توفر PromptWizard، أحدث أداة مفتوحة المصدر أصدرها فريق أبحاث Microsoft AI، حلاً جديدًا لتحسين الكلمات السريعة لنموذج اللغة الكبيرة (LLM). تستغرق الطرق التقليدية لتحسين الكلمات السريعة وقتًا طويلاً ويصعب توسيعها. تعمل PromptWizard على تحسين أداء النموذج وكفاءته بشكل كبير من خلال تقديم آلية التغذية الراجعة واعتماد استراتيجية تحسين متكررة حاسمة وشاملة. ويستخدم LLM لإنشاء وتقييم متغيرات متعددة للكلمات السريعة في مرحلة التوليد، مما يضمن تحسين الأداء المستمر في مرحلة استنتاج الاختبار، ويحقق في النهاية نتائج ممتازة على مجموعات بيانات متعددة ويقلل بشكل كبير من استهلاك الموارد.
مؤخرًا، أصدر فريق أبحاث Microsoft AI أداة مفتوحة المصدر PromptWizard، وهي إطار عمل ذكاء اصطناعي يعتمد على ردود الفعل مصمم لتحسين التصميم الفوري لنماذج اللغات الكبيرة (LLM) بكفاءة. تعد جودة التلميحات أمرًا بالغ الأهمية لجودة مخرجات النموذج، ومع ذلك، فإن إنشاء تلميحات عالية الجودة غالبًا ما يتطلب الكثير من الوقت والموارد البشرية، خاصة في المهام المعقدة أو الخاصة بالمجال.
تعتمد أساليب التحسين الفوري التقليدية في الغالب على الخبرة اليدوية، والتي لا تستغرق وقتًا طويلاً فحسب، بل يصعب توسيعها أيضًا. تنقسم تقنيات التحسين الحالية إلى نوعين: مستمر ومنفصل. تتطلب التقنيات المستمرة مثل المطالبات الناعمة موارد حاسوبية واسعة النطاق، بينما يتم تقييم الأساليب المنفصلة مثل PromptBreeder وEvoPrompt عن طريق إنشاء متغيرات مطالبة متعددة. على الرغم من أن هذه الأساليب تؤدي أداءً جيدًا في بعض الحالات، إلا أنها تفتقر إلى آلية ردود فعل فعالة، مما يؤدي غالبًا إلى النتائج غير مرضية.
يعمل PromptWizard على تحسين أداء المهام بشكل كبير من خلال تقديم آلية التغذية الراجعة واستخدام نهج نقدي وشامل لتحسين التعليمات والأمثلة السريعة بشكل متكرر. ينقسم سير العمل بشكل أساسي إلى مرحلتين: مرحلة التوليد ومرحلة الاستدلال الاختباري. في مرحلة التوليد، يستفيد النظام من نموذج لغة كبير لإنشاء متغيرات متعددة من الإشارات الأساسية وتقييمها للعثور على مرشحين ذوي أداء عالٍ. وفي الوقت نفسه، ستقوم آلية النقد المضمنة في الإطار بتحليل مزايا وعيوب كل مطالبة وتقديم تعليقات لتوجيه عملية التحسين اللاحقة. بعد عدة جولات من التحسين، يمكن للنظام تحسين تنوع وجودة المطالبات.
أثناء مرحلة الاستدلال الاختباري، يتم تطبيق التلميحات والأمثلة المحسنة على المهام الجديدة لضمان استمرار تحسين الأداء. باستخدام هذا النهج، يقوم PromptWizard بإجراء تجارب مكثفة على 45 مهمة ويحقق نتائج ممتازة في كل من الإعدادات غير الخاضعة للإشراف والإشراف. على سبيل المثال، تحقق دقة غير خاضعة للرقابة بنسبة 90% على مجموعة بيانات GSM8K و82.3% على SVAMP. بالإضافة إلى ذلك، بالمقارنة مع الطرق المنفصلة مثل PromptBreeder، يقلل PromptWizard من استدعاءات واجهة برمجة التطبيقات (API) واستخدام الرمز المميز بما يصل إلى 60 مرة، مما يدل على كفاءته في البيئات المحدودة الموارد.
يكمن نجاح PromptWizard في تحسين التسلسل المبتكر، والنقد الموجه، وتكامل أدوار الخبراء، مما يسمح له بالتكيف بشكل فعال مع مهام محددة والحصول على قابلية تفسير جيدة. يبشر هذا التقدم بأهمية أطر الأتمتة في سير عمل معالجة اللغة الطبيعية ومن المتوقع أن يعزز التطبيقات الأكثر فعالية واقتصادية لتقنيات الذكاء الاصطناعي المتقدمة.
المدونة: https://www.microsoft.com/en-us/research/blog/promptwizard-the-future-of-prompt-optimization-through-feedback-driven-self-evolving-prompts/
رمز المشروع: https://github.com/microsoft/PromptWizard?tab=readme-ov-file
الورقة: https://www.microsoft.com/en-us/research/publication/promptwizard-task-aware-agent-driven-prompt-optimization-framework/
تسليط الضوء على:
يعد PromptWizard إطار عمل جديد للذكاء الاصطناعي يُستخدم لتحسين المطالبات لنماذج اللغات الكبيرة وتحسين أداء النموذج.
يجمع هذا الإطار بين آليات النقد وحلقات التغذية الراجعة لإنشاء وتقييم متغيرات سريعة متعددة بكفاءة.
يُظهر PromptWizard دقة ممتازة في مهام متعددة ويقلل بشكل كبير من استهلاك الموارد والتكلفة.
بشكل عام، يوفر PromptWizard أداة قوية لتحسين الكلمات بشكل سريع لنماذج اللغات الكبيرة من خلال آليات مبتكرة تعتمد على ردود الفعل واستراتيجيات التحسين الفعالة، مما يمنحها كفاءتها ودقتها مزايا كبيرة في التطبيقات العملية، مما يوفر أداة قوية للذكاء الاصطناعي للمساهمة في التطوير من التكنولوجيا. يمكن للقراء المهتمين زيارة الروابط المقدمة لمزيد من المعلومات.