بوت کمپ مهندسی پرامپت (کار با LLMs) - صفر تا تسلط

بررسی دوره

در این دوره می آموزید که چگونه با LLMs و هوش مصنوعی کار کنید. ما به شما تضمین می‌ کنیم که این جامع‌ ترین، بروزترین و بهترین دوره آنلاین بوت‌ کمپ مهندسی است و برای یادگیری مهارت‌ های مورد نیاز برای قرار گرفتن جز 10 درصد از کسانی که از هوش مصنوعی واقعی استفاده می‌ کنند، شامل همه مطالب مورد نیاز است.

آنچه یاد خواهید گرفت:

•  اصول پرامپت نویسی و کاربردهای عملی آن، از جمله مثال های واقعی از ناسا و کریسپر را می آموزید.
•  از طریق تمرینات عملی، تجربه عملی و درک عمیق تری از نحوه کار LLMs (و نحوه عملکرد آن ها) به دست می آورید.
•  یاد می گیرید که از LLMs متن بسته پیشرو مانند GPT-4o و Claude Opus استفاده کنید و حتی LLMs متن باز خود را راه اندازی کنید.
•  تسلط به تکنیک های پرامپت نویسی تجربی اثبات شده برای بهبود اثربخشی و سودمندی تعاملات خود با LLMs
• اعمال مهارت های خود در سناریوهای واقعی از طریق پروژه های متعدد هدایت شده و هدایت نشده که به شما می آموزد مهارت های خود را به کار ببرید.
• با آخرین پیشرفت‌ های هوش مصنوعی و مهندسی پرامپت، با بروزرسانی مداوم دوره‌ ها، بروز می مانید تا مطمئن شوید همیشه در لبه پیشرفت هستید.

دنیا پر از هیاهوی هوش مصنوعی می باشد که در آن جارو شدن آسان است.

اما بحث واقعی اینجاست: مهندسی پرامپت (حداقل برای اکثریت قریب به اتفاق مردم) یک شغل مستقل نیست.

با این حال، مهندسی پرامپت یک مجموعه مهارت حیاتی است که شما باید در سال های آینده بدانید.

هوش مصنوعی کار شما را نمی گیرد. اما کسی که می داند چگونه از هوش مصنوعی برای انجام بهتر، سریع تر و موثرتر کار شما استفاده کند، کار شما را می گیرد.

درست همانطور که باید بدانید که چگونه از مایکروسافت ورد و اکسل برای کار در محیط اداری مدرن استفاده کنید، باید بدانید که چگونه LLMs را پرامپت نویسی کرده و با آن ها کار کنید.

یادگیری مهندسی پرامپت درها را به روی فرصت ها در هر شغلی باز می کند. یادگیری نحوه صحیح کار با LLMs تضمین می کند که خود را از افرادی که برای شغل با آن ها رقابت می کنید متمایز می کنید.

این دوره 6 اصل اساسی را آموزش می دهد:

• تحقیقات تجربی و مطالعات همتا:

این دوره بر علم پشت پرامپت نویسی و کار با LLM متمرکز است، نه تبلیغات

بنابراین، آنچه را که محققان هوش مصنوعی در دانشگاه‌ ها و شرکت‌ های پیشرو مانند OpenAI و Google DeepMind و Anthropic انجام می‌ دهند را برای بهبود و پیاده سازی پرامپت های خود بررسی خواهیم کرد.

• دموها و تمرینات عملی:

شما واقعا نمی توانید کار با LLMs را یاد بگیرید مگر اینکه واقعا با آن ها کار کنید. به همین دلیل است که این بوت کمپ پر از تمرین هایی است که به شما امکان می دهد آماده شده و محدودیت های کاری را که LLM می توانند انجام دهند را تست کنید.

• پروژه های هدایت شده و هدایت نشده:

اعمال مهارت های خود و ساخت موردی واقعی و مفید - نه تنها احساس بسیار خوبی دارد، بلکه بهترین راه برای تقویت دانش شما است و به شما امکان می دهد آن را در سناریوهای واقعی خود به کار ببرید.

