Technical Tutorials

لقد أحدثت نماذج اللغة الكبيرة (LLMs) ثورة في معالجة اللغة الطبيعية، ومع ذلك، قد تواجه حتى أكثر النماذج تطورًا صعوبة في أداء مهام محددة دون توجيه مناسب. يُعد التوجيه بعدد قليل من الأمثلة (Few-shot prompting) الجسر الذي يربط بين المعرفة العامة والتنفيذ المحدد للمهمة. من خلال تزويد النموذج بعدد صغير من أمثلة الإدخال والإخراج ضمن سياق التوجيه، يمكنك تحسين دقة مخرجاته واتساقها وملاءمتها بشكل كبير دون الحاجة إلى إعادة ضبط أوزان النموذج (Fine-tuning).

ما هو التوجيه بعدد قليل من الأمثلة؟

التوجيه بعدد قليل من الأمثلة هو تقنية تعلم ضمن السياق (In-context learning) حيث يتضمن التوجيه بضع أمثلة (أو "إطلاقات") من الإدخال المطلوب والإخراج المقابل. تستفيد هذه التقنية من قدرة معمارية الترانسفورمر على الانتباه إلى السياق الأخير، مما يتيح للنموذج استنتاج النمط أو متطلبات المهمة. على عكس التوجيه بدون أمثلة (Zero-shot prompting)، الذي يعتمد حصريًا على المعرفة المسبقة للنموذج، يوفر التوجيه بعدد قليل من الأمثلة إطارًا ملموسًا يتبعه النموذج.

لماذا هو مهم

لا حاجة لإعادة التدريب: تتجنب التكلفة الحسابية وجهد تسمية البيانات المرتبط بإعادة الضبط الدقيق.
المرونة: يمكنك التكرار السريع على تعريفات المهمة ببساطة عن طريق تغيير الأمثلة في التوجيه.
دقة محسّنة: تقلل الأمثلة من الغموض، وتوجه النموذج نحو التنسيق أو النبرة المطلوبة.

هيكلة التوجيهات الفعّالة

إن بنية توجيهك بعدد قليل من الأمثلة أمر حاسم. يجب أن تكون كل أمثلة محددة بوضوح، وغالبًا ما يتم استخدام فواصل (Delimiters) لفصل التعليمات، والأمثلة، والاستعلام النهائي. النمط الشائع هو استخدام تنسيق متسق لكل "إطلاق"، مثل فصل الإدخال عن الإخراج باستخدام سلسلة محددة مثل "Output:" أو استخدام وسوم تشبه XML.

فكّر في هذا المثال لمهمة تحليل المشاعر:


المهمة: صنّف المشاعر في المراجعات التالية للأفلام على أنها إيجابية، سلبية، أو محايدة.

المثال 1:
الإدخال: "كان هذا الفيلم ضياعًا للوقت. كان الحبكة متوقعة والأداء ضعيفًا."
الإخراج: سلبية

المثال 2:
الإدخال: "أحببت التصوير السينمائي تمامًا. كان وليمة بصرية."
الإخراج: إيجابية

المثال 3:
الإدخال: "كان الفيلم مقبولًا، لا شيء مميز. نمت خلال نصفه."
الإخراج: محايدة

الآن، صنّف المراجعة التالية:
الإدخال: "كان الأداء مقبولاً، لكن السيناريو كان باهتًا. لن أوصي به."
الإخراج:

أفضل الممارسات والتقنيات

1. اختيار أمثلة عالية الجودة ومتنوعة

تعمل أمثالك كمعيار الحقيقة (Ground truth) للنموذج. تأكد من أنها غير ملتبسة، وممثلة للمهمة، وتغطي الحالات الحدية إذا لزم الأمر. يساعد التنوع في أمثلتك بعدد قليل من الأمثلة النموذج على التعميم بشكل أفضل. إذا كنت تصنف المستندات، فقم بتضمين أمثلة من مواضيع أو فئات مختلفة.

2. الترتيب مهم

تشير الأبحاث إلى أن ترتيب الأمثلة يمكن أن يؤثر على مخرجات النموذج. غالبًا ما يؤدي وضع المثال الأكثر تشابهًا مع الاستعلام النهائي في نهاية القائمة إلى نتائج أفضل، حيث يولي النموذج اهتمامًا أكبر للسياق الأحدث (ظاهرة مرتبطة بتحيز الأحدث في آليات الانتباه).

3. استخدام فواصل واضحة

استخدم فواصل فريدة لفصل أمثالك عن التوجيه النهائي. يمنع هذا النموذج من الخلط بين مكان انتهاء التعليمات وبداية البيانات. على سبيل المثال، يمكن أن يساعد استخدام وسوم `` و `` في هيكلة السياق بوضوح.

4. إبقاء التوجيهات موجزة

في حين أن زيادة عدد الأمثلة قد تحسن الدقة أحيانًا، فإنها تزيد أيضًا من عدد الرموز (Tokens) والتكلفة. ابدأ بـ 2-3 أمثلة وأضف المزيد تدريجيًا إذا تدهورت الأداء. راقب دائمًا استخدام الرموز لضمان الكفاءة.

تطبيق عملي: توليد الأكواد

التوجيه بعدد قليل من الأمثلة قوي بشكل خاص في توليد الأكواد. من خلال توفير بضع أزواج من الإدخال والإخراج لمقاطع الأكواد، يمكنك توجيه النموذج للالتزام بتقاليد برمجية محددة، أو مكتبات، أو أنماط.


أنت خبير بايثون. اكتب دالة لعكس سلسلة نصية.

المثال 1:
الإدخال: "hello"
الإخراج:
def reverse_string(s):
    return s[::-1]

المثال 2:
الإدخال: "world"
الإخراج:
def reverse_string(s):
    return s[::-1]

الآن، اكتب دالة للتحقق مما إذا كانت السلسلة النصية متناظرة (Palindrome).
الإخراج:

في هذه الحالة، يرى النموذج أن المخرجات المتوقعة هي نمط محدد لتعريف الدالة، مما يوجهه لإنتاج نتيجة متسقة للمهمة الجديدة.

الخلاصة

التوجيه بعدد قليل من الأمثلة هو تقنية متعددة الاستخدامات وقوية في مجموعة أدوات مهندس التوجيه. من خلال صياغة التوجيهات بعناية مع أمثلة عالية الجودة ومتنوعة ومبنية جيدًا، يمكنك تعزيز أداء نماذج اللغة الكبيرة بشكل كبير في مجموعة واسعة من المهام. سواء كنت تبني روبوت محادثة، أو نظام تصنيف آلي، أو مساعد برمجي، فإن فهم وتطبيق مبادئ التوجيه بعدد قليل من الأمثلة سيؤدي إلى مخرجات أكثر دقة واتساقًا وموثوقية. مع استمرار تطور النماذج، سيظل إتقان تقنيات التعلم ضمن السياق هذه مهارة أساسية للمطورين الذين يعملون مع الذكاء الاصطناعي.