ملاحظة
يتطلب الوصول إلى هذه الصفحة تخويلاً. يمكنك محاولة تسجيل الدخول أو تغيير الدلائل.
يتطلب الوصول إلى هذه الصفحة تخويلاً. يمكنك محاولة تغيير الدلائل.
تستند نماذج GPT-3 وGPT-3.5 وGPT-4 وGPT-4o من OpenAI إلى المطالبة. باستخدام النماذج المستندة إلى المطالبة، يتفاعل المستخدم مع النموذج عن طريق إدخال مطالبة نصية، يستجيب لها النموذج بإكمال النص. هذا الإكمال هو استمرار النموذج لنص الإدخال. لا يوصى بهذه التقنيات لنماذج السلسلة o.
في حين أن هذه النماذج قوية للغاية، فإن سلوكها حساس جدا أيضا للمطالبة. وهذا يجعل البناء السريع مهارة مهمة للتطوير.
يمكن أن يكون البناء الفوري صعبا. في الممارسة العملية، تعمل المطالبة على تكوين أوزان النموذج لإكمال المهمة المطلوبة، ولكنها فن أكثر من علم، غالبا ما تتطلب خبرة والحدس لصياغة مطالبة ناجحة. الهدف من هذه المقالة هو مساعدتك على البدء في عملية التعلم هذه. يحاول تسجيل المفاهيم والأنماط العامة التي تنطبق على جميع نماذج GPT. ومع ذلك، من المهم أن نفهم أن كل نموذج يتصرف بشكل مختلف، لذلك قد لا تنطبق التعلمات بشكل متساو على جميع النماذج.
أساسيات
يغطي هذا القسم المفاهيم والعناصر الأساسية لمطالبات GPT.
المطالبات النصية هي كيفية تفاعل المستخدمين مع نماذج GPT. كما هو الحال مع جميع نماذج اللغات التوليدية، تحاول نماذج GPT إنتاج السلسلة التالية من الكلمات التي من المرجح أن تتبع من النص السابق. كما لو أننا نقول ما هو أول شيء يخطر ببالي عندما أقول <prompt>؟ توضح الأمثلة أدناه هذا السلوك. نظرا للكلمات الأولى للمحتوى الشهير، فإن النموذج قادر على متابعة النص بدقة.
| المطالبة | انجاز |
|---|---|
| أربع نقاط وقبل سبع سنوات لدينا | الآباء جلبوا في هذه القارة، أمة جديدة، تصور في الحرية، ومكرسة لاقتراح أن يتم خلق جميع الرجال على قدم المساواة. […] |
| "اتصل بي اسماعيل" | "قبل بضع سنوات - لا يهم كم من الوقت على وجه التحديد - وجود القليل o لا مال في حقيبتي، ولا شيء خاص لاهتمامي بي على الشاطئ، ظننت أنني سأبحر قليلا وأرى الجزء المائي من العالم." […] |
أثناء تطوير مطالبات أكثر تعقيدا، من المفيد وضع هذا السلوك الأساسي في الاعتبار. بغض النظر عن المطالبة المقدمة، فإن النموذج يستجيب ببساطة بما يحدده على الأرجح (نظرا لبيانات التدريب وأهداف التدريب الخاصة به). إذا كنت تطرح سؤالا في مطالبتك، فإن النموذج لا يتبع مسار تعليمة برمجية منفصل "Q&A"، ولكن بدلا من ذلك يبدو أنه يجيب على السؤال لأن الإجابة هي النوع الأكثر احتمالا من الاستجابة للسؤال المحدد كمدخل.
المطالبة بالمكونات
عند استخدام واجهة برمجة تطبيقات الإكمال بينما لا يوجد تمييز بين أجزاء مختلفة من المطالبة، يمكن أن يظل من المفيد للتعلم والمناقشة تحديد مكونات المطالبة الأساسية. باستخدام واجهة برمجة تطبيقات إكمال الدردشة ، هناك أقسام مميزة من المطالبة التي يتم إرسالها إلى واجهة برمجة التطبيقات في شكل صفيف من القواميس ذات الأدوار المقترنة: النظام والمستخدم والمساعد. يركز هذا التوجيه بشكل عام على كيفية التفكير في البناء السريع بدلا من توفير إرشادات توجيهية خاصة بواجهة برمجة تطبيقات واحدة على أخرى.
من المهم أيضا أن نفهم أنه في حين يمكن أن تكون هناك طرق صالحة أخرى لتفكيك المطالبات، فإن الهدف من هذا التصنيف هو توفير طريقة بسيطة نسبيا للتفكير في البناء السريع. مع واجهة برمجة تطبيقات الإكمال، تكون جميع المكونات اختيارية، ولكن يجب أن يكون واحد على الأقل موجودا وأن تتضمن معظم المطالبات أكثر من مكون واحد. يمكن أن تكون هناك منطقة رمادية بين المكونات أيضا. يتوافق الترتيب المقدم أدناه تقريبا مع كيفية استخدام كل مكون بشكل شائع، من الأكثر إلى الأقل.
الإرشادات
من المحتمل أن تكون الإرشادات مكون المطالبة الأكثر استخداما. التعليمات هي ببساطة ما يلي: تعليمات للنموذج حول ما يجب القيام به. على الرغم من أنها بسيطة في المفهوم، فإنها يمكن أن تكون معقدة في الممارسة العملية. يوضح الجدول التالي ذلك من خلال إظهار التعليمات البسيطة والأكثر تعقيدا، في شكلين مختلفين.
| نوع التعليمات | المطالبة | انجاز |
|---|---|---|
| تعليمات بسيطة | اكتب مقدمة لرسالة إخبارية أسبوعية. | مرحبا بكم في رسالتنا الإخبارية الأسبوعية. هذا الأسبوع لدينا تركيز خاص على الإنتاجية. سنشارك نصائح ونصائح حول كيفية أن تكون منتجا في جميع مجالات حياتك. نأمل أن تستمتع ويرجى المشاركة مع أصدقائك! |
| تعليمات معقدة | اكتب مقدمة لرسالة إخبارية أسبوعية إلى شركتي باسم Contoso. وينبغي أن يذكر هذا الاجتماع العظيم الذي عقدناه الأسبوع الماضي، ويشكر الفريق على كل ما بذلوه من عمل شاق خلال الأشهر القليلة الماضية الصعبة. | مرحبا بكم في الرسالة الإخبارية الأسبوعية لمجموعة Contoso! لقد عقدنا اجتماعا رائعا في الأسبوع الماضي وأود أن أشكر الفريق على كل ما بذله من عمل شاق خلال الأشهر القليلة الماضية الصعبة. نحن نتطلع إلى مستقبل مشرق وأنا واثق من أننا سنحقق أشياء رائعة من خلال تفاني فريقنا والتزامه. شكرا لك لكونك جزءا من فريقنا وأتطلع إلى العمل معكم جميعا في الأسابيع والأشهر القادمة. بإخلاص، [اسمك]. |
| تعليمات معقدة | اكتب مقدمة لرسالة إخبارية أسبوعية، بما في ذلك ما يلي: - تسمى شركتي contoso - تحية مبهجة - شكر الفريق على عملهم الشاق خلال شهرين صعبين - توقعات إيجابية للربع القادم - موقع من قبل SLT |
مرحبا بفريق Contoso! أردت أن أستغرق لحظة لأشكرك على كل أعمالك الشاقة خلال الأشهر القليلة الماضية. لقد كانت بضعة أشهر صعبة ، ولكن كنت قد سحبت جميعا معا وفعلت وظيفة مذهلة. أنا حقا فخور بكم جميعا. بالنظر إلى الربع القادم، أشعر بالإيجابية حقا. أعتقد أننا سنحقق بعض الأشياء العظيمة. شكرا مرة أخرى، فريق القيادة العليا. |
المحتوى الأساسي
يشير المحتوى الأساسي إلى نوع من النص الذي تتم معالجته أو تحويله بواسطة النموذج. عادة ما يتم استخدام المحتوى الأساسي بالاقتران مع الإرشادات. ومن الأمثلة البسيطة على ذلك ترجمة اللغة. في المثال أدناه، سيتم اعتبار النص الإنجليزي المحتوى الأساسي بينما "الترجمة إلى الفرنسية:" هي تعليمات.
