مهندسی پرامپت هوش مصنوعی آینده این رشته نیست

علیرغم هیاهویی که پیرامون مهندسی پرامپت (AI Prompt Engineering) و نوشتن دستورات هوش مصنوعی برای اجرای آن در هوش مصنوعی مولد (generative AI) مانند ChatGPT وجود دارد، اهمیت آن ممکن است زودگذر باشد. یک مهارت پایدارتر و سازگارتر که ما را قادر می سازد از پتانسیل هوش مصنوعی مولد استفاده کنیم؟ به آن فرمول بندی مشکل (Problem Formulation) می گویند - توانایی شناسایی، تجزیه و تحلیل و ترسیم مسائل.

مهندسی پرامپت دنیای هوش مصنوعی مولد را طوفانی کرده است. این شغل که به بهینه سازی دستورات متنی برای برقراری ارتباط موثر با مدل های زبان بزرگ مانند ChatGPTنیاز دارد، توسط مجمع جهانی اقتصاد به عنوان شغل شماره یک آینده ستایش شده است، در حالی که سام آلتمن، مدیر عامل Open AI، آن را نامیده است. "اهرم فوق العاده" را توصیف می کند. رسانه‌های اجتماعی مملو از موج جدیدی از اینفلوئنسرها هستند که «پرامپت های جادویی» را تبلیغ می‌کنند و نوید نتایج شگفت‌انگیز را می‌دهند.

با این حال، علی‌رغم هیاهوی هوش مصنوعی و ChatGPT، اهمیت مهندسی پرامپت ممکن است به دلایل مختلفی زودگذر باشد. اولاً، نسل‌های آینده سیستم‌های هوش مصنوعی در درک زبان طبیعی ماهرتر خواهند شد و نیاز به دستورالعمل‌های دقیق مهندسی شده را کاهش خواهند داد. دوم، مدل‌های جدید زبان هوش مصنوعی مانند GPT4در حال حاضر در ساخت دستورات و اعلان‌ها نویدبخش هستند – هوش مصنوعی خود در آستانه جایگزینی مهندسی پرامپت است. در نهایت، اثربخشی دستورات به الگوریتم خاص بستگی دارد و استفاده از آنها را در مدل‌ها و نسخه‌های مختلف هوش مصنوعی محدود می‌کند.

بنابراین، پایدارترین و سازگارترین مهارتی که ما را قادر می سازد تا از پتانسیل هوش مصنوعی مولد استفاده کنیم، چیست؟ این فرمول بندی مسئله است - توانایی شناسایی، تجزیه و تحلیل و ترسیم مشکلات.

فرمول‌بندی مسئله و مهندسی پرامپت در تمرکز، وظایف اصلی و قابلیت‌ ها متفاوت هستند. مهندسی پرامپت بر ایجاد ورودی متنی بهینه با انتخاب کلمات، عبارات، ساختار جمله و علائم نگارشی مناسب تمرکز دارد. در مقابل، فرمول مسئله بر تعریف مسئله با مشخص کردن تمرکز، دامنه و مرزهای آن تأکید دارد. مهندسی پرامپت نیاز به درک کامل یک ابزار هوش مصنوعی خاص و مهارت های زبانی دارد، در حالی که فرمول بندی مسئله مستلزم درک جامع حوزه مشکل و توانایی استخراج مشکلات دنیای واقعی است. واقعیت این است که بدون یک مشکل خوب فرموله شده، حتی پیچیده ترین درخواست ها نیز کار نمی کنند. با این حال، هنگامی که یک مشکل به وضوح تعریف شد، تفاوت های ظریف زبانی یک درخواست منجر به یک راه حل می شود.

متأسفانه، فرمول بندی مسئله برای بسیاری از ما مهارتی است که به طور گسترده نادیده گرفته شده و توسعه نیافته است. یکی از دلایل آن تاکید نامتناسب بر حل مسئله به قیمت صورت‌بندی است. این عدم تعادل را شاید بتوان با ضرب المثل مدیریتی محبوب و در عین حال نادرست به بهترین شکل نشان داد، «برای من مشکل ایجاد نکن، برای من راه حل بیاور». سازمان آنها در شناسایی مشکلات ضعیف است.

چگونه می توانید در فرمول بندی مشکل بهتر شوید؟ با ترکیب بینش‌های حاصل از تحقیقات گذشته در مورد فرمول‌بندی مشکل و طراحی شغل، چهار مؤلفه کلیدی را برای فرمول‌بندی مؤثر مشکل شناسایی شده است:

1. تشخیص مسئله (problem diagnosis)

2.تجزیه مسئله (problem decomposition)

3.قالب بندی مجدد مسئله (problem reframing)

4.طراحی محدودیت مسئله (problem constraint design)

1. تشخیص مشکل

تشخیص مشکل در مورد شناسایی مشکل اصلی برای حل توسط AIاست. به عبارت دیگر، این در مورد شناسایی هدف اصلی است که می خواهید هوش مصنوعی مولد به آن برسد. شناسایی برخی از مشکلات نسبتاً ساده است، مانند زمانی که هدف به دست آوردن اطلاعات در مورد یک موضوع خاص است، مانند استراتژی های مختلف HRMبرای پاداش کارکنان. برخی دیگر چالش برانگیزتر هستند، مانند یافتن راه حلی برای یک مشکل نوآوری.

