إثراء الموجه

التخصيب الفوري هو عملية تعزيز المدخلات الأولية للمستخدم تلقائيًا بسياق أو بيانات أو أو التعليمات ذات الصلة قبل إرسالها إلى نموذج الذكاء الاصطناعي (AI). من خلال حقن تفاصيل محددة ربما يكون المستخدم قد أغفلها، تضمن هذه التقنية أن نماذج اللغة الكبيرة (LLMs) ونماذج الرؤية وأنظمة الرؤية تتلقى استعلامًا شاملاً، مما يؤدي إلى مخرجات أكثر دقة وتخصيصًا وقابلية للتنفيذ. تعمل كطبقة طبقة وسيطة ذكية تعمل على تحسين التفاعلات بين البشر والآلات دون الحاجة إلى أن يكون المستخدم خبيرًا في صياغة مطالبات مفصلة.

آلية التخصيب

تتمثل الوظيفة الأساسية للإثراء الفوري في سد الفجوة بين نية المستخدم التي قد تكون غامضة وبين المدخلات الدقيقة التي يحتاجها الدقيقة التي يحتاجها الذكاء الاصطناعي. عندما يتم تلقي استعلام، يسترجع النظام معلومات تكميلية - مثل تفضيلات المستخدم, أو البيانات التاريخية أو قراءات المستشعرات في الوقت الحقيقي من رسم بياني معرفي أو قاعدة بيانات. هذه البيانات المسترجعة منسقة برمجيًا وملحقة بالاستعلام الأصلي.

على سبيل المثال، في معالجة اللغة الطبيعية (NLP), " غير كافٍ بالنسبة لنموذج ما. من خلال الإثراء، يقوم النظام يتعرّف على معرّف الجلسة النشط للمستخدم، ويبحث عن آخر معاملة في قاعدة بيانات المتجهات، ويعيد كتابة المطالبة إلى: "يسأل المستخدم (المُعرّف: 5521) عن الطلب رقم 998، وهو قيد النقل حاليًا. قم بتوفير تحديث للحالة بناءً على بيانات التتبع هذه."

تطبيقات واقعية

الإثراء الفوري ضروري لنشر تطبيقات الذكاء الاصطناعي التوليدي القوية تطبيقات الذكاء الاصطناعي التوليدي القوية في مختلف الصناعات:

1. دعم العملاء المدرك للسياق: في مكاتب المساعدة الآلية، يستخدم يستخدم روبوت الدردشة الآلية الإثراء للوصول إلى وبيئته التقنية. فبدلاً من سؤال المستخدم عن إصدار جهازه، يقوم النظام باسترداد ذلك من البيانات الوصفية للحساب ويحقنها في المطالبة. يسمح ذلك ل وكيل الذكاء الاصطناعي بتقديم خطوات فورية لاستكشاف الأخطاء وإصلاحها، مما يحسن بشكل كبير من تجربة العميل بشكل كبير.
2. التكوين الديناميكي للرؤية الحاسوبية: في عمليات الأمان، قد يقوم المستخدم ببساطة بتبديل إعداد إعداد "الوضع الليلي". خلف الكواليس، يترجم التخصيب الفوري هذا القصد عالي المستوى إلى فئات كائنات محددة ل نموذج لغة الرؤية (VLM) أو كاشف المفردات المفتوحة. يقوم النظام بإثراء المطالبة بالبحث عن "مصباح يدوي" أو "حركة مشبوهة" أو "حركة مشبوهة" أو "حركة مريبة". أو "حركة مشبوهة" أو "شخص غير مصرح له"، مما يمكّن النموذج من تكييف تركيز الكشف عن الكائن بشكل ديناميكي.

مثال: الإثراء الديناميكي للفصل الدراسي باستخدام YOLO

يوضح مثال Python التالي مفهوم التخصيب الفوري باستخدام Ultralytics YOLO. هنا، يتم إثراء اختيار المستخدم البسيط البسيط "الوضع" البسيط للمستخدم إلى قائمة من الفئات الوصفية المحددة التي يبحث عنها النموذج يبحث عنها النموذج.

from ultralytics import YOLO


def run_enriched_inference(user_mode):
    """Enriches a simple user mode into specific detection prompts."""
    # Load an open-vocabulary YOLO model
    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
    # model.predict("site_image.jpg") # Run inference
    print(f"Mode: {user_mode} -> Enriched Prompt: {enriched_classes}")


# Example usage
run_enriched_inference("site_safety")

إثراء المطالبات مقابل المفاهيم ذات الصلة

لتنفيذ عمليات التعلم الآلي (MLOps)، من المفيد التمييز بين الإثراء الفوري والمصطلحات المشابهة:

• التوليد المعزز بالاسترجاع (RAG): RAG هي طريقة محددة للإثراء. وهي تشير بدقة إلى آلية جلب المستندات ذات الصلة ذات الصلة من مجموعة خارجية لتأسيس استجابة النموذج. التخصيب هو المفهوم الأوسع الذي يشمل RAG ولكنه يشمل أيضًا يغطي حقن بيانات الجلسة الثابتة أو البيانات الوصفية للمستخدم أو وقت النظام دون الحاجة إلى إجراء بحث دلالي معقد.
• هندسة الموجه: هذه هي الحرفة اليدوية لتصميم موجهات فعالة. التخصيب هو عملية آلية تطبق مبادئ هندسة الموجهات مبادئ هندسة الموجهات ديناميكيًا في وقت التشغيل.
• الضبط الفوري: هذا هو ضبط دقيق فعال للمعلمات (PEFT) حيث يتم تحسين "الموجهات اللينة" (الموتر القابل للتعلم) أثناء التدريب. التخصيب الموجه يحدث بالكامل أثناء الاستدلال في الوقت الحقيقي ولا يغير أوزان النموذج.
• التعلّم من اللقطات القليلة: يتضمن ذلك يتضمن تقديم أمثلة ضمن المطالبة لتعليم النموذج مهمة ما. غالبًا ما تقوم أنظمة الإثراء بحقن هذه الأمثلة ذات اللقطات القليلة هذه بشكل ديناميكي بناءً على نوع المهمة، مما يجمع بين كلا المفهومين بشكل فعال.

الملاءمة في أنظمة الذكاء الاصطناعي الحديثة

كنماذج مثل Ultralytics YOLO11 و GPT-4 تصبح أكثر قدرة، غالبًا ما يتحول عنق الزجاجة إلى جودة المدخلات. يخفف التخصيب الفوري من من الهلوسات في الـ LLMs من خلال تأريض النموذج في البيانات الواقعية المقدمة. في الرؤية الحاسوبية (CV)، فهي تسمح بأنظمة مرنة المرنة التي يمكن أن تتكيف مع البيئات الجديدة على الفور دون إعادة التدريب، وذلك ببساطة عن طريق تعديل المطالبات النصية التي يتم تغذية النظام بها. هذه المرونة ضرورية لبناء حلول ذكاء اصطناعي قابلة للتطوير حلول ذكاء اصطناعي متعدد الوسائط يمكن أن تستند إلى كل من النصوص والصور.