| المطالبة | انجاز |
|---|---|
| هل يمكنك رجاء إخباري كيف يمكنني الوصول إلى المتحف؟ الترجمة إلى الفرنسية: |
Pouvez-vous s'il vous plaît me dire comment aller au musée? |
يمكن أن يكون المحتوى الأساسي أيضا أطول بكثير. في المثال التالي، المحتوى الأساسي هو قسم المقدمة من إدخال ويكيبيديا حول تعقيد الوقت، والذي يبلغ طوله حوالي 300 كلمة. هذا المحتوى مختصر في جدولنا لسهولة العرض.
| المطالبة | انجاز |
|---|---|
| في علوم الكمبيوتر، تعقيد الوقت هو التعقيد الحسابي الذي يصف مقدار وقت الكمبيوتر الذي يستغرقه تشغيل الخوارزمية. يتم تقدير تعقيد الوقت عادة من قبل [...] تلخيص النص السابق في بضع جمل: |
تعقيد الوقت هو مقياس للمدة التي تستغرقها الخوارزمية للتشغيل. يتم التعبير عنه عادة كدالة لحجم الإدخال. المقياس الأكثر شيوعا هو تعقيد الوقت في أسوأ الحالات، وهو الحد الأقصى للوقت المطلوب للمدخلات ذات الحجم المحدد. |
في علوم الكمبيوتر، تعقيد الوقت هو التعقيد الحسابي الذي يصف مقدار وقت الكمبيوتر الذي يستغرقه تشغيل الخوارزمية. يتم تقدير تعقيد الوقت عادة من قبل [...]TL;DR (لم تتم قراءة مدة طويلة جدا) |
تعقيد الوقت للخوارزمية هو مقدار الوقت الذي يستغرقه تشغيل الخوارزمية. عادة ما يتم تقدير تعقيد الوقت عن طريق حساب عدد العمليات الأولية التي تقوم بها الخوارزمية، ما يعني أن كل عملية أولية تستغرق وقتا ثابتا لتنفيذها. يتم التعبير عن تعقيد الوقت بشكل عام كدالة لحجم الإدخال. |
يمكن لنماذج GPT أيضا معالجة المحتوى الأساسي المنظم. في المثال أدناه، يتم تمرير TSV حول البيرة في بلجيكا (مختصر للعرض في هذه المقالة) إلى النموذج كجزء من المطالبة. وهو قادر على تفسير المحتوى بشكل صحيح والإجابة على الأسئلة حول البيانات.
| المطالبة | انجاز |
|---|---|
Belgian Beer Brands Beer name Beer style color ABV Brewery"Chimay Gold: ""Doree""" trappist pale ale gold 4.80% Chimay Brewery (official trappist)"Chimay Blue: ""Grande Reserve""" trappist dark ale dark 9.00%[…] بالرجوع إلى الجدول أعلاه، كم عدد البيرة أقل من 6% ABV؟ |
هناك 10 البيرة في الجدول التي هي أقل من 6% ABV. |
الأمثلة
غالبا ما تعتمد المطالبات الناجحة على ممارسة التعلم "طلقة واحدة" أو "لقطة قليلة". يشير هذا إلى تضمين مثال واحد أو أكثر من السلوك المطلوب للنموذج، عادة عن طريق تضمين أزواج الإدخال والإخراج. هذا لا يتعلم بمعنى أن النموذج يتغير بشكل دائم، ولكن بدلا من ذلك فإن الأمثلة شرط أفضل للنموذج للاستجابة كما هو مطلوب للاستدلال الحالي فقط. يشار أحيانا إلى استخدام المطالبات بدون أمثلة باسم التعلم "بدون لقطة". لاحظ أنه مع واجهة برمجة تطبيقات إكمال الدردشة، عادة ما تتم إضافة أمثلة التعلم ذات اللقطات القليلة إلى صفيف الرسائل في شكل مثال تفاعلات المستخدم/المساعد بعد رسالة النظام الأولية.
| نوع التعليم | المطالبة | انجاز |
|---|---|---|
| لقطة صفرية | العنوان الرئيسي: إصابة المدرب الواثقة لن تحرف المحاربين عن العمل موضوع: |
المدرب واثق من أن الإصابة لن تحرف موسم المحاربين. لا يزال الفريق يركز على أهدافه وسيواصل العمل بجد لتحقيقها. |
| لقطة قليلة | العنوان الرئيسي: Correa للتوائم لاستخدام إلغاء الاشتراك واختبار الوكالة المجانية الموضوع: البيسبول العنوان الرئيسي: كأس العالم لكرة القدم قطر لديها مناطق للرصانة الموضوع: كرة القدم العنوان: Yates: Fantasy football intel for Week 6 الموضوع: كرة القدم العنوان الرئيسي: إصابة المدرب الواثقة لن تحرف المحاربين عن العمل موضوع: |
كرة السلة |
يوضح المثال أعلاه فائدة التعلم ذي اللقطات القليلة. بدون الأمثلة، يبدو أن النموذج يخمن السلوك المطلوب، بينما توضح الأمثلة بوضوح كيفية العمل. وهذا يوضح أيضا قوة النموذج، فإنه يمكن استنتاج فئة التسمية المطلوبة، حتى بدون تسمية "كرة السلة" في الأمثلة.
جديله
تعمل الإشارات ك "بداية سريعة" لإخراج النموذج، مما يساعد على توجيه النموذج إلى الإخراج المطلوب. غالبا ما تكون البادئة التي يمكن للنموذج البناء عليها. في المثال أدناه، نعرض إشارة توجيه القصة لتضمين العناصر الرئيسية. غالبا ما تستخدم الإشارات مع التعليمات، ولكن ليس دائما. في الأمثلة أدناه، يتم استخدام النموذج لتلخيص رسالة بريد إلكتروني طويلة للإعلان. يتم استخدام إشارة في حالة واحدة للمساعدة في تركيز إخراج النموذج واقتراح تنسيق إخراج معين (نقاط تعداد نقطي) في الحالة الأخرى.
