Prompt Enrichment

إثراء المطالبات هو عملية آلية لإضافة سياق ذي صلة أو تعليمات محددة أو بيانات تكميلية إلى الإدخال الأولي للمستخدم قبل إرساله إلى نموذج الذكاء الاصطناعي (AI). تعمل هذه التقنية كطبقة وسيطة ذكية تعمل على تحسين التفاعل بين البشر والآلات، وتضمن تلقي نماذج اللغة الكبيرة (LLMs) وأنظمة الرؤية الحاسوبية لاستعلامات شاملة. ومن خلال إدخال تفاصيل قد يغفل المستخدم عن ذكرها—مثل التفضيلات السابقة أو بيانات الموقع أو القيود التقنية—يُحسّن إثراء المطالبات بدرجة كبيرة دقة مخرجات النموذج وتخصيصها، من دون الحاجة إلى أن يكون المستخدم خبيرًا في صياغة التعليمات التفصيلية.

آلية الإثراء#

تتمثل الوظيفة الأساسية لإثراء المطالبات في سد الفجوة بين نية بشرية غامضة والإدخال الدقيق والغني بالبيانات الذي تحتاج إليه النماذج لتحقيق الأداء الأمثل. عند تلقي استعلام، يحلله النظام ويسترجع معلومات الخلفية اللازمة من رسم بياني معرفي أو قاعدة بيانات منظمة. ثم تُنسَّق هذه البيانات المسترجعة برمجيًا وتُضاف إلى المطالبة الأصلية.

على سبيل المثال، في سير عمل معالجة اللغة الطبيعية (NLP)، يكون سؤال بسيط مثل "ما الحالة؟" غير كافٍ من حيث السياق. يحدد نظام الإثراء الجلسة النشطة، ويسترجع أحدث رقم طلب من قاعدة بيانات معاملات، ويعيد كتابة المطالبة لتصبح: "يسأل المستخدم عن الطلب رقم 998، وهو حاليًا قيد النقل. قدّم تحديثًا عن الشحن استنادًا إلى هذه الحالة." وغالبًا ما تستخدم هذه العملية قواعد بيانات المتجهات للعثور بسرعة على السياق ذي الصلة الدلالية وإدخاله.

التطبيقات الواقعية#

يُعد إثراء المطالبات ضروريًا لنشر تطبيقات الذكاء الاصطناعي التوليدي المتينة في مختلف القطاعات، مما يعزز الأنظمة القائمة على النصوص والرؤية على حد سواء:

1. دعم العملاء المدرك للسياق: في مكاتب المساعدة الآلية، يستخدم روبوت محادثة الإثراء للوصول إلى سجل مشتريات العميل وبيئته التقنية. وبدلًا من مطالبة المستخدم بإدخال إصدار جهازه، يسترجع النظام هذه المعلومات من البيانات الوصفية للحساب ويدخلها في المطالبة. يتيح ذلك لـوكيل الذكاء الاصطناعي تقديم خطوات فورية لاستكشاف الأخطاء وإصلاحها ومخصصة للجهاز، مما يحسن تجربة العميل بدرجة كبيرة.

2. التهيئة الديناميكية للرؤية الحاسوبية: في العمليات الأمنية، قد يكتفي المستخدم بتفعيل إعداد "الوضع الليلي". وفي الخلفية، يترجم إثراء المطالبات هذه النية عالية المستوى إلى فئات كائنات محددة لكاشف ذي مفردات مفتوحة مثل YOLO-World. ويُثري النظام المطالبة ليفحص تحديدًا بحثًا عن "مصباح يدوي" أو "حركة مريبة" أو "شخص غير مصرّح له"، مما يمكّن النموذج من تكييف تركيزه على اكتشاف الكائنات ديناميكيًا.

