Prompt Enrichment

إثراء التوجيه هو العملية الآلية لتعزيز المدخلات الأولية للمستخدم بسياق ذي صلة، أو تعليمات محددة، أو بيانات إضافية قبل إرسالها إلى نموذج الذكاء الاصطناعي (AI). تعمل هذه التقنية كطبقة برمجية وسيطة ذكية تحسن التفاعل بين البشر والآلات، مما يضمن أن نماذج اللغات الكبيرة (LLMs) وأنظمة الرؤية الحاسوبية تتلقى استعلامات شاملة. من خلال إدخال تفاصيل قد يغفل عنها المستخدم -مثل التفضيلات السابقة، أو بيانات الموقع، أو القيود التقنية- يحسن إثراء التوجيه بشكل كبير دقة وإضفاء الطابع الشخصي على مخرجات النموذج دون الحاجة لأن يكون المستخدم خبيراً في صياغة التعليمات التفصيلية.

آلية الإثراء#

تتمثل الوظيفة الأساسية لإثراء التوجيه في سد الفجوة بين النية البشرية الغامضة والمدخلات الدقيقة الغنية بالبيانات التي تتطلبها النماذج لتحقيق الأداء الأمثل. عند تلقي الاستعلام، يقوم النظام بتحليله واسترداد معلومات الخلفية اللازمة من الرسم البياني المعرفي أو قاعدة بيانات منظمّة. يتم تنسيق هذه البيانات المستردة برمجياً وإلحاقها بالتوجيه الأصلي.

على سبيل المثال، في سير عمل معالجة اللغات الطبيعية (NLP)، يكون سؤال بسيط مثل "ما هي الحالة؟" غير كافٍ من الناحية السياقية. يحدد نظام الإثراء الجلسة النشطة، ويسترد رقم الطلب الأخير من قاعدة بيانات المعاملات، ويعيد كتابة التوجيه إلى: "المستخدم يسأل عن الطلب رقم 998، وهو قيد الشحن حالياً. قدم تحديثاً للشحن بناءً على هذه الحالة." غالباً ما تستخدم هذه العملية قواعد البيانات المتجهية للعثور بسرعة على سياق ذي صلة دلالياً لإدخاله.

تطبيقات العالم الحقيقي#

يعد إثراء التوجيه أمراً بالغ الأهمية لنشر تطبيقات الذكاء الاصطناعي التوليدي القوية عبر مختلف الصناعات، مما يعزز الأنظمة القائمة على النصوص والرؤية على حد سواء:

1. دعم العملاء الواعي بالسياق: في مكاتب المساعدة الآلية، يستخدم روبوت المحادثة الإثراء للوصول إلى سجل شراء العملاء والبيئة التقنية الخاصة بهم. بدلاً من مطالبة المستخدم بإصدار جهازه، يسترد النظام ذلك من بيانات الحساب الوصفية ويدخله في التوجيه. يتيح ذلك لـ وكيل الذكاء الاصطناعي تقديم خطوات استكشاف الأخطاء وإصلاحها الفورية الخاصة بالجهاز، مما يحسن بشكل كبير تجربة العملاء.

2. تكوين الرؤية الحاسوبية الديناميكية: في عمليات الأمان، قد يقوم المستخدم ببساطة بتبديل إعداد "الوضع الليلي". خلف الكواليس، يترجم إثراء التوجيه هذا القصد عالي المستوى إلى فئات كائنات محددة لمكتشف مفتوح المفردات مثل YOLO-World. يقوم النظام بإثراء التوجيه للبحث خصيصاً عن "مصباح يدوي"، أو "حركة مشبوهة"، أو "شخص غير مصرح له"، مما يُمكّن النموذج من تكييف تركيز اكتشاف الكائنات الخاص به ديناميكياً.

مثال: إثراء الفئات الديناميكي#

يوضح مثال Python التالي مفهوم إثراء التوجيه باستخدام حزمة ultralytics. هنا، يتم إثراء النية عالية المستوى للمستخدم برمجياً إلى قائمة من فئات الوصف المحددة التي يبحث عنها النموذج.

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 مقابل المفاهيم ذات الصلة#

لتنفيذ عمليات التعلم الآلي (MLOps) الفعالة، من المفيد التمييز بين إثراء التوجيه والمصطلحات المشابهة:

• التوليد المعزز بالاسترجاع (RAG): يعتبر RAG طريقة محددة للإثراء. وهو يشير حصراً إلى آلية جلب المستندات ذات الصلة من مجموعة خارجية لترسيخ استجابة النموذج. الإثراء هو المفاهيم الأوسع التي تشمل RAG ولكنها تغطي أيضاً إدخال بيانات الجلسة الثابتة، أو بيانات المستخدم الوصفية، أو وقت النظام دون الحاجة بالضرورة إلى إجراء بحث دلالي معقد.
• هندسة التوجيه: هذه هي الحرفة اليدوية لتصميم توجيهات فعالة. الإثراء هو عملية آلية تطبق مبادئ هندسة التوجيه ديناميكياً وقت التشغيل.
• ضبط التوجيه: هذه تقنية ضبط دقيق كفء للمعلمات (PEFT) حيث يتم تحسين "التوجيهات الناعمة" (الموترات القابلة للتعلم) أثناء التدريب. يحدث إثراء التوجيه بالكامل أثناء الاستدلال في الوقت الفعلي ولا يغير أوزان النموذج.
• التعلم ببيانات قليلة: يتضمن هذا تقديم أمثلة داخل التوجيه لتعليم النموذج مهمة ما. غالباً ما تُدخل أنظمة الإثراء أمثلة البيانات القليلة هذه ديناميكياً بناءً على نوع المهمة، مما يدمج كلا المفهومين بفعالية.

الأهمية في أنظمة الذكاء الاصطناعي الحديثة#

مع زيادة قدرة النماذج مثل Ultralytics YOLO26 و GPT-4، غالباً ما يتحول الاختناق إلى جودة المدخلات. يقلل إثراء التوجيه من الهلوسة في نماذج اللغات الكبيرة عن طريق تثبيت النموذج في بيانات واقعية ومقدمة. في الرؤية الحاسوبية (CV)، يسمح لأنظمة الكشف ذات التعلم الصفري (Zero-Shot) المرنة التي يمكنها التكيف مع البيئات الجديدة فوراً دون إعادة تدريب، ببساطة عن طريق تعديل التوجيهات النصية المزودة للنظام. هذه المرونة بالغة الأهمية لبناء حلول ذكاء اصطناعي متعدد الوسائط قابلة للتطوير يمكنها الاستدلال عبر النصوص والصور. غالباً ما يعتمد المستخدمون الذين يتطلعون إلى إدارة مجموعات البيانات المستخدمة لتثبيت هذه الأنظمة على أدوات مثل منصة Ultralytics لتنظيم وتعليق معلوماتهم بفعالية.