مهندسی پرامپت؛ چگونه خواستهمان را درست به هوش مصنوعی بگوییم؟
این مقاله توضیح میدهد چگونه با تعیین نقش، ارائهٔ زمینه و مشخصکردن محدودیتها، درخواستهای دقیقتری برای هوش مصنوعی بنویسیم.
همچنین با مثالهای عملی نشان میدهد چگونه از هوش مصنوعی بخواهیم نتیجهٔ کارش را آزمایش، بررسی و اثبات کند.
پرامپت همان درخواستی است که برای هوش مصنوعی مینویسیم. هرچه این درخواست روشنتر باشد، احتمال اینکه نتیجه به خواستهٔ ما نزدیک شود بیشتر است. مهندسی پرامپت یعنی بتوانیم منظورمان را دقیق بیان کنیم، اطلاعات لازم را در اختیار ابزار بگذاریم و از ابتدا مشخص کنیم چه نتیجهای میخواهیم.
برای نوشتن یک پرامپت خوب لازم نیست با اصطلاحات فنی آشنا باشیم. کافی است همانطور که یک کار را برای همکارمان توضیح میدهیم، نقش، هدف، شرایط و محدودیتهای آن را برای هوش مصنوعی هم شرح دهیم.
فقط نوع درخواست مهم نیست
پرامپت مشخص میکند چه چیزی میخواهیم. زمینه مشخص میکند هوش مصنوعی دربارهٔ ما و کاری که انجام میدهیم چه اطلاعاتی دارد. این دو در کنار هم نتیجهٔ نهایی را شکل میدهند.
حتی بهترین ابزارهای هوش مصنوعی هم از اتفاقهای داخل یک شرکت، برنامههای آینده، اولویتهای تیم یا سلیقهٔ مخاطبان آن خبر ندارند. اگر این اطلاعات را در اختیارشان نگذاریم، ناچار میشوند براساس اطلاعات عمومی پاسخ دهند. نتیجه ممکن است درست باشد، اما معمولاً کلی است و با شرایط واقعی ما فاصله دارد.
اطلاعات اختصاصی هر مجموعه همان چیزی است که پاسخ را کاربردی و متفاوت میکند. تجربههای قبلی، شناخت مشتری، برنامهٔ کاری و نمونههای موفق یا ناموفق، همگی میتوانند به هوش مصنوعی کمک کنند تا تصویر کاملتری از مسئله داشته باشد.
هوش مصنوعی را مانند یک همکار تازهوارد در نظر بگیرید
فرض کنید یک کارآموز تازه به تیم شما اضافه شده است. احتمالاً در همان روز اول یک پروژهٔ مهم را بدون هیچ توضیحی به او واگذار نمیکنید. ابتدا باید بداند شرکت چه کاری انجام میدهد، اعضای تیم چه مسئولیتهایی دارند و در حال حاضر کدام پروژهها مهمتر هستند.
هوش مصنوعی هم به چنین آشنایی اولیهای نیاز دارد. بدون این اطلاعات، با وجود توانایی زیاد، فقط میتواند حدس بزند. هرچه شناخت بیشتری از کار شما داشته باشد، پیشنهادهایش نیز به نیاز واقعی تیم نزدیکتر میشود.
به همین دلیل بهتر است برای کارهای مستمر، یک پروژهٔ مشخص بسازید و اطلاعات مرتبط را در همانجا نگه دارید. در این صورت لازم نیست در هر گفتوگوی تازه، همهچیز را از ابتدا توضیح دهید.
نمونهای از یک کمپین بازاریابی
فرض کنید قرار است محصول تازهای معرفی کنید. اگر فقط از هوش مصنوعی بخواهید چند ایده برای کمپین پیشنهاد دهد، احتمالاً با توصیههایی عمومی روبهرو میشوید. اما اگر اطلاعات محصول، تقویم بازاریابی و نمونههای قبلی را در اختیارش بگذارید، شرایط کاملاً تغییر میکند.
برای چنین پروژهای میتوانید این موارد را آماده کنید:
- توضیحات و ویژگیهای محصول
- برنامهٔ زمانی کمپین
- متنهای تبلیغاتی موفق گذشته
- متنهایی که نتیجهٔ خوبی نگرفتهاند
با این اطلاعات، پیشنهادها دیگر فقط براساس توصیههای رایج بازاریابی نیستند. هوش مصنوعی میتواند از تجربههای واقعی همان کسبوکار استفاده کند.
