المنهج الدراسي الدرس 124 من 250 · هندسة الأوامر لمهندسي الذكاء الاصطناعي
هندسة الأوامر لمهندسي الذكاء الاصطناعي

التعلم بطلقة واحدة مقابل التعلم بعدة طلقات: متى تعرض الأمثلة

Zero-shot يعني أنك تصف المهمة فقط. Few-shot يعني أنك تضع أيضا عددا من الأمثلة المحلولة قبل المدخلات الحقيقية. عادة ما يرفع Few-shot الجودة، لكنه يكلف tokens وتأخيرا في كل استدعاء، لذا هو قرار وليس رد فعل.

القاعدة التي تصمد في بيئة الإنتاج:

  • إذا لم يكن لديك أمثلة لعرضها، فأنت تعمل بنظام zero-shot حسب التعريف. لا يوجد شيء لإضافته.
  • إذا كانت المهمة تتطلب تنسيق مخرجات محدد (شكل JSON دقيق، أو مجموعة تسميات ثابتة)، فإن الأمثلة هي أرخص طريقة لتحديدها. استخدم أسلوب few-shot.
  • إذا كانت المهمة عبارة عن fuzzy pattern يصعب على الوصف استيعابه (النبرة، تصنيف الحالات الحدية، الأسلوب)، فإن الأمثلة تعلمه بشكل أفضل من النصوص. استخدم طريقة few-shot.
  • خلافاً لذلك، يكفي تعليمات واضحة. ابقَ zero-shot ووفر الـ tokens.

كتلة قليلة الأمثلة، من أجل الحدس، تقوم فقط بتكديس الأمثلة قبل الاستعلام:

Classify the sentiment.
Text: I love it -> positive
Text: total waste -> negative
Text: it is fine -> ?

ستكتب decision layer التي تختار الاستراتيجية. ابنِ choose_strategy(task) حيث task هو dict يحتوي على n_examples_available (int)، وneeds_specific_format (bool)، وis_fuzzy_pattern (bool). أرجع السلسلة النصية "zero-shot" أو "few-shot".

الترتيب مهم: غياب الأمثلة يعني دائماً zero-shot، حتى لو كانت العلامات الأخرى صحيحة، لأنه ليس لديك حرفياً ما تعرضه. فقط عندما توجد أمثلة تدفعك علامتا التنسيق والغموض إلى few-shot. اضغط Run للتصحيح.

دورك

اكتب choose_strategy(task) الذي يعيد "zero-shot" أو "few-shot" من قاموس بمفاتيح n_examples_available (int)، needs_specific_format (bool)، is_fuzzy_pattern (bool). إذا لم تكن هناك أمثلة متاحة، أعد دائماً "zero-shot". خلاف ذلك، أعد "few-shot" عندما تحتاج المهمة إلى تنسيق محدد أو تكون نمطاً غير دقيق، وأعد "zero-shot" عندما لا يكون كلاهما.

هل لاحظت مشكلة في هذا الدرس؟ أبلغ عنها · اسأل عن هذا الدرس

سيفتح هذا التمرين قريبا

أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.