وبیناراول سفر به دنیای هوش مصنوعی و پرامپت‌نویسی | پژمان اژدری

وبینار هوش مصنوعی و پرامپت‌نویسی

استفاده از هوش مصنوعی در بازاریابی دیجیتال می‌تونه هزینه‌ها را تا 37درصد کاهش و درآمد را تا 39درصد افزایش بده. هم‌چنین استفاده از هوش مصنوعی مزایای زیر را به همراه داره:

• افزایش تعامل مشتری: هوش مصنوعی می‌تونه با شخصی‌سازی محتوا و پیام‌های تبلیغاتی، تعامل مشتری‌ها رو تا 55درصد افزایش بده. 

• پیش‌بینی و تحلیل داده‌ها: هوش مصنوعی می‌تونه با تحلیل داده‌های شما، الگوها را شناسایی کنه و کمک کنه تصمیمات بهتری بگیرین و کمپین‌های بازاریابی را بهینه‌سازی کنین.

• شخصی‌سازی تجربه مشتری: هوش مصنوعی می‌تونه به هر مشتری یک تجربه منحصربه‌فرد و شخصی‌سازی شده ارائه بده و باعث افزایش رضایت و وفاداری مشتری‌ها بشه.

• آقای اندرو نگ (Andrew Ng)، موسس گوگل برین و استاد دانشگاه استنفورد: هوش مصنوعی مانند برق جدید است. این فناوری پتانسیل تغییر هر صنعتی از جمله بازاریابی دیجیتال را دارد و می‌تواند فرآیندها رو کارآمدتر و شخصی‌سازی شده‌تر کند.

• آقای ساندار پیچای (Sundar Pichai)، مدیر عامل گوگل: هوش مصنوعی یکی از مهم‌ترین چیزهایی است که انسانیت روی آن کار می‌کند. این فناوری از برق یا آتش عمیق‌تر است و بر هر صنعتی از جمله بازاریابی دیجیتال، تاثیر می‌گذارد و هدف‎‌گذاری دقیق‌تر و بینش‌های بهتر مشتری را ممکن می‌سازد.

• آقای ساتیا نادلا (Satya Nadella)، مدیر عامل مایکروسافت: هوش مصنوعی به طور اساسی نحوه انجام همه چیز را تغییر خواهد داد. در بازاریابی دیجیتال، این فناوری کمپین‌های شخصی‌سازی شده و کارآمدتری را ممکن می‌سازد که منجر به تعامل بهتر با مشتری و بازگشت سرمایه بالاتر می‌شود.

• خانم شریل سندبرگ Sheryl Sandberg، مدیر ارشد عملیاتی فیسبوک: هوش مصنوعی در حال تغییر نحوه ارتباط ما با مشتریان است. در بازاریابی دیجیتال، این فناوری امکان تبلیغات شخصی‌سازی شده و مرتبط‌‌‌تر را فراهم می‌کند و تجربه کلی مشتری را بهبود می‌بخشد.

هوش مصنوعی چیست؟

هوش مصنوعی توانایی ماشین‌ها برای تقلید از هوش انسانی و انجام وظایفی هست که معمولا به هوش انسانی نیاز دارن. مثلا:

• یادگیری از تجربه‌ها و اطلاعات جدید

• حل مسئله و تصمیم‌گیری

• تشخیص الگوها و پیش‌بینی آینده

• درک زبان انسان و صحبت کردن

انواع هوش مصنوعی

انواع هوش مصنوعی براساس قابلیت‌ و عملکرد طبقه‌‌بندی می‌شه که عبارت‌اند از:

1- براساس قابلیت‌

    • هوش مصنوعی محدود

    • هوش مصنوعی عمومی

    • هوش مصنوعی ویژه

2- براساس عملکرد

    • ماشین‌های واکنشی

    • نظریه ذهن

    • حافظه محدود

    • خودآگاهی

یادگیری ماشین (Machine Learning)

یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشینه و یادگیری ماشین هم زیرمجموعه‌ای از هوش مصنوعی هست. علم داده هم یک حوزه مرتبطه که از هوش مصنوعی برای تحلیل داده‌ها استفاده می‌کنه. یادگیری ماشین قلب تپنده هوش مصنوعی هست و با استفاده از اون، نتایج زیر حاصل می‌شه:

تجزیه و تحلیل داده‌ها: یادگیری ماشین مانند یک کارآگاه، اطلاعات را بررسی می‌کنه تا الگوها را پیدا کنه.

پیش‌بینی آینده: براساس الگوهایی که پیدا کرده، می‌تونه اتفاقات آینده را پیش‌بینی کنه.

