مهندسی پرسش به معنای طراحی ورودیهایی برای ابزارهای هوش مصنوعی است که بهترین خروجیها را تولید کنند.
فرض کنید میخواهید برای شام اسپاگتی مارینارا درست کنید. استفاده از سس آماده هیچ ایرادی ندارد، اما اگر گوجهفرنگی و ریحان تازه را از بازار کشاورزان بخرید و خودتان سس درست کنید، احتمالاً طعم بهتری خواهد داشت. حالا تصور کنید که مواد اولیه را در باغ خود پرورش دهید و حتی پاستای تازه را خودتان درست کنید. این یک سطح کاملاً جدید از خوشمزگی خواهد بود!
همانطور که مواد اولیه بهتر، غذای خوشمزهتری را به ارمغان میآورند، ورودیهای بهتر در یک مدل هوش مصنوعی مولد (Gen AI) نیز میتوانند نتایج بهتری ایجاد کنند. این ورودیها پرامپت یا پرسشهای هوش مصنوعی نامیده میشوند و فرآیند نوشتن آنها را مهندسی پرامپت یا مهندسی پرسش مینامند. مهندسان ماهر در این حوزه، ورودیهایی را طراحی میکنند که به بهترین شکل ممکن با سایر ورودیها در یک ابزار هوش مصنوعی مولد تعامل داشته باشند. این ورودیها به مدل کمک میکنند تا پاسخهای بهتری ارائه دهد، به این معنی که مدل میتواند وظایف خود را با کیفیت بالاتری انجام دهد—از جمله نوشتن ایمیلهای بازاریابی، تولید کد، تحلیل و ترکیب متن، تعامل با مشتریان از طریق چتباتها، خلق هنر دیجیتال، آهنگسازی، و بسیاری کاربردهای دیگر که ممکن است به صدها یا حتی هزاران مورد برسد.
هوش مصنوعی مولد نقش مهمی در آینده کسبوکار و جامعه ایفا خواهد کرد. اما مهندسی پرسش در این میان چه جایگاهی دارد؟ و چگونه میتوان یک پرسش نوشت و ساختار پرامپت خوب چگونه است؟ برای یافتن پاسخ، ادامه مطلب را بخوانید.
در این مقاله موضوعات زیر بررسی میشود:
- هوش مصنوعی مولد چیست؟
- چگونه سازمانها از هوش مصنوعی مولد استفاده میکنند؟
- چگونه میتوان مهارتهای مهندسی پرامپت (مهندسی پرسش) را توسعه داد؟
- هوش مصنوعی مولد چگونه بر نیروی کار تأثیر میگذارد؟
- آیا سازمانها در حال استخدام مهندسان پرامپت هستند؟
- آیا استخدام مهندسان پرامپت به معنای از دست رفتن شغل کارکنان فعلی است؟
- چگونه مهندسی پرامپت میتواند به سازمانها مثلاً بانکها در ارائه خدمات کارآمدتر به مشتریان کمک کند؟
- نتیجهگیری
هوش مصنوعی مولد چیست؟
ابتدا یک مرور کلی بر هوش مصنوعی مولد (Gen AI) داشته باشیم. مدلهای هوش مصنوعی مولد معمولاً با استفاده از مدلهای پایه ساخته میشوند. این مدلها شامل شبکههای عصبی مصنوعی گستردهای هستند که از میلیاردها نورون متصل در مغز انسان الهام گرفته شدهاند.
مدلهای پایه بخشی از یادگیری عمیق محسوب میشوند، که به لایههای عمیق متعدد در شبکههای عصبی اشاره دارد. یادگیری عمیق بسیاری از پیشرفتهای اخیر در هوش مصنوعی را ممکن ساخته است. مواردی که احتمالاً همین حالا از آنها استفاده میکنید، مانند الکسا یا سیری. اما مدلهای پایه یک تحول مهم در یادگیری عمیق به شمار میآیند. برخلاف مدلهای یادگیری عمیق قدیمی، مدلهای پایه قادرند مجموعههای عظیم و متنوعی از دادههای بدون ساختار را پردازش کنند.