في سياق إرشادات واجهة برمجة تطبيقات إكمال الدردشة تأخذ شكل رسالة النظام، وتتم الإشارة إلى أمثلة قليلة اللقطات من خلال توفير سلسلة من تفاعلات المستخدم/المساعد النموذجية للمساعدة في بناء النموذج.
| عدد الإشارات | المطالبة | انجاز |
|---|---|---|
| 1 | تعد مراجعات الأداء مكونا أساسيا لنهج الأداء والتطوير في Contoso. […] تلخيص رسالة البريد الإلكتروني أعلاه: |
الغرض من هذا البريد الإلكتروني هو إعلام الموظفين بالتغييرات الأخيرة في تجربة مراجعة الأداء، والتي تعد جزءا من نهج الأداء والتطوير في Contoso. تتضمن التغييرات بنية محسنة، وتجربة مستخدم تمت ترقيتها داخل الأداة، ومطالبات مركزة. بالإضافة إلى ذلك، يوجد الآن قسم "بدء المحادثة" الاختياري للموظفين لوضع علامة على الموضوعات التي يرغبون في مناقشتها مع مديريهم. |
| 1 | تعد مراجعات الأداء مكونا أساسيا لنهج الأداء والتطوير في Contoso. […] تلخيص رسالة البريد الإلكتروني أعلاه: الوجبات الجاهزة الرئيسية للرسالة هي |
أن شركة Contoso تعمل على تحسين تجربة مراجعة الأداء من خلال جعلها أكثر تركيزا على الأولويات والتوقعات والتأثيرات الأساسية. بالإضافة إلى ذلك، يقومون بترقية تجربة المستخدم في الأدوات باستخدام التلميحات والموارد والإرشادات. وأخيرا، يضيفون إرشادات حول كيفية تنشيط الأولويات الأساسية على مستوى الشركة. |
| 2 | تعد مراجعات الأداء مكونا أساسيا لنهج الأداء والتطوير في Contoso. […] تلخيص رسالة البريد الإلكتروني أعلاه: النقاط الرئيسية: • |
تقدم شركة Contoso تغييرات على تجربة مراجعة الأداء، استنادا إلى ملاحظات الموظفين. • تشمل التغييرات تركيزا جديدا على الأولويات والتوقعات والتأثيرات الأساسية؛ تجربة مستخدم تمت ترقيتها؛ وإرشادات جديدة حول الأولويات الأساسية على مستوى الشركة. • استعراضات الأداء هي وقت للتفكير في الأداء والتعلم الماضيين، فضلا عن التخطيط للأولويات المستقبلية وفرص النمو. • يجب على الموظفين والمديرين كتابة تعليقات قبل اجتماع مراجعة الأداء. • ينبغي أن يكون هناك استعراضان للأداء على الأقل في السنة. • ينبغي أن يظل الاستثمار في الوقت لكل استعراض كما هو تقريبا. |
دعم المحتوى
المحتوى الداعم هو المعلومات التي يمكن للنموذج استخدامها للتأثير على الإخراج بطريقة ما. وهو يختلف عن المحتوى الأساسي من حيث أنه ليس الهدف الرئيسي للمهمة، ولكنه يستخدم عادة مع المحتوى الأساسي. تتضمن الأمثلة الشائعة معلومات سياقية مثل التاريخ الحالي واسم المستخدم وتفضيلات المستخدم وما إلى ذلك. يستخدم المثال أدناه محتوى الدعم للمساعدة في تنظيم مجموعة من ورش العمل المخطط لها للمستخدم. دون دعم (المواضيع الهامة) النموذج يسرد ببساطة خارج ورش العمل (اقتطعت للعرض)، عندما يتم إعلامه من المواضيع الهامة الخاصة بي، النموذج قادر على تجميع الاجتماعات بدقة.
| محتوى الدعم | المطالبة | انجاز |
|---|---|---|
| بدون | قائمة ورش العمل: وصف العنوان بدء ورشة عمل التخطيط يرجى الانضمام إلينا لبدء ورشة العمل الخاصة بنا! استمع من قادتنا حول الأولويات والتعلم عبر المجموعات للعام المقبل. وقد تم بالفعل إرسال الدعوة إلى هذا الحدث إلى الجميع في [...] تلخيص ورش العمل أعلاه، مجمعة حسب الموضوع: |
قائمة ورش العمل: بدء ورشة عمل التخطيط -ختام ورشة عمل التخطيط - Core MeetUp - وجهات نظر تستند إلى العملاء -مناطق التأثير والتركيز الرئيسية -أفضل الممارسات -تسريع اعتماد التطبيق [...] |
| مع | قائمة ورش العمل: وصف العنوان بدء ورشة عمل التخطيط يرجى الانضمام إلينا لبدء ورشة العمل الخاصة بنا! استمع من قادتنا حول الأولويات والتعلم عبر المجموعات للعام المقبل. وقد تم بالفعل إرسال الدعوة إلى هذا الحدث إلى الجميع في [...] مواضيعي المهمة: الهندسة السريعة والبحث ونماذج GPT لخص ورش العمل المذكورة أعلاه، مجمعة حسب مواضيعي الهامة: |
1. الهندسة الفورية: - نصائح هندسة المطالبة الجديدة - فن الهندسة الفورية 2. البحث: -مقدمة للبحث عن المتجهات مع التضمين 3. نماذج GPT: - مقدمة إلى GPT-4 - GPT-35-توربو في العمق. |
إرشادات خاصة بالسيناريو
بينما يمكن تعميم مبادئ الهندسة السريعة عبر العديد من أنواع النماذج المختلفة، تتوقع بعض النماذج بنية مطالبة متخصصة. بالنسبة لنماذج Azure OpenAI GPT، هناك حاليا اثنين من واجهات برمجة التطبيقات المميزة حيث تدخل الهندسة السريعة حيز التنفيذ:
- واجهة برمجة تطبيقات إكمال الدردشة.
- واجهة برمجة تطبيقات الإكمال.
تتطلب كل واجهة برمجة تطبيقات تنسيق بيانات الإدخال بشكل مختلف، ما يؤثر بدوره على التصميم العام للمطالبة. تدعم واجهة برمجة تطبيقات إكمال الدردشة نماذج GPT-35-Turbo وGPT-4. تم تصميم هذه النماذج لأخذ الإدخال المنسق في نسخة معينة تشبه الدردشة مخزنة داخل صفيف من القواميس.
تدعم واجهة برمجة تطبيقات الإكمال نماذج GPT-3 القديمة ولها متطلبات إدخال أكثر مرونة من حيث أنها تأخذ سلسلة من النص بدون قواعد تنسيق محددة.
