مهندسی پرامپت چیست؟ برقراری ارتباط موثر با هوش مصنوعی

این کار؛ یعنی طراحی دستوراتی برای استفاده حداکثری از پتانسیل‌های مکالمه با هوش مصنوعی، مهندسی پرامپت (prompt engineering) نامیده می‌شود. به‌زودی، سازمان‌ها و افرادی که در تعامل با هوش مصنوعی سرآمد هستند، مزیت رقابتی به دست خواهند آورد، زیرا می‌توانند با کارایی بیشتری نسبت به سایرین، به استخراج بینش‌ها و اطلاعات ارزشمند از هوش مصنوعی بپردازند. پس بهتر است تا دیر نشده پا در دنیای مهندسی پرامپت بگذارید؛ چرا که معیار باسواد بودن در عصر هوش مصنوعی است.

مهندسی پرامپت چیست؟

مهندسی پرامپت به معنی ایجاد دستورالعمل‌های خاص برای چت‌بات‌های مجهز به هوش مصنوعی مانند ChatGPT با هدف رسیدن به بهترین پاسخ‌ برای یک مورد مشخص است. به عبارت ساده‌تر، یعنی فهمیدن زبان هوش مصنوعی و تنظیم فرمولی که محدوده خروجی‌ها را به آنچه می‌خواهیم نزدیک‌تر کند. این کار، نیازمند درک نحوه عملکرد یک چت‌بات هوش مصنوعی، کارهایی که می‌تواند و نمی‌تواند انجام دهد و نقاط قوت و ضعف آن است.

داشتن خلاقیت، اتخاذ رویکردهای مختلف و آزمایش نتایج نیز در مهندسی پرامپت اهمیت دارند. برخی افراد، مهندسی پرامپت را مشابه مهندسی کیفیت می‌دانند؛ چرا که هر دو مسئول بهترین خروجی ممکن از سیستم موردنظر هستند.

تقاضا برای مشاغل مهندسی پرامپت

هوش مصنوعی مولد با تسهیل ارتباطات و افزایش بهره‌وری در حال متحول کردن صنایع مختلف است و کسب‌وکارها روزبه‌روز بیشتر بر راه‌حل‌های مبتنی بر هوش مصنوعی متکی می‌شوند؛ از ربات‌های خدمات مشتری گرفته تا دستیاران مجازی. تخمین زده می‌شود که تا پایان سال 2023، بیش از 2.5 میلیارد نفر از پلتفرم‌های تعاملی استفاده کنند.

البته نباید موفقیت خیره‌کننده ChatGPT را از قلم بیندازیم که توانست فقط در 5 روز یک میلیون کاربر را جذب کند (تصویر زیر را ببینید)

همان‌طور که هوش مصنوعی مولد به تکامل و پیشرفت خود ادامه می‌دهد، همیشه نیاز به متخصصانی وجود خواهد داشت که بتوانند عملکرد چت‌بات‌ها را بهینه کنند و آن را بهبود بخشند؛‌ این کار بر عهده مهندسان پرامپت (prompt engineers) است. با اینکه این عنوان شغلی هنوز جدید است، اما کارفرمایان از قبل اهمیت آن را درک کرده‌اند.

به گزارش بلومبرگ، متوسط دستمزد مهندسی پرامپت از 175000 تا 335000 دلار در سال متغیر است. همه شواهد موید این واقعیت هستند که الان زمان ورود به این حوزه است؛ پس عجله کنید! پیشنهاد می‌کنیم تا در ابتدا نگاهی به آگهی‌های شغلی مرتبط با مهندسی پرامپت بیندازید تا بیشتر با آن آشنا شوید.

بعد از پی‌بردن به آینده روشن مهندسی پرامپت، این سؤال مطرح می‌شود که نقش یک مهندس پرامپت دقیقاً چیست؟ یک مهندس پرامپت، مسئول توسعه و بهبود مدل‌های یادگیری ماشینی است که می‌توانند به طور دقیق درخواست‌های کاربر را پردازش کرده و به آنها پاسخ دهند. او بر روی توسعه الگوریتم‌هایی کار می‌کند که می‌تواند حجم زیادی از داده را پردازش کرده و پاسخ‌های منسجم و مرتبط با ورودی‌های کاربر تولید کنند.

