هندسة الاستجابة السريعة المتقدمة

عندما نتجاوز أساسيات التلقين، ندخل في فضاءٍ تصبح فيه التقنيات أكثر دقةً ومنهجيةً وفعاليةً بشكلٍ ملحوظ. إن هندسة التلقين المتقدمة ليست طريقةً واحدةً، بل هي مجموعةٌ من المناهج، كلٌ منها مصممٌ لحل فئةٍ محددةٍ من المشكلات التي لا تستطيع أساليب التلقين البسيطة التعامل معها بكفاءة.

تُعدّ التقنيات الأساسية، مثل التدريب بدون أمثلة، والتدريب بأمثلة قليلة، والتدريب القائم على تسلسل الأفكار، فعّالة، لكنها محدودة. فهي تواجه صعوبة في التعامل مع المشكلات التي تتطلب تجزئةً عبر خطوات استدلالية متعددة، والمهام التي تعتمد على أسس واقعية قد لا يُظهرها النموذج في جولة واحدة، وسير العمل الذي يتطلب أتمتة عملية تصميم التوجيهات نفسها. أما التقنيات المتقدمة، فتُعالج هذه الثغرات تحديدًا.

ما يُميّز التقنية المتقدمة عن التقنية الأساسية ليس التعقيد المُضاف لذاته، بل القدرة على التعامل مع المهام التي تتضمن استدلالًا متعدد المستويات، وحسابات خارجية، وتوليد المعرفة داخل المُوجِّه، أو التحسين الآلي. إن فهم هذه الأساليب يُوسِّع نطاق ما يُمكننا إنجازه بثقة باستخدام نموذج اللغة، ويُشكِّل المستوى التالي من أساليب هندسة المُوجِّهات، متجاوزًا الأساسيات.

ما الذي يجعل التقنية متقدمة؟

يشير مصطلح "متقدم" في هندسة التصنيع المتقدم إلى مجموعة محددة من الخصائص. وعادةً ما تقوم هذه التقنيات بواحدة أو أكثر مما يلي:

• إنهم يقسمون المشكلة إلى مهام فرعية منظمة بدلاً من معالجتها كمسألة واحدة.

• إنها تُثري السياق الذي يُحلله النموذج قبل تقديم الإجابة.

• إنهم يفوضون العمليات الدقيقة إلى أنظمة خارجية.

• إنها تعمل على أتمتة عملية تصميم الرسائل النصية نفسها.

كما أنها أكثر دقة في تصميمها. فبينما يمكن كتابة نموذج أولي في ثوانٍ، تتطلب التقنيات المتقدمة التفكير في بنية المهمة، ومسار الاستدلال الذي يجب أن يتبعه النموذج، وكيفية تأثير مخرجات كل خطوة على الخطوة التالية. هذه الدقة هي ما يجعلها موثوقة في المهام المعقدة والحساسة.

من الأقل إلى الأكثر تحفيزًا

أسلوب التلقين من الأقل إلى الأكثر تعقيدًا هو تقنية تُقسّم المشكلة المعقدة إلى سلسلة من المشكلات الفرعية الأبسط، ثم تُحلّها بالترتيب من الأسهل إلى الأصعب. يصبح حلّ كل مشكلة فرعية جزءًا من سياق حلّ المشكلة التالية، مما يُنشئ سلسلةً تدعم فيها الإجابات السابقة الاستدلالات اللاحقة.

استند هذا النهج إلى قصور محدد في تسلسل الأفكار: إذ يواجه هذا التسلسل صعوبة عندما تتطلب المشكلة دمج المعارف أو المهارات بطريقة لم يسبق للنموذج أن رآها مجتمعة. ويحل تسلسل الأفكار من الأقل إلى الأكثر هذه المشكلة من خلال بناء المسار بشكل صريح.

تعتمد هذه التقنية على مرحلتين. أولاً، نطلب من النموذج تجزئة المشكلة. ثم نقوم بحل كل مشكلة فرعية بالتتابع.

