شهدنا في مجال الذكاء الاصطناعي تحولات ملحوظة في تقنيات تحسين الإشارات، حيث كان النظام التقليدي يعتمد على تحسين الإشارات بشكل شامل مما قد يؤدي إلى تحسين بعض السلوكيات ولكن في نفس الوقت قد يتسبب في تدهور سلوكيات أخرى. ولكن الآن، تطل علينا طريقة جديدة تحت مسمى تحسين الإشارات الآلي المجزأ (Segment-level Automatic Prompt Optimization - SAPO).

تعتمد هذه الطريقة المبتكرة على تحليل الإشارات بشكل مفصل إلى أربعة عناصر رئيسية، وهي الدور (Role) والسياق (Context) والمهام (Tasks) وصيغة الإخراج (Output Format). بعد ذلك، تُطبق تحسينات مستهدفة مبنية على أفضل وأضعف خمسة أمثلة، مما يسمح لها بتحقيق التوازن المثالي بين السلوكيات المختلفة.

تستخدم SAPO حلقة تحسين تعتمد على نموذج لغوي كبير (LLM) مع ميتا-إشارات ثابتة وإخراجات منظمة، مما يتيح لها التحليل الهيكلي، وتشخيص نقاط الضعف، وتوليد الاقتراحات. كما تم وصف بروتوكول تدريب وتصديق، وعملية توليد من مرحلتين: (1) التشخيص على مستوى المقطع واستخراج التوصيات، (2) توليد الاقتراحات مع القيود المفروضة من إشارات المقاطع القوية والضعيفة.

وفي التجارب التي أُجريت باستخدام مجموعة SQuADv2 وTweetEval وXSUM وCommonGen وGSM8K على نماذج GPT-3.5-Turbo وGPT-4o-mini، أثبتت SAPO أنها تتفوق في المتوسط على الأساليب الأخرى مثل APE وOPRO وEvoPrompt وGEPA وStraGO. كل هذه التحسينات تجعلنا نشهد ثورة حقيقية في الطرق المستخدمة لتحسين الإشارات، مما يعد بمستقبل أكثر إشراقًا لتقنيات الذكاء الاصطناعي.

هل أنتم متحمسون لاستخدام تقنيات SAPO في مشاريعكم التالية؟ شاركونا آراءكم في التعليقات!