ستعلمك التقنيات الموجودة في هذا القسم استراتيجيات لزيادة دقة الاستجابات التي تنشئها باستخدام نموذج لغة كبيرة (LLM) وتدوينها. ومع ذلك، من المهم أن تتذكر أنه حتى عند استخدام الهندسة الفورية بشكل فعال، لا تزال بحاجة إلى التحقق من صحة الاستجابات التي تولدها النماذج. لمجرد أن المطالبة المصممة بعناية تعمل بشكل جيد لسيناريو معين لا يعني بالضرورة أنها ستعمم على نطاق أوسع لحالات استخدام معينة. فهم قيود LLMs، لا يقل أهمية عن فهم كيفية الاستفادة من نقاط قوتها.
لا يتعمق هذا الدليل في الميكانيكا الكامنة وراء بنية الرسالة لإكمال الدردشة. إذا لم تكن على دراية بالتفاعل مع نماذج إكمال الدردشة برمجيا، نوصي بقراءة دليل الكيفية الخاص بنا على واجهة برمجة تطبيقات إكمال الدردشة أولا.
ملاحظة
تم اختبار جميع الأمثلة في هذا القسم من الدليل مقابل نموذج GPT-4 الأساسي باللغة الإنجليزية. قد تنتج بعض التقنيات نتائج مختلفة مع نماذج أحدث مثل gpt-4o وgpt 4.5. إذا كنت تقرأ إصدارا مترجما من هذه المقالة بلغة أخرى، فإن هذه الاستجابات تمثل ترجمة مترجمة لنتائج اللغة الإنجليزية. لمعرفة المزيد حول القيود المحتملة اعتمادا على اللغة التي تستخدمها لمطالبة نموذج، يرجى الرجوع إلى ملاحظة الشفافية الذكاء الاصطناعي المسؤولة.
التعلم ببضع صور
إحدى الطرق الشائعة لتكييف نماذج اللغة مع المهام الجديدة هي استخدام التعلم ببضع صور. في التعلم ذي اللقطات القليلة، يتم توفير مجموعة من أمثلة التدريب كجزء من المطالبة بإعطاء سياق إضافي للنموذج.
عند استخدام واجهة برمجة تطبيقات إكمال الدردشة، يمكن أن تكون سلسلة من الرسائل بين المستخدم والمساعد ( مكتوبة بتنسيق المطالبة الجديد) أمثلة للتعلم ببضع صور. يمكن استخدام هذه الأمثلة لإعداد النموذج الأولي للرد بطريقة معينة، ومحاكاة سلوكيات معينة، وإجابات أولية على الأسئلة الشائعة.
| رسالة النظام | أمثلة قليلة |
|---|---|
| المساعد هو روبوت دردشة ذكي مصمم لمساعدة المستخدمين على الإجابة عن الأسئلة المتعلقة بالضرائب. التَعليمَات - الإجابة على الأسئلة المتعلقة بالضرائب فقط. - إذا لم تكن متأكدا من إجابة، يمكنك أن تقول "أنا لا أعرف" أو "لست متأكدا" وتوصي المستخدمين بالذهاب إلى موقع IRS للحصول على مزيد من المعلومات. |
المستخدم - "متى أحتاج إلى تقديم ضرائبي عن طريق؟" مساعد - "في عام 2023، ستحتاج إلى تقديم ضرائبك بحلول 18 أبريل. يقع التاريخ بعد الموعد النهائي المعتاد وهو 15 أبريل لأن يوم 15 أبريل يقع يوم السبت في عام 2023. لمزيد من التفاصيل، راجع https://www.irs.gov/filing/individuals/when-to-file " المستخدم - "كيف يمكنني التحقق من حالة استرداد الضريبة؟" مساعد - "يمكنك التحقق من حالة استرداد الضريبة عن طريق زيارة https://www.irs.gov/refunds " |
يصف الجدول أعلاه بنية المطالبة الأساسية، ولكن للحصول على شرح مفصل لتنسيق المطالبة الدقيق، ستحتاج إلى الرجوع إلى دليل إكمال الدردشة.
سيناريوهات غير الدردشة
بينما تم تحسين واجهة برمجة تطبيقات إكمال الدردشة للعمل مع المحادثات متعددة الأدوار، يمكن أيضا استخدامها لسيناريوهات غير الدردشة. على سبيل المثال، بالنسبة لسيناريو تحليل التوجه، قد تستخدم المطالبة التالية:
| رسالة النظام | مستخدم | مساعد |
|---|---|---|
| أنت مساعد مصمم لتحليل التوجه من بيانات الكلام. سيلصق المستخدمون في سلسلة نصية وستستجيب بتقييم استجابة المتحدث. معدل على مقياس من 1-10 (10 هي الأعلى). شرح سبب إعطاء هذا التصنيف. | مرحبا شكرا لك على الدعوة صيدلية contoso الذي أنا أتحدث مع اليوم أنا أفهم الإحباط الخاص ماري أم هل يمكنك أن تقول لي ما بالضبط كنت تحاول إنجاز موافق اه بالتأكيد سعيد للتحقق من ذلك بالنسبة لك لحظة واحدة من فضلك أرى هنا أن كنت على شكل عام من lipitor هو أن الحق موافق اه حتى أرى أن طبيبك توقف عن وصف هذه الأدوية في 221 في الواقع موافق اه نعم سأكون سعيدا للتحقق من ذلك بالنسبة لك اه لأنه في بعض الأحيان هناك فجوة في النظام وأنه فقط لا تحصل على تقرير بذلك اسمحوا لي أن ألق نظرة هنا مجرد لحظة لذلك أنا أرى هنا أن طبيبك قد وصف هذه الأدوية لك من 22 إلى 221 موافق عشرون أم نعم وفقا لأحدث السجلات التي قدمتها مكتب الطبيب كنت الآن على مختلف المخدرات metformin تريد منا أن نمضي قدما وملء تلك الوصفة الطبية لك لالتقاط قليلا من النموذج في خمسمائة ملليغرام اه كنت مرحبا جدا ماري الرجاء إعلامنا إذا كان هناك أي شيء آخر يمكننا القيام به لك اليوم. | تصنيف التوجه: 8 يبدو أن المتحدث في هذا النص مهذبا ومفيدا ومريضا أثناء معالجة مخاوف العميل. وهي تستغرق وقتا للتحقق من المعلومات وتقديم تفسيرات واضحة وتقديم المساعدة. ومع ذلك، فإن التصنيف ليس 10 لأنه لا يزال هناك تلميح بعدم اليقين في بعض أجزاء المحادثة، والذي قد لا ينقل الثقة الكاملة للعميل. |
البدء بتعليمات واضحة
تظهر معلومات التسلسل في مسائل المطالبة. وذلك لأن نماذج نمط GPT مبنية بطريقة معينة تحدد كيفية معالجة الإدخال. تشير أبحاثنا إلى أن إخبار النموذج بالمهمة التي تريدها أن تقوم بها في بداية المطالبة، قبل مشاركة معلومات أو أمثلة سياقية إضافية، يمكن أن يساعد في إنتاج مخرجات ذات جودة أعلى.