يُعد أسلوب التلقين من الأقل إلى الأكثر فعالية بشكل خاص في مسائل الرياضيات اللفظية، والتخطيط متعدد الخطوات، والمهام التركيبية حيث تعتمد الإجابة النهائية على إثبات العديد من الحقائق الوسيطة بشكل صحيح أولاً.

توليد المعرفة المحفزة

يُعدّ توليد المعرفة أسلوبًا نطلب فيه أولًا من النموذج إنتاج معلومات أساسية ذات صلة بموضوع ما، ثم نستخدم تلك المعرفة المُولّدة كسياق للإجابة عن السؤال الأصلي. فبدلًا من الاعتماد فقط على ما يستطيع النموذج استرجاعه دفعة واحدة، نمنحه فرصةً لإظهار وتنظيم ما يعرفه قبل تقديم استجابة.

تعالج هذه التقنية نمطًا ثابتًا في التوجيه القياسي: حيث يقدم النموذج أحيانًا إجابات واثقة ولكنها غير مكتملة عند سؤاله مباشرة، ومع ذلك ينتج استجابات أكثر دقة بشكل ملحوظ عندما يعبر أولاً عن الحقائق ذات الصلة التي يعرفها.

تُعد هذه التقنية ذات قيمة خاصة في الاستدلال الواقعي، ومواضيع العلوم والصحة، وأي مهمة يكون فيها وضع النموذج في سياق ذي صلة قبل الإجابة بشكل قابل للقياس يقلل من فرصة الحصول على مخرجات واثقة ولكنها غير دقيقة.

نماذج اللغة المدعومة بالبرامج (PAL)

نماذج اللغة المدعومة بالبرمجة ، والمعروفة اختصاراً بـ PAL، هي تقنية يقوم فيها النموذج بتوليد شيفرة قابلة للتنفيذ كخطوة استدلالية وسيطة بدلاً من حساب الإجابة باللغة الطبيعية. ثم يتم تشغيل الشيفرة بواسطة مترجم خارجي، وتُعاد النتيجة كإجابة نهائية.

طُوِّرت لغة PAL من قِبَل غاو وآخرين عام ٢٠٢٣، وهي تعالج قصورًا معروفًا في نماذج اللغة: عدم موثوقيتها في العمليات الحسابية، ومعالجة الرموز، والعمليات المنطقية الدقيقة. يُخطئ الاستدلال باللغة الطبيعية في حساباته، بينما لا يحدث ذلك في الشيفرة البرمجية. تستخدم PAL نقاط قوة النماذج، فتُترجم المشكلة إلى منطق مُهيكل، بينما تُوكل العمليات الحسابية الدقيقة، التي تُعاني منها النماذج، إلى برنامج.

ينفذ المفسر هذا الأمر ويعيد 247.5 كم كإجابة مؤكدة. تُعدّ لغة PAL فعّالة بشكل خاص في مسائل الرياضيات اللفظية، ومعالجة البيانات، وتحويل الوحدات، وأي سيناريو تكون فيه دقة الحساب أمرًا لا غنى عنه. وهي من أوضح الأمثلة على تقنيات التوجيه المتقدمة التي تُعزز موثوقية النموذج من خلال دمج الاستدلال اللغوي مع التنفيذ الخارجي.

مهندس التوجيه الآلي (APE)

مهندس التوجيه التلقائي (APE) هو أسلوب يستخدم نموذجًا لغويًا لإنشاء وتقييم واختيار أفضل توجيه لمهمة معينة تلقائيًا. فبدلًا من صياغة التوجيهات يدويًا بالتجربة والخطأ، نزود النموذج بأمثلة للمدخلات والمخرجات ونطلب منه استنتاج التعليمات التي كان من الممكن أن تُنتج تلك المخرجات. ثم يتم اختيار أفضل توجيه كتوجيه العمل.

