درک نحوه تعامل با چت جی پی تی و رقبای آن به گونه‌ای که خروجی آن با انتظارات شما مطابقت داشته باشد به زودی مهارتی کلیدی محسوب خواهد شد.
فرارو- پس از تمام هیجانات اولیه ایجاد شده در مورد چت جی پی تی (Chat GPT) ابزار پردازش زبان که توسط هوش مصنوعی هدایت می‌شود استفاده از چت بات‌ها رایج‌تر شده است. بنابراین، چگونه هوش مصنوعی خود را برای محل کار و خانه آموزش می‌دهید؟ ما به چند پرسش ساده پاسخ می‌دهیم.
به گزارش فرارو به نقل از گاردین، این تکنیکی برای برقراری ارتباط موثر با مدل‌های هوش مصنوعی مولد است. مهندسی پرامپت یا Prompt Engineering به یافتن و استفاده از فرامین و دستورالعمل‌هایی گفته می‌شود که به کمک آن با هوش مصنوعی ارتباط برقرار می‌کنیم. دستیابی به فرامین کاربردی می‌تواند منجر به بهبود نتایج خروجی شود و پاسخ‌ها بیش‌تر به هدف ما نزدیک خواهند شد.
سیستم‌هایی مانند بارد (Bard)، "دال – ای" (Dall-E) و چت جی پی تی هنگامی که از یک ورودی به نام "پرامپت*" (Prompet) تغذیه می‌شوند و به آن دستور داده می‌شود چه چیزی را تولید کند متن، تصاویر و قطعات موسیقی را تولید می‌نماید. با این وجود، جمله بندی و عبارت پردازی یک پرامپت می‌تواند خروجی برگشتی را تغییر دهد. مهندسی پرامپت فرموله کردن یک درخواست برای یک سیستم مبتنی هوش مصنوعی است به طوری که خروجی‌ای تولید کند که دقیقا مطابق با انتظارات شما باشد.
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 ویژگی‌های یک مدل هوش مصنوعی برای ساخت ورودی‌هایی است که به وضوح درک می‌کند و تمایل به تولید خروجی‌هایی دارد که به طور مداوم مفیدتر، جالب‌تر و مناسب‌تر از آن چیزی می‌باشد که شما در ذهن دارید. پرامپت را به خوبی فرموله کرده و پاسخ ممکن است حتی از انتظارت فراتر رود.
چت بات‌هایی مانند بارد، چت جی پی تی و بینگ چت (Bing Chat) می‌توانند برای تکمیل کار‌های اداری روزمره بسیار راحت باشند. مدافعان چت بات از این ابزار‌های مبتنی بر هوش مصنوعی برای تهیه پیش نویس ایمیل ها، خلاصه کردن یادداشت‌های جلسه، تنظیم قراردادها، برنامه ریزی تعطیلات و ارائه پاسخ به پرسش‌های پیچیده استفاده کرده اند.
"جولز وایت" دانشیار علوم رایانه در دانشگاه وندربیلت در نشویل در تنسی می‌گوید: "هر فردی می‌تواند یکی از قدرتمندترین دستیاران شخصی روی کره زمین را داشته باشد که توانایی بهره وری بیشتری به او می‌دهد یا به او اجازه می‌دهد چیز‌هایی خلق کند که در حالت عادی نمی‌توانست. 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 می‌گوید که تعداد آگهی‌های شغلی که برای مهارت‌های مرتبط با هوش مصنوعی درخواست ارائه کرده اند هنوز اندک، اما با روندی رو به رشد است و شرکت‌ها در صنایع مختلف به طور فزاینده‌ای به دنبال چگونگی ادغام مدل‌ها در جریان کاری خود هستند.
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 خروجی‌هایی با تقلید از لحن و صدای آن ایجاد می‌کند 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 بیوشیمیدان‌های متخصص یا یک جشم کریسمس اداری انجام دهد و نتیجه‌ای متناسب با آن جمعیت شناسی دریافت خواهید کرد. مهم‌تر از همه آن که نیازی نیست خودتان ویژگی‌های سبک پرسونا را بدانید، اما می‌توانید آن را به سیستم بسپارید تا بفهمد.
در این میان، تحریک زنجیره‌ای از فکر برای حل مسئله مناسب‌تر است. درخواست از مدل برای "فکر کردن مرحله به مرحله" آن را تشویق می‌کند تا خروجی خود را به قطعات کوچک تقسیم کند که اغلب نتایج جامع تری را به همراه دارد.
