
 
 مهارات التواصل المفقودة التي تحدد ما إذا كان AI يعمل على نطاق واسع أم لا. مهارات التواصل المفقودة التي تحدد ما إذا كان AI يعمل على نطاق واسع أم لا. إن الهندسة السريعة هي في نفس الوقت إبداعية ومحددة.إبداعات جيدة تأتي من إرادة واضحة، والتجربة الهيكلية، والتكيف المستمر من خلال عملية الهندسة والتجربة المنظمة. كان العمل المبكر مع نماذج لغة كبيرة يعتمد على الاختبار والخطأ. تحتاج الآن إلى نفس التفكير الهيكلية التي تستخدمها لتصميم أي نظام. تحتاج إلى فهم كيفية تفسير النماذج لغة وكيفية التعبير عن الأهداف بطريقة يمكنها اتباعها. مهندسون قويون يعتقدون في الخطوات ، وتقييم النتائج ، وتتبع التغييرات ، والتحليلات A / B ، والتحسين مع مرور الوقت. لقد حان الوقت لأكثر من 15 عامًا لتطوير أنظمة الذكاء الاصطناعي والتعلم الآلي للشركات الناشئة والشركات العالمية، حيث بدأت أعمالي في Microsoft، حيث ركزت على أنظمة التوصيات على نطاق واسع ومعدات البحث لخدمة مئات الملايين من العملاء على نطاق واسع. في هذا المدون، سأشارك في الأساليب العملية التي تستخدمها لتصميم، والتجربة، والتعرف على التحديثات التي توفر باستمرار نتائج دقيقة ومفيدة. Core Techniques for Better Results التقنيات الأساسية لنتائج أفضل تستخدم أساليب الإرشادات الفعالة في جميع أنحاء الصناعات، وتتيح هذه التقنيات التحكم والواقع والتكرار. تحديد دور النماذج بصفة واضحة، مثل الاستراتيجي أو الباحث أو المحلل، مع خصائص واضحة. Role Assignment تعيين حدود للصوت والتركيز والطول، والحد الأدنى للحد الأدنى للحد الأدنى للحد الأدنى للحد الأدنى للحد الأدنى للحد الأدنى للحد الأدنى للحد الأدنى للحد الأقصى. Constraints تقسيم المهام إلى خطوات أو أجزاء محددة، وهذا يحسن منطق النموذج ويساعده على التعامل مع الإرشادات المعقدة. Delimiters and Structure تشمل النتائج النماذج التي تظهر كيفية عمل جيد.مثل تعلم الصوت والواقعية أسرع من التفسيرات المكتوبة. Few-Shot Examples كما أنهم يظهرون الشكل الذي تريد أن تتبع النتائج ، وهو أمر مهم جدا لأن الماجستير في إدارة الأعمال يمكن أن تلعب "جازز" أحيانا أكثر من غيرها وتقديم الإجابات في أشكال لا تتوقعها. كل من هذه الأساليب تدعم التوافق والفعالية، معًا، إنها تخلق أساسًا لنتائج الذكاء الاصطناعي الموثوقة والمكررة. Advanced Strategies for Complex Work استراتيجيات متقدمة لعملية معقدة بمجرد وجود الأساسيات ، تساعد التقنيات المتقدمة على النظر إلى النموذج وأداء أكثر فعالية. تشجع النموذج على تحديد عملية التفكير خطوة بخطوة، وهذا النهج يزيد من دقة وشفافة وتقدم نظرة على كيفية تجميع الاستجابة، وهو ضرورة أساسية للتقييم والتواصل على المدى الطويل. Chain of Thought Prompting يطلب من النموذج استكشاف عدة طرق التفكير قبل اختيار أفضل من ذلك، وهذا يعزز التحليل والإبداع في الوقت نفسه، وهي طريقة غالباً ما تنبه إلى التأكد من أن الإجابات تغطي قواعدها وتتكرر من خلال وجهات نظر متعددة قبل أن يقع LLM على ما يعتقد أنه أفضل. Tree of Thought Prompting يساعد هذه الهيكل على مهام ومشاريع متعددة الخطوات التي تتطلب الالتزام العددي بالإضافة إلى التحقق من الامتثال في كل خطوة قبل الانتقال إلى الخطوة التالية. Prompt Chaining تشمل البيانات الحقيقية أو التفاصيل المرتبطة بالواقعية لتعزيز التفكير في النموذج، وهذا يقلل من الأخطاء ويعزز الثقة. Data-Driven Prompting عندما تتوقف الأداء ، يمكنك استخدام أدوات مثل NotebookLM ، والتي تستخدم أحدث نموذجات Google Gemini لتقييم جميع الإشعارات معا وتقييم الإشعارات نفسها. Meta Prompting NotebookLM وأدوات LLM القائمة على المشاريع الأخرى التي تسمح بإرسال ملفات متعددة وتقييمها في كثير من الأحيان يمكن تحديد تحسينات الهيكلية أو التعبيرية. هذه الأساليب تتحرك أكثر من التفاعل على سطح سطح السطح.إنها تساعد في إنشاء إطاريات التفكير التي تنتشر إلى التحديات المعقدة. جنبا إلى جنب مع عملية التحقيقات المتكررة والمتكررة ، ربما حتى باستخدام GitHub لتتبع التغيير ، فإن هذه الاستراتيجيات تحول "القمصان الأسود" من إلقاء القبض على السحر إلى شيء أكثر منظمًا وواضحًا ، مع نتائج أفضل وأكثر دقة من LLMs. Avoiding Common Pitfalls تجنب الحواجز المعتادة تعمل الهندسة السريعة بشكل أفضل عندما تركز على الشفافية والتحكم. LLMs تثبت التفكير من خلال التوازن النموذجي في البيانات.