قدّم تشو وآخرون في عام 2022 نموذج APE الذي يُعيد صياغة تصميم التعليمات البرمجية كمسألة تحسين. وتتمثل الفكرة الأساسية في أن نماذج اللغة بارعة في توليد تعليمات باللغة الطبيعية، ويمكن توجيه هذه القدرة داخليًا لإنتاج تعليمات أفضل مما قد يكتبه الإنسان في المحاولة الأولى.

تتم العملية في ثلاث خطوات:

1. توليد: قم بتوفير أمثلة على المدخلات والمخرجات واطلب من النموذج اقتراح تعليمات مرشحة كان من الممكن أن تنتج تلك المخرجات.

2. النتيجة: قم بتشغيل كل مرشح مقابل مجموعة من مدخلات الاختبار وقم بتقييم جودة إخراج .

3. اختر: احتفظ بالموجه الحاصل على أعلى درجة للنشر.

يُعدّ نظام APE أحد أهم التطورات في هندسة الرسائل النصية المتقدمة، إذ ينقل تصميم الرسائل النصية من عملية يدوية متكررة إلى عملية أكثر منهجية. وتبرز أهميته بشكل خاص عند تحسين الرسائل النصية على نطاق واسع، أو العمل في مجالات ذات خبرة بشرية محدودة، أو تطبيق التكرار في الرسائل النصية بطريقة آلية ودقيقة تفوق ما يسمح به التحسين اليدوي.

الجمع بين التقنيات المتقدمة في الممارسة العملية

تكون هذه التقنيات أكثر فعالية عند تطبيقها معًا بوعي. فهي ليست حصرية، وغالبًا ما تتضمن التطبيقات العملية استخدام عدة أساليب ضمن نفس سير العمل.

بعض التركيبات الشائعة والفعالة:

• طريقة من الأقل إلى الأكثر + CoT: قم بتقسيم المشكلة إلى مشاكل فرعية باستخدام طريقة من الأقل إلى الأكثر، ثم قم بتطبيق سلسلة التفكير داخل كل مشكلة فرعية للحصول على تفكير أكثر دقة على مستوى الخطوة.

• المعرفة المولدة + أمثلة قليلة: قم بتجهيز النموذج بالمعرفة الخلفية المولدة، ثم استخدم أمثلة قليلة لتشكيل تنسيق وأسلوب إخراج .

• PAL + ربط المطالبات: استخدم ربط المطالبات لتقسيم مهمة متعددة المراحل إلى خطوات، وقم بتطبيق PAL تحديدًا في الخطوات التي تتطلب حسابًا دقيقًا.

• APE + التوجيه التكراري: استخدم APE لإنشاء موجه أولي مُحسَّن، ثم قم بتحسينه بشكل أكبر من خلال التوجيه التكراري اليدوي للحالات الحدية التي لم يظهرها التسجيل الآلي.

يتمثل المبدأ التوجيهي لدمج التقنيات في مطابقة كل طبقة مع قيد محدد تعالجه. إن إضافة بنية دون سبب واضح يميل إلى تقليل الموثوقية بدلاً من تحسينها، ومعرفة متى يجب تبسيط الأمور هو في حد ذاته أحد أفضل الممارسات الأساسية في هندسة البرمجيات الفورية.

خاتمة

يعكس هندسة التوجيه المتقدمة مدى نضج هذا المجال، من مجرد كتابة التعليمات إلى ممارسة منظمة مدعومة بالأبحاث وأدوات جاهزة للاستخدام. تمثل التقنيات المتاحة اليوم، من التحسين الآلي للتوجيه إلى الاستدلال المدعوم بالبرمجة، فهمًا متزايدًا لكيفية التعامل مع نماذج اللغة بدقة وموثوقية أكبر. ومع استمرار تطور النماذج وتوليها مهامًا أكثر تعقيدًا، ستستمر هذه الأساليب في التطور جنبًا إلى جنب معها. بالنسبة لأي شخص يبني تطبيقات جادة باستخدام نماذج اللغة، يُعد الاستثمار في هذا المستوى من الفهم أحد أهم الأمور وأكثرها استدامة وقابلية للتطبيق.