به همین دلیل این دوره دارای پروژه های هدایت شده و هدایت نشده متعددی است که به شما امکان می دهد که این کار را انجام دهید.

• فرصت استفاده از مدل های متن بسته و متن باز پیشرو:

این دوره به گونه ای طراحی شده که به شما امکان می دهد از هر LLM که ترجیح می دهید، چه رایگان و چه پولی استفاده کنید. حتی به شما نشان داده می شود که چگونه LLMs متن باز خود را که به صورت محلی در کامپیوتر شما اجرا می شوند دانلود و راه اندازی کنید.

• ابزارها و تکنیک های پیشرفته:

مهندسی پرامپت در هسته آن بسیار اساسی است - یک سوال بپرسید و پاسخ بگیرید.

اما این دوره بسیار فراتر از مبانی است، به طوری که شما تکنیک های تایید شده تجربی را یاد می گیرید که سودمندی و اثربخشی پرامپت های شما را افزایش می دهد.

این امر به شما امکان می دهد که برنامه های کوچک کامپیوتری را با استفاده از هیچ چیزی جز زبان طبیعی (یک پرامپت) ایجاد کنید. اگر از LLMs برای کار یا برای تقویت اپلیکیشن های هوش مصنوعی خود استفاده می کنید، بسیار مهم است.

• آخرین اطلاعات و بروزرسانی ها:

دنیای هوش مصنوعی هر هفته با اطلاعات جدید به سرعت در حال پیشرفت است. ما متعهد هستیم که دائما این دوره را بروز کنیم تا شما آخرین اطلاعات را یاد بگیرید و بتوانید در لبه پیشرفت بمانید.

در حالی که برخی از دوره‌ ها ممکن است نوید ماه را بدهند، ما اینجا هستیم تا آن را ثابت کنیم.

دوره ما به گونه ای طراحی شده که شما را با مهارت های عملی و هدفمند مورد نیاز برای تعامل موثر با LLMs مسلح کند.

چه هدفتان افزایش بهره‌ وری، ارتقای پروژه‌ های خلاقانه یا توسعه راه‌ حل‌ های فنی هوشمندانه‌ تر باشد، درک تفاوت‌ های ظریف ایجاد پرامپت ها بسیار مهم است.

مهندسی پرامپت چیست و چرا مفید است؟

مهندسی پرامپت مهارت برقراری ارتباط موثر با هوش مصنوعی برای به حداکثر رساندن کاربرد و دقت آن است.

فکر کنید که به شما می‌ آموزد نجواگر هوش مصنوعی باشید، صحبت کردن به زبانی که تغییرات به ظاهر کوچک می‌ تواند کیفیت نتایجی را که از مدل‌ های زبان بزرگ مانند ChatGPT و Claude و Llama به دست می‌ آورید را به شدت تغییر دهد.

چرا مهم است؟

زیرا توانایی تیونینگ دقیق تعاملات شما می تواند تفاوت بین دریافت یک پاسخ عمومی و کشف بینش های واقعا ارزشمند باشد.

چه توسعه‌ دهنده، بازاریاب، یک محقق یا صرفا علاقه مند به هوش مصنوعی باشید، تسلط به پرامپت نویسی به شما امکان می‌ دهد که هوش مصنوعی را با اطمینان بیشتر و خلاقانه‌ تر هدایت کنید.

در اینجا آنچه که این بوت کمپ مهندسی پرامپت پوشش می دهد بیان شده است:

بیایید به جزئیات دقیق آنچه در این مهندس پرامپت یاد خواهید گرفت بپردازیم.

بخش 1 - آشنایی با مهندسی پرامپت

ما با نگاهی عمیق به تعریف و اهمیت مهندسی پرامپت شروع خواهیم کرد.

ما دلیل وجود آن، کاربردهای عملی و مطالعات موردی واقعی، از جمله نحوه به کارگیری آن توسط ناسا را ​​بررسی خواهیم کرد.

شما یاد می گیرید که به طور انتقادی نقش مهندسی پرامپت را در زندگی خود ارزیابی کنید و با بحث های جاری در این زمینه تعامل داشته باشید.