در نتیجه، یک مهندس پرامپت باید درک کاملی از پردازش زبان طبیعی، یادگیری ماشینی و تکنیک‌های یادگیری عمیق داشته باشد. درست است که همه می‌توانند با هوش مصنوعی صحبت کنند و حتی افرادی که هیچ پیشینه فناوری ندارند می‌توانند پرامپت‌های مؤثری بنویسند؛ اما اصول اولیه را با مهندسی پرامپت پیشرفته اشتباه نگیرید. مهندسی پرامپت اولیه شامل وظایف استاندارد است، درحالی‌که مهندسی پرامپت پیشرفته شامل روال‌ها و فرایندهای آموزشی پیچیده است. در مورد درخواست‌های پیشرفته، یک اشتباه کوچک می‌تواند نتایج را به‌کلی تغییر دهد.

مفاهیم اساسی و عناصر مهندسی پرامپت در GPT

مدل‌های GPT-3، GPT-3.5 و GPT-4 از OpenAI مبتنی بر پرامپت هستند. در این‌گونه مدل‌ها، کاربر با واردکردن یک پیام متنی با مدل تعامل می‌کند و مدل با پیروی از متن ورودی، به آن پاسخ می‌دهد. ویژگی خاص مدل‌های مبتنی بر پرامپت این است که در عین قدرتمند بودن، نسبت به ورودی بسیار حساس هستند. در ادامه، مفاهیم و الگوهای کلی که مایکروسافت برای مدل‌های GPT معرفی کرده را بررسی می‌کنیم

پرامپت چیست؟

تعامل کاربران با مدل‌های GPT از طریق پیام‌های متنی است. مانند تمام مدل‌های زبان مولد، مدل‌های GPT سعی می‌کنند سری بعدی کلماتی را تولید کنند که از متن قبلی پیروی می‌کنند؛ انگار از مدل می‌خواهیم اولین چیزی که به ذهنش می‌رسد را بنویسد؛ منظور از prompt همین است.

اجزای پرامپت

با وجود این‌که هیچ تمایزی بین بخش‌های مختلف درخواست وجود ندارد، اما تقسیم‌کردن آن به اجزای مختلف می‌تواند برای یادگیری و شناسایی پرامپت مفید باشد. توجه داشته باشید که تمامی اجزای زیر اختیاری هستند و حداقل یکی از آن‌ها باید ارائه شود تا به خروجی (completion) برسیم. در زیر، اجزای پرامپت به ترتیب میزان استفاده از هرکدام آورده شده‌اند:

دستورالعمل (Instruction)

دستورالعمل‌ احتمالاً متداول‌ترین مؤلفه پرامپت است. دستورالعمل‌ها گرچه در مفهوم ساده هستند، اما در عمل می‌توانند پیچیده باشند. جدول زیر این امر را با نشان‌دادن دستورالعمل‌های ساده و پیچیده‌تر به دو شکل مختلف نشان می‌دهد.

محتوای اصلی

محتوای اصلی، هرگونه متنی است که برای پردازش به مدل ارائه می‌شود. محتوای اصلی معمولاً همراه با دستورالعمل به کار می‌رود. در مثال زیر، جمله اول محتوای اصلی است و جمله دوم یک دستورالعمل است.

محتوای اصلی می‌تواند بسیار طولانی‌تر باشد.  در مثال زیر، محتوای اصلی یک متن طولانی در مورد جنگل‌های هیرکانی است که از ویکی‌پدیا برداشته شده و در جدول به‌اختصار آمده است. جمله ” متن بالا را در چند جمله خلاصه کن”، دستورالعمل خلاصه‌سازی متن است.

به‌علاوه، مدل‌های GPT می‌توانند محتوای اصلی که ساختاریافته است را تفسیر کرده و به سؤالات مربوط به داده‌ها پاسخ دهند. برای مثال:

محتوای پشتیبان

محتوای پشتیبان، اطلاعاتی است که مدل می‌تواند از آن‌ها برای ارائه خروجی استفاده کند. تفاوت آن با محتوای اصلی این است که هدف اصلی نیست؛ اما معمولاً همراه با محتوای اصلی استفاده می‌شود. اطلاعات جانبی شامل تاریخ، نام کاربری و تنظیمات قبلی و مواردی از این دست هستند.

