی استفاده از چت‌بات‌ها در حال عادی‌تر شدن است. اما چگونه هوش مصنوعی خود را برای کار و خانه آموزش می‌دهید؟ در گزارش زیر به چند سؤال ساده پاسخ می‌دهیم.

مهندسی سریع چیست؟

مهندسی سریع تکنیکی برای ارتباط مؤثر با مدل‌های هوش مصنوعی مولد است. سیستم‌هایی مانند «چت جی‌پی‌تی»، «گوگل بارد» و «دال-ای» در زمان تغذیه یک ورودی دارد که به آن‌ها دستور می‌دهد چه چیزی تولید کنند، مثلا متن، تصویر و قطعه موسیقی تولید خواهند کرد. اما یک عبارت می‌تواند خروجی بازگشتی را به‌شدت تغییر دهد. مهندسی سریع یا «پرامپت» (Prompt) فرآیند تدوین یک دستورالعمل برای یک سیستم هوش مصنوعی است به‌طوری‌که خروجی تولیدی کاملاً با انتظارات شما مطابقت دارد.

چه فرقی می‌کند که فقط سؤال بپرسید؟

این کار نیاز به مراقبت بیشتری دارد. سؤالی که در چت جی‌پی‌تی مطرح می‌کنید ممکن است پاسخ قانع‌کننده‌ای داشته باشد یا نداشته باشد. مهندسی سریع شامل در نظر گرفتن ویژگی‌های یک مدل هوش مصنوعی برای ساخت ورودی‌هایی است که به‌وضوح آن‌ها را درک خواهد کرد. این کار باعث تولید خروجی‌هایی می‌شود که به‌طور مداوم مفیدتر، جالب‌تر و مناسب‌تر با آنچه در ذهن دارید هستند. پاسخ هایی که به‌خوبی تنظیم شده‌اند و حتی ممکن است از انتظارات نیز پیشی بگیرید.

چرا درست سؤال پرسیدن از چت‌بات‌ها اهمیت دارد؟

چت‌بات‌هایی مانند بارد، بینگ و چت جی‌پی‌تی می‌توانند برای تکمیل کارهای اداری روزمره بسیار مناسب باشند. حامیان از آن‌ها برای پیش‌نویس ایمیل‌ها، خلاصه کردن یادداشت‌های جلسه، تنظیم قراردادها، برنامه‌ریزی تعطیلات و ارائه پاسخ به سؤالات پیچیده تقریباً به‌صورت آنی استفاده می‌کنند.

ژول وایت، استادیار علوم کامپیوتر در دانشگاه وندربیلت در نشویل تنسی می‌گوید: هرکسی می‌تواند یکی از قدرتمندترین دستیارهای شخصی را روی کره زمین داشته باشد که آن‌ها را بهره‌ورتر می‌کند یا به آن‌ها اجازه می‌دهد چیز‌هایی را خلق کنند که به‌طورمعمول نمی‌توانند.
 
کمی هوش و ذکاوت نیز می‌تواند مدیران استخدام را تحت تأثیر قرار دهد. مت برنی یکی از مشاوران استراتژی استعداد در وب‌سایت کاریابی اینسایت می‌گوید تعداد آگهی‌های شغلی که خواستار مهارت هوش مصنوعی هستند، کم، اما رو به رشد است و شرکت‌ها در صنایع مختلف به‌طور فزایند‌های به دنبال این هستند که چگونه مدل‌ها را در جریان کار خود ادغام کنند.

 چگونه این کار را انجام دهیم؟

چندین تکنیک مشهور وجود دارد استفاده از شخصیت‌ها یک حقه رایج است. به سیستم بگویید که به‌عنوان یک وکیل، معلم شخصی، گروهبان حفاری یا هر چیز دیگری عمل کند و خروجی‌هایی با تقلید از لحن و صدای آن‌ها ایجاد خواهد کرد. یا به‌عنوان یک تمرین معکوس، آن را آموزش دهید تا یک کار را با یک مخاطب خاص در ذهن تکمیل کند مانند یک کودک پنج‌ساله، یا یک گروه متخصص بیوشیمی، یا یک مهمانی کریسمس اداری تا نتایج‌ متناسب با آن جمعیت به دست آورد. به‌طور خلاصه، لازم نیست خودتان ویژگی‌های سبکی شخصیت را بدانید، بلکه می‌توانید آن را به سیستم بسپارید تا تشخیص دهد.
 
درعین‌حال، تحریک زنجیره فکری برای حل مسئله مناسبتر است. درخواست از مدل برای تفکر گام‌به‌گام آن را تشویق میکند تا خروجی خود را به تکه‌های کوچک تقسیم کند، که اغلب نتایج جامع‌تری را ایجاد میکند. برخی از محققان همچنین دریافته‌اند که نشان دادن یک مدل هوش مصنوعی به یک مسئله نمونه با راه‌حل گام‌به‌گام آن، توانایی آن برای رسیدن به پاسخ صحیح در هنگام حل سؤالات مشابه دیگر را بهبود می‌بخشد.

