0Pricing
AI Prompt Engineering · Ders

Kipler Arasında Temellendirme

Görsel kanıtlara metin içinde başvurma.

Kipler Arasında Temellendirme, CoddyKit'te ücretsiz bir AI Prompt Engineering dersidir. Bu, 4 dersinin 2. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, AI Prompt Engineering öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. AI Prompt Engineering kursu toplamda 4 dersten oluşur.

Dayanaklandırma Ne Anlama Gelir

Dayanaklandırma, her metinsel iddianın başka bir kipteki belirli kanıtlara kadar izlenebilmesi gerekliliğidir. Dayanaklandırılmamış çok kipli bir yanıt akıcı bir tahmindir; dayanaklandırılmış yanıt ise onu destekleyen piksellere (veya ses karesine) geri götüren bir işaretle birlikte savunulabilir bir iddiadır.

  • Dayanaklandırma, opak çıktıyı denetlenebilir çıktıya dönüştürür.
  • Kendinden emin görsel uydurmalara karşı en etkili tek araçtır.

Kanıt Öncelikli Akıl Yürütme Sırası

Modeli, sonuca varmadan önce kanıt çıkarmaya zorlayın. Sonuç önce üretilirse 'kanıt', muhtemelen yanlış olan yanıtla örtüşen, sonradan uydurulmuş bir gerekçeye dönüşür.

Yanıtı, önce gözlemlenen bölgeler, sonra yorum ve en son nihai yanıt gelecek şekilde yapılandırın.

schema = {
  'observations': '[{region: str, text_read: str}]',
  'inference': 'str — reasoning over observations only',
  'answer': 'str'
}
# Order in the prompt enforces order in generation.

Sınırlayıcı Kutu ve Bölge Atıfları

Modelden her görsel iddia için yaklaşık normalleştirilmiş koordinatlar üretmesini isteyin. Kusursuz olmayan kutular bile değerlidir: sonraki bir sistem görüntüyü kırpıp yeniden doğrulayabilir ve çok yanlış bir kutu uydurmayı hemen ortaya çıkarır.

  • Çözünürlüğün önemini ortadan kaldırmak için 0..1 aralığında normalleştirilmiş [x0,y0,x1,y1] kullanın.
  • Kutuları piksel düzeyinde kusursuz tespitler olarak değil, konumlandırma ipuçları olarak değerlendirin.
instruction = (
  'For each extracted field, return '
  '{"field": str, "value": str, "box": [x0,y0,x1,y1]}. '
  'Coordinates normalized 0..1. If you cannot locate it, omit the field.'
)

Pikselleri Alıntılayarak Doğrulama

Görüntüde görünen herhangi bir metin için modelden okuduğunu kelimesi kelimesine alıntılamasını isteyin. Kelimesi kelimesine alıntı denetlenebilir: bunu OCR ile örneklemeli olarak kontrol edebilirsiniz ve model, tam olarak yazıya dökmesi gereken bir değeri uydurmaya çok daha az eğilimli olur.

Bu 'okuduğunu geri söyleme' kısıtlaması ucuzdur ve belgeler, grafikler ve tabelalar için orantısız derecede etkilidir.

Kipler Arası Tutarlılık Kontrolleri

Aynı gerçek iki kipte (bir slayt görüntüsü ve sözlü anlatımı) ortaya çıktığında, modelden bunları karşılaştırarak kontrol etmesini isteyin. Uyum güveni artırır; anlaşmazlık ise kendisi görünür kılmaya değer bir işarettir.

  • 'Şeklin açıklaması, grafiğin gösterdiğiyle uyuşuyor mu?'
  • 'Anlatım, ekrandaki sayıyla uyumlu mu?'
prompt = (
  'You have a slide image and its transcript. '
  'For each numeric claim, state: value_on_slide, value_in_transcript, agree(bool). '
  'Flag any disagreement explicitly.'
)

Dayanaklandırma Sonucu Olarak Reddetme

Dayanaklandırılmış bir sistemin 'görünür değil' diyebilmesine izin verilmelidir. Açık bir çıkış yolu olmazsa model, boşlukları makul görünen uydurmalarla doldurur. Böyle bir yol sağlayın ve bunu ödüllendirin.

Şu talimatı verin: 'Kanıt yoksa veya okunamıyorsa tahmin etmek yerine NOT_FOUND döndürün.' Ardından NOT_FOUND çıktısını işlem hattınızda birinci sınıf ve cezalandırılmayan bir çıktı olarak ele alın.

Mekânsal İlişkileri Dayanaklandırma

İlişkisel iddiaları ('vana göstergenin solundadır') dayanaklandırmak, bir nesnenin varlığını dayanaklandırmaktan daha zordur. Modelden her iki gönderme yapılan nesneyi kutularla bağımsız olarak dayanaklandırmasını, ardından ilişkiyi doğrudan belirtmek yerine koordinatlardan çıkarmasını isteyin.