نشانه (Clue)

نشانه‌ها مدل را به سمت خروجی موردنظر هدایت می‌کنند و اغلب همراه با دستورالعمل به کار می‌روند. مثال بالا درباره جنگل‌های هیرکانی را به‌خاطر بیاورید؛ در اینجا از یک نشانه استفاده می‌کنیم:

ترفندهای مهندسی پرامپت

برای تسلط بر مهندسی پرامپت با مدل‌های هوش مصنوعی، این نکات را دنبال کنید.

معماری مدل زبان را درک کنید

فرایند back-end مدل‌های مختلف زبان را مطالعه کنید. درک نحوه تجزیه‌وتحلیل ورودی‌ها به شما کمک می‌کند تا پرامپت‌های دقیق‌تری بنویسید. با یادگیری معماری زبان، محدودیت‌ها را نیز بهتر درک می‌کنید.

مشکلات مبهم را واضح بیان کنید

مهندسان پرامپت باید بتوانند مسائل مبهم و چالش‌برانگیز را به خوبی بیان کنند؛ چرا که مدل‌های هوش مصنوعی فقط به ورودی‌ها پاسخ می‌دهند و تغذیه آنها با دستورات مبهم یا اصطلاحات عمومی، نتایج خوبی را به همراه نخواهد داشت. از طرف دیگر، مدل‌های هوش مصنوعی ذاتاً بی‌طرف هستند و هر خروجی مغرضانه‌ای که تولید می‌کنند از مجموعه‌داده‌های ورودی نشات می‌گیرد.

برای به‌حداقل‌رساندن پاسخ‌های نادرست یا مبهم، به‌جای غربال‌کردن دستی مجموعه‌داده‌ها، آزمایش‌های دقیقی را انجام دهید و به طور مداوم انواع مدل‌های هوش مصنوعی را با پرامپت‌های مختلف تغذیه کنید تا کشف کنید کدام‌یک، پاسخ‌های بهتری را ارائه می‌کند. پس به‌جای وسواس در نوشتن دستورات بی‌عیب‌ونقص، با تست A/B راحت باشید و تا زمانی که لحن، عبارت و اصطلاحات مناسب را برای انتقال دستورالعمل‌ها پیدا کنید، فرمول‌ها را ویرایش کنید.

روند صنعت را مطالعه کنید

تکامل سریع هوش مصنوعی، نیازمند آگاهی از روندهای آن است. فناوری‌های جدید می‌توانند به‌سرعت بر فناوری‌های محبوب قبلی غالب شوند؛ بنابراین فقط روی یک مدل هوش مصنوعی تمرکز نکرده و رقابت بین پلتفرم‌های مختلف هوش مصنوعی را رصد کنید. برای مثال، هم‌زمان با معرفی  GPT-3.5 توسط ChatGPT، شرکت‌های دیگری مانند مایکروسافت نیز مدل‌های زبان قدرتمند خود مانند Bing AI را توسعه دادند ولی زمان زیادی نگذشت که OpenAI  مدل  GPT-4 را منتشر کرد و  این روال همچنان ادامه دارد…!

بهترین منابع یادگیری مهندسی پرامپت

با نگاهی به محبوبیت مهندسی پرامپت، بازار آموزش و یادگیری آن به‌شدت داغ است. یکی از چالش‌هایی که ممکن است هنگام یادگیری با آن مواجه شوید، انتخاب یک منبع مطمئن و کامل است. خوشبختانه سازنده ChatGPT یعنی شرکت OpenAI یک دوره رایگان را به‌صورت موقت ارائه کرده است که شرکت در آن نیازمند حداقل دانش درباره زبان برنامه‌نویسی پایتون است؛ پس اگر دنبال منابع عمومی‌تری هستید دو مقاله مایکروسافت با عنوان‌های آشنایی با مهندسی پرامپت و تکنیک های مهندسی پرامپت را به شما توصیه می کنیم. در Coursera نیز می توانید دوره های خوبی را در این باره ببینید و رزومه خود را غنی تر کنید.

با زیگپ مهندس پرامپت شو!

زیگپ یک اپلیکیشن متصل به ChatGPT هست که امکان استفاده از این ربات را به‌شدت ساده می‌کند. توصیه ما این است که همین‌الان این برنامه را دانلود کنید و نکات گفته شده در این نوشتار و منابع ارجاع داده شده را تمرین کنید.

نویسندگان:

زهرا مرادی؛ متخصص نوآوری و کارشناس ارشد مدیریت فناوری