الإثراء الفوري

كيف يعمل التخصيب الفوري

تبدأ عملية الإثراء عادةً بتحليل مطالبة المستخدم الأصلية. واستنادًا إلى هذا التحليل، يستفيد النظام من مصادر معلومات إضافية أو قواعد محددة مسبقًا لزيادة المطالبة. قد يتضمن ذلك الوصول إلى سجل تفاعل المستخدم، أو استرجاع المستندات ذات الصلة من قاعدة معرفية، أو دمج سياق المحادثة الجارية، أو تطبيق تعليمات تنسيق محددة يتطلبها النموذج. على سبيل المثال، يمكن إثراء مطالبة بسيطة مثل "تلخيص أحدث تطورات Ultralytics " لتحديد "تلخيص الميزات الرئيسية وتحسينات الأداء في Ultralytics YOLOv11 مقارنةً ب YOLOv8مع التركيز على مهام اكتشاف الكائنات." تُستخدم تقنيات مثل التوليد المعزز للاسترجاع (RAG ) بشكل شائع، حيث يجلب النظام مقتطفات البيانات ذات الصلة (على سبيل المثال، من مستنداتUltralytics ) ويدمجها في نافذة سياق المطالبة قبل إرسالها إلى LLM. يضمن ذلك حصول النموذج على الخلفية اللازمة لتوليد استجابة شاملة ودقيقة.

التطبيقات والأمثلة

يعد الإثراء الفوري ذا قيمة عبر العديد من التطبيقات التي تعتمد على الذكاء الاصطناعي، مما يعزز جودة التفاعل وأداء المهام:

• روبوتات الدردشة الآلية لدعم العملاء: يمكن للعميل الذي يسأل "ما هي حالة طلبي؟" أن يتم إثراء مطالبته بمعرف المستخدم أو رقم الطلب الأخير الذي تم استرداده من نظام إدارة علاقات العملاء (CRM ) عبر تكامل واجهة برمجة التطبيقات. تتيح المطالبة المعززة لروبوتات الدردشة الآلية تقديم تحديث محدد على الفور، بدلاً من طرح أسئلة توضيحية للمتابعة.
• المساعد الافتراضي للتخصيص: عندما يطلب المستخدم من مساعد افتراضي مثل مساعد Google أو Alexa "تشغيل بعض الموسيقى"، يمكن إثراء المطالبة بناءً على سجل استماع المستخدم أو الأنواع المفضلة لديه أو الوقت من اليوم أو حتى النشاط الحالي الذي تم اكتشافه عبر الأجهزة المتصلة، مما يؤدي إلى اختيار موسيقى أكثر تخصيصًا.
• أدوات إنشاء المحتوى: قد يتلقى مساعد الكتابة الإبداعية الذي يستخدم توليد النص مطالبة غامضة مثل "اكتب قصة". يمكن أن يضيف إثراء الموجه تفاصيل بناءً على التفاعلات السابقة، مثل "اكتب قصة خيال علمي قصيرة تدور أحداثها في مستقبل بائس في مستقبل بائس تتميز ببطل متمرد"، مما يجعل المخرجات أكثر توافقًا مع اهتمامات المستخدم المحتملة.
• أنظمةالبحث الدلالي: عند البحث في المستندات الداخلية للشركة، يمكن إثراء استعلام مثل "البحث عن تقارير عن أداء الربع الرابع" بقسم المستخدم ودوره وأذونات الوصول لاسترداد المستندات الأكثر صلةً وسماحًا من بحيرة بيانات واسعة.

الإثراء الفوري مقابل المفاهيم ذات الصلة

إن فهم الفروق الدقيقة بين التخصيب الفوري والمصطلحات المماثلة أمر بالغ الأهمية:

• هندسة الموجهات: عادةً ما تكون هذه العملية يدوية حيث يقوم البشر بصياغة المطالبات بعناية لاستنباط الاستجابات المطلوبة من الذكاء الاصطناعي. وعلى العكس من ذلك، تهدف عملية إثراء الموجهات إلى أتمتة عملية التحسين هذه أو شبه أتمتتها، وغالبًا ما تعتمد على مطالبة المستخدم الأولية الأقل دقة.
• الضبط الفوري: تتضمن هذه التقنية تعلّم تضمينات موجهات ناعمة من خلال النسب المتدرج لتكييف نموذج موجه مجمّد مُدرّب مسبقًا لمهام محددة. وهي تعدل أجزاء من تمثيل مدخلات النموذج بدلاً من المطالبة النصية نفسها. إنه شكل من أشكال الضبط الدقيق الفعال للمعلمات (PEFT).
• الضبط الدقيق: يتضمن ذلك تحديث أوزان النموذج لنموذج مُدرّب مسبقًا على مجموعة بيانات أصغر حجمًا ومحددة المهام. لا يؤدي إثراء الموجهات إلى تغيير معلمات النموذج؛ فهو يعدل فقط موجهات المدخلات التي يتم تغذية النموذج الحالي بها.
• التوليد المعزز بالاسترجاع (RAG): RAG هي طريقة محددة غالبًا ما يتم استخدامها في أنظمة الإثراء الفوري. وهي تركز على استرجاع البيانات الخارجية ذات الصلة وإضافتها إلى سياق المطالبة لتحسين الأساس الواقعي وتقليل الهلوسة.

الملاءمة في الرؤية الحاسوبية

في حين أن الإثراء الفوري يرتبط بشكل شائع بمهام فهم اللغات الطبيعية (NLU)، إلا أن مبادئه أصبحت ذات صلة بمهام الرؤية الحاسوبية (CV). مهام السيرة الذاتية التقليدية مثل اكتشاف الأجسام القياسية باستخدام نماذج مثل Ultralytics YOLO عادةً ما تعتمد على مدخلات الصور بدلاً من المطالبات النصية المعقدة. ومع ذلك، تقبل النماذج الحديثة متعددة الوسائط وأنظمة الرؤية القابلة للمطالبة، مثل CLIP و YOLO و YOLOE، مطالبات نصية أو صور لتوجيه مهام مثل اكتشاف اللقطة الصفرية. بالنسبة لهذه النماذج، يمكن أن يؤدي إثراء المطالبة النصية البسيطة (مثل "اكتشاف المركبات") بمزيد من السياق (على سبيل المثال، "اكتشاف مركبات الطوارئ فقط مثل سيارات الإسعاف وسيارات الإطفاء في هذا البث المروري للكاميرا") إلى تحسين الأداء والخصوصية بشكل كبير. يمكن أن تدمج منصات مثل Ultralytics HUB مثل هذه التقنيات لتبسيط تفاعل المستخدم عند تحديد مهام الرؤية المعقدة أو تحليل النتائج، وهو ما يمثل مجالاً من مجالات البحث والتطوير المستمر في مجال الذكاء الاصطناعي الذي يهدف إلى تحسين سلامة الذكاء الاصطناعي وسهولة استخدامه في مختلف المجالات.