إثراء الموجه

إثراء المطالبات هو العملية الآلية لإضافة سياق أو معلومات ذات صلة ببرمجة إلى مطالبة المستخدم الأولية قبل إرسالها إلى نموذج الذكاء الاصطناعي، وخاصة نموذج لغوي كبير (LLM). الهدف هو تحويل استعلام مستخدم بسيط أو غامض إلى تعليمات مفصلة ومحددة و واعية بالسياق. تساعد خطوة المعالجة المسبقة هذه نموذج الذكاء الاصطناعي على فهم نية المستخدم بشكل أفضل، مما يؤدي إلى استجابات أكثر دقة وتخصيصاً وفائدة بشكل ملحوظ دون تغيير النموذج نفسه.

كيف يعمل إثراء المطالبات (Prompt Enrichment)

يعمل إثراء المطالبات كطبقة وسيطة ذكية. عندما يرسل المستخدم استعلاماً، يعترضه نظام آلي. ثم يجمع هذا النظام بيانات سياقية من مصادر مختلفة، مثل ملفات تعريف المستخدمين أو سجل المحادثات أو بيانات الجلسة (مثل نوع الجهاز أو الموقع) أو قواعد البيانات الخارجية. ثم يقوم بحقن هذه المعلومات ديناميكياً في المطالبة الأصلية. يتم بعد ذلك تمرير المطالبة "المثرية" الناتجة، والتي تحتوي الآن على استعلام المستخدم والسياق المضاف، إلى النموذج اللغوي الكبير (LLM) للمعالجة. وهذا يحسن قدرة النموذج على أداء مهام فهم اللغة الطبيعية (NLU) المعقدة.

تطبيقات واقعية

1. دعم العملاء المخصص: يتفاعل المستخدم مع برنامج دردشة آلية (chatbot) للتجارة الإلكترونية ويكتب، "أين هي شحنتي؟" يمكن لنظام إثراء المطالبات جلب تفاصيل حساب المستخدم ورقم أحدث طلب له تلقائيًا من قاعدة بيانات CRM. تصبح المطالبة المرسلة إلى النموذج: "يسأل معرف العميل 98765 عن حالة أحدث طلب له، #ABC-12345. استعلام المستخدم الأصلي: 'أين هي شحنتي؟'" يتيح ذلك لوكلاء خدمة العملاء المدعومين بالذكاء الاصطناعي تقديم تحديث فوري ومحدد بدلاً من طلب معلومات توضيحية.
2. توصية محتوى أكثر ذكاءً: يقول مستخدم خدمة البث، "أوصي بفيلم". هذا غامض جدًا للحصول على توصية جيدة. يمكن لعملية الإثراء زيادة هذا الموجه ببيانات مثل سجل مشاهدة المستخدم وتفضيلات النوع المعلنة ووقت اليوم. قد يبدو الموجه النهائي كما يلي: "لقد استمتع المستخدم مؤخرًا بأفلام الخيال العلمي والإثارة والدراما التاريخية. إنه ليلة السبت. أوصي بفيلم يناسب هذه المعايير." هذا يؤدي إلى اقتراح أكثر ملاءمة من نظام التوصية ويحسن تجربة المستخدم من خلال التخصيص.

إثراء المطالبات مقابل المفاهيم ذات الصلة

من المهم التمييز بين إثراء الموجه والمصطلحات المماثلة:

• هندسة المطالبات (Prompt Engineering): هذا هو التخصص الواسع لتصميم مطالبات فعالة. إثراء المطالبات هو أسلوب آلي محدد ضمن هندسة المطالبات يركز على إضافة سياق ديناميكي إلى مدخلات المستخدم.
• التوليد المعزز بالاسترجاع (RAG): RAG هو نوع قوي ومحدد من إثراء الموجهات. وهو متخصص في استرجاع المعلومات الواقعية من قاعدة معرفية خارجية لترسيخ مخرجات النموذج ومنع الهلوسات. في حين أن RAG هو شكل من أشكال الإثراء، يمكن أن يستخدم الإثراء أيضًا مصادر سياق أخرى، مثل بيانات جلسة المستخدم، التي ليست جزءًا من قاعدة معرفية ثابتة.
• تسلسل المطالبات (Prompt Chaining): تقسم هذه التقنية مهمة إلى سلسلة من المطالبات المتعددة والمترابطة، حيث يغذي إخراج إحدى المطالبات المطالبة التالية. على النقيض من ذلك، يقوم الإثراء بتعديل مطالبة واحدة قبل معالجتها. يمكن أن تكون خطوة إثراء المطالبة جزءًا من سلسلة أكبر، غالبًا كخطوة أولية. تركز التقنيات الأخرى مثل مطالبة سلسلة التفكير (Chain-of-Thought (CoT) Prompting) على تحسين التفكير داخل تفاعل واحد.
• ضبط المطالبات (Prompt Tuning): هذه طريقة لتدريب النموذج. كأسلوب للتدريب الدقيق الفعال للمعلمات (parameter-efficient fine-tuning (PEFT))، فإنه يكيف سلوك النموذج عن طريق تدريب مجموعة صغيرة من المعلمات الجديدة. إثراء المطالبات هو أسلوب وقت الاستدلال (inference-time) يعالج استعلام الإدخال ولا يغير أوزان النموذج.

في حين أنه الأكثر شيوعًا في معالجة اللغة الطبيعية (NLP)، إلا أن الفكرة الأساسية قابلة للتطبيق عبر التعلم الآلي. في الرؤية الحاسوبية، يمكن أن يتضمن مفهوم مماثل إضافة بيانات وصفية (مثل الموقع والوقت) إلى صورة لتحسين أداء نموذج مثل Ultralytics YOLO11 في مهمة اكتشاف الأجسام. توفر منصات MLOps مثل Ultralytics HUB البنية التحتية اللازمة لنشر النماذج بشكل قوي، حيث يمكن تنفيذ مسارات الإدخال المتطورة باستخدام الإثراء وأطر العمل مثل LangChain أو LlamaIndex.