ابزارهایی مانند ChatGPT و دیگر هوش‌های مصنوعی مولد، به گونه‌ای دنیا و محیط کاری را تغییر خواهند داد که کاملا با امروز متفاوت باشند به همین دلیل آموزش مهندسی پرامپت از اهمیت ویژه ای برخوردار است. طبق پیش‌بینی پژوهشگران OpenAI، OpenResearch و دانشگاه پنسیلوانیا، ۸۰ درصد نیروی کار ایالات متحده تأثیر این ابزارها را حداقل در ۱۰ درصد از وظایف خود تجربه خواهند کرد.
تصویر(۱)
با پیشرفت ابزارهای هوش مصنوعی، شرکت‌ها و کارکنان بیشتری از این فناوری برای خودکارسازی وظایف، افزایش کارایی و حتی جایگزینی برخی مشاغل استفاده خواهند کرد.
برای نمونه، شرکتی که از ChatGPT استفاده کند و متوجه قابلیت های آن شود، ممکن است کارکنانی که مسئول وظایف اداری، ارتباط با مشتری و حتی بازاریابی هستند را حذف کند تا ضمن کاهش هزینه‌ها، فرآیندها را سرعت ببخشد. (این روند هم اکنون در جریان است.) چنین تصمیمی اغلب زمانی گرفته می‌شود که مدیران احساس کنند این ابزارها می‌توانند کارها را سریعتر و دقیق‌تر انجام دهند، هرچند هشدارهایی وجود دارد که نباید کاملا به این ابزارها اعتماد نمود.
برای دریافت خروجی معنادار از ابزارهای هوش مصنوعی مولد، همچنان نیاز به دخالت انسانی می باشد. وظایفی مثل برنامه‌نویسی، نویسندگی و ترجمه و تحلیل، به ورودی‌های انسان، مانند کلمات، کد و توضیحاتی که هنگام کار با ابزار استفاده می‌شود، وابسته هستند. بنابراین یک مسیر شغلی جدید به نام مهندسی پرامپت (prompt engineering) در حال ظهور است.
این مقاله تمام مواردیکه که باید درباره مهندسی پرامپت بدانید، از تعریف آن گرفته تا نکات نوشتن درخواست‌های موثر، استفاده هوش مصنوعی برای روال های کاری و مهارت‌هایی که برای موفقیت در این زمینه نیاز دارید را توضیح می‌دهد. فرقی ندارد بازاریاب باشید یا تولید کننده محتوا، مهندسی پرامپت می‌تواند به شما کمک کند. در ادامه به آموزش مهندسی پرامپت پرداخته خواهد شد.
Prompt engineering یا مهندسی پرامپت چیست؟
در اولین مرحله از آموزش مهندسی پرامپت می بایست به سوال “مهندسی پرامپت چیست” پاسخ داده شود. مهندسی پرامپت فرآیند طراحی و اصلاح دستورالعمل یا پرسشی است که به یک ابزار هوش مصنوعی مولد می‌دهید تا پاسخ خاصی دریافت کنید. این مفهوم از زمان رونمایی ChatGPT در اواخر سال ۲۰۲۲ به یک واژه فراگیر تبدیل شده است. از Forbes تا Insider، نشریات فناوری و کسب‌وکار درباره این شغل جدید و مرموز که در برخی موارد دستمزد بالای ۳۵۰ هزار دلار دارد، هیجان زده هستند.
تصویر(۲)
با اینکه قابلیت‌های طولانی‌مدت سمت شغلی مهندس پرامپت هنوز در حال بررسی می باشد اما یک نکته واضح است که شرکت‌ها در تمام صنایع تلاش می کنند تا از ابزارهای هوش مصنوعی مولد برای کسب مزیت رقابتی استفاده نمایند. شرکت‌های بزرگی مانند Meta، Slack، Instacart، Shopify، Canva و دیگر غول‌های فناوری، به سمت محصولات مبتنی بر GPT رفته‌اند اما این تنها به شرکت های SaaS محدود نمی‌شود؛ هوش مصنوعی مولد یک منبع مفید برای کسب‌وکارهای حوزه بهداشت، املاک و رسانه نیز هست.