چهار بخش مهم یک پرامپت خوب
برای اینکه یک درخواست کامل و قابلفهم باشد، بهتر است چهار موضوع را در آن روشن کنیم. هوش مصنوعی باید بداند چه نقشی دارد، در چه شرایطی کار میکند، چه کارهایی را نباید انجام دهد و نتیجه را چگونه بررسی کند.
۱. نقش را مشخص کنید
در ابتدای درخواست بگویید انتظار دارید هوش مصنوعی از چه زاویهای به موضوع نگاه کند. برای نمونه میتوانید از آن بخواهید در نقش یک استراتژیست محتوا و تحلیلگر عمل کند.
در نقش یک استراتژیست حرفهای محتوا و تحلیلگر، این اطلاعات را بررسی کن.
تعیین نقش به پاسخ جهت میدهد. یک تحلیلگر به اعداد و الگوها توجه میکند، در حالی که یک نویسنده بیشتر روی لحن و وضوح متن تمرکز دارد. وقتی نقش مشخص باشد، نتیجه نیز با انتظار شما هماهنگتر خواهد بود.
در ادامه توضیح دهید این کار برای چه فرد یا مجموعهای انجام میشود. معرفی کوتاه کسبوکار، معیارهای مهم و مخاطب هدف کمک میکند پاسخ از حالت کلی خارج شود.
۲. زمینه و دلیل درخواست را توضیح دهید
هوش مصنوعی باید بداند چرا این کار را میخواهید و قرار است از نتیجه چه استفادهای شود. گاهی یک جملهٔ کوتاه دربارهٔ هدف، کیفیت پاسخ را به شکل محسوسی بهتر میکند.
مثال تحلیل یک کانال محتوایی
بهجای اینکه فقط بنویسید «کانالم را تحلیل کن»، بهتر است هدف تحلیل را هم مشخص کنید.
عملکرد سهماههٔ دوم کانال را بررسی کن تا بتوانیم برای سهماههٔ بعد برنامهٔ بهتری داشته باشیم.
در این درخواست هم بازهٔ بررسی روشن است و هم دلیل انجام آن. بنابراین تحلیل میتواند روی نکاتی متمرکز شود که برای تصمیمگیری آینده مفید هستند.
مثال نوشتن ایمیل برای مدیر
درخواست «برای مدیرم یک ایمیل بنویس» اطلاعات چندانی به نویسنده نمیدهد. لحن ایمیل به رابطهٔ شما با مدیر، موضوع درخواست و اتفاقهای قبلی بستگی دارد.
فرض کنید در یک ماه گذشته دو بار به مشکل خوردهاید و حالا میخواهید مرخصی بیشتری بگیرید. مدیرتان فردی همراه و درککننده است، اما شما از مطرحکردن این درخواست احساس خوبی ندارید. اگر این توضیحات را اضافه کنید، متن نهایی با احتیاط و درک بهتری از موقعیت نوشته میشود.
وقتی نتیجه با انتظار ما فاصله دارد، همیشه مشکل از توانایی ابزار نیست. گاهی اطلاعاتی که برای انجام کار لازم بوده، در درخواست ما وجود نداشته است.
۳. محدودیتها را روشن بگویید
گفتن کارهایی که نباید انجام شوند، بهاندازهٔ توضیح خواستهها اهمیت دارد. اگر خط قرمز، قالب مشخص یا محدودیتی وجود دارد، بهتر است آن را بهصراحت در پرامپت بنویسید.
تصور کنید در حال آموزش یک کار تازه به فردی بیتجربه هستید. ممکن است او راههایی را امتحان کند که از نظر شما بدیهی و اشتباه هستند. چیزی که برای یک فرد باتجربه روشن است، لزوماً برای یک تازهکار روشن نیست.
مثال سادهٔ آشپزی
هنگام آموزش درستکردن تخممرغ همزده به یک فرد بزرگسال، احتمالاً لازم نیست دربارهٔ خطر لمس ماهیتابهٔ داغ توضیح بدهید. اما برای کسی که هیچ تجربهای ندارد، بهتر است این هشدار را واضح بیان کنید.
ماهیتابه بسیار داغ است و نباید با دست لمس شود.
محدودیتها نقش حفاظ را دارند. آنها مسیر انجام کار را روشن میکنند و احتمال خروج نتیجه از چارچوب موردنظر را کاهش میدهند.
۴. روش بررسی نتیجه را مشخص کنید
بهتر است فقط انجام کار را درخواست نکنید. از هوش مصنوعی بخواهید نتیجه را بررسی کند و توضیح دهد چرا به درستی آن اطمینان دارد.
