آموزش هوش مصنوعی؛ این بار عمیق‌تر و کاربردی‌تر! از شناخت هوش مصنوعی تا استفاده هوشمندانه و حرفه‌ای از آن!هوش مصنوعی هر روز قدرتمندتر می‌شود؛ اما آیا ما هم یاد گرفته‌ایم چطور بهتر و مؤثرتر از آن استفاده کنیم؟
استفاده حرفه‌ای از هوش مصنوعی فقط به شناخت ابزارهای جدید یا نوشتن چند دستور ساده محدود نمی‌شود. گاهی تغییر کوچکی در نحوه بیان درخواست، ارائه مثال‌ها یا مشخص‌کردن انتظارات، می‌تواند کیفیت پاسخ‌ها را به شکل قابل‌توجهی بهبود دهد.
در ادامه آموزش‌های روابط‌نگار، یک قدم جلوتر می‌رویم!پس از معرفی نکات پرامپت‌نویسی و ابزارهای هوش مصنوعی، از این پس این آموزش‌ها را در دو مجموعه منظم‌تر، عمیق‌تر و کاربردی‌تر دنبال می‌کنیم:
هوشمندانه با هوش مصنوعی | آموزش مهندسی پرامپتتکنیکهای معتبر پرامپت‌نویسی را به زبان ساده، همراه با مثال‌های روشن، روش اجرا، نکات حرفه‌ای و منابع معتبر یاد می‌گیریم تا دقیق‌تر و هدفمندتر با هوش مصنوعی کار کنیم.
🧰 جعبه‌ابزار هوشمند | معرفی ابزارهای کاربردی هوش مصنوعی
ابزارهای هوش مصنوعی را با تمرکز بر کاربردها، قابلیت‌ها و مزایای آن‌ها برای متخصصان روابط عمومی، خبرنگاران، مدیران کسب‌وکار و تولیدکنندگان محتوا معرفی و بررسی می‌کنیم.
هدف ما چیست؟قرار نیست صرفاً ترفندهای جذاب یا نام ابزارهای جدید را مرور کنیم؛ هدف ما یادگیری مهارت استفاده اصولی، مؤثر و آگاهانه از هوش مصنوعی در فعالیت‌های واقعی و روزمره است.
تکنیک‌های معرفی‌شده لزوماً تازه کشف نشده‌اند؛ آنچه اهمیت دارد، اعتبار علمی، شناخت درست و کاربرد عملی آن‌هاست.
هوش مصنوعی قدرتمند است؛ اما مهارت استفاده از آن است که تفاوت ایجاد می‌کند. همراه روابط‌نگار باشید؛ قرار است هوش مصنوعی را نه‌فقط بشناسیم، بلکه استفاده درست از آن را یاد بگیریم.#آموزش_هوش_مصنوعی
@ravabetnegar
۵۱۱هوش مصنوعی در رسانه ها شماره 19.pdf
۳۵۴.۱۲ کیلوبایت
بولتن بازتاب | هوش مصنوعی در رسانه‌ها | شماره ۱۹
منتخبی از خبرهای هوش مصنوعی در رسانه‌ها؛ کوتاه، یک‌جا و آماده دیدن.
بولتن را ورق بزنید و از تازه‌ترین خبرهای هوش مصنوعی باخبر شوید! برای خواندن متن کامل هر خبر، کافی است روی کلمه «لینک» زیر همان خبر بزنید.
در این شماره، در کنار خبرهای دیگر بخوانید:
• مشوق مالیاتی سرمایه‌گذاری در هوش مصنوعی • پیش‌بینی خطر سکته مغزی با تحلیل DNA • اعتبار علمی مقالات در عصر AI • انتشار کتابی درباره خبرنگاری نوین • آینده اشتغال کارگران در عصر AI • امضای دیجیتال نسخه‌ها و AI در ماموگرافی • رونمایی از تصویرساز Canva Craft • پیش‌بینی ایلان ماسک درباره آینده پول
این‌ها فقط بخشی از خبرهای این شماره‌اند.
