AI Engineering Academy · درس

إمكانات LLMs وحدودها

استكشفوا ما تتفوّق فيه LLMs فعلًا والمواضع التي تفشل فيها، بما في ذلك الهلوسة، وتواريخ قطع المعرفة، وحدود الاستدلال، لوضع توقعات واقعية للمشروعات.

الدرس 4 من 413 خطوة

إمكانات LLMs وحدودها درس مجاني في AI Engineering Academy على CoddyKit. هذا هو الدرس 4 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في AI Engineering Academy، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة AI Engineering Academy 4 دروس في المجموع.

ما تتفوق فيه LLMs فعلًا

تتألق LLMs في المهام اللغوية: التلخيص والترجمة وكتابة التعليمات البرمجية وإعادة تشكيل النصوص إلى تنسيقات مثل JSON. قدّم لها مثالين، وستلتقط النمط بسرعة.

الهلوسة: نمط الفشل الأساسي

تحدث الهلوسة عندما يذكر النموذج شيئًا خاطئًا بثقة. فهو يتنبأ بما يبدو مرجحًا، لا بما هو صحيح — لذلك لا تعتمد عليه بوصفه مصدرك الوحيد للحقائق.

حدود المعرفة والمعلومات القديمة

لكل نموذج حدّ معرفي — فهو لا يعرف شيئًا مما حدث بعد ذلك التاريخ. وللحصول على معلومات حديثة، زوّده بمستندات جديدة وقت الاستعلام باستخدام RAG.

حدود الاستدلال: ليس محركًا منطقيًا

تحاكي LLMs الاستدلال، لكنها ليست محركًا منطقيًا حقيقيًا، ولذلك تخطئ في الحساب الدقيق والمنطق متعدد الخطوات. أما الأعمال الدقيقة فأسندها إلى أداة حقيقية — راجع الكود.

# Illustrating why you should use tools for computation
from openai import OpenAI

client = OpenAI()

# BAD: asking LLM to compute this directly
prompt_bad = 'What is 7.3% of 48,291.67?'

# GOOD: let Python compute, LLM just formats the answer
def calculate_percentage(value, pct):
    return round(value * pct / 100, 2)

result = calculate_percentage(48291.67, 7.3)
print(f'7.3% of 48,291.67 is {result}')  # 3525.29 - always correct

نافذة السياق بوصفها قيدًا صارمًا

نافذة السياق هي الحد الأقصى لعدد الرموز التي يستطيع النموذج معالجتها في آن واحد — بما يشمل المطالبة والسجل والمخرجات. إذا تجاوزتها، يفشل الطلب ببساطة.

الحساسية لصياغة المطالبة

تتسم LLMs بالحساسية تجاه صياغة المطالبة. فقد تؤدي إعادة صياغة بسيطة، أو إضافة «فكّر خطوةً بخطوة»، إلى تغيير الإجابة كثيرًا — وهذا قوي، لكنه يستحق الاختبار بعناية.

عدم الاتساق وعدم الحتمية

تتسم LLMs بأنها غير حتمية: فقد تؤدي المطالبة نفسها إلى إجابات مختلفة. وحتى النموذج الذي تكون إجاباته صحيحة بنسبة 95% سيخطئ مرةً من كل 20 مرة، لذا اختبره على أمثلة كثيرة لا على أمثلة قليلة.

import openai

client = openai.OpenAI()

def sample_with_majority_vote(prompt, n=5):
    responses = []
    for _ in range(n):
        r = client.chat.completions.create(
            model='gpt-4o-mini',
            messages=[{'role': 'user', 'content': prompt}],
            temperature=0.3,
            max_tokens=10
        )
        responses.append(r.choices[0].message.content.strip())
    # Return most common answer
    return max(set(responses), key=responses.count)

التملّق: انحياز الموافقة

يحدث التملّق عندما يوافق النموذج معك حتى عندما تكون مخطئًا، لأن المقيّمين فضّلوا الإجابات الموافقة. وللحصول على نقد حقيقي، اطلب منه مناقشة الجانب الآخر.

ما لا تستطيع LLMs فعله

بعض القيود متأصلة فيها: لا يستطيع LLM أن يتصفح الويب أو يشغّل التعليمات البرمجية أو يتذكر المحادثات السابقة أو يجري حسابًا دقيقًا بمفرده. استعِن بأدوات لهذه المهام.

قضايا الانحياز والتمثيل

نظرًا إلى تدريبها على نصوص الإنترنت، تكتسب LLMs انحيازاته — مثل الصور النمطية والتغطية اللغوية غير المتوازنة ووجهات النظر المنحازة. اختبرها على مجموعات مختلفة ووثّق القيود لمستخدميك.

ضبط التوقعات الواقعية للمشروعات

قد يفشل العرض التجريبي الأنيق عند التعامل مع مدخلات حقيقية. ليس هذا سببًا لتجنب LLMs — بل سبب لبناء التقييم منذ اليوم الأول وقياس حالات الفشل باستمرار.

تحقق سريع

اختبر فهمك لمفاهيم هندسة الذكاء الاصطناعي الواردة في هذا الدرس.

أجب عليها في الدرس التفاعلي

مراجعة الدرس

مراجعة: تتطلب الهلوسة استخدام RAG أو التحقق، وتتطلب حدود المعرفة استخدام الاسترجاع، بينما يتطلب عدم الحتمية تقييمًا حقيقيًا. التالي: أول استدعاء لك إلى OpenAI API. 🎉

البدء مجانًا

تعلم Python مع معلم ذكاء اصطناعي — مجانًا

اكتب وقم بتشغيل أكوادك الفعلية في المتصفح، واحصل على مساعدة فورية من معلم ذكاء اصطناعي متاح 24/7، واستمر من حيث توقفت على الويب أو في التطبيق.

الدورات: 30
الدروس: 120

ابدأ التعلم مجانًا عرض الدورة الكاملة

الأسئلة الشائعة

هل درس «إمكانات LLMs وحدودها» مجاني؟

نعم — نص درس «إمكانات LLMs وحدودها» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة AI Engineering Academy، انتقل إلى CoddyKit PRO. تتضمن دورة AI Engineering Academy 4 دروس في المجموع.

ماذا ستتعلم في «إمكانات LLMs وحدودها»؟

استكشفوا ما تتفوّق فيه LLMs فعلًا والمواضع التي تفشل فيها، بما في ذلك الهلوسة، وتواريخ قطع المعرفة، وحدود الاستدلال، لوضع توقعات واقعية للمشروعات. تتمرن على AI Engineering Academy مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.

هل أحتاج إلى خبرة سابقة لأبدأ AI Engineering Academy؟

لا تُشترط خبرة سابقة. AI Engineering Academy على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 4 من أصل 4.

كم من الوقت يستغرق درس «إمكانات LLMs وحدودها»؟

معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.

هل يمكنني كتابة وتشغيل أكواد في درس AI Engineering Academy هذا؟

نعم. كل درس في AI Engineering Academy يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.

جميع الدروس في هذه الدورة

← العودة إلى AI Engineering Academy