هم چنین، برخی از محققان دریافته اند که نشان دادن نمونه‌ای از یک مدل هوش مصنوعی با راه حل گام به گام آن توانایی آن مدل را برای پاسخ صحیح هنگام حل سوالات مشابه بهبود می‌بخشد. اگر خروجی بسیار خاصی در ذهن دارید یک نمونه متن یا تصویری را آپلود کنید که نشان می‌دهد چه چیزی تولید می‌شود و به مدل دستور دهید از آن به عنوان یک الگو استفاده کند. هم چنین، اصول اولیه زبان روزمره را فراموش نکنید: دستورالعمل‌های واضح و ضروری که تفسیر نادرست را به حداقل می‌رساند. به طور واضح آن چه را که از خروجی می‌خواهید و نمی‌خواهید به صراحت بیان کنید و تعداد و قالب کلمات را به شکلی واضح تنظیم نمایید.
از زبان مبهم پرهیز نمایید. مدل‌های مبتنی بر هوش مصنوعی بدون اطلاعات اضافی قادر نیستند سلائق، ایده‌ها یا چشم انداز محصولی که در ذهن شماست را نشان دهند. در نتیجه، تصور نکنید اگر چیزی کم است مدل به درستی جای خالی را پر می‌کند.
خیر. مدل‌های 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 می‌دهند که در ظاهر قابل قبول به نظر می‌رسند، اما کاملا نادرست هستند. این یک مشکل حل نشدنی در این نوع از مدل‌ها است. آن مدل‌ها برای پیش بینی توالی کلماتی طراحی شده اند که زبان انسان را تکرار می‌کنند، اما هیچ ارتباطی با حقیقت یا واقعیت موجود ندارند. با این وجود، تذکر زیرکانه می‌تواند به مقابله با دروغ‌ها پس از ظاهر شدن کمک کند. برای مثال، اگر چت بات ادعا‌های نادرستی را مطرح می‌کند می‌توانید به اشتباهات 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 را که خروجی اش مبتنی بر آن است تهیه کند تا بتوانید آن موارد را به صورت جداگانه تایید کنید. هم چنین، شما می‌توانید فهرستی شماره گذاری شده از حقایق را به آن ارائه دهید تا پاسخ خود را بر اساس آن ارائه داده و هنگام استفاده از آنها به هر یک ارجاع دهد تا بررسی واقعیت را برای موارد بعدی سرعت بخشد.
برای برخی افراد این احتمال وجود دارد. توسعه دهندگان هوش مصنوعی مهندسان پرامپت را استخدام کرده اند تا محدودیت‌ها و کمبود‌های مدل‌های خود را آزمایش کنند تا بتوان آن را برای مدیریت بهتر ورودی‌های 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 توسط آن صنعت بدان معناست که ارزیابی توانایی یک فرد دشوار است.
در بازار کار گسترده‌تر مهندسی پرامپت احتمالا مسیر سئو (بهینه ساز سایت برای موتور‌های جستجو) را خواهد پیمود مهارتی که در نقش‌های مختلف مورد نیاز است و برای مدیران استخدامی به عنوان امتیازی در رزومه تان محسوب می‌شود.
تجربه استفاده از یک مدل بزرگ زبان یا ترانسفورماتور پیش ساخته تولیدی 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.
درست همان گونه که مدل‌های مبتنی بر هوش مصنوعی پایدار نیستند بهترین روش‌های مهندسی پرامپت نیز پایدار نخواهند بود. تکنیک‌هایی که اکنون با سیستم‌ها کار می‌کنند ممکن است در نسخه‌های به روز شده کمتر مفید باشند اگرچه مشخص نیست که تغییرات می‌تواند تا چه اندازه باشد.
وایت می‌گوید: "من فکر می‌کنم مفاهیم و الگو‌های اصلی‌ای وجود خواهند داشت که تغییر نمی‌کنند. بسیاری از این روش‌های بیان چیز‌ها به معیار‌هایی تبدیل می‌شوند که مدل‌های جدید در برابر آن آموزش دیده اند. بنابراین، بخشی از مهندسی پرامپت بر روی خود مدل‌ها بازخورد داده خواهد شد.
هم چنین، به طور قابل توجهی توانایی مدل‌ها برای درک حتی مبهم‌ترین و پرامپت‌های مهندسی نشده می‌تواند به طرز چشمگیری بهبود یابد. هر چه این سیستم‌ها مکالمه ای‌تر می‌شوند و هرچه تعامل با آنها شهودی‌تر شود ممکن است در آینده نیازی به مهندسی پرامپت نداشته باشیم. برای برخی از توسعه دهندگان این هدف غایی آنان است.
* پرامپت در حوزه هوش مصنوعی به فرایند ورود و ارسال جزئیات درخواست به هوش مصنوعی گفته می‌شود تا هوش مصنوعی دریافت کننده پرامپت براساس جزئیاتی که در آن مشخص شده خروجی را تحویل دهد. پرامپت می‌تواند کلمه، عبارت، جمله یا حتی یک تصویر باشد.
* پرسونا یک شخصیت فرضی است که ما آن را در ذهن مان یا روی کاغذ ایجاد می‌کنیم 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.