مثال: إثراء الفئات الديناميكي#

يوضح مثال Python التالي مفهوم إثراء المطالبات باستخدام الحزمة ultralytics. هنا، تُثرى نية المستخدم عالية المستوى برمجيًا لتتحول إلى قائمة من الفئات الوصفية المحددة التي يفحص النموذج بحثًا عنها.

from ultralytics import YOLO


def run_enriched_inference(user_mode):
    """Enriches a simple user mode into specific detection prompts."""
    # Load a YOLO-World model capable of open-vocabulary detection
    model = YOLO("yolov8s-world.pt")

    # Enrichment Logic: Map simple user intent to detailed class prompts
    context_map = {
        "site_safety": ["hard hat", "safety vest", "gloves"],
        "traffic": ["car", "bus", "traffic light", "pedestrian"],
    }

    # Inject the enriched context into the model
    enriched_classes = context_map.get(user_mode, ["object"])
    model.set_classes(enriched_classes)

    # The model now looks for the specific enriched terms
    print(f"Mode: {user_mode} -> Enriched Prompt: {enriched_classes}")


run_enriched_inference("site_safety")

إثراء المطالبات مقارنةً بالمفاهيم ذات الصلة#

لتنفيذ عمليات تعلّم الآلة (MLOps) بفعالية، من المفيد التمييز بين إثراء المطالبات والمصطلحات المشابهة:

• التوليد المعزز بالاسترجاع (RAG): يُعد RAG أسلوبًا محددًا من أساليب الإثراء. ويشير حصريًا إلى آلية جلب المستندات ذات الصلة من مجموعة نصية خارجية لتأسيس استجابة النموذج على أساس واقعي. أما الإثراء فهو مفهوم أوسع يشمل RAG، كما يغطي إدخال بيانات الجلسة الثابتة والبيانات الوصفية للمستخدم أو وقت النظام، من دون ضرورة إجراء بحث دلالي معقد.
• هندسة المطالبات: هي الحرفة اليدوية لتصميم مطالبات فعالة. أما الإثراء فهو عملية آلية تطبق مبادئ هندسة المطالبات ديناميكيًا أثناء وقت التشغيل.
• ضبط المطالبات: هي تقنية الضبط الدقيق الفعّال من حيث عدد المعلمات (PEFT)، حيث تُحسَّن "المطالبات اللينة" (الموترات القابلة للتعلم) أثناء التدريب. يحدث إثراء المطالبات بالكامل أثناء الاستدلال في الوقت الفعلي، ولا يغيّر أوزان النموذج.
• التعلّم من أمثلة قليلة: يتضمن ذلك تقديم أمثلة داخل المطالبة لتعليم النموذج مهمةً ما. وغالبًا ما تُدخل أنظمة الإثراء أمثلة هذه الطريقة ديناميكيًا استنادًا إلى نوع المهمة، فتجمع بين المفهومين بفعالية.

الأهمية في أنظمة الذكاء الاصطناعي الحديثة#

مع ازدياد قدرة نماذج مثل Ultralytics YOLO26 وGPT-4، غالبًا ما تنتقل نقطة الاختناق إلى جودة الإدخال. يخفف إثراء المطالبات من الهلوسات في نماذج LLMs من خلال تأسيس النموذج على بيانات واقعية ومقدَّمة. وفي الرؤية الحاسوبية (CV)، يتيح ذلك إنشاء أنظمة اكتشاف مرنة تعتمد على التعلّم دون أمثلة (zero-shot learning)، ويمكنها التكيف مع بيئات جديدة فورًا من دون إعادة تدريب، وذلك بمجرد تعديل المطالبات النصية التي تُغذّى بها المنظومة. وتُعد هذه المرونة ضرورية لبناء حلول الذكاء الاصطناعي متعدد الوسائط القابلة للتوسع، والقادرة على الاستدلال باستخدام النصوص والصور معًا. وغالبًا ما يعتمد المستخدمون الذين يسعون إلى إدارة مجموعات البيانات المستخدمة لتأسيس هذه الأنظمة على أدوات مثل منصة Ultralytics لتنظيم معلوماتهم ووسمها بفعالية.