بخش 2 - انتخاب LLM خود

وقت آن است که LLM خود را انتخاب کنید. این مانند زمانی است که جیمز باند از Q بازدید می کند و می تواند انتخاب کند که از کدام ابزارهای پیشرفته برای ماموریت خود استفاده کند.

ما گزینه های شما را برای استفاده از LLMs پیشرو، از جمله امکان انتخاب گزینه های رایگان یا پولی برای شما را بررسی خواهیم کرد.

شما ابزارهایی که مدرس ترجیح می دهد، از جمله زمین بازی OpenAI را تماشا خواهید کرد. این بخش همچنین قابلیت های متنوع LLMs از جمله ویژگی های چندوجهی را پوشش می دهد.

شما همچنین می توانید انتخاب کنید که از LLM متن باز برای این دوره استفاده کرده و فضای کاری خود را برای انجام این کار راه اندازی کنید.

بخش 3 - پروژه هدایت شده - ساخت اولین بازی خود (بازی مار)

شما حتی یاد نگرفته‌ اید که چگونه پرامپت نویسی کنید، اما وقت آن رسیده که شروع به کار کنید.

این یک استراتژی است - ما می خواهیم که شما در مورد نحوه کار این LLMs و میزان شهودی بودن آن ها را (قبل از اینکه به شما آموزش دهیم چقدر غیر شهودی می توانند باشند) درک کنید.

بنابراین شما ابتدا با استفاده از LLM انتخابی خود وارد کدنویسی بازی کلاسیک مار خواهید شد.

بخش 4 - پروژه هدایت نشده - ساخت دومین بازی خود (بازی دوز با حریف هوش مصنوعی)

وقت آن است که چرخ های تمرینی خود را بردارید که به شما اجازه می دهد بدون راهنمایی با کدنویسی بازی دوره با حریف هوش مصنوعی تنها با استفاده از LLM یک بازی بسازید.

بخش 5 - LLMs چگونه عمل می کنند؟

برای اینکه واقعا با LLMs به طور موثر کار کنید، باید بدانید که آن ها واقعا چگونه در under the hood کار می کنند. بنابراین ما همه موارد را به شیوه ای مبتدی و بدون نیاز به تخصص فنی توضیح خواهیم داد.

شما بررسی می کنید که آیا این مدل‌ ها ماشین‌ های حدس‌ زن کلمات هستند و سپس با مدل ترنسفرمر breakthrough که این فناوری را فعال می‌ کند و معماری پشت GPT آشنا شده و مدل‌ های اولیه را با همتایان دقیقا تیونینگ شده خود مقایسه خواهید کرد.

سپس تمرینات جذابی را انجام می دهید تا به شما در مصورسازی معماری LLM و درک فرآیند آموزش کمک کند.

ما حتی از روی پل بالقوه هوش عمومی مصنوعی (AGI) گذر خواهیم کرد تا بتوانید نظرات خود را شکل دهید و با اطمینان در مورد هوش مصنوعی صحبت کنید.

بخش 6 - چارچوب پرامپت نویسی ما

ما با معرفی چارچوبی که یاد می گیریم، یک رویکرد ساختاریافته برای تعامل با LLMs در پیش خواهیم گرفت و شما می توانید از آن برای ایجاد پرامپت های دقیق و جامع استفاده کنید،.

بعلاوه، شما به «کتابخانه پرامپت» دسترسی خواهید داشت، منبعی که با انواع پرامپت های پر شده که شما را با مثال های عملی برای تقویت مهارت های خود در مهندسی پرامپت مجهز می کند.

بخش 7 - اصول پرامپت نویسی - راه اندازی

در اینجاست که ما به نحوه ایجاد پرامپت های موثر می پردازیم.

مباحث شامل:

• درک «پیام سیستم»
• اهمیت کانتکس در LLMs
• مفهوم «پرسونا ها و نقش ها» برای اصلاح لحن، سبک و صدای پرامپت ها
• و تمرینات خلاقانه ای مانند نوشتن فیلمنامه برای اعمال این مفاهیم

شما حتی با بررسی محدودیت‌ های توانایی‌ های LLM برای حفظ محرمانگی، مهارت‌ های جدید خود را تست خواهید کرد.

