مصطلحًا
التلقين ببضع أمثلة (Few-Shot Prompting)
- الفئة
- Prompt Engineering
- الصعوبة
- مبتدئ
التعريف
تقنية هندسة أوامر يتم فيها تزويد نموذج لغوي كبير بعدد صغير من أمثلة الإدخال والإخراج ضمن الأمر لتوجيه أدائه في مهمة محددة.
آلية العمل والسياق
يستفيد التلقين ببضع أمثلة من قدرات التعلم في السياق للنماذج اللغوية الكبيرة (LLMs). من خلال تضمين حفنة من العروض التوضيحية - عادة ما بين اثنين وخمسة - ضمن الأمر، يمكن للمستخدمين تحسين قدرة النموذج بشكل كبير على اتباع التعليمات المعقدة أو الالتزام بتنسيقات إخراج محددة. هذه التقنية فعالة بشكل خاص للمهام التي يكون فيها الإخراج المطلوب منظماً للغاية أو يتطلب فارقاً أسلوبياً دقيقاً قد يفشل التلقين بصفر أمثلة (zero-shot) في التقاطه. على عكس الضبط الدقيق (fine-tuning)، الذي يتضمن تحديث الأوزان الداخلية للنموذج، فإن التلقين ببضع أمثلة هو تعديل مؤقت في وقت الاستدلال. على الرغم من قوته، إلا أنه محدود بنافذة سياق النموذج؛ فقد يؤدي تقديم الكثير من الأمثلة إلى استهلاك رموز (tokens) قيمة وربما يؤدي إلى تدهور الأداء إذا كانت الأمثلة غير ذات صلة أو سيئة التنسيق.
لماذا هو مهم
إنها أداة حاسمة للمطورين والمستخدمين لتوجيه سلوك النموذج دون التكلفة العالية وتعقيد إعادة التدريب أو الضبط الدقيق. إنها تسمح بالتكرار السريع وتخصيص مخرجات الذكاء الاصطناعي، مما يجعلها ضرورية لبناء تطبيقات موثوقة تتطلب تنسيقاً متسقاً، مثل استخراج البيانات، أو التصنيف، أو الكتابة الإبداعية المتخصصة، مع الحفاظ على المرونة لتبديل المهام فوراً.
مثال واقعي
يريد مدير دعم العملاء من الذكاء الاصطناعي تصنيف رسائل البريد الإلكتروني الواردة حسب المشاعر. بدلاً من مجرد مطالبة الذكاء الاصطناعي بـ 'تصنيف هذا البريد الإلكتروني'، يقدم ثلاثة أمثلة: 'البريد الإلكتروني: وصل طلبي متأخراً. المشاعر: سلبية'، 'البريد الإلكتروني: أحب الميزات الجديدة! المشاعر: إيجابية'، و'البريد الإلكتروني: كيف يمكنني إعادة تعيين كلمة المرور الخاصة بي؟ المشاعر: محايدة'. عندما يتلقى الذكاء الاصطناعي بريداً إلكترونياً جديداً، فإنه يستخدم هذه الأمثلة لتصنيف المشاعر بدقة بالتنسيق المطلوب.
أخطاء شائعة
- استخدام الكثير من الأمثلة، مما قد يربك نافذة السياق ويشتت النموذج.
- تقديم أمثلة غير متسقة أو متناقضة تؤدي إلى سلوك غير متوقع للنموذج.
- الفشل في استخدام محدد واضح (مثل '###' أو '---') بين الأمثلة والمهمة الفعلية، مما يتسبب في دمج النموذج لهما معاً.
- افتراض أن النموذج سيتعلم التفكير المعقد من الأمثلة بينما هو في الواقع يقلد النمط المقدم فقط.
الأسئلة الشائعة
كيف يختلف التلقين ببضع أمثلة عن التلقين بصفر أمثلة (zero-shot)؟
يطلب التلقين بصفر أمثلة من النموذج أداء مهمة دون أي أمثلة مسبقة، معتمداً كلياً على معرفته المدربة مسبقاً. يوفر التلقين ببضع أمثلة عروضاً توضيحية محددة لتوجيه النموذج، مما يؤدي عادةً إلى دقة أعلى والتزام أفضل بمتطلبات التنسيق.
هل التلقين ببضع أمثلة هو نفسه الضبط الدقيق (fine-tuning)؟
لا. يتضمن الضبط الدقيق تدريب النموذج على مجموعة بيانات كبيرة لتغيير معلماته بشكل دائم. التلقين ببضع أمثلة هو تقنية في وقت الاستدلال توفر أمثلة داخل الأمر نفسه، ولا تتطلب أي تغييرات على الأوزان الأساسية للنموذج.
ما هو العدد المثالي للأمثلة التي يجب تضمينها؟
على الرغم من عدم وجود قاعدة عالمية، فإن تقديم ما بين اثنين وخمسة أمثلة متنوعة وعالية الجودة يكفي عادةً. قد يؤدي تضمين المزيد أحياناً إلى تناقص العوائد أو تجاوز حدود نافذة سياق النموذج.