در حالت معمول، پاسخ اولیه را میخوانیم، ایرادها را پیدا میکنیم و بازخورد میدهیم. این رفتوبرگشت تا زمانی ادامه پیدا میکند که نتیجه رضایتبخش شود. اگر روش بررسی را از ابتدا به درخواست اضافه کنیم، بخشی از این فرایند بهصورت خودکار انجام میشود و پاسخ اولیه پختهتر خواهد بود.
مثال بررسی فرم یک وبسایت
فرض کنید فرمی ساختهاید که باید فقط نشانیهای ایمیل معتبر را بپذیرد. بهجای اینکه صرفاً ساخت فرم را درخواست کنید، میتوانید از هوش مصنوعی بخواهید نمونههای مختلف را امتحان کند و مطمئن شود ورودیهای نادرست پذیرفته نمیشوند.
در پایان نیز باید مشخص کند چه حالتهایی را آزمایش کرده و چرا نتیجه را قابلاعتماد میداند. ممکن است در جریان این بررسی اشکالی پیدا شود. ابزار میتواند آن را برطرف کند، دوباره آزمایش را انجام دهد و این روند را تا رسیدن به نتیجهٔ درست ادامه دهد.
چطور روش بررسی مناسب را پیدا کنیم؟
خودتان را جای فردی بگذارید که قرار است نتیجه را تحویل بگیرد. اگر این کار را یکی از اعضای تیم انجام داده بود، برای تأیید آن چه میکردید؟
- متن را برای پیداکردن خطاهای نگارشی میخواندید؟
- محصول را باز میکردید و واقعاً از آن استفاده میکردید؟
- ظاهر صفحه را در اندازههای مختلف بررسی میکردید؟
همان روشی که یک انسان برای کنترل کیفیت به کار میبرد، میتواند بخشی از دستور شما به هوش مصنوعی باشد.
دو نمونهٔ کاربردی
برای استفاده از هوش مصنوعی لازم نیست زبان برنامهنویسی بدانید. بسیاری از کارها را میتوان با یک درخواست روشن و طبیعی شروع کرد.
پیداکردن یک فایل در رایانه
فرض کنید نسخهٔ مشکی لوگوی یک رویداد در پوشهٔ دانلودها قرار دارد، اما نام دقیق فایل را به خاطر نمیآورید. میتوانید خیلی ساده بنویسید:
نسخهٔ مشکی لوگوی رویداد جایی در پوشهٔ دانلودهاست. آن را پیدا کن و باز کن.
هوش مصنوعی میتواند میان فایلها جستوجو کند، تصویر مناسب را پیدا کند و محتوای آن را ببیند تا مطمئن شود همان فایل موردنظر است. سپس مسیر فایل را نشان دهد و اگر نسخههای دیگری هم کنار آن وجود دارد، آنها را معرفی کند.
این درخواست فنی یا پیچیده نیست. بااینحال سه نکته را روشن میکند. نوع فایل چیست، چه ویژگیای دارد و باید در کدام پوشه جستوجو شود.
ساخت گزارش عملکرد در اکسل
در نمونهای دیگر، قرار است عملکرد سهماههٔ یک کانال محتوایی بررسی شود. هوش مصنوعی باید دادهها را جمعآوری کند، آنها را در یک فایل اکسل قرار دهد و در نقش یک استراتژیست محتوا، تحلیل عمیقی ارائه کند.
خروجی میتواند شامل بخشهای زیر باشد:
- صفحهٔ شروع و راهنمای گزارش
- داشبورد مدیریتی
- آمار دنبالکنندگان و عملکرد دوره
- اطلاعات و امتیاز هر محتوای منتشرشده
- تعداد بازدید، میانگین بازدید روزانه و زمان تماشا
- روندهای ماهانه
- موضوعات و قالبهای محتوایی
- اطلاعات مخاطبان و مسیرهای ورودی
در چنین درخواستی، هدف، منبع داده، نوع خروجی و زاویهٔ تحلیل از ابتدا مشخص هستند. همچنین میتوان از هوش مصنوعی خواست ظاهر فایل و درستی اطلاعات را بررسی کند و بعد نتیجهٔ نهایی را تحویل دهد.
جمعبندی
یک پرامپت خوب لزوماً طولانی نیست، اما باید اطلاعات لازم را در اختیار هوش مصنوعی بگذارد. نقش، هدف، زمینه، محدودیتها و روش بررسی نتیجه، پنج نکتهای هستند که یک درخواست مبهم را به یک دستور قابلاجرا تبدیل میکنند.
اگر هوش مصنوعی بداند چه میخواهید، چرا آن را میخواهید و نتیجه باید چگونه ارزیابی شود، کمتر حدس میزند و پاسخ کاربردیتری ارائه میدهد.
