✳️ مهندسی پرامپت تقریباً همه ما از LLMها استفاده می‌کنیم؛
اما آیا واقعاً بلدیم با آن‌ها درست «گفت‌وگو» کنیم؟
✅ در ماه‌های اخیر، نیاز به یادگیری Prompt Engineering را در میان طیف بسیار متفاوتی از کاربران بیشتر احساس کرده‌ام؛ از مدیران و کارشناسان گرفته تا معلمان، دانشجویان، تحلیلگران، برنامه‌نویسان و صاحبان کسب‌وکار.منابع و آموزش‌های زیادی هم در این زمینه تولید شده و هرکدام تلاش کرده‌اند بخشی از این دانش را منتقل کنند.اما مسئله‌ای که برای من جالب بود این است:
Prompt Engineering فقط نوشتن یک دستور خوب برای ChatGPT نیست.
برای گرفتن یک خروجی باکیفیت از LLM باید بدانیم چگونه مسئله را تعریف کنیم، Context مناسب بدهیم، نقش و هدف را مشخص کنیم، محدودیت‌ها را توضیح دهیم، قالب خروجی را تعیین کنیم و مهم‌تر از همه، خروجی مدل را ارزیابی و در چند مرحله اصلاح کنیم.به همین دلیل تصمیم گرفتم در ادامه دوره آموزشی AI، یک بخش مستقل و کاربردی درباره مهندسی پرامپت آماده کنم؛ با این هدف که فارغ از حوزه تخصصی افراد، اصولی را توضیح دهد که هنگام کار با مدل‌های زبانی باید در نظر گرفته شوند.تلاش کرده‌ام مطالب صرفاً مجموعه‌ای از «Promptهای آماده» نباشند؛ بلکه منطق طراحی یک Prompt خوب را آموزش دهند تا هر فرد بتواند متناسب با مسئله خودش، Prompt مناسب را طراحی کند.
این دوره را نیز مانند بخش قبلی، به‌صورت رایگان منتشر می‌کنم تا هر کسی که به آن نیاز دارد بتواند از آن استفاده کند.
چون فکر می‌کنم در عصر AI، مزیت واقعی در داشتن هزاران Prompt آماده نیست؛
مزیت در این است که بدانیم چگونه مسئله را برای AI درست صورت‌بندی کنیم.
✍ محمدصالحی نژاد
👇👇
اما آیا واقعاً بلدیم با آن‌ها درست «گفت‌وگو» کنیم؟
✅ در ماه‌های اخیر، نیاز به یادگیری Prompt Engineering را در میان طیف بسیار متفاوتی از کاربران بیشتر احساس کرده‌ام؛ از مدیران و کارشناسان گرفته تا معلمان، دانشجویان، تحلیلگران، برنامه‌نویسان و صاحبان کسب‌وکار.منابع و آموزش‌های زیادی هم در این زمینه تولید شده و هرکدام تلاش کرده‌اند بخشی از این دانش را منتقل کنند.اما مسئله‌ای که برای من جالب بود این است:
Prompt Engineering فقط نوشتن یک دستور خوب برای ChatGPT نیست.
برای گرفتن یک خروجی باکیفیت از LLM باید بدانیم چگونه مسئله را تعریف کنیم، Context مناسب بدهیم، نقش و هدف را مشخص کنیم، محدودیت‌ها را توضیح دهیم، قالب خروجی را تعیین کنیم و مهم‌تر از همه، خروجی مدل را ارزیابی و در چند مرحله اصلاح کنیم.به همین دلیل تصمیم گرفتم در ادامه دوره آموزشی AI، یک بخش مستقل و کاربردی درباره مهندسی پرامپت آماده کنم؛ با این هدف که فارغ از حوزه تخصصی افراد، اصولی را توضیح دهد که هنگام کار با مدل‌های زبانی باید در نظر گرفته شوند.تلاش کرده‌ام مطالب صرفاً مجموعه‌ای از «Promptهای آماده» نباشند؛ بلکه منطق طراحی یک Prompt خوب را آموزش دهند تا هر فرد بتواند متناسب با مسئله خودش، Prompt مناسب را طراحی کند.
این دوره را نیز مانند بخش قبلی، به‌صورت رایگان منتشر می‌کنم تا هر کسی که به آن نیاز دارد بتواند از آن استفاده کند.
چون فکر می‌کنم در عصر AI، مزیت واقعی در داشتن هزاران Prompt آماده نیست؛
مزیت در این است که بدانیم چگونه مسئله را برای AI درست صورت‌بندی کنیم.
✍ محمدصالحی نژاد
👇👇
Comments
Be the first to add a comment
Log in to comment