Prompt Enrichment

Prompt zenginleştirme, bir kullanıcının ilk girdisini bir Yapay zekâ (AI) modeline göndermeden önce ilgili bağlam, özel talimatlar veya ek verilerle otomatik olarak genişletme sürecidir. Bu teknik, insanlar ile makineler arasındaki etkileşimi optimize eden akıllı bir ara katman görevi görerek Büyük dil modellerinin (LLMs) ve bilgisayarlı görü sistemlerinin kapsamlı sorgular almasını sağlar. Kullanıcının gözden kaçırabileceği geçmiş tercihleri, konum verileri veya teknik kısıtlar gibi ayrıntıları ekleyen prompt zenginleştirme, kullanıcının ayrıntılı talimatlar oluşturma konusunda uzman olmasını gerektirmeden model çıktısının doğruluğunu ve kişiselleştirilmesini önemli ölçüde iyileştirir.

Zenginleştirme Mekanizması#

Prompt zenginleştirmenin temel işlevi, belirsiz bir insan niyeti ile modellerin en iyi performans için ihtiyaç duyduğu kesin ve veri açısından zengin girdi arasındaki boşluğu kapatmaktır. Bir sorgu alındığında sistem sorguyu analiz eder ve gerekli arka plan bilgilerini bir bilgi grafiğinden veya yapılandırılmış bir veritabanından alır. Alınan bu veriler program aracılığıyla biçimlendirilir ve özgün prompt'a eklenir.

Örneğin, Doğal dil işleme (NLP) iş akışlarında "Durum nedir?" gibi basit bir soru bağlamsal olarak yetersizdir. Bir zenginleştirme sistemi etkin oturumu belirler, en son sipariş numarasını bir işlemsel veritabanından alır ve prompt'u şu şekilde yeniden yazar: "Kullanıcı, şu anda taşıma aşamasında olan 998 numaralı siparişi soruyor. Bu duruma göre kargo güncellemesi sağlayın." Bu süreç, eklenecek anlamsal açıdan ilgili bağlamı hızlıca bulmak için genellikle vektör veritabanlarından yararlanır.

Gerçek Dünya Uygulamaları#

Prompt zenginleştirme, çeşitli sektörlerde güçlü üretken yapay zekâ uygulamaları dağıtmak, metin ve görüntü tabanlı sistemleri geliştirmek için gereklidir:

1. Bağlama Duyarlı Müşteri Desteği: Otomatik yardım masalarında bir sohbet robotu, müşterinin satın alma geçmişine ve teknik ortamına erişmek için zenginleştirmeden yararlanır. Sistem, kullanıcıdan cihaz sürümünü istemek yerine bu bilgiyi hesap meta verilerinden alır ve prompt'a ekler. Bu sayede AI aracısı, cihaza özel sorun giderme adımlarını anında sunarak müşteri deneyimini önemli ölçüde iyileştirir.

2. Dinamik Bilgisayarlı Görü Yapılandırması: Güvenlik operasyonlarında kullanıcı yalnızca "Gece Modu" ayarını etkinleştirebilir. Prompt zenginleştirme, perde arkasında bu üst düzey amacı YOLO-World gibi açık kelime dağarcıklı bir algılayıcı için belirli nesne sınıflarına dönüştürür. Sistem, prompt'u özellikle "el feneri", "şüpheli hareket" veya "yetkisiz kişi" taraması yapacak şekilde zenginleştirerek modelin nesne algılama odağını dinamik olarak uyarlamasını sağlar.

Örnek: Dinamik Sınıf Zenginleştirme#

Aşağıdaki Python örneği, ultralytics paketi kullanılarak prompt zenginleştirme kavramını gösterir. Burada, kullanıcının üst düzey amacı program aracılığıyla modelin tarayacağı belirli ve açıklayıcı sınıflardan oluşan bir listeye dönüştürülür.

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")

Prompt Zenginleştirme ve İlgili Kavramlar#

Etkili Makine öğrenimi operasyonlarını (MLOps) uygulamak için prompt zenginleştirmeyi benzer terimlerden ayırt etmek yararlıdır:

• Getirim destekli üretim (RAG): RAG, belirli bir zenginleştirme yöntemidir. Modelin yanıtını temellendirmek amacıyla harici bir külliyattan ilgili belgeleri alma mekanizmasını ifade eder. Zenginleştirme, RAG'ı kapsayan daha geniş bir kavramdır; ayrıca karmaşık bir anlamsal arama gerçekleştirmeden statik oturum verilerinin, kullanıcı meta verilerinin veya sistem saatinin eklenmesini de içerir.
• Prompt Mühendisliği: Bu, etkili prompt'lar tasarlama işinin elle yapılmasıdır. Zenginleştirme ise prompt mühendisliği ilkelerini çalışma zamanında dinamik olarak uygulayan otomatikleştirilmiş bir süreçtir.
• Prompt Ayarlama: Bu, eğitim sırasında "yumuşak prompt"'ların (öğrenilebilir tensörlerin) optimize edildiği bir parametre açısından verimli ince ayar (PEFT) tekniğidir. Prompt zenginleştirme tamamen gerçek zamanlı çıkarım sırasında gerçekleşir ve model ağırlıklarını değiştirmez.
• Az örnekli öğrenme: Bu yaklaşım, modele bir görevi öğretmek için prompt içinde örnekler sunmayı içerir. Zenginleştirme sistemleri, görev türüne göre bu az örnekli örnekleri genellikle dinamik olarak ekleyerek her iki kavramı etkili biçimde birleştirir.

Modern AI Sistemlerindeki Önemi#

Ultralytics YOLO26 ve GPT-4 gibi modeller daha yetenekli hâle geldikçe darboğaz çoğunlukla girdinin kalitesine kayar. Prompt zenginleştirme, modeli sağlanan gerçek verilere dayandırarak LLM'lerdeki halüsinasyonları azaltır. Bilgisayarlı görüde (CV) ise sisteme gönderilen metin prompt'larını değiştirerek yeniden eğitim gerektirmeden yeni ortamlara anında uyum sağlayabilen esnek sıfır örnekli öğrenme algılama sistemlerine olanak tanır. Bu esneklik, hem metin hem de görüntüler üzerinde akıl yürütebilen ölçeklenebilir çok modlu yapay zekâ çözümleri oluşturmak için kritik öneme sahiptir. Bu sistemleri temellendirmek için kullanılan veri kümelerini yönetmek isteyen kullanıcılar, bilgilerini etkili biçimde düzenlemek ve açıklamak için genellikle Ultralytics Platformu gibi araçlara başvurur.