#هوش_مصنوعی_در_رسانه_ها #کاربرد_نقال_AI
@ravabetnegar
منتخبی از خبرهای هوش مصنوعی در رسانه‌ها؛ کوتاه، یک‌جا و آماده دیدن. بولتن را ورق بزنید و از تازه‌ترین خبرهای هوش مصنوعی باخبر شوید! برای خواندن متن کامل هر خبر، کافی است روی کلمه «لینک» زیر همان خبر بزنید. در این شماره، در کنار خبرهای دیگر بخوانید:• مشوق مالیاتی سرمایه‌گذاری در هوش مصنوعی • پیش‌بینی خطر سکته مغزی با تحلیل DNA • اعتبار علمی مقالات در عصر AI • انتشار کتابی درباره خبرنگاری نوین • آینده اشتغال کارگران در عصر AI • امضای دیجیتال نسخه‌ها و AI در ماموگرافی • رونمایی از تصویرساز Canva Craft • پیش‌بینی ایلان ماسک درباره آینده پول
این‌ها فقط بخشی از خبرهای این شماره‌اند.#هوش_مصنوعی_در_رسانه_ها #کاربرد_نقال_AI
@ravabetnegar
۵۱۱ چطور با چند مثال ساده، پاسخ بهتری از هوش مصنوعی بگیریم؟ هوشمندانه با هوش مصنوعی | قسمت اولگاهی هوش مصنوعی درخواست ما را درست متوجه نمی‌شود؛ چون دقیقاً نمی‌داند چه نوع پاسخی انتظار داریم.
تکنیک امروز: پرامپت‌نویسی با چند مثال (Few-Shot Prompting)در این روش، ابتدا چند نمونه از ورودی و پاسخ مطلوب را به هوش مصنوعی نشان می‌دهیم؛ سپس درخواست جدیدمان را مطرح می‌کنیم تا مدل با توجه به الگوی مثال‌ها پاسخ دهد.
تعداد مثال‌ها ثابت نیست و به نوع و پیچیدگی کار بستگی دارد.
اما یک نکته مهم: بهتر است مثال‌ها فقط ساده و واضح نباشند!
با یک مثال یاد بگیریم!فرض کنید می‌خواهیم هوش مصنوعی پیام‌های مشتریان را در دو دسته «فروش» و «پشتیبانی» قرار دهد.
مثال اول؛ واضح«قیمت اشتراک چقدر است؟»
پاسخ: فروش
مثال دوم؛ واضح«نمی‌توانم وارد حسابم شوم.»
پاسخ: پشتیبانی
مثال سوم؛ مرزی«می‌خواهم اشتراکم را تمدید کنم، اما نمی‌توانم وارد حسابم شوم.»
پاسخ مطلوب: پشتیبانی
چرا؟ چون طبق معیار ما، برطرف‌شدن مشکل ورود بر تمدید اشتراک اولویت دارد.
به چنین موقعیت‌های مبهم یا چندوجهی، مثال مرزی (Edge Case) می‌گوییم.
با ارائه این مثال و توضیح دلیل انتخاب پاسخ، معیار تصمیم‌گیری موردنظرمان را برای هوش مصنوعی روشن می‌کنیم.
چطور استفاده کنیم؟۱. وظیفه هوش مصنوعی را مشخص کنید.
۲. چند مثال همراه با پاسخ مطلوب ارائه دهید؛ اگر احتمال مواجهه با موقعیت‌های مبهم وجود دارد، مثال مرزی و دلیل انتخاب پاسخ را هم اضافه کنید.
۳. در پایان، درخواست جدیدتان را مطرح کنید تا مدل براساس الگوی مثال‌ها پاسخ دهد.
فوت کوزه‌گری!مثال مرزی تکنیک مستقلی نیست؛ بلکه یکی از روش‌های استفاده بهتر از Few-Shot Prompting است.
در راهنمای رسمی Anthropic نیز استفاده از مثال‌های متنوع، از جمله موارد مرزی، توصیه شده است.
تمرین این قسمتیکی از درخواست‌های خود را یک‌بار بدون مثال مرزی و بار دیگر همراه با آن اجرا کنید و تفاوت پاسخ‌ها را ببینید.
یادتان باشد: گاهی یک مثال خوب، خواسته شما را روشن‌تر از چند جمله توضیح می‌دهد.#آموزش_هوش_مصنوعی #مهندسی_پرامپت
@ravabetnegar
۵۱۱ قبل از اینکه از هوش مصنوعی جواب بخواهید، یک قدم به عقب بروید! هوشمندانه با هوش مصنوعی | قسمت دومگاهی از هوش مصنوعی راه‌حل می‌خواهیم، اما پاسخ‌هایی کلی یا سطحی دریافت می‌کنیم؛ چون بدون بررسی اصول مسئله، مستقیماً سراغ جواب رفته‌ایم.
تکنیک امروز: یک گام به عقب (Step-Back Prompting) این تکنیک چیست؟در این روش، به‌جای اینکه هوش مصنوعی مستقیماً به درخواست ما پاسخ دهد، ابتدا از آن می‌خواهیم اصول و عوامل مهم مرتبط با مسئله را مشخص کند.
سپس درخواست اصلی را مطرح می‌کنیم تا مدل با استفاده از آن اصول، پاسخ دقیق‌تر و هدفمندتری ارائه دهد.
با یک مثال یاد بگیریم!فرض کنید می‌خواهیم برای معرفی یک محصول جدید، ایده‌های تبلیغاتی دریافت کنیم.