تصمیم‌گیری هوشمندانه: یادگیری ماشین با استفاده از پیش‌بینی‌ها، بهترین تصمیم را می‌گیره.

یادگیری عمیق (Deep Learning)

یادگیری عمیق با همان روند یادگیری ماشین کار می‌کنه اما الگوریتم‌های پیچیده‌تری داره. به این صورت که همون دسته‌بندی‌های یادگیری ماشین را تجزیه و تحلیل می‌کنه. مثلا اگر یک جمله‌ای رو بخوایم بگیم، یادگیری ماشین اون جمله رو کلمه به کلمه می‌کنه اما یادگیری عمیق کلمه‌ها رو به حرف تبدیل می‌کنه و بعد حروف را به عدد تبدیل می‌کنه و سپس از روی الگوریتم‌های خاص، این عددها رو آنالیز می‌کنه.

یادگیری عمیق دارای ویژگی‌های زیر است:

1- شبیه مغز انسان: یادگیری عمیق از شبکه‌های عصبی مصنوعی برای یادگیری استفاده می‌کنه.

2- قدرت پردازش بالا: یادگیری عمیق می‌تونه اطلاعات پیچیده مثل تصاویر، صدا و متن رو تحلیل کنه.

3- کاربردهای پیشرفته: در تشخیص چهره، ترجمه ماشینی، خودروهای خودران و موارد دیگر استفاده می‌شه.

پردازش زبان طبیعی (NLP)

NLP با استفاده از Machine Learning و Deep Learning متوجه حرفای ما می‌شه و به درکی از اون‌ها می‌رسه تا بتونه با ما ارتباط برقرار کنه.

پردازش زبان طبیعی دارای قابلیت‌های زیر هست:

1- درک زبان انسان: کامپیوترها یاد می‌گیرن که حرف‌‌های ما رو مثل خودمون بفهمن.

2- ارتباط دو طرفه: ما می‌تونیم با کامپیوترها به زبان خودمون صحبت کنیم و جواب بگیریم.

3- کاربردهای متنوع: پردازش زبان طبیعی کاربردهای متنوعی از چت‌بات‌های فارسی گرفته تا ترجمه ماشینی و تحلیل احساسات مشتری‌ها داره.

مدل‌های زبانی بزرگ (LLMs)

مدل‌های زبانی بزرگ، غول‌های زبان‌شناس هستن و با یک دیتای خیلی بزرگ مثل تمامی کتاب‌ها یا مقاله‌ها آموزش دیدن؛ مثلا Machine Learning این‌ها رو دسته‌بندی کرده وDeep Learning از لحاظ الگوریتمی همه این اطلاعات رو شناسایی کرده و حالا از طریق NLP می‌تونه اون‌ها رو بیان کنه.

مدل‌های زبانی بزرگ دارای ویژگی‌های زیر هستن:

1- حافظه قوی: این مدل‌ها میلیون‌ها کتاب و مقاله رو خوندن و همه رو حفظ کردن.

2- هوش زبانی بالا: این مدل‌های زبانی می‌تونن زبان انسان را درک کنن، ترجمه کنن، خلاصه کنن و حتی شعر بگن.

3- کاربردهای فراوان: مدل‌های زبانی بزرگ کاربردهای فروانی از جمله چت‌های هوشمند تا تولید محتوا و ترجمه ماشینی دارن.

هوش مصنوعی مولد (Generative AI)

این هوش مصنوعی به مثابه یک هنرمند دیجیتالی عمل می‌کنه و کارکرد آن به این صورته که وقتی ما یک ورودی به اون می‌دیم، مفهوم اون ورودی رو می‌فهمه و با استفاده از عکس و دیتاهایی که گرفته، از طریق الگوریتم‌ها یه توهمی می‌زنه و این توهم با عکس‌های واقعی مقایسه می‌شه و مدام ایراداتش برطرف می‌شه. این هوش مصنوعی آناتومی‌های مختلف رو یاد گرفته و مرتب اختلاف‌ها رو با تصویر واقعی کم می‌کنه. بعد تطبیقی که داده رو بررسی می‌کنه تا ببینه این تطبیق فیکه یا واقعیه. در مورد ویدئوها نمی‌شه چنین نظری داد که خیلی خوب هستن اما تا حدی هم که الان عمل می‌کنن، خوب و قابل توجهه.

هوش مصنوعی مولد دارای قابلیت‌های زیر هست:

1- خلاقیت ماشینی: هوش مصنوعی مولد می‌تونه مثل یه هنرمند، چیزهای جدید خلق کنه.