Bu ayrıştırma, kırılgan bir ilişkisel yargıyı iki daha basit konumlandırma görevi ve aritmetiğe dönüştürür.

# Derive relation from grounded boxes, not from vibes
# left_of(a, b) := a.x1 < b.x0
def left_of(a, b):
    return a['box'][2] < b['box'][0]

Ses ve Zamansal Dayanaklandırma

Dayanaklandırma görüntülerin ötesine de genellenir. Ses veya video için kanıt olarak zaman damgaları isteyin: 'Bunun söylendiği [mm:ss] zamanını belirtin.' Zamansal işaretçiler, iddiayı kaynak bölümle karşılaştırarak kontrol etmenizi sağlar.

  • Zaman damgaları, döküm ve konuşmacı ayrıştırma iddialarını sabitler.
  • Gerçekte söylenenlerden uzaklaşan özetlemeleri ortaya çıkarır.

Metin Geçersiz Kılma Tuzağı

Metin kanalındaki kendinden emin bir iddia, doğru görsel kanıtı bastırabilir — model, sağladığınız önsele başvurur. Bağlamınızda 'fatura toplamı 400 $' yazıyor ve görüntüde 450 $ görünüyorsa, dayanaklandırılmamış bir model 400 $ değerini papağan gibi tekrarlayabilir.

Savunma: modele önce yalnızca görüntüden çıkarım yapmasını, ardından sağlanan metinle karşılaştırmasını ve farklılıkları sessizce uzlaştırmak yerine işaretlemesini söyleyin.

Dayanaklandırmayı Sonraki Aşamada Doğrulama

Dayanaklandırma, yalnızca ona göre işlem yaparsanız yararlıdır. Yapılandırılmış kanıtı tüketen bir doğrulayıcı oluşturun:

  • Her kutuyu yeniden kırpın ve alıntılanan metne yeniden OCR uygulayın; uyuşmazlık -> reddedin.
  • Belirtilen zaman damgasını ikinci bir ASR işleminden geçirin.
  • NOT_FOUND ve çelişki işaretlerini insan incelemesine yönlendirme sinyalleri olarak değerlendirin.

İstem kanıtı üretir; sisteminiz bu kanıtı uygulatır.

def verify(field):
    crop = image.crop(field['box'])
    read = ocr(crop)
    return similar(read, field['value']) > 0.9

Dayanaklandırma Sözleşmesi Şablonu

Yeniden kullanılabilir bir dayanaklandırma sözleşmesi, her tekniği bir araya getirir:

  • Sonuçlardan önce gözlemler.
  • Her iddia için kutu + kelimesi kelimesine alıntı.
  • NOT_FOUND çıkış yolu; asla tahmin etmeyin.
  • Önce görüntüden çıkarım yapın, ardından sağlanan metinle uzlaştırın ve çelişkileri işaretleyin.
  • Her ses/video iddiası için zaman damgaları.

Bunu bir kez kurala bağlayın ve her çok kipli görevde yeniden kullanın.

Hızlı Kontrol

Bağlam üstveriniz sipariş toplamının 400 $ olduğunu belirtiyor, ancak taranmış görüntünün farklı olabileceğinden şüpheleniyorsunuz.

Özet: Kipler Arasında Dayanaklandırma

Dayanaklandırma, çok kipli çıktıyı denetlenebilir hâle getirir: sonuçlardan önce gözlemler, her iddia için kutular ve kelimesi kelimesine alıntılar, ses/video için zaman damgaları, bir NOT_FOUND çıkış yolu ve sağlanan metinle çelişkileri işaretleyen görüntü öncelikli çıkarım. Dayanaklandırma sözleşmesini, görüntüyü yeniden kırpan, metni yeniden okuyan ve işaretleri incelemeye yönlendiren sonraki aşama doğrulayıcısıyla birleştirin. İstemde kanıt, sistemde uygulama — birlikte kendinden emin uydurmaları etkisiz hâle getirirler.

Sıkça Sorulan Sorular

“Kipler Arasında Temellendirme” dersi ücretsiz mi?

Evet — “Kipler Arasında Temellendirme” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve AI Prompt Engineering kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. AI Prompt Engineering kursu toplamda 4 dersten oluşur.

“Kipler Arasında Temellendirme” dersinde ne öğreneceğim?

Görsel kanıtlara metin içinde başvurma. AI Prompt Engineering ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

AI Prompt Engineering öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te AI Prompt Engineering, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 2. dersidir.

“Kipler Arasında Temellendirme” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu AI Prompt Engineering dersinde kod yazıp çalıştırabilir miyim?

Evet. Her AI Prompt Engineering dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

  1. Metin ve Görselleri Birleştirme
  2. Kipler Arasında Temellendirme
  3. Ses, Metin ve Görüntüyü Birlikte Kullanma
  4. Çok Kipli Çıktı Denetimi
← AI Prompt Engineering Sayfasına Dön