ملاحظة
على الرغم من أن اتباع هذه التقنية لا يزال مستحسنا بشكل عام، على النقيض من إصدارات النموذج السابقة (GPT-3 والإصدارات السابقة)، أظهر اختبارنا أن استجابة النموذج مع نماذج ChatGPT وGPT-4 كانت هي نفسها بغض النظر عما إذا كانت التقنية تستخدم أم لا. في حالة المثال أدناه، نرى أن إضافة عبارة "مصادر متعددة ... الثوران" في بداية أو نهاية المطالبة لم يسبب أي تغيير في استجابة النموذج النهائي.
| رسالة النظام | مستخدم | مساعد |
|---|---|---|
| أنت مساعد الذكاء الاصطناعي يساعد الأشخاص على العثور على المعلومات. | مهمتك هي التحقق مما إذا كان عبارة "عدة مصادر تشير إلى فرصة ثوران كبير آخر" مدعومة باقتباس محدد من المجموعة التالية من القصاصات البرمجية. --- قصاصات [1] فرصة 14 بالمئة من ضرب ميجاكواك في سياتل، يقول الخبراء سياتل - تشير تقديرات هيئة المسح الجيولوجي الأمريكية إلى أن هناك فرصة بنسبة 14 بالمئة لزلزال كاسكاديا 9 بقوة ضرب سياتل في السنوات الخمسين المقبلة. "لسوء الحظ، نحن غير قادرين على... [2] يضع خبراء الزلازل أحدث التوقعات لسياتل 'حقا كبيرة واحدة' وقال عالم جيوفيزيائي في جامعة واشنطن "نقول ان هناك حوالى 14% فرصة لزلزال بقوة 9 اخرى في السنوات الخمسين المقبلة". --- هل العبارة "عدة مصادر تشير إلى فرصة ثوران كبير آخر" ضمنية أو مذكورة مباشرة من قبل القصاصات؟ |
لا، العبارة ليست ضمنية مباشرة أو مذكورة من قبل القصاصات البرمجية. تشير القصاصات البرمجية إلى فرصة "الميغا كيك" و"زلزال كاسكاديا بحجم 9" ضرب سياتل في السنوات الخمسين المقبلة، ولكن لا تذكر فرصة لثوران كبير آخر. |
تكرار الإرشادات في النهاية
يمكن أن تكون النماذج عرضة للتحيز المستطيل، مما يعني في هذا السياق أن المعلومات في نهاية المطالبة قد يكون لها تأثير أكثر أهمية على الإخراج من المعلومات في بداية المطالبة. لذلك، يجدر تجربة تكرار التعليمات في نهاية المطالبة وتقييم التأثير على الاستجابة التي تم إنشاؤها.
رئيس الإخراج
يشير هذا إلى تضمين بضع كلمات أو عبارات في نهاية المطالبة للحصول على استجابة نموذج يتبع النموذج المطلوب. على سبيل المثال، يمكن أن يساعد استخدام إشارة مثل “Here’s a bulleted list of key points:\n- ” في التأكد من تنسيق الإخراج كقائمة بنقاط التعداد النقطي.
| رسالة النظام | مستخدم | مساعد |
|---|---|---|
| أنت مساعد الذكاء الاصطناعي يساعد الأشخاص على العثور على المعلومات. أجب بكلمات قليلة قدر الإمكان. | جون سميث متزوج من لوسي سميث. لديهم خمسة أطفال، ويعمل مهندس برامج في Microsoft. ما هي استعلامات البحث التي يجب أن أفعلها للتحقق من الحقائق؟ ## واحد من استعلام البحث المحتمل هو: | "تزوج جون سميث لوسي سميث خمسة أطفال مهندس البرمجيات مايكروسوفت" |
في المطالبة أعلاه، النص استعلام بحث واحد ممكن هو: يقوم بإعداد النموذج لإنتاج إخراج واحد. بدون هذا، ينتج النموذج العديد من استعلامات البحث كإخراج.
إضافة بناء جملة واضح
يساعد استخدام بناء جملة واضح لمطالبتك - بما في ذلك علامات الترقيم والعناوين وعلامات المقاطع - على توصيل الهدف وغالبا ما يسهل تحليل المخرجات.
في المثال أدناه، تمت إضافة الفواصل (--- في هذه الحالة) بين مصادر مختلفة للمعلومات أو الخطوات. يسمح هذا باستخدام --- كشرط إيقاف للتوليد. بالإضافة إلى ذلك، يتم تقديم عناوين المقاطع أو المتغيرات الخاصة بأحرف كبيرة لتمييزها.
| رسالة النظام | مستخدم | مساعد |
|---|---|---|
| أنت مساعد الذكاء الاصطناعي يساعد الأشخاص على العثور على المعلومات. | ستقرأ فقرة، ثم تصدر استعلامات إلى محرك بحث للتحقق من الحقائق. شرح الاستعلامات أيضا. --- فقرة جون سميث متزوج من لوسي سميث. لديهم خمسة أطفال، ويعمل مهندس برامج في Microsoft. ما هي استعلامات البحث التي يجب أن أفعلها للتحقق من الحقائق؟ --- الاستعلامات |
1. "John Smith Microsoft" - للتحقق مما إذا كان جون سميث يعمل بالفعل في Microsoft. 2. "جون سميث لوسي سميث" -- للتحقق مما إذا كان جون سميث متزوج من لوسي سميث. 3. "جون سميث الأطفال" -- للتحقق مما إذا كان جون سميث لديه خمسة أطفال. |
إذا لم تكن متأكدا من بناء الجملة الذي يجب استخدامه، ففكر في استخدام Markdown أو XML. تم تدريب النماذج على كمية كبيرة من محتوى الويب في XML و Markdown، مما قد يوفر نتائج أفضل.
تقسيم المهمة إلى أسفل
غالبا ما تعمل نماذج اللغات الكبيرة (LLMs) بشكل أفضل إذا تم تقسيم المهمة إلى خطوات أصغر. على سبيل المثال، في مطالبة استعلام البحث المشار إليها سابقا، يمكن إعادة هيكلة المطالبة بحيث يتم توجيه النموذج أولا لاستخراج الحقائق ذات الصلة، ثم إرشاده لإنشاء استعلامات بحث يمكن استخدامها للتحقق من تلك الحقائق.
| رسالة النظام | مستخدم | مساعد |
|---|---|---|
| أنت مساعد الذكاء الاصطناعي يساعد الأشخاص على العثور على المعلومات. | ستقرأ فقرة، ثم تصدر استعلامات إلى محرك بحث للتحقق من الحقائق. --- فقرة جون سميث متزوج من لوسي سميث. لديهم خمسة أطفال، ويعمل مهندس برامج في Microsoft. ما هي استعلامات البحث التي يجب أن أفعلها للتحقق من الحقائق؟ --- الآن عليك استخراج المطالبات الوقائعية، وإصدار الاستعلامات للتحقق من الحقائق. عند إصدار استعلام، استخدم الدالة SEARCH("query") المطالبات الوقائعية |
1. جون سميث متزوج من لوسي سميث 2. لديهم خمسة أطفال 3. يعمل مهندس برامج في Microsoft الاستعلامات SEARCH("John Smith married Lucy Smith") SEARCH("حجم عائلة جون سميث") SEARCH("John Smith Microsoft software engineer") |
لاحظ استخدام بناء جملة واضح للتمييز بين الأقسام والنواتج الرئيسية. في هذا المثال البسيط، إن تقسيم المهمة من خطوتين إلى خطوتين ليس أمرا مثيرا للغاية، ولكن عند محاولة القيام بذلك لمقطع أكبر من النص مع العديد من المطالبات الواقعية، يمكن أن يحدث تقسيم المهمة فرقا كبيرا.