اما اگر از ابزارهای GPT استفاده کرده باشید، می‌دانید که نتایج آن همیشه از بالاترین کیفیت برخوردار نیست. درست است که این ابزارها قابلیت‌های قابل توجهی دارند و به نظر می‌رسد مرتبا بهبود می‌یابند اما آنها گاهی اطلاعات نادرست یا پاسخ‌های غیرمرتبط ارائه می‌دهند.
به‌سادگی می‌توان گفت که کیفیت درخواست‌های شما تعیین‌کننده کیفیت نتایج دریافتی از این ابزارها است. یک پرامپت خوب، به‌طور مؤثر هدف شما را به مدل هوش مصنوعی منتقل نموده تا پاسخ‌هایی تولید کند که به‌طور دقیق جواب سوال را بدهند. به همین دلیل است که دانستن چگونگی استفاده از این ابزارها و آموزش مهندسی پرامپت بسیار ارزشمند خواهد بود، خصوصاً اگر شما در زمینه تولید محتوا یا بازاریابی فعالیت می‌کنید.
قبل از اینکه وارد جزئیات این مقاله و آموزش مهندسی پرامپت شوید نیاز است ۴ مرحله کلیدی آن را به یاد داشته باشید:
- تعریف هدف یا مقصود: همه درخواست‌ها باید هدف یا مقصود مشخصی داشته باشند که بیان کند هوش مصنوعی چه چیزی را باید تولید نماید. این مرحله شامل مواردی مانند مشخص کردن فرمت، مخاطب هدف یا لحن موردنظر محتوا است.
- مشخص نمودن موضوع: ارائه اطلاعات اولیه مرتبط با موضوع، به مدل هوش مصنوعی کمک می‌کند تا خروجی موردنظر شما را بهتر درک کرده و بتواند پاسخ‌های مرتبط و دقیقی تولید نماید.
- ارائه مثال و راهنمایی‌ها: اضافه کردن مثال‌ها در یک درخواست، به مدل هوش مصنوعی الگوی مشخصی می‌دهد که چگونه باید محتوای موردنظر را تولید نماید. این مرحله به‌ویژه زمانی مفید است که می‌خواهید هوش مصنوعی یک ساختار خاص را دنبال کند یا به دستورالعمل‌های مشخصی پایبند باشد.
- تکرار و اصلاح: مهندسی پرامپت، مانند هر نوع ارتباط دیگری، یک رویکرد تکراری است. شما باید نسخه‌های مختلفی از یک پرامپت را آزمایش کنید، محتوایی که از آنها به‌دست می‌آید را ارزیابی کرده و درخواست را بر اساس اینکه چقدر به هدف شما نزدیک است، اصلاح نمایید.
در نظر داشته باشید که این ابزارها تنها به اندازه ورودی‌هایی که ارائه می‌دهید، خوب هستند. اکنون به عناصر خاص درخواست و تکنیک‌های درخواست‌دهی که می‌توان برای مهندسی پرامپت های با کیفیت استفاده کرد، پرداخته خواهد شد و قسمت اصلی آموزش مهندسی پرامپت آغاز می گردد.
تصویر(۳)
آناتومی یک پرامپت: عناصر و تکنیک‌ها
پرامپت ها از چندین جزء کلیدی تشکیل شده‌اند که با هم کار می‌کنند تا ابزار هوش مصنوعی مولد را به سمت خروجی موردنظر هدایت نمایند. درک هر جزء و به‌ویژه نحوه تفسیر آنها توسط مدل هوش مصنوعی، به شما کمک می‌کند تا نتایج دلخواه‌تان را کسب نمایید.
در ادامه ۴ جزء اصلی که باید هنگام نوشتن پرامپت به آنها توجه کنید، آورده شده است:
۱. دستورالعمل‌ها
اولین بخش در آموزش مهندسی پرامپت، دستورالعمل ها می باشند. قسمت دستورالعمل، وظیفه‌ای که می‌خواهید هوش مصنوعی انجام دهد را مشخص می‌کند. این بخش توضیحی واضح و مختصر از عمل مورد نظر، مانند خلاصه‌سازی، استخراج، ترجمه، طبقه‌بندی یا تولید متن ارائه می‌دهد.