2- تولید محتوا: این هوش مصنوعی می‌تونه متن، عکس، ویدئو، موسیقی و حتی کد رو تولید کنه.

3- کاربردهای جذاب: هوش مصنوعی مولد کاربردهای جذاب زیادی مثل طراحی لوگو و تولید تصاویر تبلیغاتی و ساخت موزیک ویدیو و بازی‌ها رو داره.

پرامپت (Prompt) چیست؟

پرامپت یعنی دستور یا درخواستی که به هوش مصنوعی می‌دیم تا کار خاصی رو برای ما انجام بده. پرامپت مثل یه دستورالعمل می‌مونه که به هوش مصنوعی می‌گه دقیقا چی می‌خوایم. هرچی پرامپتمون دقیق‌تر و کامل‌تر باشه، نتیجه بهتری می‌گیریم.

مثلا می‌تونیم به هوش مصنوعی بگیم:

• یه متن تبلیغاتی برای این محصول بنویس

• این مقاله رو برام خلاصه کن

• یه ایمیل تشکر برای مشتری‌هام بنویس

• یه شعر درباره عشق بنویس

مهندسی پرامپت (Prompt Engineering) چیست؟

مهندسی پرامپت یه جور هنر و علمه که بهمون یاد می‌ده چطوری با هوش مصنوعی حرف بزنیم تا دقیقا بفهمه چی می‌خوایم و بهترین جواب رو بهمون بده.

در مهندسی پرامپت یاد می‌گیریم:

• چطور هدفمون رو مشخص کنیم

• چطور پرامپتون رو ساختار بدیم

• چطور از تکنیک‌های مختلف استفاده کنیم

• چطور پرامپتون رو آزمایش و بهینه کنیم

مزیت پرامپت درست

یک پرامپت درست و دقیق مزیت‌هایی داره که به شرح زیر هستن:

• بهبود دقت و کیفیت پاسخ‌ها

• کاهش سوءتفاهم و خطای هوش مصنوعی

• تطبیق با نیازها و ترجیحات کاربران

• شخصی‌سازی بیشتر پاسخ‌ها

• افزایش خلاقیت و نوآوری

• خودکارسازی وظایف تکراری

• بهبود عملکرد سیستم‌های هوش مصنوعی

موارد مهم در پرامپت‌نویسی

مواردی که در پرامپت‌نویسی باید به آن‌ها توجه کنیم شامل موارد زیر هستن:

• هوش مصنوعی مثل ما آدما فکر نمی‌کنه

• هوش مصنوعی قدرت ذهن‌خوانی نداره

• انتخاب کلمات و جمله‌بندی خیلی مهمه

• ممکنه اطلاعات غلط و نادرست رو با اعتماد به نفس کامل تحویل بده

• هوش مصنوعی یه ابزار کمکی قدرتمنده اما جایگزین تفکر و خلاقیت انسانی نمی‌شه

چالش‌های پرامپ‌نویسی به زبان فارسی

پرامپ‌نویسی انگلیسی فعلا دست بالاتر رو داره چون:

1. 90-80درصد داده‌های آموزشی هوش مصنوعی به زبان انگلیسیه

2. انگلیسی ابزارها و مدل‌های قوی‌تری داره

3. انگلیسی جامعه کاربری بزرگ‌تری داره و می‌تونیم از تجربیاتشون استفاده کنیم

هوش مصنوعی برای زبان فارسی

1. هنوز اول راهه، داره پیشرفت می‌کنه اما خیلی مونده به انگلیسی برسه

2. داده‌های فارسی خیلی کمتره و منابع و ابزارهای فارسی محدودترن

3. ساختار زبان فارسی پیچیده‌تره و هوش مصنوعی سخت‌تر می‌فهمتش.

نکات طلایی برای خروجی بهتر از پرامپ

مواردی که در پرامپت‌نویسی باعث می‌شن خروجی بهتری داشته باشیم و از اطلاعات غلط جلوگیری کنیم عبارت‌اند از:

1- دانش (Knowledge) بسازیم: به هوش مصنوعی یه منبع اطلاعاتی معتبر بدیم تا از روی اون جواب بده. مثلا می‌تونیم یه گراف دانشی از اطلاعات درست و دقیق درباره موضوع مورد نظرمون بسازیم و بهش بدیم.

2- بهش بگیم دروغ نگه: توی پرامپتمون بنویسیم که "دروغ نگو" یا "اگه چیزی رو نمی‌دونی، الکی نگو". اینطوری هوش مصنوعی مجبور می‌شه بیشتر دقت کنه و فقط اطلاعاتی رو بگه که مطمئنه درسته.

