هندسة التلقين

هندسة التلقين (بالإنجليزية: Prompt engineering)‏ هي مفهوم في الذكاء الاصطناعي ، وخاصة معالجة اللغة الطبيعية (NLP). في الهندسة السريعة يُضمن وصف المهمة عند الإدخال، وقد يكتب كسؤال بدلاً من تقديمه ضمنيًا. تعمل هندسة التلقين عن طريق تحويل المهمة إلى مجموعة بيانات سريعة وتدريب نموذج لغوي مع ما يُسمى "التعلم المستند إلى السرعة" أو "التعلم الفوري" فقط.^[1]^[2]

تُعتبر نماذج اللغة GPT-2 و جي بي تي-3 ^[3] من الخطوات الهامة في الهندسة السريعة، ففي عام 2021 أظهرت الهندسة السريعة متعددة المهام أداءً جيدًا في المهام الجديدة باستخدام مجموعات بيانات متعددة في البرمجة اللغوية العصبية.^[4] وتُظهر الموجهات التي تتضمن قطارًا فكريًا في أمثلة تعليمية قليلة اللقطات مؤشرًا أفضل للتفكير في نماذج اللغة.^[5]

بدأ تقديم نماذج التعلم الآلي للجمهور في عام 2022 مثل دال-إي وميدجورني التي تعمل على تحويل النص إلى صورة.^[6]

مراجع

^ Alec Radford; Jeffrey Wu; Rewon Child; David Luan; Dario Amodei; Ilya Sutskever (2019), Language Models are Unsupervised Multitask Learners (PDF) (بالإنجليزية), QID:Q95726769
^ Graham Neubig (28 Jul 2021), Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing (PDF) (بالإنجليزية), arXiv:2107.13586, QID:Q109286554
^ Tom Brown; Benjamin Mann; Nick Ryder; et al. (28 May 2020). "Language Models are Few-Shot Learners" (PDF). arXiv. Advances in Neural Information Processing Systems (بالإنجليزية). arXiv:2005.14165. DOI:10.48550/ARXIV.2005.14165. ISSN:2331-8422. S2CID:218971783. QID:Q95727440.
^ Victor Sanh; Colin Raffel; Teven Le Scao; Urmish Thakker; Stella Biderman; Alexander M. Rush (15 Oct 2021), Multitask Prompted Training Enables Zero-Shot Task Generalization (PDF) (بالإنجليزية), arXiv:2110.08207, QID:Q108941092
^ Dale Schuurmans; Ed Chi; Quoc Viet Le; Denny Zhou (28 Jan 2022), Chain of Thought Prompting Elicits Reasoning in Large Language Models (PDF) (بالإنجليزية), arXiv:2201.11903, DOI:10.48550/ARXIV.2201.11903, QID:Q111971110
^ Monge, Jim Clyde (25 Aug 2022). "Dall-E2 VS Stable Diffusion: Same Prompt, Different Results". MLearning.ai (بالإنجليزية). Archived from the original on 2023-01-14. Retrieved 2022-08-31.

[1] Alec Radford; Jeffrey Wu; Rewon Child; David Luan; Dario Amodei; Ilya Sutskever (2019), Language Models are Unsupervised Multitask Learners (PDF) (بالإنجليزية), QID:Q95726769

[2] Graham Neubig (28 Jul 2021), Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing (PDF) (بالإنجليزية), arXiv:2107.13586, QID:Q109286554

[3] Tom Brown; Benjamin Mann; Nick Ryder; et al. (28 May 2020). "Language Models are Few-Shot Learners" (PDF). arXiv. Advances in Neural Information Processing Systems (بالإنجليزية). arXiv:2005.14165. DOI:10.48550/ARXIV.2005.14165. ISSN:2331-8422. S2CID:218971783. QID:Q95727440.

[4] Victor Sanh; Colin Raffel; Teven Le Scao; Urmish Thakker; Stella Biderman; Alexander M. Rush (15 Oct 2021), Multitask Prompted Training Enables Zero-Shot Task Generalization (PDF) (بالإنجليزية), arXiv:2110.08207, QID:Q108941092

[5] Dale Schuurmans; Ed Chi; Quoc Viet Le; Denny Zhou (28 Jan 2022), Chain of Thought Prompting Elicits Reasoning in Large Language Models (PDF) (بالإنجليزية), arXiv:2201.11903, DOI:10.48550/ARXIV.2201.11903, QID:Q111971110

[6] Monge, Jim Clyde (25 Aug 2022). "Dall-E2 VS Stable Diffusion: Same Prompt, Different Results". MLearning.ai (بالإنجليزية). Archived from the original on 2023-01-14. Retrieved 2022-08-31.

[1]

[2]

[3]

[4]

[5]

[6]