وضوح و دقت دستورالعمل‌ها بسیار حیاتی است زیرا مستقیماً بر مرتبط بودن و دقت محتوای تولید شده توسط هوش مصنوعی تأثیر می‌گذارد. هوش مصنوعی برای درک نیت کاربر و تولید پاسخ‌هایی که با انتظارات آنها هم‌راستا باشد، به این دستورالعمل‌ها متکی است.
در نمونه پرامپت زیر، دستورالعمل‌های واضحی به ChatGPT داده شده که چه خروجی مدنظر می باشد:
“۱۰ ایده برای پست وبلاگ که عنوان و پاراگراف مقدمه را شامل شود”
۲. موضوع
موضوع جزء اساسی دیگری از یک درخواست هنگام نوشتن پرامپت است. این بخش به مدل هوش مصنوعی کمک می‌کند تا اطلاعات اولیه مرتبط با وظیفه را درک نماید. این بخش ممکن است شامل جزئیاتی درباره ژانر، لحن، مخاطب هدف یا دستورالعمل های خاص باشد.
۳. داده‌های ورودی
داده‌های ورودی به محتوای واقعی یا اطلاعاتی اشاره دارد که مدل هوش مصنوعی آن را پردازش کرده و برای تولید خروجی استفاده می‌کند. در برخی موارد، این بخش ممکن است یک قطعه متن باشد که هوش مصنوعی باید آن را خلاصه یا تحلیل نماید؛ در موارد دیگر، می تواند مجموعه‌ای از نقاط داده یا مثال‌ها باشد که هوش مصنوعی باید هنگام تولید پاسخ خود در نظر بگیرد.
در آموزش مهندسی پرامپت و نوشتن آن، ورود داده‌های دقیق و مرتبط اهمیت بالایی دارد زیرا این داده‌ها پایه محتوای تولید شده توسط هوش مصنوعی را تشکیل می‌دهند و تضمین می‌کنند که خروجی، معنادار و مبتنی بر دانش باشد.
۴. شاخص های خروجی
شاخص های خروجی به تعیین فرمت، ساختار یا ارائه محتوای تولید شده توسط هوش مصنوعی کمک می‌کنند. این شاخص ها می‌توانند شامل دستورالعمل‌های صریح برای سازماندهی خروجی، مانند مشخص کردن تعداد آیتم های لیست، ترتیب اطلاعات یا طول موردنیاز باشند.
شاخص های خروجی به مدل هوش مصنوعی کمک می‌کنند تا پاسخ‌هایی با خوانایی بالا تولید نماید که خوب ساختاربندی شده و مطابق با فرمت موردنظر کاربر باشد.
با درک آناتومی یک پرامپت و نقش هر جزء، می‌توانید مهارت‌های مهندسی پرامپت خود را بهینه کنید و از تمام پتانسیل ابزارهای تولید محتوای مبتنی بر هوش مصنوعی بهره‌برداری نمایید.
تصویر(۴)
تکنیک‌های مهندسی پرامپت
در ادامه آموزش مهندسی پرامپت، می بایست به اصلی‌ترین انواع تکنیک‌های آن پرداخته شود:
۱. پرامپت بدون نمونه (Zero-shot Prompt)
پرامپت بدون نمونه (Zero-shot prompt) به حالتی اشاره دارد که مدل هوش مصنوعی هیچ نمونه یا زمینه‌ای برای درک درخواستی که از آن خواسته شده، دریافت نکرده است. درخواست‌های بدون نمونه در نوشتن پرامت زمانی عالی هستند که فقط دنبال دسترسی سریع به اطلاعاتی مانند تعریف یا پاسخ یک سوال خاص هستید.
۲. پرامپت با یک نمونه (One-shot Prompt)
پرامپت با یک نمونه (One-shot prompt) به مدل هوش مصنوعی مثالی واحد ارائه خواهد داد تا وظیفه موردنظر را نشان دهد. این کار کمک می‌کند تا مدل هرگونه الگو یا الزامات فرمت را برای استفاده در پاسخ درک نماید. نوشتن پرامپت ها با یک نمونه، زمانی موثر هستند که شما مثالی خاص از نحوه پاسخگویی هوش مصنوعی به دستورالعمل‌های خود، مانند یک مسئله ریاضی دارید.
