إصلاح التعليمات البرمجية أو السياق بدلاً من مخرجات الذكاء الاصطناعي
هناك أوامر المستخدم وأوامر النظام. عندما لا يعمل الإخراج بشكل جيد، يجب علينا إضافة القاعدة في أوامر المستخدم بدلاً من إصلاحها في كل مرة.
كما ذكرت في مقالة سابقة، الأسماء في ناتج ترجمة الذكاء الاصطناعي، هناك العديد من الأسماء الصينية المكررة. حتى البشر لا يمكنهم دائمًا ترجمة الأسماء الإنجليزية إلى أسماء صينية بشكل صحيح، لذا فإن الأمر يصبح أكثر صعوبة بالنسبة للآلات.
ليس من الصعب تحديد قواعد ترجمة الأسماء. في الحياة الواقعية، غالبًا ما نحتاج إلى السياق. على سبيل المثال، في فصل يضم حوالي 30 شخصًا، إذا كان هناك شخصان يحملان نفس الاسم الإنجليزي (ترجمة Pinyin)، يصبح من الصعب الترجمة بينهما. نحتاج إلى معلومات إضافية، مثل مظهرهم الخارجي.
ومع ذلك، في سياقات معينة—مثل مدونة شخص ما، أو منصة محاضرات، أو قائمة جهات اتصال المستخدم—تصبح قائمة الأسماء المستهدفة المحتملة أصغر بكثير. في هذه الحالات، يمكن للذكاء الاصطناعي أن يترجم بشكل مثالي.
لذلك، يجب علينا تعريف هذه القواعد في استدعاءات API الخاصة بنا. لا تغير الناتج؛ قم بإصلاح السبب الجذري بدلاً من تعديل المحتوى المؤقت الذي تم إنشاؤه. ركز على إصلاح السبب، وليس النتيجة.
محررات الأكواد الذكاء الاصطناعي أذكى من روبوتات الدردشة الذكاء الاصطناعي لأن لديها سياقًا أكبر. وهذا يسمح لها بالاستدلال بشكل أفضل حول مخرجاتها.
ينطبق الأمر نفسه على الصور والصوت والفيديو. يجب أن توفر هذه الأدوات سياقًا أوسع. على سبيل المثال، إذا تم تزويد أدوات الذكاء الاصطناعي بمجموعة من مقاطع الفيديو والمقاطع الصوتية والبودكاست، يمكنها إنشاء مقاطع جديدة بشكل أكثر فعالية.
هذا يشبه RAG (التوليد المعزز بالاسترجاع). بالنسبة لأدوات إنشاء الذكاء الاصطناعي، يجب أن تحقق توازنًا — بحيث تنتج نتائج ليست محددة للغاية ولا عامة للغاية. ومع ذلك، يجب أن تقدم أدوات أو وظائف لجعل النتائج أكثر تحديدًا. على سبيل المثال، ChatGPT لديه وظيفة المشاريع التي تتيح لك تحميل الملفات ثم التفاعل معها. تحتاج أدوات الإنشاء الأخرى إلى ميزات مماثلة.