هوش مصنوعی که بر اساس این مدلها آموزش دیده باشد، میتواند وظایفی مانند پاسخ به سؤالات، طبقهبندی، ویرایش، خلاصهسازی و تولید محتوای جدید را انجام دهد.
کسبوکار شما، رتبه یک گوگل با خدمات سئو آژانس میم برندینگ!
در دنیای دیجیتال، حضور در صفحه اول گوگل دیگر یک انتخاب نیست، بلکه یک ضرورت است! آژانس میم برندینگ با ارائه خدمات حرفهای سئو، کسبوکار شما را به جایگاههای برتر موتورهای جستجو میرساند.
چرا سئو مهم است؟
همانطور که در مقاله ما درباره هوش مصنوعی و مهندسی پرامپت (پرسش) خواندید، ورود فناوریهای نوین مانند Gen AI در کسبوکارها باعث رقابتیتر شدن فضای دیجیتال شده است. بهینهسازی سایت شما برای موتورهای جستجو (SEO) دقیقاً همان چیزی است که به شما کمک میکند در این رقابت پیشرو باشید!
خدمات سئو آژانس میم برندینگ شامل:
تحلیل و بهینهسازی سایت برای بهبود رتبه در گوگل تولید محتوای سئو شده با استفاده از کلمات کلیدی استراتژیک لینکسازی اصولی برای افزایش اعتبار سایت بهینهسازی فنی (Technical SEO) برای افزایش سرعت و بهبود تجربه کاربری
هوش مصنوعی در حال متحول کردن بازار کار است، اما هنوز هم مهمترین فاکتور در موفقیت دیجیتال، دیده شدن در گوگل است! با خدمات سئوی ما، شما میتوانید مخاطبان بیشتری را جذب کرده و فروش خود را افزایش دهید.
همین حالا برای مشاوره رایگان با ما تماس بگیرید و سئو را به تیم حرفهای میم برندینگ بسپارید!
چگونه سازمانها از هوش مصنوعی مولد استفاده میکنند؟
توسعه یک مدل هوش مصنوعی مولد (Gen AI) از صفر، به حدی پرهزینه و پیچیده است که برای بیشتر شرکتها غیرممکن به نظر میرسد. به همین دلیل، سازمانهایی که قصد دارند ابزارهای هوش مصنوعی مولد را در مدلهای کسبوکار خود ادغام کنند، معمولاً دو راهکار دارند:
- استفاده از مدلهای آماده هوش مصنوعی مولد.
- شخصیسازی یک مدل موجود با آموزش آن بر اساس دادههای اختصاصی خود.
برخی سازمانها، از جمله مککنزی، ابزارهای اختصاصی هوش مصنوعی مولد خود را توسعه دادهاند. به عنوان مثال:
- مورگان استنلی یک ابزار Gen AI راهاندازی کرده است تا مشاوران مالی بتوانند از بیش از 100,000 گزارش تحقیقاتی شرکت، بینشهای بهتری به دست آورند.
- دولت ایسلند با OpenAI همکاری کرده است تا به حفظ زبان ایسلندی کمک کند.
- شرکت Salesforce فناوری هوش مصنوعی مولد را در پلتفرم مدیریت ارتباط با مشتری (CRM) خود ادغام کرده است.
- ابزار Lilli مککنزی امکان جستجو و تحلیل بهینه اطلاعات را فراهم میکند و به مشتریان کمک میکند تا بهترین بینشها، راهکارهای فناوری و قابلیتهای موجود را به دست آورند.
این نمونهها نشان میدهند که چگونه سازمانهای بزرگ از هوش مصنوعی مولد برای بهبود بهرهوری، افزایش کارایی و ارائه خدمات بهتر استفاده میکنند.
مقالات مرتبط : مقایسه RAG با فاینتونیگ و مهندسی پرامپت
چگونه میتوان مهارتهای مهندسی پرسش را توسعه داد؟
دریافت خروجیهای باکیفیت از هوش مصنوعی مولد کار پیچیدهای نیست، اما نیاز به صبر و تکرار دارد. درست مانند زمانی که از یک انسان درخواست میکنید، ارائه دستورالعملهای مشخص و واضح همراه با مثالهای دقیق، احتمال دریافت پاسخهای مناسب را افزایش میدهد. در مقابل، دستورهای مبهم معمولاً خروجیهای ضعیفتری خواهند داشت.
