Prompt Engineering

هندسة المطالبات هي عملية استراتيجية لتصميم النصوص المُدخلة وتنقيحها وتحسينها بهدف توجيه نماذج الذكاء الاصطناعي (AI) نحو إنتاج مخرجات دقيقة وملائمة وعالية الجودة. اكتسب هذا التخصص أهمية في البداية مع ظهور نماذج اللغة الكبيرة (LLMs) مثل GPT-4، ثم تطور ليصبح مهارة بالغة الأهمية للتفاعل مع أنظمة الذكاء الاصطناعي التوليدي عبر طرائق مختلفة، تشمل النصوص والصور والفيديو. وبدلاً من تغيير أوزان النموذج الأساسية من خلال إعادة التدريب، تستفيد هندسة المطالبات من المعرفة الموجودة لدى النموذج عبر صياغة المهمة بطريقة تمكّن النظام من فهمها على أفضل نحو، مما يسد الفجوة بين نية الإنسان والتنفيذ الآلي.

آلية صياغة المطالبات الفعّالة#

في جوهرها، تعتمد هندسة المطالبات على فهم كيفية معالجة النماذج الأساسية للسياق والتعليمات. تقلل المطالبة المُنشأة جيدًا من الغموض من خلال توفير قيود صريحة، وتنسيقات المخرجات المطلوبة، مثل JSON أو Markdown، ومعلومات أساسية ذات صلة. ويستخدم الممارسون المتقدمون تقنيات مثل التعلّم بعدد قليل من الأمثلة، حيث يقدّم المستخدم أمثلة قليلة لأزواج الإدخال والإخراج ضمن المطالبة لتوضيح النمط المطلوب.

تتمثل استراتيجية قوية أخرى في صياغة المطالبات القائمة على سلسلة الأفكار، التي تشجع النموذج على تقسيم مهام الاستدلال المعقدة إلى خطوات وسيطة. ويحسّن ذلك الأداء بدرجة كبيرة في الاستعلامات التي تتطلب قدرًا كبيرًا من المنطق. علاوة على ذلك، يُعد تحسين استخدام نافذة السياق—أي الحد الأقصى لكمية النص التي يمكن للنموذج معالجتها في وقت واحد—أمرًا بالغ الأهمية للحفاظ على الاتساق في التفاعلات الطويلة. وتؤكد الموارد الخارجية، مثل دليل OpenAI حول تصميم المطالبات، أهمية التنقيح التكراري للتعامل مع الحالات الطرفية بفعالية.

أهميتها في الرؤية الحاسوبية#

رغم ارتباط هندسة المطالبات غالبًا بالنصوص، فإنها تزداد أهمية في الرؤية الحاسوبية (CV). وتتيح النماذج متعددة الوسائط الحديثة وكاشفات المفردات المفتوحة، مثل YOLO-World، للمستخدمين تحديد أهداف الكشف باستخدام معالجة اللغة الطبيعية (NLP) بدلًا من معرّفات الفئات الرقمية المحددة مسبقًا.

في هذا السياق، تكون «المطالبة» وصفًا نصيًا للكائن، مثل «شخص يرتدي خوذة حمراء». وتتيح هذه القدرة، المعروفة باسم التعلّم صفري اللقطات، للأنظمة كشف كائنات لم تُدرَّب عليها صراحةً، وذلك بالاستفادة من الارتباطات المتعلَّمة بين السمات المرئية والتضمينات الدلالية. وفي بيئات الإنتاج عالية السرعة التي تكون فيها الفئات ثابتة، قد ينتقل المطورون في نهاية المطاف من النماذج المعتمدة على المطالبات إلى نماذج فعّالة أُعيد تدريبها، مثل YOLO26، لكن تظل هندسة المطالبات العامل الأساسي في إنشاء النماذج الأولية بسرعة وتحقيق المرونة.

