تعتبر نماذج الذكاء الاصطناعي (AI) جزءًا لا يتجزأ من سير العمل في العديد من المؤسسات، ولكن استخدامها ليس دائمًا سلسًا. غالبًا ما يواجه المستخدمون صعوبات في صياغة مطالبات الذكاء الاصطناعي الفعالة للحصول على النتائج المرجوة، مما يؤدي إلى إضاعة الوقت والجهد. تعتقد مايكروسوفت أنها وجدت حلاً لهذه المشكلة المتنامية، وهو إطار عمل جديد يهدف إلى تبسيط التفاعل مع هذه النماذج وتحسين الإنتاجية. هذا الحل، المسمى “Promptions” (موجه + خيارات)، يمثل تحولًا في طريقة تفكيرنا في واجهات المستخدم الخاصة بالذكاء الاصطناعي.
تحدي صياغة المطالبات الفعالة: عنق الزجاجة في استخدام الذكاء الاصطناعي
غالبًا ما يركز النقاش حول الذكاء الاصطناعي على قدرته على إنشاء محتوى، سواء كان نصًا أو صورًا. لكن في الواقع، تستخدم العديد من الشركات الذكاء الاصطناعي بشكل أساسي لـ فهم المعلومات – أي لطلب الشرح، أو التوضيح، أو حتى التدريس. هذا الفهم هو جوهر استخدام الأدوات الداخلية للذكاء الاصطناعي.
تخيل سيناريو بسيط: موظف يستخدم نموذج لغة كبير (LLM) لفهم صيغة معقدة في جدول بيانات. قد يحتاج هذا الموظف إلى شرح مبسط، بينما قد يحتاج زميله إلى دليل تفصيلي لتصحيح الأخطاء، وقد يحتاج مدير آخر إلى شرح يمكن استخدامه لتدريب فريق كامل. الطلب نفسه، بصيغته الأصلية، قد لا يكون كافيًا لتلبية هذه الاحتياجات المتنوعة.
توضح مايكروسوفت أن صياغة هذه المطالبات التفصيلية يمكن أن تكون عملية شاقة، وتستهلك وقتًا ثمينًا. غالبًا ما يجد المستخدمون أنفسهم في حلقة مفرغة من التجربة والخطأ، مما يحول ما يجب أن يكون أداة لزيادة الإنتاجية إلى مصدر إحباط وضياع للوقت. هذا “الاستنزاف للموارد” هو ما تسعى مايكروسوفت لمعالجته.
Promptions: واجهة مستخدم جديدة تركز على الخيارات
“Promptions” هو إطار عمل لواجهة المستخدم مفتوح المصدر، يهدف إلى التغلب على صعوبات صياغة مطالبات الذكاء الاصطناعي من خلال استبدال حقول الإدخال النصي التقليدية بعناصر تحكم أكثر دقة وديناميكية. بدلاً من مطالبة المستخدم بكتابة طلب طويل ومعقد، يقوم النظام بتحليل الهدف من السؤال وسجل المحادثات لتقديم خيارات محددة وقابلة للنقر.
على سبيل المثال، عند طلب شرح لصيغة جدول بيانات، قد يعرض النظام خيارات مثل:
- طول الشرح (مختصر، متوسط، مفصل)
- النبرة (رسمية، غير رسمية، تعليمية)
- مجالات التركيز (المفاهيم الأساسية، أمثلة عملية، تحذيرات)
هذه الخيارات تسمح للمستخدم بتحديد احتياجاته بدقة أكبر، دون الحاجة إلى إتقان فن “الهندسة السريعة” (Prompt Engineering). الهدف هو جعل التفاعل مع الذكاء الاصطناعي أكثر سهولة وفعالية، وتقليل الجهد المطلوب للحصول على النتائج المرجوة.
الكفاءة مقابل التعقيد: نتائج الاختبارات
اختبر باحثو مايكروسوفت هذا النهج الجديد من خلال مقارنة عناصر التحكم الثابتة (الخيارات المحددة مسبقًا) مع النظام الديناميكي الذي يقترح الخيارات بناءً على السياق. أظهرت النتائج أن عناصر التحكم الديناميكية جعلت من السهل على المستخدمين التعبير عن تفاصيل مهامهم، مما قلل من الحاجة إلى إعادة صياغة مطالبات الذكاء الاصطناعي بشكل متكرر.
بالإضافة إلى ذلك، شجع النظام المستخدمين على التفكير بشكل أكثر تعمدًا في أهدافهم من خلال تقديم خيارات مثل “هدف التعلم” و”تنسيق الاستجابة”. ومع ذلك، أشار المشاركون أيضًا إلى أن النظام الديناميكي قد يكون أكثر صعوبة في الفهم، وأنهم واجهوا صعوبة في توقع تأثير كل خيار على النتيجة النهائية. هذا يسلط الضوء على التحدي المتمثل في تحقيق التوازن بين البساطة والمرونة في تصميم واجهة المستخدم.
مستقبل التفاعل مع الذكاء الاصطناعي: نحو “الاختيار السريع”
تم تصميم “Promptions” ليكون خفيف الوزن ويعمل كطبقة وسيطة بين المستخدم ونموذج اللغة الأساسي. يتكون النظام من وحدتين رئيسيتين:
- وحدة الخيار: تقوم بتحليل سجل المحادثات والمطالبات لإنشاء عناصر واجهة المستخدم ذات الصلة.
- وحدة الدردشة: تدمج هذه التحديدات لإنتاج استجابة الذكاء الاصطناعي.
أحد الجوانب الهامة في هذا التصميم هو أنه “عديم الحالة”، مما يعني أنه لا توجد حاجة لتخزين البيانات بين الجلسات. هذا يبسط عملية التنفيذ ويخفف من المخاوف المتعلقة بأمان البيانات.
يمثل التحول من “الهندسة السريعة” إلى “الاختيار السريع” خطوة مهمة نحو تحقيق مخرجات أكثر اتساقًا وموثوقية من نماذج الذكاء الاصطناعي. من خلال توجيه نية المستخدم، يمكن للشركات تقليل التباين في الاستجابات وتحسين كفاءة القوى العاملة. تحسين المطالبات هو مفتاح الاستفادة القصوى من هذه التقنيات.
الخلاصة: أداة واعدة، ولكنها تتطلب معايرة
“Promptions” هو إطار عمل واعد لمعالجة التحديات المرتبطة بصياغة مطالبات الذكاء الاصطناعي الفعالة. ومع ذلك، يجب على الشركات أن تنظر إليه على أنه نمط تصميم يجب اختباره وتحسينه ضمن منصاتها الداخلية. يتطلب النجاح معايرة دقيقة لعناصر التحكم الديناميكية، وإدارة فعالة للتعقيد، وفهمًا واضحًا لكيفية تأثير الخيارات المختلفة على النتائج. بالإضافة إلى ذلك، يجب على المؤسسات استكشاف أدوات الذكاء الاصطناعي التوليدي الأخرى لضمان اختيار الحلول الأنسب لاحتياجاتها الخاصة. الاستثمار في تدريب الموظفين على استخدام هذه الأدوات الجديدة هو أيضًا أمر بالغ الأهمية لتحقيق أقصى استفادة من إمكاناتها.