۳. پرامپت با چند نمونه (Few-shot Prompt)
پرامپت با چند نمونه (Few-shot prompt) مشابه One-shot prompt است اما چندین مثال ارائه می‌دهد تا به مدل هوش مصنوعی کمک کند خروجی موردنظر را بهتر درک نماید و این امکان را برای مدل فراهم می‌کند که وظیفه را به‌طور مؤثرتری تعمیم دهد. اگر متوجه شدید که نتایج خوبی از درخواست با یک نمونه نمی‌گیرید، تبدیل آن به Few-shot prompt با مثال‌های بیشتر، می‌تواند جهت نزدیک‌تر شدن خروجی‌ها به فرمت دلخواه شما موثر باشد.
۴. پرامپت زنجیره‌ای (Chain-of-Thought Prompts)
پرامپت زنجیره‌ای (Chain-of-thought prompt) شامل یک سری پرسش یا وظایف مرتبط است که پاسخ‌های مدل به درخواست‌های قبلی، بر درک و پاسخ سوالات بعدی تأثیر می‌گذارد. این نوع پرامپت برای وظایف پیچیده یا حفظ موضوع در یک گفتگو، مفید است. درخواست‌های زنجیره‌ای زمانی عالی هستند که می‌خواهید عمیق‌تر به یک موضوع بپردازید بدون اینکه وقت خود را صرف تنظیم یک پرامپت منفرد کنید. ChatGPT و دیگر هوش‌های مصنوعی با رابط کاربری مشابه چت، قادر هستند اطلاعات و دستورالعمل‌های قبلی را از ورودی‌های پیشین منتقل کرده و آنها را در خروجی فعلی لحاظ نمایند.
این تکنیک‌ها در آموزش مهندسی پرامپت به شما کمک می‌کنند تا درخواست‌های خود را به بهترین نحو طراحی کرده و از پتانسیل کامل ابزارهای تولید محتوای هوش مصنوعی، بهره‌برداری نمایید. توسط این تکنیک‌ها، می‌توانید خروجی‌های دقیق‌تر و مرتبط‌تری از مدل‌های هوش مصنوعی دریافت کنید.
نکاتی برای مهندسی پرامپت مؤثر
با وجود ماهیت بسیار فنی و علمی ابزارهای هوش مصنوعی، فرآیند مهندسی پرامپت هنوز بیشتر شبیه هنر است. بشر هنوز در مراحل اولیه استفاده از ابزارهای هوش مصنوعی مانند Jasper و ChatGPT می باشد بنابراین بهینه‌سازی درخواست‌ها برای خروجی‌های بهتر یک فرآیند تکراری و شهودی است.
همان‌طور که هنگام نوشتن یک پست وبلاگ یا رشته‌ای از توییت‌ها در X (توییتر سابق)، بازخوردهای قبلی مخاطبان را در نظر می‌گیرید، باید همین رویکرد را در ارزیابی و بهبود خروجی‌های تولید شده توسط ابزارهای هوش مصنوعی نیز به کار بگیرید.
چند قاعده کلی وجود دارد که کارشناسان OpenAI و GitHub برای کمک در افزودن علم به این فرآیند بیان کرده‌اند:
تصویر(۵)
۱. واضح و مشخص باشید
استفاده از عبارات مبهم و نامشخص، به‌طور قطع دقت و کیفیت خروجی ابزارهای هوش مصنوعی را کاهش می‌دهد. فراموش نکنید که در حال ارائه دستورالعمل به یک الگوریتم پیچیده هستید، پس تنها اطلاعات ضروری و مرتبط را بیان نمایید. مشخص کردن فرمت و طول موردنظر خروجی، بسیار مؤثر است و ارتباط دادن موضوع اصلی با جزئیات نیز می‌تواند به بهبود نتیجه کمک کند.
