أحدث نموذج Segment Anything (SAM) طفرة في دنيا تقنيات تقسيم الصور، مقدماً نموذجاً يعتمد على الهندسة التحفيزية (Prompt Engineering). من خلال هذا النموذج، أصبحت العوامل البشرية تتفاعل بشكل أقوى مع الأنظمة الآلية، مما سيعزز من قدراتها على فهم السياق.

تسعى هذه الدراسة إلى تقديم مراجعة شاملة للهندسة التحفيزية المتعلقة بنموذج SAM، حيث تم تصنيف تقنيات الهندسة التحفيزية إلى فئات تشمل:
1. **الحوافز الهندسية (Geometric Prompts)**: تعزز من قدرة النموذج على تحديد الملامح بشكل دقيق.
2. **الحوافز النصية الدلالية (Textual Semantic Prompts)**: تساعد على توفير سياقات لغوية تعزز من قدرات الفهم.
3. **الحوافز متعددة الوسائط (Multimodal Fusion Prompts)**: تجسد التناغم بين النصوص والصور لتحقيق أفضل النتائج.

تتسارع عملية الانتقال من الحوافز اليدوية إلى الأساليب الأكثر تقدماً، مثل التعلم القائم على المدخلات وعملية التعلم المعزز (Reinforcement Learning). وهنا يظهر ذلك في تطبيقات عدة، بدءًا من التصوير الطبي، مروراً بالاستشعار عن بعد، إلى فحص الصناعات واكتشاف الشذوذ.

ومع ذلك، فإن الهندسة التحفيزية ليست خالية من التحديات. تشمل هذه التحديات حساسية الحوافز، وعدم التوافق عبر الوسائط، وعدم الكفاءة الحسابية. لكن هناك آفاق واعدة للدراسة تشمل التفكير الاستدلالي القائم على الحوافز، والتعاون بين الوكلاء المتعددين في عمليات التحفيز.

في الختام، تقدم هذه المراجعة منظوراً موحداً لفهم دور الهندسة التحفيزية في نماذج تقسيم الأساس وتضع أسساً لتطورات مستقبلية في هذا المجال المتطور.