3- ازش بخوایم منبع بیاره: به هوش مصنوعی بگیم که برای هر ادعایی که می‌کنه، منبع و مدرک بیاره. اینطوری راحت‌تر می‌تونیم صحت اطلاعات رو بررسی کنیم.

4- راستی آزمایی کنیم: همیشه اطلاعاتی که هوش مصنوعی بهمون می‌ده رو با منابع معتبر دیگه مقایسه کنیم. اگه تناقضی دیدیم، به هوش مصنوعی بازخورد بدیم تا یاد بگیره و دفعه بعد بهتر عمل کنه.

توجه کنین که با هوش مصنوعی بد صحبت نکنین؛ این‌ها براساس کتاب‌ها و مقالات آموزش دیدن و وقتی شما باهاشون به صورت نامناسبی صحبت می‌کنین، ممکنه شما رو آدم بدی در نظر بگیرن و جواب خوبی بهتون ندن.

تکنیک‌های اولیه مهندسی پرامپت

تکنیک‌هایی وجود دارند که اگر از آن‌ها استفاده کنیم، نتیجه بهتری در خروجی پرامپت می‌گیریم؛ این تکنیک‌ها شامل موارد زیر هستن:

1- پرامپت احساسی: به هوش مصنوعی می‌گیم که جوابش رو با یه حس و حال خاصی بنویسه.

2- پرامپت زنجیره‌ای تعاملی: از هوش مصنوعی بخوایم قبل از جواب دادن، سوالاتی رو از ما بپرسه تا متوجه منظورمون بشه و دقیق‌تر جواب بده.

3- پرامپت تکراری: به هوش مصنوعی بازخورد بدیم و پرامپت رو چند بار تکرار کنیم تا جوابش رو چند بار اصلاح کنه و بهترین جواب رو به ما بده.

4- پرامپت خودسازگار: از هوش مصنوعی می‌خوایم چند تا پرامپت مختلف رو امتحان کنه و بهترین جواب رو انتخاب کنه.

5- پرامپت زنجیره فکری: در این حالت هوش مصنوعی قبل از جواب دادن، استدلال می‌کنه و مراحل فکریش رو توضیح می‌ده.

6- پرامپت گام‌به‌گام: در ابتدا یه سوال کلی می‌پرسیم. بعدش از هوش مصنوعی می‌خوایم با استدلال بهش جواب بده.

برای نوشتن پرامپت باید به ترتیب زیر به هوش مصنوعی اطلاعات بدیم:

1- موضوع (Topic): موضوع کلی که می‌خواین هوش مصنوعی درمورد آن صحبت کنه یا محتوا تولید کنه.

2- هدف (Goal): نتیجه نهایی و هدف کلی که از هوش مصنوعی انتظار دارین.

3- نقش (Role): نقشی که می‌خواین هوش مصنوعی در پراپت ایفا کنه.

4- زمینه (Context): اطلاعات زمینه‌ای مرتبط با موضوع یا وظیفه‌ای که به هوش مصنوعی می‌دین.

5- وظیفه (Task): کاری که از هوش مصنوعی می‌خواین انجام بده.

6- فرمت (Format): قالبی که می‌خواین هوش مصنوعی خروجی رو در اون ارائه بده.

7- دستورالعمل‌ها (Instructions) : دستورالعمل‌های دقیق و گام به گام برای هوش مصنوعی درمورد چگونگی انجام وظیفه.

8- محدودیت‌ها (Constraints): محدودیت‌هایی که می‌خواین هوش مصنوعی در تولید پاسخ رعایت کنه.

9- مثال‌ها (Examples): مثال‌هایی از پاسخ‌های مورد نظر شما برای کمک به هوش مصنوعی در درک بهتر وظیفه.

10- مخاطب (Audience): برای هوش مصنوعی مشخص کنین مخاطبین هدف شما چه کسانی هستن. این به هوش مصنوعی کمک می‌کنه تا لحن و سبک مناسب رو انتخاب کنه.

پرامپت‌نویسی حرفه‌ای با تگ‌های XML

نکات طلایی برای خروجی بهتر از پرامپت شامل موارد زیر هست:

• ثبات: همیشه از تگ‌های یکسان برای نشون دادن بخش‌های مختلف پرامپت استفاده کنین. مثلا اگه می‌خواین یه تیکه متن رو به عنوان مقاله مشخص کنین، همیشه از تگ <Article> استفاده کنین.

• تگ‌های تو در تو: برای محتواهایی که سلسله مراتبی دارن، از تگ‌های تو در تو استفاده کنین. مثلا برای یه مقاله که چند تا بخش داره، از ساختار Section1>…</Section1>> استفاده کنین.