۲. مثال‌هایی در پرامپت خود ارائه دهید
ارائه یک مثال از خروجی موردنظر، به هوش مصنوعی الگوی دقیقی می‌دهد که چگونه باید متن را قالب بندی و تولید کند. این کار به‌ویژه زمانی مفید است که شما هوش مصنوعی را برای ایجاد یک لیست از گزینه‌های خروجی مانند پست‌ها، استفاده می‌کنید.
۳. بر آنچه می‌خواهید هوش مصنوعی انجام دهد، تمرکز نمایید
به‌راحتی می‌توان گرفتار فهرست تمام مواردی شد که نمی‌خواهید ابزار هوش مصنوعی انجام دهد اما این رویکرد برخلاف اصل اختصار و دقت می باشد. بهتر است دستورالعمل‌های خود را به‌صورت مثبت بیان کنید. شاید نوشتن پرامپت کمی زمان بیشتری ببرد اما این تلاش ارزشمند خواهد بود زیرا در نهایت خروجی‌های دقیق و مطلوبی دریافت می نمایید.
۴. آزمایش و تجربه کار با پرامپت ها
آزمایش و تکرار پرامپت ها گام مهمی در کار با ابزارهای هوش مصنوعی برای دستیابی به خروجی‌های بهتر است. با آزمایش ساختارهای مختلف پرامپت، عبارات و موضوعات، کاربران می‌توانند هوش مصنوعی را به سمت پاسخ‌های دقیق‌تر، مرتبط‌تر و منسجم‌تر هدایت کنند. این فرآیند شامل بهینه‌سازی پرامپت ورودی برای واضح‌تر کردن آن یا ارائه موضوع یا جزئیات اضافی جهت متمرکزسازی توجه هوش مصنوعی است.
توسط تکرار پرامپت های مختلف و تحلیل خروجی‌ها، شما با نحوه تفسیر و پاسخ‌دهی هوش مصنوعی به دستورالعمل‌های مختلف آشنا می‌شوید. این رویکرد تکراری به شما درک عمیق‌تری از نحوه ارتباط مؤثر با هوش مصنوعی می‌دهد و در نهایت به بهبود عملکرد و دریافت نتایج مطلوب‌تر از ابزارهای هوش مصنوعی مولد، منجر می‌شود.
نتیجه گیری
در این مقاله تلاش شد تا آموزش مهندسی پرامپت انجام گردد. بازاریابی و تولید محتوا بی‌تردید در میان ۲۰ درصد شغل‌هایی قرار دارند که بیشترین تأثیر را از ابزارهای هوش مصنوعی مولد خواهند پذیرفت اما به‌جای نگرانی و ترس، باید این ابزارها را به‌عنوان وسیله ای جدید در جعبه‌ابزار بازاریابان تلقی کرد؛ ابزاری که در کنار تکنیک‌هایی مانند سئو، بازاریابی شبکه‌های اجتماعی، ایجاد تقاضا و مهندسی پرامپت، نقش مؤثری ایفا می‌کند.
علاوه بر مزایای شغلی و درآمدهای بالا، توانایی ایجاد ورودی‌های دقیق و هوشمندانه که خروجی‌های بهینه‌ای از مدل‌های زبانی بزرگ به همراه داشته باشند، به مهارتی حیاتی برای بازاریابان و تولیدکنندگان محتوا تبدیل شده است. اگر استقبال گسترده از API چت‌جی‌پی‌تی نشان‌دهنده یک ترند باشد، اکثر شرکت‌های بزرگ در حوزه SaaS و صنایع دیگر به استفاده از ابزارهای هوش مصنوعی مولد روی آورده‌اند یا خواهند آورد.
مهندسی پرامپت هنوز در مراحل ابتدایی خود است و تحولات این حوزه با سرعتی خیره‌کننده پیش می‌رود. بنابراین، ضروری است که همواره با جدیدترین پیشرفت‌ها در ابزارهایی مانند Jasper و ChatGPT همراه باشید و یاد بگیرید چگونه می‌توانید این فناوری‌ها را به شکلی مؤثر در فرآیندهای کاری روزانه خود ادغام کنید.