استخدام الموفرات
في بعض الأحيان يمكننا الحصول على النموذج لاستخدام بأسعار معقولة بدلا من الاعتماد على معلماته الخاصة للحصول على المعلومات والأجوبة. يمكن أن يكون البحث، على سبيل المثال، تكلفة معقولة للمساعدة في التخفيف من الإجابات الملفقة، والحصول على معلومات up-to-date.
إحدى الطرق البسيطة لاستخدام القدرة على تحمل التكاليف هي إيقاف الإنشاء بمجرد إنشاء مكالمات تحمل التكاليف بواسطة النموذج، ثم لصق النتائج مرة أخرى في المطالبة. فيما يلي مثال على ما يمكن أن تكون عليه مكالمة المتابعة بعد إجراء استدعاءات SEARCH أعلاه. لاحظ كيفية لصق نتائج البحث في المطالبة واستبدال استدعاءات SEARCH السابقة.
| رسالة النظام | مستخدم | مساعد |
|---|---|---|
| أنت مساعد الذكاء الاصطناعي يساعد الأشخاص على العثور على المعلومات. | ستقرأ فقرة، وتستخرج المطالبات الوقائعية، ثم تستخدم نتائج محرك البحث للتحقق من الحقائق --- فقرة جون سميث متزوج من لوسي سميث. لديهم خمسة أطفال، ويعمل مهندس برامج في Microsoft. ما هي استعلامات البحث التي يجب أن أفعلها للتحقق من الحقائق؟ --- المطالبات الوقائعية - جون سميث متزوج من لوسي سميث - جون ولوسي لديها خمسة أطفال - يعمل جون كمهندس برامج في Microsoft --- فيما يلي العديد من استعلامات البحث الصادرة للبحث في المطالبات أعلاه: استعلامات البحث - جون سميث متزوج من لوسي سميث - جون سميث عدد الأطفال - مهندس برامج جون سميث Microsoft --- فيما يلي أجزاء من نتائج البحث: قصاصات: [1] … كان حفل زفاف جون سميث في 25 سبتمبر 2012 ... [2] … كان جون سميث برفقة زوجته لوسي إلى حفلة [3]وكان جون مصحوبا بلعبة كرة القدم من قبل ابنتيه وثلاثة أبناء [4] … بعد قضاء 10 سنوات في Microsoft، أسس سميث شركته الناشئة الخاصة، Tailspin Toys [5] جون م هو سميث البلدة، وتزوج فيونا. لديهم ابنة اسمها لوسي --- بالنظر إلى القصاصات البرمجية، تحقق الحقائق من كل من المطالبات الوقائعية أعلاه: |
- جون سميث متزوج من لوسي سميث : مؤكد. يذكر القصاصة البرمجية [1] و[2] زوجة جون سميث ك لوسي. - جون ولوسي لديهم خمسة أطفال: مؤكد. يذكر القصاصة البرمجية [3] أن جون كان مصحوبا بابنتيه وثلاثة أبناء. - يعمل جون كمهندس برامج في Microsoft: تم التأكيد جزئيا. يذكر القصاصة البرمجية [4] أن جون قضى 10 سنوات في Microsoft، ولكنه لا يذكر صراحة أنه يعمل هناك حاليا. وقد تكون هناك حاجة إلى إجراء مزيد من البحوث لتأكيد حالته الحالية في مجال العمل. |
سلسلة التفكير المطالبة
هذا تباين في تقنية تقسيم المهمة . بدلا من تقسيم مهمة إلى خطوات أصغر، في هذا النهج، يتم توجيه استجابة النموذج للمتابعة خطوة بخطوة وتقديم جميع الخطوات المعنية. يؤدي القيام بذلك إلى تقليل إمكانية عدم دقة النتائج ويجعل تقييم استجابة النموذج أسهل.
| رسالة النظام | مستخدم | مساعد |
|---|---|---|
| أنت مساعد الذكاء الاصطناعي يساعد الأشخاص على العثور على المعلومات. | من هو الرياضي الفردي الأكثر تزيينا (الحد الأقصى للميداليات) في الألعاب الأولمبية التي أقيمت في سيدني؟ اتبع نهجا خطوة بخطوة في ردك، واستشهد بالمصادر وأعط المنطق قبل مشاركة الإجابة النهائية بالتنسيق أدناه: الإجابة هي: <name> |
الخطوة 1: تحديد عام دورة الألعاب الأولمبية في سيدني. وقد أقيمت دورة الألعاب الأولمبية في سيدني في عام 2000. الخطوة 2: البحث عن قائمة من الرياضيين الفرديين الذين فازوا بميداليات متعددة في أولمبياد سيدني 2000. ووفقا للموقع الرسمى لدورة الالعاب الاولمبية ، كان هناك العديد من الرياضيين الفرديين الذين فازوا بميداليات متعددة فى اولمبياد سيدنى عام 2000 . وتشمل بعض الأسماء البارزة ما يلي: • إيان ثورب (أستراليا) - 3 ذهبية، 2 فضية، 0 برونزية • بيتر فان دين هوغنباند (هولندا) - ذهبي و0 فضية وبرونزيان • ليني كرايزيلبورغ (الولايات المتحدة) - 3 ذهبية، 0 فضية، 0 برونزية • إنجي دي بروين (هولندا) - 3 ذهبية، 1 فضية، 0 برونزية الخطوة 3: تحديد الرياضي الذي يحمل أكبر عدد من الميداليات. بعد مراجعة قائمة الرياضيين الفرديين الذين فازوا بعدة ميداليات في أولمبياد سيدني 2000، يمكننا أن نرى أن الرياضي الذي حصل على أكبر عدد من الميداليات هو إيان ثورب من أستراليا، الذي فاز بما مجموعه 5 ميداليات (3 ذهبية و 2 فضية). لذلك، الإجابة هي: إيان ثورب. |
تحديد بنية الإخراج
يمكن أن يكون لاستخدام مطالبتك لتحديد بنية الإخراج تأثير كبير على طبيعة ونوعية النتائج. في بعض الأحيان، قد لا تكون مدخلات رسائل النظام على أنها "كتابة حقائق حقيقية فقط" أو "لا تختلق المعلومات" عوامل تخفيف كافية. بدلا من ذلك، يمكن أن يساعد طلب استجابة النموذج لتضمين الاقتباسات أيضا في تقليل انتشار الاستجابات غير الصحيحة.