انها تتطلب مراجعة ومفاهيم لضمان دقة. تشبه الدعوات القوية الدعوات المباشرة المهنية.إنها تتواصل مع الهدف بشكل واضح وفعال.تجعل الدعوات تمنح التخصص.كلما كانت الإرشادات أكثر هدوءا، كلما كانت النتيجة أكثر اتساعا. ومع ذلك، لا تحتاج أمثلة أو النماذج في الترجمة إلى أن تكون صريحة، لأن النوافذ كبيرة للغاية. لا تتردد في تقديم نموذج من عشرة أو عشر صفحات من منتج العمل الكوني لمساعدة في إرشاد LLM كعبد النور مع التفاصيل الرئيسية. Principles That Endure المبادئ التي تستمر لا تزال أساسيات الهندسة السريعة مستمرة، حتى مع تطور تكنولوجيا الذكاء الاصطناعي.لتحقيق نتائج الذكاء الاصطناعي متكاملة ومتوسطة، تركز على ثلاثة مبادئ رئيسية: الشفافية والتكوين والتوافق. إذا كانت الإرشادات غير واضحة أو غير واضحة، فإن استجابة AI ستعكس ذلك، مما قد يؤدي إلى خسارة الجهد. إن إرسال رسالة دقيقة مع أمثلة مهمة ، بغض النظر عن مدة المدة ، أمر حاسم لضمان أن الذكاء الاصطناعي يوفر ما يحتاج إليه. تذكر، LLMs الحصول على الشفافية من خلال السياق، وتوفير أكثر من ذلك، داخل المنطق، يمكن أن تساعد في دعم تنفيذ أكثر متزامنة، قابلة للتنبؤ، والواقعية. ومن المهم أيضاً أن تكون الهيكلية مهمة.إرسال الإرسال المنظم بشكل جيد يزيد من قدرة الذكاء الاصطناعي على تقديم النتائج ذات الصلة والموثوق بها.إذا كنت تستخدم الذكاء الاصطناعي في خدمة العملاء أو المهام التشغيلية، فإن الإرسال المنظم يقلل من مخاطر الأخطاء وتحسين الكفاءة. ويجب أن يكون التوازن مهمًا عند توسيع حلول الذكاء الاصطناعي.حفاظًا على التوصيات واضحة ومستقرة على جميع الأقمار الصناعية تتيح للذكاء الاصطناعي التكيف والتنفيذ بشكل مستمر، حتى عندما تتطور احتياجات الأعمال.من المهم التأكد من أن الذكاء الاصطناعي لا يزال فعالًا أثناء توسيعها. تجنب الهندسة السريعة كعمل مستمر، وتأكد من أن أنظمة الذكاء الاصطناعي ستبقى متوازنة مع أهداف الأعمال وتستمر في تطويرها مع التقدم التكنولوجي. تأكد من أن فريقك لديه عملية وتقنية في مكان للتحقق من QA بشكل منتظم وتكرار، بالإضافة إلى الإشارات التحقيقات مع لوحة تغيير مفصلة. Final Perspective وجهة النظر النهائية وتشير الدعوة إلى أن التعاون بين البشر مع الذكاء الاصطناعي هو جزءاً أساسياً من كيفية التعاون مع الذكاء الاصطناعي، حيث تساعد الذكاء الاصطناعي على تحقيق أهداف الأعمال بشكل فعال، مما يجعل الذكاء الاصطناعي أداة قوية وليس فقط حل سريع. يبدأ استخدام الذكاء الاصطناعي بمعرفة واضحة عن النتائج المرجوة. تعريف الأهداف والأحجام الرئيسية، وتبادل وجهات النظر الأساسية الخاصة بك على المهمة في وقت مبكر لضمان أن الذكاء الاصطناعي يتوافق مع احتياجات الأعمال. تذكر، LLMs هي محركات توازن النماذج على شبكة واسعة من المعرفة البشرية. فكر في ذلك كإرشاد الطالب المبكر إلى منطقة مناسبة من المكتبة بحيث يمكنهم رؤية في المكان المناسب. إن اختبار الذكاء الاصطناعي بشكل منتظم أمر ضروري.من خلال تقييم أداءه، يمكنك تحديد المناطق التي تحتاج إلى تحسين وتصحيحها لتعزيز النتائج.هذه العملية تضمن أن الذكاء الاصطناعي لا يزال موثوقًا وفعالًا مع مرور الوقت. يجب تحسين تطبيقات الذكاء الاصطناعي، من الأكثر تعقيداً إلى الاستفسارات البسيطة، باستمرار. تضمن التحسين المستمر أن الذكاء الاصطناعي لا يزال يستجيب لمتطلبات التطور ويقدم قيمة حقيقية ومتواصلة. دون ذلك ، سوف تتحرك النتائج الخاصة بك ، وتخسر التوقعات ، وحتى تجاهل الفريق الخاص بك.

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Newsletter

تم إنتاج هذا الصوت باللغة الأصلية للقصة!

دليل عملي إلى الهندسة السريعة لبرمجيات اليوم

About Author

تعليقات

شنق العلامات

تم تقديم هذه المقالة في

Related Stories

The shortage of women in tech

Noonies Nominee and Lead Product Designer Avrora Shuhalii on Writing, Tech, and More

Top 10 IoT Application Development Companies

Best Mobile App Development Companies

The shortage of women in tech

Noonies Nominee and Lead Product Designer Avrora Shuhalii on Writing, Tech, and More

Top 10 IoT Application Development Companies

Best Mobile App Development Companies

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps