المخرجات المنظمة والمطالبات قليلة اللقطات
تعرف على كيفية فرض تنسيقات إخراج المنظمة وتعليم أنماط الذكاء الاصطناعي المعقدة باستخدام أمثلة قليلة.
حتى الآن، ركزنا على إنتاج نصوص حوارية سهلة القراءة. ولكن ماذا يحدث عندما يكون مستهلك إخراج الذكاء الاصطناعي نظامًا برمجيًا وليس شخصًا؟
لنفترض وجود نظام آلي مُصمم لفريق مبيعات: يراقب رسائل البريد الإلكتروني الواردة، ويستخرج الحقول المتعلقة بالعملاء المحتملين، ويسجلها في قاعدة بيانات إدارة علاقات العملاء (CRM). لا يُمكن استخدام إخراج محادثة مثل "اسم العميل جون دو وبريده الإلكتروني هو john.doe@example.com" في سير العمل هذا. يتطلب نظام إدارة علاقات العملاء بيانات مُهيكلة بدقة وقابلة للقراءة آليًا مثل JSON أو XML لإنشاء مُدخل جديد.
هذا هو التحدي الجوهري الذي سيُحلّه هذا الدرس. يميل طلاب الماجستير في القانون بطبيعتهم إلى إنتاج نصوص حوارية. بناء تطبيقات قوية، يجب علينا تصميم مُحفّزات تُجبر النموذج على الاستجابة بصيغة دقيقة، وقابلة للتنبؤ، وقابلة للتحليل. سيستكشف هذا الدرس التقنيتين الرئيسيتين لتحقيق هذا المستوى من موثوقية إخراج : توجيه النموذج مباشرةً إلى صيغ بيانات مُحدّدة، واستخدام مُحفّزات قصيرة لتعليم النموذج أنماطًا مُعقّدة من خلال العرض التوضيحي.
هندسة إخراج منظمة
الشرط الأول للتحكم في إخراج هو تحديد بنية استجابة الذكاء الاصطناعي بوضوح. في أي حالة استخدام برمجية، مثل تغذية البيانات إلى API أخرى، أو تحديث قاعدة بيانات، أو عرض مكون واجهة مستخدم، يجب أن يكون تنسيق إخراج قابلاً للتنبؤ.
التقنية 1: التعليم المباشر باستخدام قواعد التنسيق
أبسط طريقة للتحكم في إخراج هي إخبار النموذج مباشرةً بما نريده. غالبًا ما يتضمن ذلك جزأين: تسمية التنسيق وبيان أي قيود تنطبق.
قم بتسمية التنسيق: "توفير إخراج كمستند XML صالح"، أو "تنسيق الإجابة كقائمة نقطية".
قيود الحالة: "تأكد من أن كل النص مكتوب ...