أوامر التلخيص والاستخراج

تُعد نماذج اللغة الكبيرة (LLMs) أدوات قوية لمعالجة كميات هائلة من النصوص. ومن أهم المهام القيّمة التي يمكنك تنفيذها باستخدامها التلخيص والاستخراج.

يساعدك التلخيص على استيعاب الأفكار الرئيسية في المستندات الطويلة بسرعة. أما الاستخراج فيتيح لك تحديد بيانات محددة ومنظمة واستخراجها. إن إتقان هاتين المهارتين يوفر الوقت ويجعل المعلومات قابلة للاستخدام!

التلخيص هو عملية اختصار نص أطول إلى نسخة أقصر، مع التأكد من الاحتفاظ بمعناه الأساسي ومعلوماته الرئيسية. ويمكنك اعتباره إنشاء نظرة عامة موجزة أو مستخلص.

لكتابة مطالبة إلى LLM لإعداد ملخص، تقدم عادةً النص وتعليمات واضحة. على سبيل المثال:

"Summarize the following article: [ARTICLE TEXT]"

يمكنك توجيه LLM لإنتاج ملخصات تلائم احتياجاتك بدقة. كن محددًا في مطالبتك بشأن ما يلي:

• الطول: «في 3 جمل»، «أقل من 100 كلمة»، «ملخص موجز».
• التنسيق: «في نقاط تعداد»، «في فقرة»، «على شكل عنوان رئيسي».
• الأسلوب والنبرة: «لجمهور غير متخصص تقنيًا»، «بنبرة رسمية»، «على هيئة تقرير إخباري».

تساعد التفاصيل المحددة LLM على تقديم المخرجات التي تبحث عنها تمامًا.

لنلخّص فقرة قصيرة عن هندسة المطالبات. إليك كيفية صياغة مطالبتك:

النص المُدخل: «هندسة المطالبات مفهوم في مجال الذكاء الاصطناعي، ولا سيما معالجة اللغة الطبيعية، ويركز على تطوير المطالبات وتحسينها لاستخدام نماذج اللغة بكفاءة في مجموعة واسعة من التطبيقات والموضوعات البحثية. وهي تخصص حديث نسبيًا يوضح أساليب التواصل مع نماذج اللغة الكبيرة لتوجيه سلوكها نحو النتائج المطلوبة دون تعديل أوزان النموذج.»

المطالبة:

"Summarize the following text in one concise sentence: Prompt engineering is a concept in artificial intelligence, especially natural language processing, that focuses on developing and optimizing prompts to efficiently use language models for a wide range of applications and research topics. It's a relatively new discipline, outlining the methods for communicating with LLMs to steer their behavior for desired outcomes without modifying the model's weights."

يتعلق الاستخراج بتحديد أجزاء محددة من المعلومات واستنساخها من نص أكبر. وعلى خلاف التلخيص، فأنت لا تختصر النص، بل تعزل نقاط بيانات أو حقائق أو كيانات معينة.

تشمل مهام الاستخراج الشائعة العثور على الأسماء والتواريخ والمواقع وميزات المنتجات أو المشاعر. وتُعد هذه التقنية أساسية عندما تحتاج إلى تحويل نص غير منظم إلى بيانات منظمة.

عند استخراج المعلومات، يكون من المفيد غالبًا تحديد تنسيق المخرجات المطلوب. فهذا يجعل معالجة البيانات المستخرجة أو تحليلها أو دمجها في أنظمة أخرى أكثر سهولة.

• القوائم: «اذكر جميع أسماء الشركات الواردة.»
• JSON: «استخرج الاسم والعمر والمدينة في كائن JSON.»
• الجداول: «اعرض النتائج في جدول يتضمن عمودين لـ«العنصر» و«السعر».»

تُعد تعليمات التنسيق الواضحة ضرورية لإنتاج مخرجات بيانات منظمة.

لنستخرج بيانات الاتصال من مقتطف بريد إلكتروني. إليك كيفية كتابة مطالبة إلى LLM:

النص المُدخل: «عزيزي John Smith، شكرًا لك على استفسارك. يمكنك التواصل مع ممثلة المبيعات لدينا، Sarah Jones، عبر البريد الإلكتروني sarah.jones@example.com أو هاتفيًا على الرقم (555) 123-4567. يقع مكتبنا في 123 Main St, Anytown, USA.»

المطالبة:

"Extract the following information from the text: recipient name, sales representative name, sales representative email, sales representative phone, and office address. Present the output as a JSON object. Text: Dear John Smith, Thank you for your inquiry. Our sales representative, Sarah Jones, can be reached at sarah.jones@example.com or by phone at (555) 123-4567. Our office is located at 123 Main St, Anytown, USA."

في المهام الأكثر تعقيدًا، يمكنك غالبًا الجمع بين هاتين التقنيتين القويتين:

• التلخيص ثم الاستخراج: احصل أولًا على ملخص موجز لمستند طويل، ثم استخرج كيانات أو حقائق محددة من ذلك الملخص.
• الاستخراج ثم التلخيص: استخرج جميع الحقائق ذات الصلة، ثم اطلب من LLM تلخيص تلك الحقائق المستخرجة في عبارة مترابطة.

يساعد هذا النهج المعياري على إدارة التعقيد وتحسين دقة نتائجك.

للحصول على أفضل ملخصات واستخراج من نماذج LLM:

• كن محددًا: اذكر متطلباتك بوضوح، مثل طول الملخص وتنسيق المخرجات والكيانات المحددة المطلوب استخراجها.
• استخدم الفواصل: ضع النص الذي تريد معالجته بين فواصل واضحة، مثل علامات الاقتباس الثلاثية (""") أو وسوم XML، لفصله عن تعليماتك.
• قدّم سياقًا: اشرح بإيجاز الغرض من التلخيص أو الاستخراج إذا كان ذلك سيساعد LLM على فهم الهدف.
• كرّر التحسين: إذا لم تكن المخرجات الأولية مثالية، فحسّن مطالبتك. قد تُحدث التغييرات الصغيرة فرقًا كبيرًا!

استكشفنا في هذا الدرس تقنيتين قويتين لهندسة المطالبات لمعالجة النصوص باستخدام LLM:

• التلخيص: تعلمنا كيفية اختصار النص إلى نسخ أقصر، مع التحكم في الطول والتنسيق والأسلوب لفهم المضمون بسرعة.
• الاستخراج: ركزنا على استخراج معلومات محددة ومنظمة، مثل الأسماء والتواريخ والحقائق، مع التأكيد على أهمية تحديد تنسيقات المخرجات، مثل JSON أو القوائم.

سيعزز إتقان هاتين التقنيتين بدرجة كبيرة قدرتك على معالجة المعلومات من البيانات النصية غير المنظمة باستخدام LLM واستعمالها بكفاءة.