هوش مصنوعی مولد چگونه بر نیروی کار تأثیر میگذارد؟
بر اساس آخرین تحقیقات مککنزی، هوش مصنوعی مولد میتواند عملکرد را در بخشهایی مانند فروش و بازاریابی، پشتیبانی مشتری، توسعه نرمافزار و بسیاری حوزههای دیگر بهبود بخشد. در نتیجه، این فناوری میتواند سالانه تا 4.4 تریلیون دلار به اقتصاد جهانی اضافه کند و بر صنایعی از بانکداری گرفته تا علوم زیستی تأثیر بگذارد.
با این حال، پیشرفتهای ناشی از Gen AI باعث تغییر در بازار کار نیز خواهند شد. یکی از نقاط قوت هوش مصنوعی مولد این است که میتواند تقریباً به همه افراد در انجام وظایف شغلیشان کمک کند. اما همین موضوع یکی از بزرگترین چالشهای این فناوری نیز محسوب میشود.
تحقیقات مککنزی نشان میدهد که هوش مصنوعی مولد و سایر فناوریها میتوانند فعالیتهای کاری را که امروزه تا 70 درصد از زمان کارکنان را میگیرند، خودکار کنند. این امر تا حد زیادی به توانایی Gen AI در تشخیص الگوهای موجود در زبان طبیعی بستگی دارد.
در نتیجه، بیشترین تأثیر این فناوری بر مشاغلی خواهد بود که نیاز به تحصیلات بالاتر و دستمزدهای بالاتری دارند. نکته مهمتر این است که این تغییر با سرعت زیادی رخ خواهد داد. مککنزی پیشبینی میکند که 50 درصد از فعالیتهای کاری امروزی بین سالهای 2030 تا 2060 خودکار خواهند شد—یعنی حدود یک دهه زودتر از برآوردهای قبلی.
پیشرفتهای هوش مصنوعی مولد (Gen AI) تغییرات بزرگی را در بازار کار به همراه خواهند داشت. این فناوری میتواند تا سال 2040، رشد بهرهوری نیروی کار را تا 0.6 درصد در سال افزایش دهد. اما این موضوع به سرعت پذیرش فناوری توسط سازمانها و نحوه تخصیص مجدد زمان کارکنان بستگی دارد.
کارمندانی که مهارتهایشان در معرض خودکارسازی قرار دارد، به حمایت در یادگیری مهارتهای جدید نیاز خواهند داشت. برخی نیز ممکن است برای تغییر شغل نیاز به پشتیبانی داشته باشند. بنابراین، موفقیت در این تحول وابسته به توانایی سازمانها در انطباق نیروی کار با فناوریهای نوین خواهد بود.
آیا سازمانها در حال استخدام مهندسان پرامپت هستند؟
بر اساس آخرین نظرسنجی مککنزی درباره هوش مصنوعی، سازمانها در حال تعدیل شیوههای استخدامی خود برای همسو شدن با اهدافشان در زمینه هوش مصنوعی مولد (Gen AI) هستند که شامل استخدام مهندسان پرامپت نیز میشود.
این نظرسنجی دو تغییر اساسی را نشان میدهد:
- سازمانهایی که از هوش مصنوعی استفاده میکنند، در حال جذب نیرو برای مهندسی پرامپت هستند. 7 درصد از شرکتهایی که AI را به کار گرفتهاند، در این حوزه نیرو استخدام میکنند.
- در مقابل، استخدام مهندسان نرمافزار مرتبط با هوش مصنوعی نسبت به سال 2022 کاهش یافته است. در سال 2023، تنها 28 درصد از سازمانها برای این نقشها نیرو جذب کردهاند، در حالی که این رقم در سال 2022 39 درصد بود.