بخش 8 - اصول پرامپت نویسی - دستورالعمل

این بخش نگاهی دقیق به ایجاد پیام های کاربر دارد که LLMs می توانند با دقت تفسیر کنند.

شما در مورد اهمیت وضوح و ویژگی و نحوه استفاده از delimiters برای ساختاردهی اطلاعات، نحوه غلبه بر محدودیت های انسانی (بله، ما نیز آن ها را داریم!) یاد می گیرید تا اطمینان حاصل کنید که پرامپت های شما موثر هستند.

شما همچنین شروع به یادگیری تکنیک‌ های پرامپت نویسی تجربی تأیید شده‌ ای خواهید کرد، از جمله پرامپت نویسی صفر و یک و چند شات و زنجیره افکار که دستیابی به پاسخ‌ های منسجم‌ تر و آگاهانه‌ تر از هوش مصنوعی را موجب می شود.

بخش 9 - پروژه هدایت شده - کوچ شغلی خود را ایجاد کنید.

وقت یک پروژه دیگر است. این پروژه جالب ترین مورد تا به الان است.

شما از تمام مهارت‌ هایی که تاکنون یاد گرفته‌ اید برای ایجاد یک پرامپت واحد و جامع استفاده خواهید کرد که کوچ شغلی شخصی شما را ایجاد می‌ کند تا به شما در یادگیری پایتون (یا هر موضوعی که ترجیح می‌ دهید) کمک کند.

این کوچ شغلی شامل حالت های مختلفی است که می توان آن ها را فراخوانی کرد، از جمله:

• حالت یادگیری که استفاده از تکنیک فاینمن را به شما آموزش می دهد.
• حالت آزمون که آزمون هایی را در مورد یک مبحث ایجاد می کند.
• حالت چالش که چالش‌ های کدنویسی شخصی‌ سازی شده را ایجاد کرده و بازخورد پاسخ‌ های شما را ارائه می‌ کند و حتی یک سیستم امتیاز XP را برای گمیفای و ایجاد انگیزه در یادگیری شما معرفی می‌ کند.

بخش 10 - اصول پرامپت نویسی - خروجی

این بخش روی آنچه بعد از زدن «enter» می آید تمرکز می کند: پاسخ مدل

شما یاد می گیرید که چگونه طول و فرمت خروجی های LLM را مدیریت کرده و تحت تاثیر قرار دهید و اطمینان حاصل کنید که آن ها نیازهای خاص شما را برآورده می کنند.

تمرینات عملی شما را از طریق تولید خروجی های ساختاریافته، مانند فایل های اکسل و فلوچارت ها راهنمایی می کند.

این بخش همچنین به تکنیک‌ های پیشرفته‌ مانند Jailbreaking و تزریق پرامپت می‌ پردازد و محدودیت‌ های (خوب و بد) نحوه شکل‌ دهی کاربران به ماهیت و جهت خروجی‌ ها را به شما آموزش می‌ دهد.

بخش 11 - هایپرپارامترهای LLM و زمین بازی OpenAI

این بخش همه موارد درباره بهینه سازی شماره گیری ها و سوئیچ هایی که رفتار مدل های زبانی را کنترل می کنند توضیح می دهد و با معرفی زمین بازی OpenAI شروع می شود که به شما امکان می دهد این شماره گیری ها و سوئیچ ها را کنترل کنید.

شما با تنظیمات «دما» و «P برتر» برای تنظیم خلاقیت و قاطعیت پاسخ‌ ها و همچنین «جریمه های حضوری و تکراری» برای اصلاح ارتباط خروجی و استفاده از «دنباله های توقف» برای مدیریت مکان و زمان پایان پاسخ‌ های هوش مصنوعی آشنا خواهید شد.

این بخش برای کسی که به دنبال راه اندازی LLM با تسک ها و اولویت های خاص خود است، مبحثی کلیدی است.