پرامپت معمولی:«۵ ایده تبلیغاتی برای معرفی محصول جدید پیشنهاد بده.»
پرامپت بهبودیافته:«می‌خواهم یک محصول جدید را معرفی کنم.
ابتدا یک گام به عقب برو و مشخص کن چه عواملی باعث می‌شوند یک پیام تبلیغاتی برای مخاطب جذاب، روشن و قابل‌اعتماد باشد.
سپس براساس این اصول، ۵ ایده تبلیغاتی برای معرفی محصول پیشنهاد بده.»
تفاوت کجاست؟در درخواست اول، مدل مستقیماً ایده تولید می‌کند.
اما در درخواست دوم، ابتدا اصول کلی یک پیام تبلیغاتی مؤثر را بررسی می‌کند و سپس براساس آن‌ها پیشنهاد می‌دهد.
این کار می‌تواند پاسخ‌ها را هدفمندتر کند.
چطور استفاده کنیم؟۱. مسئله یا درخواست اصلی خود را مشخص کنید.
۲. از هوش مصنوعی بخواهید ابتدا اصول و عوامل مهم مرتبط با آن را بررسی کند.
۳. سپس بخواهید با استفاده از همان اصول، به درخواست اصلی پاسخ دهد.
فوت کوزه‌گری!سؤالِ «یک گام به عقب» باید کلی‌تر از درخواست اصلی باشد، نه صرفاً ساده‌تر!
این تکنیک در پژوهشی از Google DeepMind در سال ۲۰۲۳ معرفی شد و در برخی آزمون‌های استدلالی نتایج بهتری نشان داد؛ البته بهبود پاسخ در همه کاربردها تضمین‌شده نیست.
تمرین این قسمتیکی از درخواست‌های خود را یک‌بار مستقیم و بار دیگر با تکنیک «یک گام به عقب» اجرا کنید.
کدام پاسخ دقیق‌تر و کاربردی‌تر است؟
یادتان باشد: گاهی برای رسیدن به پاسخ بهتر، باید ابتدا سؤال کلی‌تری بپرسیم.#آموزش_هوش_مصنوعی #مهندسی_پرامپت
@ravabetnegar
۳۲۱ از هوش مصنوعی فقط جواب نخواهید؛ بخواهید جوابش را نقد کند! هوشمندانه با هوش مصنوعی | قسمت سومگاهی پاسخ هوش مصنوعی در نگاه اول خوب به نظر می‌رسد، اما با بررسی دقیق‌تر، ضعف‌هایی در آن پیدا می‌کنیم.
چطور می‌توانیم کیفیت پاسخ را بهتر کنیم؟
تکنیک امروز: تولید، نقد و اصلاح (Generate–Critique–Refine) این تکنیک چیست؟به‌جای پذیرش اولین پاسخ، از هوش مصنوعی می‌خواهیم خروجی خودش را براساس معیارهای مشخص ارزیابی کند، ضعف‌هایش را پیدا کند و نسخه اصلاح‌شده‌ای ارائه دهد.
با یک مثال یاد بگیریم!فرض کنید می‌خواهیم متنی برای معرفی یک رویداد آماده کنیم.
پرامپت معمولی:«یک متن جذاب برای معرفی رویداد بنویس.»
پرامپت بهبودیافته:«براساس اطلاعاتی که ارائه می‌دهم، یک متن کوتاه و جذاب برای معرفی رویداد بنویس.
سپس متن را با این چهار معیار ارزیابی کن:
۱. روشنی پیام اصلی
۲. جذابیت و قابل‌فهم‌بودن متن
۳. انتقال درست اطلاعات مهم
۴. وضوح دعوت به اقدام
سه ضعف مشخص را بیان کن و با برطرف‌کردن آن‌ها، نسخه اصلاح‌شده را ارائه بده.
اطلاعات ناموجود را حدس نزن.»
تفاوت کجاست؟در روش اول، مدل فقط متن تولید می‌کند؛ اما در روش دوم، سه مرحله را طی می‌کند:
تولید: نوشتن پاسخ اولیه نقد: شناسایی ضعف‌ها با معیارهای مشخص اصلاح: بازنویسی براساس نتایج ارزیابی چطور استفاده کنیم؟۱. پاسخ اولیه را از هوش مصنوعی بخواهید.
۲. معیارهای ارزیابی را مشخص کنید و بخواهید ضعف‌ها را شناسایی کند.
۳. درخواست کنید براساس همان ضعف‌ها، پاسخ را اصلاح کند.
فوت کوزه‌گری!به‌جای اینکه بگویید «متن را بهتر کن»، دقیق بگویید از چه نظر بهتر شود.
مثلاً: «متن را کوتاه‌تر کن، ابهام‌ها را برطرف کن و دعوت به اقدام را واضح‌تر بنویس.»