یک مثال خوب InnoCentive (Wazoku Crowd)است. این شرکت به مشتریان خود کمک کرده است تا بیش از 2500 مشکل را با نرخ موفقیت چشمگیر بیش از 80 درصد فرموله کنند. مصاحبه با کارمندان InnoCentiveنشان داد که یک عامل کلیدی در پشت این موفقیت، توانایی آنها در شناسایی علل اصلی یک مشکل است. در واقع، آنها اغلب فرآیند فرمول بندی مشکل خود را با استفاده از تکنیک پنج چرا (Five Whys) برای شناسایی علل ریشه ای علائم شروع می کنند.

2. تجزیه مسئله

تجزیه مشکل شامل تجزیه مشکلات پیچیده به مسائل کوچکتر و قابل مدیریت است. این امر به ویژه هنگامی که با مشکلات چند وجهی سروکار دارید، که اغلب برای ایجاد راه‌حل‌های مفید بسیار پیچیده هستند، مهم است.

3. قالب بندی مجدد مسئله

چارچوب بندی مجدد مسئله شامل تغییر دیدگاهی است که از آن یک مشکل مشاهده می شود و امکان تفسیرهای جایگزین را فراهم می کند. با قالب بندی مجدد یک مشکل به روش های مختلف، می توانید هوش مصنوعی را برای گسترش دامنه راه حل های بالقوه راهنمایی کنید، که به نوبه خود می تواند به شما در یافتن راه حل های بهینه و غلبه بر موانع خلاقانه کمک کند.

حالا این را تصور کنید: کارمندان از کمبود جای پارک در ساختمان اداری شکایت دارند. چارچوب اولیه ممکن است بر افزایش فضای پارک تمرکز کند، اما با طرح مجدد مشکل از منظر کارمند - اینکه پارکینگ استرس زا است یا گزینه های حمل و نقل محدود است - می توانید راه حل های مختلفی را بررسی کنید. در واقع، وقتی از ChatGPTخواستیم تا با استفاده از فریم‌های اولیه و جایگزین راه‌حل‌هایی برای مشکل فضای پارکینگ ایجاد کند، راه‌حل‌های قبلی بر بهینه‌سازی چیدمان پارکینگ یا تخصیص و یافتن فضاهای جدید متمرکز بودند. دومی مجموعه متنوعی از راه‌حل‌ها را تولید کرد، مانند ترویج حمل‌ونقل جایگزین، رفت‌وآمد پایدار و دورکاری.

برای قالب بندی مجدد موثر مشکلات، دیدگاه های کاربران را در نظر بگیرید، قیاس ها را برای نشان دادن مسئله مورد بررسی قرار دهید، از انتزاع استفاده کنید و به طور فعال اهداف مسئله را زیر سوال ببرید یا اجزای گمشده در تعریف مسئله را شناسایی کنید.

4. طراحی محدودیت مشکل

طراحی محدودیت مسئله بر ترسیم مرزهای یک مسئله با تعریف محدودیت های ورودی، فرآیند و خروجی جستجوی راه حل تمرکز دارد. شما می توانید از محدودیت ها برای هدایت هوش مصنوعی در ایجاد راه حل های ارزشمند برای کار در دست استفاده کنید. زمانی که کار اساساً مبتنی بر بهره‌وری است، اغلب مناسب‌تر است که از محدودیت‌های خاص و سخت‌گیرانه برای ترسیم زمینه، مرزها و معیارهای نتیجه استفاده شود. در مقابل، برای کار خلاقانه، آزمایش با تحمیل، اصلاح و حذف محدودیت‌ها امکان کاوش در فضای راه‌حل گسترده‌تر و کشف دیدگاه‌های بدیع را فراهم می‌کند.

به عنوان مثال، مدیران برند در حال حاضر از چندین ابزار هوش مصنوعی مانند Lately یا Jasper برای تولید محتوای مفید رسانه های اجتماعی استفاده می کنند. برای اطمینان از همسویی این محتوا با رسانه های مختلف و تصویر برند، آنها اغلب محدودیت های سختی را برای طول، قالب، لحن یا مخاطبان هدف تعیین می کنند.

به طور کلی، تقویت مهارت‌ها در تشخیص، تحلیل، فرمول‌بندی مجدد و طراحی مشکل-محدودیت برای همسو کردن نتایج هوش مصنوعی با اهداف کاری و تقویت همکاری مؤثر با سیستم‌های هوش مصنوعی ضروری است.

اگرچه مهندسی پرامپت ممکن است در کوتاه مدت مورد توجه باشد، عدم پایداری، تطبیق پذیری و قابلیت انتقال، مزیت بلندمدت آن را محدود می کند. تاکید بیش از حد بر ایجاد ترکیبی عالی از دستورالعمل ها حتی می تواند معکوس باشد، زیرا ممکن است از کاوش در خود و احساس کنترل فرد بر فرآیند خلاقیت بکاهد. در عوض، تسلط بر فرمول‌بندی مسئله می‌تواند کلید هدایت آینده نامشخص در کنار سیستم‌های هوش مصنوعی پیشرفته باشد.