💢هِرب کِلِهر (Herb Kelleher) یکی از مؤسسان شرکت هواپیمایی Southwest ، می‌گوید:

«اگر نگرش مثبت نداری،
استخدامت نمی‌کنیم،
حتی اگر از مهارت‌های زیادی
برخوردار باشی!

می‌توان به سادگی با برگزاری آزمونی، سطح مهارت‌های فنی افراد را اندازه گرفت و آن‌ها را با هم مقایسه کرد، اما تشخیص آنکه فرد دارای چه ویژگی‌های شخصیتی و چه نگرش‌هایی است، کار دشواری است.

مارک مورفی (Mark Murphy) در کتاب خود با عنوان «استخدام به خاطر نگرش- Hiring For Attitude» متذکر می‌شود که در حدود نیمی (47% ) از استخدام‌های جدید، در طول 18 ماه نخست، با شکست مواجه می‌شوند.

اما چرا این اتفاق می‌افتد؟
دلیل این شکست، فقدان مهارت‌ها نیست تنها 11% مسئله به عدم وجود مهارت در کارکنان تازه استخدام شده بر می‌گردد.
این در حالی است که حدود 89% از شکست‌ها به دلایل نگرشی (مانند هوش عاطفی، انگیزش و رفتارهای سازمانی ناشی از نگرش) بر می‌گردد.

✍دکتر جوشقانی

یادگیری (Zero-Shot Learning) ، One-Shot Learning) و (Few-Shot Learning )، مفاهیم قدرتمندی هستند که به مدل‌های هوش مصنوعی اجازه می‌دهند تا با داده‌های محدود ، بهتر عمل کنند و در مسائل دنیای واقعی که دسترسی به داده‌های فراوان وجود ندارد، مفید واقع شوند..

بطور خلاصه

✅ در Zero-Shot، بدون ارائه مثال، ChatGPT به درخواست شما پاسخ می‌دهد.

✅در One-Shot، یک نمونه از خروجی مورد نظر ارائه می‌شود تا ChatGPT براساس آن پاسخ دهد.

✅در Few-Shot، چندین مثال ارائه می‌شود تا ChatGPT با دقت بیشتری خروجی مورد نظر را تولید کند.

🎈این تکنیک‌ها باعث می‌شوند نتایج متنوع‌تر و دقیق‌تری از ChatGPT بدست آورید.

🔍🔍 در ادامه هر کدام را با ذکر مثال کاربردی توضیح خواهیم داد

@gptocean

Zero-Shot Prompting
به معنای این است که یک مدل مثل ChatGPT می‌تواند پیش‌بینی‌هایی در مورد داده‌های جدید و ناشناخته انجام دهد بدون اینکه نیاز به اطلاعات یا آموزش اضافی داشته باشد. به سادگی می‌توانید از آن بپرسید.

این روش به شما اجازه می‌دهد که متنی متنوع و پویا از ChatGPT تولید کنید و به آن امکان می‌دهد اشیاء را شناسایی و دسته‌بندی کند بدون اینکه هرگز نمونه‌ای از آن اشیاء را دیده باشد.

این دقیقا همان چیزی است که وقتی از ChatGPT می‌خواهید:

◀️پرامپت:
"حیوان را بر اساس ویژگی‌هایش طبقه‌بندی کن. حیوان: این موجود هشت پا دارد، تار می‌سازد و معمولاً حشرات می‌خورد."

خروجی: "عنکبوت."



در ادامه موضوعات زیر را بصورت کامل بررسی میکنیم :
#چطور_زیرو_شات_پرامپتینگ_کار_می‌کند
#طراحی_پرامپت
#مزایای_زیرو_شات_پرامپتینگ
#محدودیت‌های_زیرو_شات_پرامپتینگ
#کاربردهای_زیرو_شات_پرامپتینگ



@gptocean

#چطور_زیرو_شات_پرامپتینگ_کار_می‌کند
برای درک نحوه کار زیرو-شات پرامپتینگ، باید دو جنبه مهم واضح باشد: آموزش پیشین LLMها و مفهوم طراحی پرامپت.

🔷آموزش پیشین مدل زبان و جمع‌آوری داده‌ها :
مدل های LLM
بر روی داده‌های متنی متنوع از منابع مختلف آموزش می‌بینند. این داده‌ها می‌تواند به صدها میلیارد کلمه برسد.
🔷توکنیزیشن: متن به واحدهای کوچکتر به نام توکن‌ها شکسته می‌شود که می‌تواند کلمات، زیرکلمات، یا کاراکترها باشند.
🔷معماری شبکه عصبی: مدل، معمولاً بر اساس معماری ترنسفورمر، این توکن‌ها را از طریق لایه‌های متعدد شبکه‌های عصبی پردازش می‌کند.
🔷آموزش پیش‌بینی: مدل برای پیش‌بینی توکن بعدی در دنباله، با توجه به توکن‌های قبلی آموزش می‌بیند.
🔷شناسایی الگوها: از طریق این فرآیند، مدل یاد می‌گیرد تا الگوهای زبان از جمله دستور زبان، نحو، و روابط معنایی را شناسایی کند.
🔷کسب دانش: مدل یک پایگاه دانش وسیع در زمینه‌های مختلف و موضوعات مختلف ایجاد می‌کند.
🔷درک زمینه‌ای: مدل یاد می‌گیرد تا زمینه را درک کند و پاسخ‌های مناسب زمینه‌ای تولید کند.


