پرامپتینگ و نحوه نوشتن پرامپت پزشکی

مدت زیادی نیست که از فراگیر شدن فعل to) google) گذشته و حالا با دسترسی عموم مردم به LLMها (large language modelهایی که از طریق ChatGPT یا Google Gemini می‌توان از آنها استفاده کرد) شاید وقتش باشد با فعل جدید to) prompt) هم خو بگیریم.

پرامپتینگ: فعلی جدید که باید صرف کردنش را بیاموزیم؟

واژهٔ پرامپت در سیستم‌های کامپیوتری واژه جدیدی نیست؛ هرکسی که تجربه کار با command line (یا shell در لینوکس) را داشته باشد با این واژه آشنایی دارد. به معنی این است که کامپیوتر منتظر یک ورودی از جانب شماست تا دستوری را انجام دهد. پرامپت در LLMها نیز عملکرد مشابهی دارد اما گستره دستوراتی که می‌تواند اجرا کند هیچگاه اینقدر وسیع نبوده است.

تمام توضیحات گفته‌شده در مورد هوش مصنوعی و مدل‌های زبانی بزرگ را هم که بلد باشیم، اگر نتوانیم پرامپت مناسب بنویسیم و خروجی را بررسی کنیم، عملاً کاری نکرده‌ایم. مثل این است که فردی با درد شکم مراجعه بکند و ما بگوییم ماهیت این درد به خاطر تحریک فیبرهای نورونی C است. او بگوید که خب علتش چیست؟ ما هم جواب بدهیم که هر چه که هست، فیبرهای C را درگیر کرده است.

الان تا حد مورد نیازمان در این مرحله هوش مصنوعی و مدل‌های زبانی بزرگ را می‌شناسیم و اکنون وقتش است که بفهمیم چطور با آن‌ها کار بکنیم و ازشان کمک بگیریم؛ نه این‌که صرفاً روش کار کردنشان را بدانیم. برای گرفتن نتایج بهتر باید پرامپت‌های بهتری بنویسیم. فرایند بهینه کردن پرامت‌ها اصطلاحاً prompt engineering نام دارد.

فراموش نکنیم که کار LLM پیش‌بینی است و کار ما، کمک کردن به هدایت او به قسمتی از فضای «ذهنی»‌اش که اطلاعات مورد نیاز ما را پیدا بکند و آن را به ما نشان بدهد. LLM را می‌توانیم یک موتور پیش‌بینی‌گر (predictor engine) در نظر بگیریم. شاید هم راحت‌تر باشد که آن را همانند گوی‌های کریستالی رمال‌ها که با آن قرار بود آینده‌ی فرد را «پیش‌گویی» بکنند، بدانیم.

درست است که نگاه کردن به داخل LLM اسرار آمیز است و ما را یاد پیش‌گویی (fortune-telling) می‌اندازد؛ اما LLM پیش‌بینی (prediction) می‌کند. پیش‌بینی کردن از جنس علم است و بر آمار و احتمال تکیه داده است و نه باورهای خرافی ذهن یک شیاد. هر چند این پیش‌بینی کردن به یک هدایت‌گر نیاز دارد. هدایت‌گری که قرار است ما باشیم و سکان را به دست بگیریم و اگر نتوانیم این کار را به درستی انجام بدهیم، چه بسا کارمان به پیش‌گویی نزدیک‌تر بشود تا پیش‌بینی.

سوئیچ استارت این موتور، پرامپت (prompt) است. پرامپت، ورودی ما به یک هوش مصنوعی مولد برای گرفتن خروجی مطلوب است. این ورودی ما می‌تواند متن، عکس، صوت، ویدیو یا ترکیب از آن‌ها باشد و قرار است پلی شود بین آن‌چه ما می‌خواهیم و آن‌چه خروجی تولیدشده توسط هوش مصنوعی است (شاید تجربه این کار شما را به یاد نوشتن کوئری (query) برای جستجو در گوگل بیندازد که می‌خواستیم به سایت با محتوای مورد نظرمان برسیم).

همان‌طور که پزشکی را هنر و علم در کنار هم می‌دانند، پرامپت‌نویسی هم دقیقاً از همین جنس است. پس این‌طور نیست که به شما تعدادی قانون بگوییم و دیگر تمام. بلکه یک راهنمای کلی قرار است داشته باشید که بتوانید در این سرزمین به کاوش بپردازید.

موضوع مهمی را فراموش نکنیم. ما به کمک پرامپت‌ها هدایت می‌کنیم، اما پاسخ بر اساس داده‌هایی است که این LLM با آن آموزش دیده است – نه لزوماً دقیق‌ترین و علمی‌ترین داده‌ها. علاوه بر این، شرکت‌های صاحب این فناوری هم می‌توانند پاسخ‌ها را به مسیر دلخواه خود هدایت کنند. پس این امکان وجود دارد که شرکتی بخواهد با صرف هزینه، داروی ساخت خودش را در پاسخ ارائه شده توسط مدل LLM به عنوان موثرترین دارو ارائه کند.

برای امتیاز دهی به این مطلب، لطفا وارد شوید: برای ورود کلیک کنید