البته نقد هوش مصنوعی همیشه درست نیست؛ اطلاعات مهم را خودتان هم بررسی کنید.
ایده بررسی پاسخ و اصلاح دوباره آن توسط هوش مصنوعی، در پژوهشی با عنوان Self-Refine در سال ۲۰۲۳ بررسی شده است.
تمرین این قسمتیکی از متن‌های قبلی خود را به هوش مصنوعی بدهید و بخواهید سه ضعف آن را پیدا و اصلاح کند.
آیا متن واقعاً بهتر شده یا فقط شکل بیانش تغییر کرده است؟
یادتان باشد: اولین پاسخ هوش مصنوعی لزوماً بهترین پاسخ آن نیست!#آموزش_هوش_مصنوعی #مهندسی_پرامپت
@ravabetnegar
۴۱ هوش مصنوعی همه متن شما را می‌خواند؛ اما آیا به همه بخش‌ها یکسان توجه می‌کند؟ هوشمندانه با هوش مصنوعی | قسمت چهارمگاهی یک گزارش یا متن طولانی را به هوش مصنوعی می‌دهیم، اما در پاسخ متوجه می‌شویم بعضی اطلاعات مهم نادیده گرفته شده‌اند!
چطور احتمال این اتفاق را کمتر کنیم؟
تکنیک امروز: جای‌گذاری هدفمند اطلاعات (Context Positioning) این تکنیک چیست؟در متن‌های طولانی، محل قرارگیری اطلاعات می‌تواند بر کیفیت پاسخ هوش مصنوعی تأثیر بگذارد.
به همین دلیل، بهتر است هدف، اطلاعات مرجع و درخواست نهایی را با ساختاری مشخص ارائه کنیم تا مدل راحت‌تر بتواند اطلاعات مرتبط را پیدا کند.
با یک مثال یاد بگیریم!فرض کنید می‌خواهیم از یک گزارش طولانی، خلاصه‌ای برای انتشار تهیه کنیم.
پرامپت معمولی:«این گزارش را بخوان و یک خلاصه خوب از آن بنویس.
[متن طولانی گزارش]»
پرامپت بهبودیافته:«هدف: تهیه خلاصه‌ای دقیق و قابل‌انتشار از یک گزارش.
نکات مهم:
پیام اصلی گزارش حفظ شود.
آمار و اطلاعات کلیدی نادیده گرفته نشوند.
هیچ اطلاعاتی خارج از گزارش اضافه نشود.
متن گزارش: [متن کامل گزارش]
درخواست نهایی: حالا گزارش را در ۱۵۰ کلمه خلاصه کن. سه یافته مهم و آمارهای کلیدی را مشخص کن و برای هر مورد، بخش مرتبط در گزارش را ذکر کن.»
تفاوت کجاست؟در روش اول، مدل فقط یک درخواست کلی و متن طولانی دریافت می‌کند.
اما در روش دوم:
ابتدا هدف و معیارهای مهم را می‌بیند. سپس اطلاعات مرجع را دریافت می‌کند. در پایان، درخواست دقیق و خروجی موردانتظار را می‌خواند.این ساختار می‌تواند احتمال نادیده‌گرفتن اطلاعات مرتبط را کاهش دهد.
چطور استفاده کنیم؟۱. ابتدا: هدف و معیارهای اصلی را روشن بنویسید.
۲. میانه: متن و اطلاعات مرجع را در بخشی مشخص قرار دهید.
۳. انتها: درخواست نهایی و شکل پاسخ موردانتظار را تعیین کنید.
فوت کوزه‌گری!در متن‌های طولانی، فقط به خواندن اطلاعات اکتفا نکنید؛ از هوش مصنوعی بخواهید برای نکات مهم، به بخش مرتبط در متن اشاره کند.
در پژوهشی با عنوان Lost in the Middle در سال ۲۰۲۳ مشخص شد که برخی مدل‌های زبانی ممکن است اطلاعات میانی متن‌های طولانی را کمتر از اطلاعات ابتدا یا انتهای متن بازیابی کنند.
البته این رفتار در همه مدل‌ها یکسان نیست و ساختاربندی مناسب نیز دقت کامل را تضمین نمی‌کند.
تمرین این قسمتیک گزارش یا مقاله طولانی را انتخاب کنید.
یک‌بار با درخواست ساده و بار دیگر با ساختار پیشنهادی این قسمت، از هوش مصنوعی خلاصه بخواهید.
کدام پاسخ اطلاعات مهم بیشتری را درست پوشش می‌دهد؟
یادتان باشد: فقط آنچه به هوش مصنوعی می‌گویید مهم نیست؛ نحوه چیدمان اطلاعات هم اهمیت دارد!#آموزش_هوش_مصنوعی #مهندسی_پرامپت
@ravabetnegar
۱