@gptocean

این آموزش پیشین به LLM ها دانش، درک و انطباق لازم برای زرو-شات پرامپتینگ را می‌دهد.
این آموزش گسترده به این مدل‌ها اجازه می‌دهد تا وظایفی را که به‌طور خاص برای آن‌ها آموزش ندیده‌اند، تنها با درک و پاسخ‌دهی به پرامپت‌های زبان طبیعی انجام دهند.

📌📌#طراحی_پرامپت

طراحی مؤثر پرامپت برای موفقیت زیرو-شات پرامپتینگ بسیار مهم است. این پل ارتباطی بین خواسته کاربر و قابلیت‌های مدل است. اما چگونه می‌توانیم مطمئن شویم که پرامپت‌های ما مؤثر هستند؟ بیایید به این استراتژی‌ها نگاهی بیندازیم:

✅دستورالعمل‌های واضح

پرامپت‌ها باید دستورالعمل‌های صریح و بدون ابهامی ارائه دهند که وظیفه مورد نظر را به LLM منتقل کنند.

🔵مثال: "جمله انگلیسی زیر را به فرانسه ترجمه کن:" این پرامپت وظیفه (ترجمه) را به‌طور واضح بیان می‌کند و زبان‌های منبع (انگلیسی) و هدف (فرانسه) را مشخص می‌کند، بدون اینکه فضای تفسیر باقی بگذارد.

✅ چارچوب‌بندی وظیفه

وظیفه را به گونه‌ای چارچوب‌بندی کنید که از دانش و قابلیت‌های پیشین مدل بهره ببرد.

🔵مثال: "احساسات این نقد فیلم را به‌عنوان مثبت، منفی یا خنثی طبقه‌بندی کن:" این پرامپت وظیفه را به‌عنوان یک مشکل طبقه‌بندی با دسته‌های مشخص چارچوب‌بندی می‌کند، که با آموزش مدل در وظایف طبقه‌بندی متن هم‌راستا است.

✅ ارائه زمینه

زمینه یا اطلاعات پس‌زمینه مرتبط را برای کمک به مدل در درک نیازها و محدودیت‌های وظیفه شامل کنید.

🔵مثال: "با توجه به اینکه 'پایتون' در این زمینه به زبان برنامه‌نویسی اشاره دارد، توضیح دهید که پایتون چیست:" این پرامپت زمینه مهمی را (پایتون به‌عنوان زبان برنامه‌نویسی، نه مار) فراهم می‌کند تا اطمینان حاصل شود که مدل بر روی اطلاعات مرتبط تمرکز می‌کند.

✅مشخص کردن فرمت خروجی

فرمت مورد انتظار پاسخ را به‌طور واضح تعریف کنید.

🔵مثال: "سه علت اصلی تغییرات اقلیمی را هر کدام در یک نقطه گلوله‌ای لیست کن." این پرامپت تعداد اقلام (سه) و فرمت (نقاط گلوله‌ای) برای پاسخ را مشخص می‌کند، و خروجی ساختاریافته‌ای را تضمین می‌کند.

✅ اجتناب از ابهام

از زبان دقیق استفاده کنید و از دستورالعمل‌های مبهم یا باز که ممکن است منجر به تفسیر اشتباه مدل شود، خودداری کنید.

🔵مثال: "مراحل خاص مربوط به چرخه آب را توضیح دهید، با شروع از تبخیر." این پرامپت از زبان دقیق (مراحل خاص، چرخه آب) استفاده می‌کند و نقطه شروعی را فراهم می‌کند، که احتمال تفسیر اشتباه را کاهش می‌دهد.

✅ استفاده از زبان طبیعی

پرامپت‌ها را به‌گونه‌ای بیان کنید که طبیعی و گفتگومحور به‌نظر برسد.

🔵مثال: "تصور کن که یک مشاور شغلی هستی. چه توصیه‌ای به فارغ‌التحصیل تازه‌کار که به‌دنبال اولین شغل خود است، می‌کنی؟" این پرامپت از لحن گفتگومحور استفاده می‌کند و یک سناریوی مرتبط را تنظیم می‌کند، که پاسخ مدل را طبیعی‌تر و جذاب‌تر می‌کند.

✅ تکمیل تدریجی

اگر نتایج اولیه رضایت‌بخش نبودند، پرامپت را با اضافه کردن جزئیات بیشتر یا تنظیم زبان اصلاح کنید.

🔵مثال: پرامپت اولیه: "به من در مورد انرژی‌های تجدیدپذیر بگو." پرامپت اصلاح‌شده: "سه نوع رایج انرژی تجدیدپذیر، مزایا و چالش‌های کنونی در پیاده‌سازی آن‌ها را توضیح بده." این نشان می‌دهد که چگونه یک پرامپت گسترده اولیه می‌تواند به‌طور دقیق‌تر و جامع‌تر اصلاح شود.

@gptocean

🔱آموزش Rag


https://python.langchain.com/v0.2/docs/tutorials/rag/

معرفی سایت نوت برداری به کمک هوش مصنوعی

به کمک این سایت می تونید صحبت های هر شخصی رو به نوشتار تبدیل کنید.

studyfetch.com