مقالات مرتبط : چگونه از هوش مصنوعی برای تولید محتوا استفاده کنیم
آیا استخدام مهندسان پرامپت به معنای از دست رفتن شغل کارکنان فعلی است؟
مهندسی پرامپت احتمالاً در سالهای آینده به یکی از دستهبندیهای اصلی استخدامی تبدیل خواهد شد. با این حال، سازمانها فقط به دنبال جذب نیروهای جدید نیستند، بلکه قصد دارند کارکنان فعلی خود را نیز در زمینه هوش مصنوعی آموزش دهند.
- تقریباً 40 درصد از شرکتهایی که هوش مصنوعی را به کار گرفتهاند، انتظار دارند که بیش از یکپنجم نیروی کارشان نیاز به مهارتآموزی مجدد داشته باشد.
- در مقابل، تنها 8 درصد از سازمانها پیشبینی میکنند که بیش از یکپنجم نیروی کارشان کاهش یابد.
این دادهها نشان میدهد که بسیاری از سازمانها به جای جایگزین کردن نیروها، روی ارتقای مهارتهای آنها سرمایهگذاری خواهند کرد.
چگونه مهندسی پرامپت میتواند به سازمانها مثلاً بانکها در ارائه خدمات کارآمدتر به مشتریان کمک کند؟
مهندسی پرامپت میتواند به بانکها در بهبود بهرهوری و افزایش ارزش تجاری کمک کند. بر اساس تخمینهای مککنزی، ابزارهای هوش مصنوعی مولد (Gen AI) میتوانند تا 4.7 درصد از درآمد سالانه صنعت بانکداری را به بهرهوری بیشتر تبدیل کنند، که معادل 340 میلیارد دلار افزایش درآمد سالانه است. مهندسی پرامپت نقشی کلیدی در تحقق این ارزش دارد.
یک نمونه کاربردی در بانکداری
تصور کنید یک بانک شرکتی بزرگ میخواهد با استفاده از Gen AI، بهرهوری مدیران ارتباط با مشتری (RMs) را افزایش دهد. این مدیران زمان زیادی را صرف بررسی اسناد حجیم مانند گزارشهای سالانه و متن جلسات مالی میکنند تا از اولویتهای مشتریان خود مطلع بمانند.
بانک برای حل این چالش، سیستمی مبتنی بر مدلهای پایه Gen AI از طریق API طراحی میکند که میتواند اسناد را اسکن کرده و پاسخهای خلاصه و دقیقی به سؤالات مدیران ارائه دهد. برای دریافت دقیقترین پاسخها، بانک مدیران خود را در زمینه مهندسی پرامپت آموزش میدهد. البته، از آنجا که برخی مدلهای هوش مصنوعی اطلاعات نادرست (hallucination) تولید میکنند، بانک باید فرآیندهای اعتبارسنجی نتایج را نیز در نظر بگیرد.
نمونههای واقعی از کاربرد Gen AI در بانکداری
این فقط یک سناریوی فرضی نیست. در سپتامبر 2023، بانک مورگان استنلی دستیار هوش مصنوعی خود را با استفاده از GPT-4 راهاندازی کرد. این ابزار به دهها هزار مدیر ثروت کمک میکند تا اطلاعات را از منابع داخلی بانک جستجو، تحلیل و شخصیسازی کنند.
یک بانک اروپایی نیز یک دستیار مجازی مبتنی بر هوش مصنوعی مولد برای ارائه اطلاعات در حوزه محیط زیست، مسئولیت اجتماعی و حاکمیت شرکتی (ESG) توسعه داده است. این مدل میتواند سؤالات پیچیده را بر اساس پرامپتها پاسخ دهد، منابع هر پاسخ را مشخص کند و حتی اطلاعات را از تصاویر و جداول استخراج کند.
نتیجهگیری
در تمامی این مثالها، هرچه پرامپت (ورودی) بهتر باشد، خروجی دقیقتر و مفیدتر خواهد بود. به همین دلیل، مهندسی پرامپت نهتنها بهرهوری نیروی کار را افزایش میدهد، بلکه ارزش اقتصادی قابلتوجهی نیز برای سازمانها ایجاد میکند.
