Prompt Zenginleştirme

İstem zenginleştirme, bir kullanıcının ilk girdisini ilgili bağlam, veri veya diğer unsurlarla otomatik olarak artırma sürecidir. göndermeden önce talimatlar Yapay Zeka (AI) modeli. Tarafından Kullanıcının atlamış olabileceği belirli ayrıntıları enjekte eden bu teknik Büyük Dil Modelleri (LLM'ler) ve vizyon sistemler kapsamlı bir sorgu alarak daha doğru, kişiselleştirilmiş ve eyleme dönüştürülebilir çıktılar elde eder. Bu bir Kullanıcıya ihtiyaç duymadan insanlar ve makineler arasındaki etkileşimleri optimize eden akıllı ara katman detaylı ipuçları hazırlama konusunda bir uzman.

Zenginleştirme Mekanizması

Bilgi istemi zenginleştirmenin temel işlevi, kullanıcının muhtemelen belirsiz olan niyeti ile kesin bilgi arasındaki boşluğu doldurmaktır. bir yapay zekanın ihtiyaç duyduğu girdi. Bir sorgu alındığında, sistem kullanıcı tercihleri gibi ek bilgileri alır, geçmiş veriler veya gerçek zamanlı sensör okumaları - bir bilgi grafiği veya veritabanı. Alınan bu veriler programlı olarak biçimlendirilir ve orijinal sorguya eklenir.

Örneğin, içinde Doğal Dil İşleme (NLP), "Durum nedir?" gibi basit bir soru bir model için yetersizdir. Zenginleştirme yoluyla, sistem kullanıcının aktif oturum kimliğini tanımlar, en son işlemi bir vektör veritabanı ve istemi şu şekilde yeniden yazar: "Kullanıcı (ID: 5521) şu anda aktarımda olan Sipariş #998 hakkında soru soruyor. Aşağıdakilere dayalı bir durum güncellemesi sağlayın bu izleme verileri."

Gerçek Dünya Uygulamaları

Hızlı zenginleştirme, sağlam bir dağıtım için gereklidir çeşitli sektörlerde üretken yapay zeka uygulamaları:

1. Bağlam Farkında Müşteri Desteği: Otomatik yardım masalarında, bir chatbot müşteri̇ni̇n satin alma i̇şlemi̇ne eri̇şmek i̇çi̇n zengi̇nleşti̇rme kullaniyor geçmişi ve teknik ortam. Kullanıcıya cihaz sürümünü sormak yerine, sistem bu sürümü alır hesap meta verilerinden alır ve istem içine enjekte eder. Bu sayede Anında, cihaza özel yapay zeka ajanı sorun giderme adımları, önemli ölçüde iyileştirme müşteri deneyimi.
2. Dinamik Bilgisayar Görüşü Yapılandırması: Güvenlik operasyonlarında, bir kullanıcı basitçe bir "Gece Modu" ayarı. Perde arkasında, hızlı zenginleştirme bu üst düzey amacı spesifik amaçlara dönüştürür için nesne sınıfları Görme Dili Modeli (VLM) veya bir açık kelime dedektörü. Sistem, özellikle "el feneri" aramak için komut istemini zenginleştirir. "şüpheli hareket" veya "yetkisiz kişi" gibi ifadeler modelin kendi nesne algılama odağı dinamik olarak.

Örnek: YOLO ile Dinamik Sınıf Zenginleştirme

Aşağıdaki Python örneği hızlı zenginleştirme kavramını şu şekilde göstermektedir Ultralytics YOLO. Burada, bir kullanıcının basit "mod" seçimi programlı olarak zenginleştirilerek modelin belirli tanımlayıcı sınıflardan oluşan bir liste haline getirilir tarar.

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")

Prompt Zenginleştirme ve İlgili Kavramlar

Etkin bir şekilde uygulamak için Makine Öğrenimi Operasyonları (MLOps), hızlı zenginleştirmeyi benzer terimlerden ayırmak faydalı olacaktır:

• Geri Alımla Artırılmış Üretim (RAG): RAG belirli bir zenginleştirme yöntemidir. Kesinlikle ilgili belgeleri getirme mekanizmasına atıfta bulunur modelin yanıtını temellendirmek için harici bir külliyattan. Zenginleştirme, RAG'nin yanı sıra aşağıdakileri de içeren daha geniş bir kavramdır karmaşık bir işlem gerçekleştirmeden statik oturum verilerinin, kullanıcı meta verilerinin veya sistem zamanının enjekte edilmesini kapsar. semantik arama.
• Mühendislik İstemi: Bu Etkili istemler tasarlamak için el işçiliği. Zenginleştirme, istemleri uygulayan otomatik bir süreçtir mühendislik ilkeleri çalışma zamanında dinamik olarak.
• İstemi Ayarlama: Bu bir parametre-etkin ince ayar (PEFT) "yumuşak ipuçlarının" (öğrenilebilir tensörler) eğitim sırasında optimize edildiği teknik. Hızlı zenginleştirme sırasında tamamen gerçekleşir gerçek zamanlı çıkarım yapar ve model ağırlıkları.
• Az Atışlı Öğrenme: Bu modele bir görevi öğretmek için istem içinde örnekler sağlamayı içerir. Zenginleştirme sistemleri genellikle bunları enjekte eder Görev türüne göre dinamik olarak birkaç atışlık örnekler, her iki kavramı etkili bir şekilde birleştirir.

Modern Yapay Zeka Sistemlerinde Uygunluk

Gibi modeller Ultralytics YOLO11 ve GPT-4 daha fazla hale gelir yetenekli olduğunda, darboğaz genellikle girdinin kalitesine kayar. Hızlı zenginleştirme hafifletir modeli topraklayarak LLM'lerde halüsinasyonlar gerçek, sağlanan verilerle. İçinde bilgisayarla görme (CV), esneklik sağlar, Sıfır atış algılama sistemleri, yeniden eğitime gerek kalmadan, sadece sistemde değişiklik yaparak yeni ortamlara anında uyum sağlayabilir. sisteme beslenen metin istemleri. Bu esneklik, ölçeklenebilir yapılar inşa etmek için çok önemlidir, her ikisi üzerinde de akıl yürütebilen çok modlu yapay zeka çözümleri metin ve resimler.