إتقان الذكاء الاصطناعي مع الإثراء الفوري! حسِّن مخرجات نماذج اللغات الكبيرة باستخدام السياق والتعليمات الواضحة والأمثلة للحصول على نتائج دقيقة.
إثراء الموجهات هو عملية التحسين التلقائي أو شبه التلقائي لمطالبة الإدخال الأولية للمستخدم قبل معالجتها بواسطة نموذج ذكاء اصطناعي، وخاصة نماذج اللغات الكبيرة (LLMs). الهدف الأساسي من ذلك هو تحسين جودة وملاءمة وخصوصية مخرجات الذكاء الاصطناعي من خلال إضافة معلومات سياقية ذات صلة، أو توضيح أوجه الغموض المحتملة، أو وضع قيود، أو تضمين تفاصيل محددة. تعمل هذه التقنية على تحسين التفاعل بين المستخدمين وأنظمة الذكاء الاصطناعي، مما يجعل المطالبات أكثر فعالية دون الحاجة إلى خبرة عميقة في هندسة المطالبات من المستخدم، وبالتالي تحسين تجربة المستخدم الإجمالية (UX).
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.
يعد الإثراء الفوري ذا قيمة عبر العديد من التطبيقات التي تعتمد على الذكاء الاصطناعي، مما يعزز جودة التفاعل وأداء المهام:
إن فهم الفروق الدقيقة بين التخصيب الفوري والمصطلحات المماثلة أمر بالغ الأهمية:
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.