التطبيقات الواقعية#

تُسهم هندسة المطالبات في تحقيق قيمة عبر صناعات متنوعة، من خلال تمكين الأتمتة المرنة والذكية:

• التحليلات المرئية الديناميكية: في الذكاء الاصطناعي في قطاع التجزئة، يستخدم مديرو المتاجر نماذج رؤية قائمة على المطالبات للبحث عن عناصر محددة دون تدخل تقني. ويمكن توجيه النظام لتتبّع «الرفوف الفارغة» في يوم، ثم «المنتجات الموضوعة في غير أماكنها» في اليوم التالي. وتتيح هذه المرونة للشركات تكييف أنظمة كشف الكائنات لديها مع الاتجاهات الموسمية فورًا.
• إنشاء المحتوى آليًا: تعتمد فرق التسويق على مطالبات مفصلة لتوجيه مولدات تحويل النص إلى صورة، مثل Stable Diffusion أو Midjourney. ومن خلال هندسة مطالبات تحدد الإضاءة والأسلوب الفني والتكوين، يستطيع المصممون إنشاء أصول مرئية بسرعة.
• الاسترجاع الذكي للمعرفة: في مجال دعم العملاء، يصمم المهندسون «مطالبات النظام» التي توجّه روبوتات الدردشة للإجابة عن الاستعلامات باستخدام بيانات الشركة الموثقة فقط. ويُعد ذلك مكوّنًا أساسيًا في التوليد المعزّز بالاسترجاع (RAG)، بما يضمن حفاظ الذكاء الاصطناعي على شخصية مفيدة مع تجنّب الهلوسات في نماذج اللغة الكبيرة.

التنفيذ باستخدام Ultralytics#

يوضح المثال التالي كيفية تطبيق هندسة المطالبات برمجيًا باستخدام الحزمة ultralytics. نستخدم هنا نموذج YOLO-World يقبل المطالبات النصية لتحديد الكائنات المطلوب البحث عنها ديناميكيًا، على خلاف النماذج القياسية مثل YOLO26 التي تستخدم قوائم فئات ثابتة.

from ultralytics import YOLO

# Load a YOLO-World model capable of interpreting text prompts
model = YOLO("yolov8s-world.pt")

# Apply prompt engineering to define custom classes dynamically
# The model maps these text descriptions to visual features
model.set_classes(["person in safety vest", "forklift", "blue hardhat"])

# Run inference on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Show results - the model only detects objects matching the prompts
results[0].show()

التمييز بين المفاهيم ذات الصلة#

لنشر حلول الذكاء الاصطناعي بفعالية عبر منصة Ultralytics، من المهم التمييز بين هندسة المطالبات وتقنيات التحسين المماثلة:

• هندسة المطالبات مقابل ضبط المطالبات: تتضمن هندسة المطالبات صياغة مدخلات باللغة الطبيعية يدويًا. في المقابل، يُعد ضبط المطالبات طريقة لـالضبط الدقيق الفعّال من حيث المعلمات (PEFT)، تتعلم «مطالبات لينة» (تضمينات متجهية مستمرة) أثناء مرحلة التدريب. وهذه المطالبات اللينة تحسينات رياضية غير مرئية للمستخدم البشري.
• هندسة المطالبات مقابل الضبط الدقيق: يحدّث الضبط الدقيق أوزان النموذج بشكل دائم باستخدام مجموعة بيانات تدريب محددة لتخصيصه لمهمة معينة. ولا تغيّر هندسة المطالبات النموذج نفسه؛ بل تحسّن المدخلات فقط أثناء الاستدلال في الوقت الفعلي.
• هندسة المطالبات مقابل حقن المطالبات: بينما تُعد الهندسة ممارسة بنّاءة، فإن حقن المطالبات يمثل ثغرة أمنية تتلاعب فيها المدخلات الخبيثة بالنموذج لحمله على تجاهل قيود السلامة الخاصة به. ويتطلب ضمان سلامة الذكاء الاصطناعي دفاعًا متينًا ضد هذه المطالبات العدائية.