درواقع مثال‌ها هیچ‌گاه آسیب نمی‌بینند اگر خروجی بسیار خاصی در ذهن دارید، یک نمونه متن یا تصویری که می‌خواهید ایجاد شود را آپلود کنید و به مدل آموزش دهید تا از آن به‌عنوان الگو استفاده کند. وایت می‌گوید: شما میخواهید آن را به‌عنوان یک مکالمه مداوم در نظر بگیرید که در آن شروع می‌کنید و تکرار و اصلاح میکنید؛ و اصول زبان روزمره را فراموش نکنید دستورالعمل‌های واضح و ضروری که تفسیر نادرست را به حداقل می‌رسانند.

از چه چیزی باید اجتناب کرد؟

بدون اطلاعات اضافی، مدل‌های هوش مصنوعی نمی‌توانند سلیقه، ایده یا چشم‌انداز محصولی را که در ذهن شما است، استنباط کنند. جزئیات یا زمینه را نادیده نگیرید و فرض نکنید که اگر چیزی گم‌ شده است، مدل به‌درستی جای خالی را پر خواهد کرد.

آیا می‌توان جلوی بی‌دقتی هوش مصنوعی را گرفت؟

نه. مدل‌های زبان بزرگ، حتی زمانی که به‌صراحت به آن‌ها دستور داده می‌شود اطلاعاتی را ارائه ندهند نمی‌پذیرند، مه یری آیتکن، یک متخصص اخلاق در مؤسسه آلن تورینگ، مستقر در کتابخانه بریتانیا در لندن، می‌گوید: این مدل‌ها برای پیش‌بینی توالی کلماتی طراحی‌ شده‌اند که زبان انسان را تکرار می‌کنند، اما هیچ ارتباطی با واقعیت ندارند.

مارسل شارث، استاد تجزیه‌وتحلیل کسب‌وکار در دانشگاه سیدنی می‌گوید: اگر چت‌بات ادعا‌های نادرستی مطرح می‌کند، می‌توانید به خطا‌ها اشاره‌ کنید و از آن بخواهید که پاسخ را بر اساس بازخورد شما بازنویسی کند.

وایت پیشنهاد می‌کند که از مدل بخواهید فهرستی از حقایق اساسی که خروجی به آن‌ها وابسته است، تهیه کند تا بتوانید آن‌ها را به‌صورت جداگانه بررسی کنید. یا فهرستی از حقایق را در اختیار آن قرار دهید تا پاسخ خود را بر اساس آن‌ها تنظیم کند و در صورت استفاده از هر یک از آن‌ها، ارجاع دهد تا بعداً به بررسی واقعیت‌ها سرعت ببخشد.

 
این مهارت می‌تواند یک شغل باشد؟

توسعه‌دهندگان هوش مصنوعی مهندسانی را استخدام کرده‌اند تا محدودیت‌ها و کمبود‌های مدل‌های خود را آزمایش کنند تا بتوانند برای مدیریت بهتر ورودی‌های کاربر اصلاح شوند. اما طول عمر این موقعیت‌ها تضمین‌شده نیست.

ریما لیندر، استاد علوم کامپیوتر در دانشگاه تنسی، پیشنهاد می‌کند که توسعه‌دهندگان ممکن است دانشمندان متخصص کامپیوتر را به مهندسان سریع خودساخته ترجیح دهند و نبود گواهی‌نامه به رسمیت شناخته‌شده در صنعت به این معنی است که ارزیابی توانایی تحریک یک فرد دشوار است.

در بازار مشاغل گسترده‌تر، مهندسی سریع احتمالاً مسیر مدیریت صفحات گسترده یا بهینه‌سازی موتور جستجو را طی خواهد کرد مهارتی که در نقش‌های مختلف موردنیاز است.

برنی می‌گوید: تجربه استفاده از یک مدل زبان بزرگ یا ترانسفورماتور از پیش آموزش‌ دیدۀ مولد،  برای هر شغل اداری تقریباً یک نیاز خواهد بود، زیرا اگر نتوانید این کار را انجام دهید، در دستیابی به اهداف خود کندتر خواهید بود.
 
شاید در آینده نیازی به مهندسی سریع نداشته باشیم

همان‌طور که مدل‌های هوش مصنوعی پایدار نیستند، بهترین روش‌های مهندسی نیز سریع نیستند. تکنیک‌هایی که اکنون با سیستم‌ها کار می‌کنند ممکن است در نسخه‌های به‌روزشده کمتر مفید واقع شوند، اگرچه مشخص نیست که این تغییرات تا چه حد می‌توانند فراگیر باشند.

وایت می‌گوید: من فکر می‌کنم مفاهیم و الگو‌های اصلی وجود خواهند داشت که تغییر نمی‌کنند. او پیشنهاد می‌کند که توسعه‌دهندگان هوش مصنوعی به تکنیک‌های رایج بیان توجه کنند.

وی ادامه داد: هرچه این سیستم‌ها محاوره‌ای‌تر می‌شوند تعامل با آن‌ها شهودی‌تر می‌شود و شاید در آینده نیازی به مهندسی سریع نداشته باشیم.

انتهای پیام/

مهدیه چوپانی