بهینه‌سازی دستورالعمل‌ها با استفاده از مهندسی مکالماتی

در دنیای امروز، مدل‌های زبانی بزرگ (LLMs) به یکی از ابزارهای حیاتی در صنایع مختلف تبدیل شده‌اند. اما برای استفاده مؤثر از این مدل‌ها، طراحی دقیق و بهینه دستورات (Prompts) بسیار مهم است. در واقع، کیفیت دستورات مستقیماً بر خروجی‌های مدل تأثیر می‌گذارد. با این حال، فرآیند طراحی دستورات بهینه، پیچیده و زمان‌بر است و نیاز به تجربه و دانش عمیق دارد. اینجاست که “مهندسی مکالماتی دستورات” یا **CPE** وارد صحنه می‌شود.

مهندسی مکالماتی دستورات (CPE) چیست؟

CPE یک ابزار کاربرپسند است که به کاربران کمک می‌کند تا دستورات شخصی‌سازی شده‌ای برای وظایف خاص خود ایجاد کنند. این ابزار از یک مدل مکالمه‌ای استفاده می‌کند تا با کاربر تعامل داشته باشد و به آن‌ها کمک کند تا ترجیحات و نیازهای خود را بهتر بیان کنند. این فرآیند شامل دو مرحله اصلی است:

1. ایجاد اولیه دستورالعمل: مدل با استفاده از داده‌های بدون برچسب که توسط کاربر ارائه شده، سؤالاتی مطرح می‌کند تا از این طریق دستورالعمل اولیه را شکل دهد.
2. بهبود دستورالعمل و خروجی‌ها: مدل، خروجی‌های ایجاد شده توسط دستورالعمل را با کاربر به اشتراک می‌گذارد و از بازخورد کاربر برای بهبود دستورالعمل و خروجی‌ها استفاده می‌کند.

مراحل ایجاد دستورالعمل با CPE

یک جلسه مکالمه با CPE معمولاً شامل مراحل زیر است:

1. ابتدایی‌سازی: کاربر مدل هدف را انتخاب کرده و داده‌های بدون برچسب خود را آپلود می‌کند.
2. بحث اولیه و ایجاد اولین دستورالعمل: CPE داده‌ها را تحلیل کرده و با کاربر در مورد جنبه‌های مختلف وظیفه و خروجی‌های مورد نظر او صحبت می‌کند و سپس یک دستورالعمل اولیه ایجاد می‌کند.
3. تکمیل و اصلاح دستورالعمل: دستورالعمل بر اساس بازخورد کاربر اصلاح می‌شود.
4. تولید خروجی‌ها: دستورالعمل اصلاح شده برای تولید خروجی‌ها به مدل هدف ارسال می‌شود.
5. بازخورد کاربر و بهبود خروجی‌ها: کاربر بازخورد خود را در مورد خروجی‌ها ارائه می‌دهد و اگر لازم باشد، CPE خروجی‌ها را بهبود می‌دهد تا زمانی که کاربر آن‌ها را تأیید کند.
6. تثبیت دستورالعمل نهایی: پس از تأیید نهایی دستورالعمل و خروجی‌ها توسط کاربر، جلسه مکالمه پایان می‌یابد و دستورالعمل نهایی به کاربر ارائه می‌شود.

نتایج یک مطالعه کاربری

برای ارزیابی کارایی CPE، یک مطالعه کاربری انجام شد که در آن ۱۲ شرکت‌کننده به بررسی استفاده از این ابزار در وظایف خلاصه‌سازی پرداختند. نتایج نشان داد که شرکت‌کنندگان به طور کلی از دستورات ایجاد شده توسط CPE رضایت داشتند. به‌ویژه، شرکت‌کنندگان از فرآیند مکالمه‌ای که به آن‌ها کمک کرد تا نیازهای خود را بهتر بیان کنند، رضایت داشتند.

در این مطالعه، شرکت‌کنندگان سه خلاصه از هر متن را با استفاده از سه دستورالعمل مختلف تولید کردند: یک دستورالعمل پایه، دستورالعملی که با CPE ایجاد شده بود و دستورالعملی که شامل مثال‌های بیشتر از داده‌های کاربر بود. نتایج نشان داد که خلاصه‌هایی که با استفاده از دستورات CPE ایجاد شده بودند، بیشتر مورد پسند کاربران قرار گرفتند.

نتیجه‌گیری

CPE ابزاری قدرتمند برای کاربرانی است که نیاز به انجام وظایف تکراری با حجم بالایی از داده‌ها دارند. این ابزار به کاربران کمک می‌کند تا دستورات شخصی‌سازی شده‌ای ایجاد کنند که به طور مؤثری با نیازهای آن‌ها تطابق داشته باشد. همچنین، مطالعه کاربری نشان داد که استفاده از CPE می‌تواند به طور قابل توجهی زمان و هزینه‌های مربوط به پردازش داده‌ها را کاهش دهد.

این روش نه تنها بهینه‌سازی دستورالعمل‌ها را تسهیل می‌کند بلکه می‌تواند به عنوان یک پایه برای بهبود و گسترش روش‌های مهندسی خودکار دستورالعمل‌ها در آینده نیز مورد استفاده قرار گیرد.