قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
Chain of Thought
Technique de prompting qui encourage le modèle à expliciter son raisonnement étape par étape avant de fournir la réponse finale. Cette approche améliore la précision des réponses sur des tâches complexes nécessitant un raisonnement logique séquentiel.
Top-p Sampling
Méthode d'échantillonnage nucléaire qui limite la sélection des tokens aux plus probables cumulant une probabilité totale p. Cette technique équilibre entre cohérence et créativité en évitant les choix de mots très improbables tout en maintenant une certaine diversité.
Prompt Chaining
Technique consistant à utiliser la sortie d'un prompt comme entrée pour le prompt suivant, créant ainsi une séquence logique d'interactions. Cette approche permet de décomposer des tâches complexes en étapes plus simples et gérables pour le modèle.
Instruction Following
Capacité d'un modèle de langage à comprendre et exécuter précisément des instructions complexes données en langage naturel. Cette compétence est fondamentale pour l'interaction efficace entre humains et systèmes d'IA dans des applications pratiques.
Role Prompting
Technique consistant à assigner un rôle ou une persona spécifique au modèle pour orienter son style de réponse et son perspective. Cette approche permet d'obtenir des réponses plus cohérentes avec le contexte ou le domaine d'expertise souhaité.
System Prompt
Instruction initiale qui définit le comportement, les contraintes et les directives générales du modèle pour toute la conversation. Ce prompt établit le cadre de référence dans lequel le modèle opérera lors des interactions ultérieures.
Prompt Injection
Vulnérabilité où des utilisateurs malveillants manipulent les prompts pour contourner les restrictions ou modifier le comportement attendu du modèle. Cette technique représente un défi majeur de sécurité dans les applications basées sur les modèles de langage.
In-Context Learning
Capacité d'un modèle à apprendre et s'adapter à de nouvelles tâches directement à partir des exemples fournis dans le prompt, sans modification de ses poids. Cette propriété permet une flexibilité remarquable dans l'utilisation des modèles de langage.
تفكيك المطالبة
تقنية تتضمن تقسيم طلب معقد إلى مطالبات فرعية أبسط وأكثر قابلية للإدارة للنموذج. يعزز هذا النهج دقة وموثوقية الردود على المهام متعددة الجوانب.
قوالب المطالبة
هياكل محددة مسبقًا للمطالبات تحتوي على أماكن محجوزة متغيرة، مما يسمح بتوليد متسق وفعال للتوجيهات المماثلة. توحد هذه القوالب التفاعلات وتسهل أتمتة المهام المتكررة.
التحقق من صحة المطالبة
عملية التحقق من جودة واتساق وفعالية المطالبة قبل نشرها أو استخدامها على نطاق واسع. تضمن هذه الخطوة الحاسمة أداءً موثوقًا ومتوقعًا للنموذج.
تحسين المطالبة
مجموعة من التقنيات التي تهدف إلى تحسين فعالية المطالبات بشكل منهجي لتعظيم جودة استجابات النموذج. يمكن أن يشمل هذا التحسين تعديلات في الصياغة والهيكل والمعلمات.
إصدارات المطالبة
ممارسة تتبع وإدارة الإصدارات المختلفة للمطالبة للحفاظ على سجل تاريخي للتعديلات وتسهيل مقارنات الأداء. هذا النهج ضروري للتحسين المستمر للأنظمة القائمة على الذكاء الاصطناعي.
إدارة حد الرموز
استراتيجية إدارة قيود الرموز لتحسين استخدام نافذة السياق للنموذج. تتضمن هذه التقنية الملخص التلقائي وضغط المعلومات والاختيار المناسب للبيانات المراد تضمينها.