إذا قمت بتوجيه النموذج لاقتباس المادة المصدر عندما يدلي ببيانات، فمن المرجح أن تكون هذه العبارات مرجحة. طلب الاقتباسات يجعل من ذلك بحيث يجب على النموذج إجراء خطأين في كل مرة يقوم فيها بإنشاء استجابة: الخطأ الأول هو الاستجابة الملفقة، والثاني هو الاقتباس السيئ. لاحظ أنه كلما اقترب الاقتباس من النص الذي يدعمه، كلما كانت المسافة التي يحتاجها النموذج أقصر لتوقع الاقتباس، مما يشير إلى أن الاقتباسات المضمنة هي عوامل تخفيف أفضل لإنشاء محتوى خاطئ من الاقتباسات في نهاية المحتوى.
وبالمثل، إذا طلبت من النموذج استخراج بيانات واقعية من فقرة، فقد يستخرج عبارات مركبة مثل "X يفعل Y AND Z" (والتي قد يكون من الصعب التحقق منها). يمكن تجنب ذلك عن طريق تحديد بنية إخراج مثل (entity1, relationship, entity2).
توضح الأمثلة أدناه استخدام الاقتباسات وتوجيه استجابة النموذج لتناسب بنية محددة.
| رسالة النظام | مستخدم | مساعد |
|---|---|---|
| أنت مساعد الذكاء الاصطناعي يساعد الأشخاص في العثور على المعلومات | سرد السلوكيات المختلفة التي يعرضها وكيل دعم العملاء في المحادثة التالية. --- مرحبا شكرا لك على الدعوة صيدلية contoso الذي أنا أتحدث مع اليوم أنا أفهم الإحباط الخاص ماري أم هل يمكنك أن تقول لي ما بالضبط كنت تحاول إنجاز موافق اه بالتأكيد سعيد للتحقق من ذلك بالنسبة لك لحظة واحدة من فضلك أرى هنا أن كنت على شكل عام من lipitor هو أن الحق موافق اه حتى أرى أن طبيبك توقف عن وصف هذه الأدوية في 221 في الواقع موافق اه نعم سأكون سعيدا للتحقق من ذلك بالنسبة لك اه لأنه في بعض الأحيان هناك فجوة في النظام وأنه فقط لا تحصل على تقرير بذلك اسمحوا لي أن ألق نظرة هنا مجرد لحظة لذلك أنا أرى هنا أن طبيبك قد وصف هذه الأدوية لك من 22 إلى 221 موافق عشرون أم نعم وفقا لأحدث السجلات التي قدمتها مكتب الطبيب كنت الآن على مختلف المخدرات metformin تريد منا أن نمضي قدما وملء تلك الوصفة الطبية لك لالتقاط قليلا من النموذج في خمسمائة ملليغرام اه كنت مرحبا جدا ماري الرجاء إعلامنا إذا كان هناك أي شيء آخر يمكننا القيام به لك اليوم. --- كيف كانت استجابة وكيل دعم العملاء؟ تصنيف وسرد سلوكياتها المختلفة واقتباس السبب وراء التصنيف، باستخدام التنسيق BEHAVIOR("reason") |
1. سلوك الترحيب المهذب ("العامل يبدأ المحادثة بتحية مهذبة ويطلب اسم المتصل") 2. سلوك التعاطف ("الوكيل يعترف بالإحباط ماري ويحاول فهم قلقها") 3. السلوك اليقظ ("العامل يستمع إلى مشكلة العميل ويطلب المزيد من التفاصيل") 4. السلوك الاستباقي("الوكيل يقدم للتحقق من المشكلة للعميل") 5. السلوك الإعلامي("العامل يوفر المعلومات ذات الصلة حول تاريخ وصفة طبية للعميل") 6. السلوك الشامل("العامل يتحقق من أي ثغرات محتملة في النظام ويوفر استجابة كاملة") 7. السلوك التأكيدي("عامل يؤكد الدواء الحالي مع العميل") 8. السلوك الموجه نحو الحل ("الوكيل يقدم لملء وصفة طبية جديدة للعميل") 9. السلوك المهذب ("الوكيل شكرا للعميل ويقدم المزيد من المساعدة إذا لزم الأمر") |
| رسالة النظام | مستخدم | مساعد |
|---|---|---|
| أنت مساعد الذكاء الاصطناعي يساعد الأشخاص على العثور على المعلومات. | تجميع عناوين الأخبار التالية في فئات المواضيع استنادا إلى الأنماط التي تظهر داخل النص. ذكر أيضا المنطق وراء كيفية تعريف هذه الفئات. تنسيق الإخراج: { "TOPIC_NAME": ""، "عناوين": []، "المنطق": "" } إدخال عناوين الأخبار: 1. "من الكتب إلى العروض التقديمية في 10s مع AR + ML" 2. "عرض من عام 1993 من 32 عاما يان LeCun تظهر أول شبكة التفافية في العالم للتعرف على النص" 3. "تم تطبيق نموذج حركة الطلب الأول على تحريك اللوحات" 4. "روبن هود والسماسرة الآخرين يمنعون حرفيا شراء $GME، $NOK، $BB، $AMC؛ السماح بالبيع" 5. "سهم الخطوط الجوية المتحدة بانخفاض أكثر من 5% تجارة ما قبل البيع" إخراج: |
{ "ARTIFICIAL_INTELLIGENCE": { "عناوين": [ "من الكتب إلى العروض التقديمية في 10s باستخدام AR + ML"، "عرض توضيحي من عام 1993 من 32 عاما يان لوكون يظهر أول شبكة التفافية في العالم للتعرف على النص"، "تم تطبيق نموذج حركة الطلب الأول على تحريك اللوحات" ], "المنطق": "ترتبط هذه العناوين بالذكاء الاصطناعي والتعلم الآلي وتطبيقاتها في مختلف المجالات". }, "FINANCIAL_MARKETS": { "عناوين": [ "روبن هود والسماسرة الآخرين يمنعون حرفيا شراء $GME، $NOK، $BB، $AMC؛ السماح بالبيع"، "سهم الخطوط الجوية المتحدة بانخفاض أكثر من 5% تجارة ما قبل البيع"، "كان البيتكوين حوالي 20,000 دولار قبل عام اليوم" ], "REASONING": "ترتبط هذه العناوين الرئيسية بالأسواق المالية والأسهم والعملات المشفرة ومنصات التداول." } } |
معلمات درجة الحرارة Top_p
تغيير معلمة درجة الحرارة يغير إخراج النموذج. يمكن تعيين معلمة درجة الحرارة بين 0 و2. قيمة أعلى، على سبيل المثال 0.7 يجعل الإخراج أكثر عشوائية وينتج استجابات أكثر تباينا، بينما قيمة أقل، مثل. 0.2، يجعل الإخراج أكثر تركيزا وخرسانة. يمكن إنشاء قصة خيالية باستخدام درجة حرارة أعلى. بينما لإنشاء مستند قانوني، يوصى باستخدام درجة حرارة أقل بكثير. Top_probability هو معلمة أخرى ويشبه Temperature من حيث أنه يتحكم أيضا في عشوائية استجابة النموذج، ولكنه يفعل ذلك بطريقة مختلفة. التوصية العامة هي تغيير إحدى هاتين المعلمتين في كل مرة، وليس كليهما.
