تسلسل الموجه

التسلسل السريع هو نمط معماري متقدم في تطوير الذكاء الاصطناعي (AI) حيث يتم تقسيم مهمة معقدة إلى سلسلة من المهام الفرعية الأصغر حجماً والتي يمكن إدارتها. في سير العمل هذا، فإن ناتج إحدى الخطوات — الذي غالباً ما يتم إنشاؤه بواسطة نموذج لغوي كبير (LLM) أو نظام رؤية حاسوبي — يعمل كمدخل للخطوة التالية. على عكس الموجهة الأحادية التي تحاول حل مشكلة متعددة الأوجه دفعة واحدة، تتيح التسلسل للمطورين إنشاء تطبيقات أكثر موثوقية وقابلية للاختبار وقدرة . هذا النهج المعياري ضروري لإنشاء وكلاء ذكاء اصطناعي متطورين قادرين على التفكير والتصفح على الويب أو التفاعل مع البيئات المادية.

آليات التسلسل

في جوهره، يعالج التسلسل السريع قيود نوافذ السياق وقدرات الاستدلال في نماذج الأساس. عندما يُطلب من النموذج أداء العديد من العمليات المختلفة في طلب واحد (على سبيل المثال، "تحليل هذه الصورة، واستخراج النص، وترجمته إلى الإسبانية، وتنسيقه كفاتورة JSON")، تزداد احتمالية حدوث خطأ. من خلال تقسيم ذلك إلى سلسلة، يمكن للمطورين التحقق من دقة كل مرحلة.

غالبًا ما تستخدم السلاسل الفعالة "كود لاصق" مكتوب بلغة Python أو تدار بواسطة مكتبات التنسيق مثل LangChain لمعالجة تحويل البيانات بين الخطوات. وهذا يسمح بدمج تقنيات متباينة، مثل الجمع بين حدة البصر في اكتشاف الكائنات و الطلاقة اللغوية لنماذج النصوص التوليدية.

تطبيقات واقعية

يعد التسلسل الفوري فعالاً بشكل خاص عند سد الفجوة بين أنماط البيانات المختلفة، مما يتيح للنماذج متعددة الوسائط العمل في بيئات صناعية وتجارية ديناميكية .

1. التقارير المرئية الآلية: في التصنيع الذكي، يمكن لنظام مراقبة الجودة ربط نموذج الرؤية بنموذج LLM. أولاً، يقوم نموذج عالي السرعة مثل Ultralytics بمسح المكونات على خط التجميع. يتم تحويل الناتج المنظم (على سبيل المثال، "الفئة: Dented_Can، الثقة: 0.92") إلى سلسلة نصية. ثم يتم تمرير هذا النص إلى نموذج لغوي مع موجه مثل "صياغة طلب صيانة بناءً على هذا العيب"، مما ينتج عنه بريد إلكتروني يمكن قراءته بواسطة الإنسان لمدير الطابق.
2. دعم العملاء المراعي للسياق: غالبًا ما تستخدم روبوتات الدردشة الذكية التسلسل للتنقل بين استفسارات المستخدمين المعقدة . قد يستخدم الرابط الأول في السلسلة معالجة اللغة الطبيعية (NLP) classify نية classify . إذا كانت النية تقنية، يقوم النظام بتشغيل سير عمل التوليد المعزز بالاسترجاع (RAG) : يقوم بإنشاء تضمينات للاستعلام، ويبحث في قاعدة بيانات متجهة عن الوثائق، وأخيرًا يطالب LLM بتوليف الأجزاء المسترجعة في إجابة مفيدة.

مثال على كود تحويل الرؤية إلى لغة

يوضح المثال التالي "الرابط" الأول في السلسلة: استخدام الرؤية الحاسوبية (CV) لتوليد بيانات منظمة تُستخدم كسياق لموجهات لاحقة.

from ultralytics import YOLO

# Load the YOLO26 model (natively end-to-end and highly efficient)
model = YOLO("yolo26n.pt")

# Step 1: Run inference to 'see' the environment
results = model("https://ultralytics.com/images/bus.jpg")

# Step 2: Format visual detections into a natural language string
det_names = [model.names[int(c)] for c in results[0].boxes.cls]
prompt_context = f"The scene contains: {', '.join(det_names)}. Please describe the likely activity."

# The 'prompt_context' variable is now ready to be sent to an LLM API
print(prompt_context)

التمييز بين المفاهيم ذات الصلة

لتنفيذ بنى التعلم الآلي (ML) الفعالة، من المفيد التمييز بين التسلسل السريع والمصطلحات المماثلة في مجال الذكاء الاصطناعي:

• مقابل تحفيز سلسلة الأفكار: سلسلة الأفكار (CoT) هي تقنية تُستخدم في موجه واحد لتشجيع النموذج على "إظهار عمله" (على سبيل المثال، "فكر خطوة بخطوة"). يتضمن تسلسل الموجهات عدة مكالمات API متميزة حيث يعتمد الإدخال في الخطوة B على ناتج الخطوة A.
• مقابل الهندسة السريعة: الهندسة السريعة هي مجال أوسع نطاقًا يهدف إلى تحسين المدخلات النصية للحصول على أداء أفضل للنموذج. التسلسل هو نمط هندسي محدد يركز على التدفق المتسلسل للعمليات والتحكم المنطقي.
• مقابل الضبط الفوري: الضبط الفوري هو طريقة لتحسين النموذج تقوم بتحديث المعلمات القابلة للتعلم (المطالبات الناعمة) أثناء مرحلة التدريب. يحدث التسلسل الفوري بالكامل أثناء الاستدلال في الوقت الفعلي ولا يغير أوزان النموذج.

من خلال الاستفادة من التسلسل الفوري، يمكن للفرق إنشاء تطبيقات قوية تدمج المنطق واسترجاع البيانات و التعرف على الإجراءات. لإدارة مجموعات البيانات وتدريب نماذج الرؤية التي تدعم هذه السلاسل، توفر Ultralytics حلاً مركزيًا للتعليق التوضيحي والتدريب والنشر.