بخش 12 - پرامپت نویسی با ایجنت های مستقل (AutoGPT)

در اینجا با آینده هوش مصنوعی و مدل‌ های زبانی بزرگ آشنا خواهید شد: ایجنت های مستقل

این ایجنت ها به شما امکان می دهند که یک پرامپت را وارد کنید و سپس برای انجام تسک خود با پرامپت محدود یا بدون پرامپت نویسی بیشتر، پیش بروید.

شما یاد می گیرید که ایجنت مستقل خود را راه اندازی کنید و سپس تسک هایی مانند ایجاد یک وب سایت ساده و توسعه برنامه پایتون برای چک کردن پالیندروم ها را تکمیل کنید.

سپس شما ایجنت های مستقل را در تسکی که خودتان انتخاب می‌ کنید، تست می‌ کنید که مربوط به شغل شما است.

این بخشی است که نمی توان آن را از دست داد و برای کسی است که می خواهد آینده هوش مصنوعی را درک کند.

بخش 13 - استفاده از مدل های متن باز

مدل‌ های متن باز به سرعت در حال رشد هستند و به قابلیت‌ های مشابه مدل‌ های متن بسته شرکت‌ های پیشرو هوش مصنوعی مانند OpenAI و Anthropic نزدیک می‌ شوند.

این بخش با توضیح اهمیت این مدل‌ ها و تأثیر آن‌ ها بر حوزه هوش مصنوعی، از جمله Chatbot Arena Leaderboard که در آن می‌ توانید مدل‌ های مختلف را در برابر یکدیگر قرار دهید، آغاز می‌ شود.

اما این همه ماجرا نیست. شما همچنین یاد می گیرید که از LMStudio برای دانلود و راه اندازی LLM متن باز خود به صورت محلی در کامپیوتر خود استفاده کنید، که به شما امکان می دهد بدون نگرانی در مورد اشتراک گذاری اطلاعات خصوصی، بدون حفاظ های سختگیرانه و بدون محدودیت نرخ، از LLM استفاده کنید.

بخش 14 - تکنیک‌ های پرامپت نویسی پیشرفته

این بخش شامل فرآیندهای گام به گام برای استفاده از برخی از تکنیک های پرامپت نویسی پیشرو و تجربی اثبات شده برای بهبود کاربرد LLMs است.

ما حتی به مقالات تحقیقاتی که این تکنیک‌ ها را کشف کرده‌ اند نیز می‌ پردازیم. بعلاوه، با کشف تکنیک های جدید، این بخش به طور مداوم بروز می شود و گسترش می یابد.

بخش 15 - پروژه هدایت نشده - ساخت بازی سوم خود (Flappy Bird)

یک بار دیگر زمان آن است که شروع به کار عملی کنید.

شما قبلا چند بازی ساده با استفاده از کدهای تولید شده توسط LLM ساخته‌ اید، اما اکنون زمان آن رسیده که از تمام مهارت‌ های خود استفاده کنید و مورد پیچیده‌ تری ایجاد کنید: بازی Flappy Bird

این کار مستلزم تخصیص زمان قابل توجه و تکرار پرامپت ها است، اما شما از آنچه می توانید با مهارت های خود به دست آورید شگفت زده خواهید شد.

بخش 16 - تست پرامپت و ارزیابی مدل

کارآمد بودن در مهندسی پرامپت به این معنا است که بتوانید پرامپت های خود را تست کرده و آنچه را که در مدل‌ های مختلف بهترین عملکرد را دارد ارزیابی کنید. دلیل آن این است که شرکت‌ ها به دنبال پرامپت ها و مدل‌ هایی هستند که خروجی‌ های قابل اعتمادی را ارائه دهند.

در این بخش متدلوژی های مختلف تست و ارزیابی از جمله درجه‌ بندی مبتنی بر کد، درجه‌ بندی انسانی و درجه‌ بندی مبتنی بر مدل را بررسی خواهید کرد.

بعلاوه، ما به تحقیقاتی خواهیم پرداخت که مزایا و معایب LLMs را به عنوان داور در ارزیابی خروجی ها نشان می دهد. این بخش برای کسی که به دنبال تسلط به جنبه های کنترل کیفیت کار با LLMs است ضروری است.