İstemi Zenginleştirme

İstemli Zenginleştirme Nasıl Çalışır?

Zenginleştirme süreci tipik olarak orijinal kullanıcı istemini analiz ederek başlar. Bu analize dayanarak, sistem kullanıcı istemini zenginleştirmek için ek bilgi kaynaklarından veya önceden tanımlanmış kurallardan yararlanır. Bu, kullanıcı etkileşim geçmişine erişmeyi, bir bilgi tabanından ilgili belgeleri almayı, devam eden konuşmanın bağlamını dahil etmeyi veya modelin gerektirdiği belirli biçimlendirme talimatlarını uygulamayı içerebilir. Örneğin, "En son Ultralytics gelişmelerini özetleyin" gibi basit bir istem, " Ultralytics YOLOv11 'in temel özelliklerini ve performans iyileştirmelerini Ultralytics YOLOv11 'e kıyasla özetleyin" şeklinde zenginleştirilebilir. YOLOv8nesne algılama görevlerine odaklanıyor." Sistemin ilgili veri parçacıklarını (örneğin Ultralytics Docs'tan) aldığı ve LLM'ye göndermeden önce bunları komut isteminin bağlam penceresine dahil ettiği Retrieval-Augmented Generation (RAG ) gibi teknikler yaygın olarak kullanılmaktadır. Bu, modelin kapsamlı ve doğru bir yanıt oluşturmak için gerekli arka plana sahip olmasını sağlar.

Uygulamalar ve Örnekler

İstem zenginleştirme, etkileşim kalitesini ve görev performansını artıran çok sayıda yapay zeka odaklı uygulamada değerlidir:

• Müşteri Destek Sohbet Robotları: "Siparişimin durumu nedir?" diye soran bir müşterinin sorusu, API entegrasyonu yoluyla bir Müşteri İlişkileri Yönetimi (CRM) sisteminden alınan kullanıcı kimliği veya son sipariş numarasıyla zenginleştirilebilir. Zenginleştirilmiş istem, sohbet botunun takip eden açıklayıcı sorular sormak yerine hemen belirli bir güncelleme sağlamasına olanak tanır.
• Kişiselleştirme içinSanal Asistanlar: Bir kullanıcı Google Asistan veya Alexa gibi bir sanal asistandan "Biraz müzik çal" dediğinde, kullanıcının dinleme geçmişine, tercih ettiği türlere, günün saatine ve hatta bağlı cihazlar aracılığıyla tespit edilen mevcut etkinliğine göre istem zenginleştirilebilir ve böylece daha kişiselleştirilmiş bir müzik seçimi sağlanabilir.
• İçerik Oluşturma Araçları: Metin oluşturmayı kullanan bir yaratıcı yazarlık asistanı "Bir hikaye yazın" gibi belirsiz bir istem alabilir. İstemi zenginleştirme, önceki etkileşimlere dayalı ayrıntılar ekleyebilir, örneğin "Distopik bir gelecekte geçen, isyankar bir kahramanı olan kısa bir bilim kurgu hikayesi yazın" gibi, çıktıyı kullanıcının olası ilgi alanlarıyla daha uyumlu hale getirebilir.
• Anlamsal Arama Sistemleri: Şirket içi belgeleri ararken, "Q4 performansına ilişkin raporları bulun" gibi bir sorgu, geniş bir veri gölünden en alakalı ve izin verilen belgeleri almak için kullanıcının departmanı, rolü ve erişim izinleri ile zenginleştirilebilir.

İstemi Zenginleştirme ve İlgili Kavramlar

Hızlı zenginleştirme ve benzer terimler arasındaki nüansları anlamak çok önemlidir:

• İpucu Mühendisliği: Bu, genellikle insanların bir yapay zekadan istenen yanıtları ortaya çıkarmak için dikkatlice istemler oluşturduğu manuel bir süreçtir. İstem zenginleştirme ise bu geliştirme sürecini otomatikleştirmeyi veya yarı otomatik hale getirmeyi amaçlar ve genellikle ilk, daha az rafine edilmiş bir kullanıcı istemi üzerine inşa edilir.
• İpucu Ayarlama: Bu teknik, belirli görevler için önceden eğitilmiş donmuş bir modeli koşullandırmak için gradyan inişi yoluyla yumuşak istem katıştırmalarını öğrenmeyi içerir. Metinsel ipucunun kendisi yerine modelin girdi temsilinin bazı kısımlarını değiştirir. Bu bir tür parametre-etkin ince ayar (PEFT) yöntemidir.
• İnce ayar: Bu, daha küçük, göreve özgü bir veri kümesi üzerinde önceden eğitilmiş bir modelin model ağırlıklarının güncellenmesini içerir. İstem zenginleştirme modelin parametrelerini değiştirmez; yalnızca mevcut modele beslenen giriş istemini değiştirir.
• Geri Alımla Artırılmış Üretim (RAG): RAG, bilgi istemi zenginleştirme sistemlerinde sıklıkla kullanılan özel bir yöntemdir. İlgili harici verileri almaya ve olgusal temellendirmeyi iyileştirmek ve halüsinasyonları azaltmak için istem bağlamına eklemeye odaklanır.

Bilgisayarlı Görüde Uygunluk

Bilgi istemi zenginleştirme en yaygın olarak LLM'ler ve Doğal Dil Anlama (NLU) ile ilişkilendirilse de, ilkeleri Bilgisayarlı Görü (CV) ile ilgili hale gelmektedir. gibi modelleri kullanarak standart nesne algılama gibi geleneksel CV görevleri Ultralytics YOLO genellikle karmaşık metin istemleri yerine görüntü girdilerine dayanır. Ancak, CLIP, YOLO ve YOLOE gibi yeni çok modlu modeller ve yönlendirilebilir görüş sistemleri, sıfır atış tespiti gibi görevleri yönlendirmek için metin veya görüntü istemlerini kabul eder. Bu modeller için, basit bir metin istemini (örneğin, "araçları tespit et") daha fazla bağlamla zenginleştirmek (örneğin, "bu trafik kamerası akışında yalnızca ambulanslar ve itfaiye araçları gibi acil durum araçlarını tespit et") performansı ve özgüllüğü önemli ölçüde artırabilir. Ultralytics HUB gibi platformlar, karmaşık görüntü görevlerini tanımlarken veya sonuçları analiz ederken kullanıcı etkileşimini basitleştirmek için bu tür teknikleri potansiyel olarak entegre edebilir ve alanlar arasında yapay zeka güvenliğini ve kullanılabilirliğini iyileştirmeyi amaçlayan devam eden bir yapay zeka araştırma ve geliştirme alanını temsil edebilir.