• تگ‌های XML رو با تکنیک‌های دیگه مثل پرامپت چند نمونه‌ای یا زنجیره فکری ترکیب کنین تا پرامپت‌هاتون دقیق‌تر و قوی‌تر بشن.

تعیین نقش

مواردی در تعیین نقش یک پرامپت موثر هستن که عبارت‌اند از:

تغییر لحن و سبک: مثلا برای جواب دادن به پیام منفی کاربر، ممکن است یک نماینده و خدمات مشتری منجر به خروجی ارتباطی و راه‌حل‌گرا شود.

تغییر عمق اطلاعات: مثلا شما یک ریاضیدان هستین یا می‌شه گفت شما یک ریاضیدان باهوش هستین که می‌تونین همه مشکلات جهان رو حل کنین.

استفاده از چندین شخصیت: مثلا به عنوان یک کپی‌رایتر ماهر فکر کنی و همانند یک متخصص سئو عمل کنی.

ایجاد یک نقش خودکار: مثلا می‌تونین از هوش مصنوعی بخواین که نقشی برای شما ایجاد کنه. سپس می‌تونین از این نقش به عنوان بخشی از دستور دیگه استفاده کنین.

مهندسی پرامپت در حال بازنشسته شدن

هوش مصنوعی روز‌به‌روز در حال بزرگ شدن هست و مدل‌های زبانی جدید دیگه مثل قبل به پرامپت‌های پیچیده و طولانی نیاز ندارن. از طرفی ابزارهای خودکار دارن میان وسط؛ ابزارهایی مثل DSPy می‌تونن خودشون پرامپت‌ها رو بهینه کنن. تحقیقات نشون می‌ده پرامپت‌های خودکار اکثر مواقع بهتر از پرامپت‌های دست‌ساز عمل می‌کنن. بهینه‌سازی خودکار پرامپت‌ها فقط چند ساعت طول می‌کشه، در حالی که بهینه‌سازی دستی ممکنه چند روز طول بکشه.

معماری پرامپت: نسل جدید پرامپت‌نویسی

نسل جدید پرامپت‌نویسی شامل ویژگی‌ها و قابلیت‌های زیر است.

ساده‌سازی مسائل پیچیده: یاد می‌گیریم چطوری یه مشکل بزرگ رو به تیکه‌های کوچیک تقسیم کنیم تا هوش مصنوعی راحت‌تر بتونه حلش کنه.

خودکارسازی فرآیندها: با طراحی یه سیستم پرامپت درست و حسابی، می‌تونیم خیلی از کارها رو به هوش مصنوعی بسپاریم و خودمون وقت بیش‌تری برای کارهای خلاقانه داشته باشیم.

همکاری انسان و ماشین: با ترکیب هوش و خلاقیت انسانی و قدرت پردازش طبیعی مصنوعی، می‌تونیم به نتایج فوق‌العاده‌ای برسیم.

بهترین راه برای پرامپت‌نویسی

برای نوشتن پرامپت مناسب می‌تونیم از خود هوش مصنوعی به صورت زیر کمک بگیریم.

پرامپت زنجیره فکری: بعد از نوشتن پرامپت ازش بخوایم چند سوال بپرسه تا بهترین جواب و مرتبط‌ترین سوال رو به ما بده.

با استفاده از نقش (Prompt Generator) چت‌بات رو به سازنده پرامپت یا بهبوددهنده پرامپت تبدیل کنیم.

با استفاده از پلاگین‌های ChatGPT یک پرامپت خوب درست کنیم. همانند Prompt Engineering Helper یا Prompt Perfect.

با استفاده از سایت‌های Prompt Generator به راحتی پرامپت مناسب بسازین. همانند: Flowgpt.com

سعی کنین از پرامپت‌های آماده استفاده نکنین. پرامپت‌های آماده اگه تست بشن و تو نوشتن پرامپت اصلی استفاده بشن، مفیدن اما مقصد نهایی نباید باشن. پرامپت‌های آماده رو با دقت بررسی کنین و اجزای مختلفشون رو شناسایی کنین. اون‌ها رو برای نیازهای خودتون شخصی‌سازی کنین و خلاقیت خودتون رو به کار بگیرین و پرامپت‌های جدید بسازین.

برای مشاهده فهرست منابع پرامپت‌های آماده به ویدئوی این قسمت مراجعه نمایید. 

eBooks & PDFs

• Prompt Engineering by ChatGPT-4o
  
• JourneyAI-PejmanAjdari.pdf