توفير سياق الأساس
واحدة من أكثر الطرق فعالية لتوفير إجابات موثوقة هي إعطاء بيانات النموذج لاستخلاص استجاباتها من (بيانات الأساس). إذا كانت حالة الاستخدام الخاصة بك تعتمد على معلومات up-to-date وموثوق بها ولا تكون سيناريو إبداعيا فقط، نوصي بشدة بتوفير بيانات الأساس. بشكل عام، كلما اقتربت من الحصول على المواد المصدر إلى الشكل النهائي للإجابة التي تريدها، قل العمل الذي يحتاج النموذج إلى القيام به، مما يعني أن هناك فرصة أقل للخطأ. فيما يلي مثال حيث يتم توفير النظام مدونة حديثة تصف إطلاق GPT-4 في Azure OpenAI في Azure الذكاء الاصطناعي Foundry Models، وطلب منها تسمية بعض عملائها المبكرين.
| رسالة النظام | مستخدم | مساعد |
|---|---|---|
| أنت مساعد الذكاء الاصطناعي يساعد الأشخاص على العثور على المعلومات. ستوفر إجابات حصريا من النص أدناه وتستجيب ب 100 كلمة أو أقل: "في Microsoft، نكتشف باستمرار طرقا جديدة لإطلاق العنان للإبداع، وإطلاق العنان للإنتاجية، وتحسين المهارات حتى يتمكن المزيد من الأشخاص من الاستفادة من استخدام الذكاء الاصطناعي. هذا هو السماح لعملائنا إلى ... … وبالتالي تقليل احتمالية أن يولد النموذج استجابة ضارة." 1 الإجابة ب 100 كلمة أو أقل. استخدم القوائم النقطية كلما أمكن ذلك. |
من هم بعض العملاء الأوائل لنماذج Azure OpenAI GPT-4؟ | فيما يلي بعض العملاء الأوائل لنماذج Azure OpenAI GPT-4: - Epic Healthcare: يخططون لاستخدام GPT-4 لمساعدة الأطباء والممرضات على قضاء وقت أقل في إدخال البيانات والتحقيق فيها. - Coursera: يستخدمون Azure OpenAI مع GPT-4 لإنشاء تجربة تعلم جديدة مدعومة الذكاء الاصطناعي على نظامهم الأساسي. - كوكا كولا: يستخدمون Azure OpenAI لبناء مركز معارف ويخططون للاستفادة من قدرات GPT-4 متعددة الوسائط للتسويق والإعلان والعلاقات العامة وعلاقات العملاء. - تستخدم الشركات الأخرى من جميع الأحجام Azure الذكاء الاصطناعي لتحسين تجارب العملاء، وتلخيص المحتوى طويل الشكل، والمساعدة في كتابة البرامج، وتقليل المخاطر من خلال التنبؤ بالبيانات الضريبية الصحيحة. |
1 نص من مدونة تشغيل Azure OpenAI GPT-4.
أفضل الممارسات
- كن محددا. اترك أقل قدر ممكن من التفسير. تقييد المساحة التشغيلية.
- كن وصفيا. استخدام التشبيهات.
- مزدوج لأسفل. في بعض الأحيان قد تحتاج إلى تكرار نفسك إلى النموذج. قدم الإرشادات قبل المحتوى الأساسي وبعده، واستخدم إرشادات وإشارة، وما إلى ذلك.
- أمر مهم. قد يؤثر الترتيب الذي تقدم به المعلومات إلى النموذج على الإخراج. سواء وضعت إرشادات قبل المحتوى الخاص بك ("تلخيص ما يلي...") أو بعد ("تلخيص أعلاه...") يمكن أن يحدث فرقا في الإخراج. حتى ترتيب الأمثلة قليلة اللقطات يمكن أن يهم. ويشار إلى هذا باسم تحيز النحية.
- امنح النموذج كلمة "خارج". قد يكون من المفيد أحيانا إعطاء النموذج مسارا بديلا إذا كان غير قادر على إكمال المهمة المعينة. على سبيل المثال، عند طرح سؤال على جزء من النص، قد تتضمن شيئا مثل "الرد ب "لم يتم العثور عليه" إذا لم تكن الإجابة موجودة. يمكن أن يساعد هذا النموذج على تجنب إنشاء استجابات خاطئة.
كفاءة المساحة
بينما يزيد حجم الإدخال مع كل جيل جديد من نماذج GPT، ستظل هناك سيناريوهات توفر بيانات أكثر مما يمكن للنموذج التعامل معه. تقسم نماذج GPT الكلمات إلى "رموز مميزة". في حين أن الكلمات الشائعة متعددة المقاطع غالبا ما تكون رمزا مميزا واحدا، يتم كسر الكلمات الأقل شيوعا في المقاطع. يمكن أن تكون الرموز المميزة أحيانا غير بديهية، كما هو موضح في المثال أدناه الذي يوضح حدود الرمز المميز لتنسيقات التاريخ المختلفة. في هذه الحالة، يعد التدقيق الإملائي للشهر بأكمله أكثر كفاءة في المساحة من التاريخ الرقمي بالكامل. يتراوح النطاق الحالي لدعم الرمز المميز من 2000 رمز مميز مع نماذج GPT-3 السابقة إلى ما يصل إلى 32768 رمزا مميزا مع الإصدار 32k من أحدث طراز GPT-4.
نظرا إلى هذه المساحة المحدودة، من المهم استخدامها بأكبر قدر ممكن من الكفاءة.
- الجداول - كما هو موضح في الأمثلة في القسم السابق، يمكن لنماذج GPT فهم البيانات المنسقة جدوليا بسهولة تامة. يمكن أن تكون هذه طريقة فعالة للمساحة لتضمين البيانات، بدلا من أن تسبق كل حقل باسم (مثل JSON).
- المسافة البيضاء – يتم التعامل مع المسافات البيضاء المتتالية على أنها رموز مميزة منفصلة، والتي يمكن أن تكون طريقة سهلة لإضاعة المساحة. من ناحية أخرى، عادة ما يتم التعامل مع المسافات التي تسبق الكلمة كجزء من نفس الرمز المميز للكلمة. شاهد بعناية استخدامك للمسافة البيضاء ولا تستخدم علامات الترقيم عندما تفعل المساحة وحدها.
المحتويات ذات الصلة
- تعرف على المزيد حول Azure OpenAI.
- ابدأ باستخدام نموذج ChatGPT باستخدام التشغيل السريع ل ChatGPT.
- لمزيد من الأمثلة، راجع مستودع Azure OpenAI Samples GitHub