کافه اینوست
کافه اینوست

مهندسی پرامپت: مهارت‌های ضروری برای استفاده حرفه‌ای از هوش‌مصنوعی

این دوره شما را با مهندسی پرامپت (Prompt Engineering) آشنا می کند. یک مهارت حیاتی برای استفاده بهینه از مدل های هوش مصنوعی و زبانی بزرگ (LLMs). در این دوره، یاد میگیرید که چگونه پرامپت های دقیق و بهینه بنویسید تا پاسخهای بهتر، مرتبط تر و قابل اعتمادتر از مدلهای هوش مصنوعی دریافت کنید. از اصول اولیه تا تکنیک های پیشرفته مانند زنجیره تفکر (Chain of Thought)، استفاده از متن مرجع، و بهینه سازی خروجی، تمامی نکات ضروری را با مثالهای عملی و کاربردی بررسی خواهیم کرد. این دوره مناسب همه افرادی است که می خواهند تعاملات خود با هوش مصنوعی را به سطح بالاتری برسانند.

در دنیایی که هوش مصنوعی به بخشی جدایی ناپذیر از زندگی و کار ما تبدیل شده است، مهندسی پرامپت دیگر فقط یک مهارت تخصصی برای برنامه نویسان نیست، بلکه ابزاری ضروری برای همه است. چه یک مدیر باشید که بخواهد گزارش های دقیق تری از دادهها دریافت کند، چه یک نویسنده که بخواهد ایدههای جدیدی خلق کند، یا حتی یک دانشجو که برای تحقیق و یادگیری از مدل های هوش مصنوعی استفاده می کند. توانایی نوشتن پرامپت های مؤثر به شما کمک میکند تا از این فناوری بیشترین بهره را ببرید. یادگیری این مهارت به شما امکان میدهد نتایج دقیق تر، سریع تر و باکیفیت تری دریافت کنید و از هوش مصنوعی به عنوان یک دستیار واقعی در کار و زندگی روزمره استفاده کنید. در دنیایی که اطلاعات با سرعتی سرسام آور در حال پردازش است، کسانی که مهندسی پرامپت را بلد باشند، مزیت رقابتی بزرگی خواهند داشت.

سرفصل‌های دوره

۱: پرامپت و مهندسی پرامپت چیست؟​
پیش‌نمایش
۲: مثالی از مهندسی پرامپت (پرامپت خوب و پرامپت بد)
۳: چرا باید از مهندسی پرامپت استفاده کنیم؟
۴: چرخه‌ی تولید پرامپت
۵: جمع‌بندی

مقدمه‌ای بر هوش مصنوعی، مدل‌های زبانی و کاربردهای آن
مدل‌های زبانی و نحوه‌ی کار آن‌ها
جمع‌بندی

اجزای یک پرامپت خوب
نوشتن دستورات شفاف و مشخص
نوشتن دستورات شفاف و مشخص. تکنیک اول: ذکر جزئیات
تکنیک دوم: نقش دادن به مدل
تکنیک سوم: استفاده از جداکننده‌ها
تکنیک تعیین مراحل مورد نیاز انجام کار
تکنیک ذکر مثال
پیش‌نمایش
تکنیک تعیین طول خروجی
اصطلاحات پرامپت‌نویسی

ارائه متن مرجع. تکنیک اول: درخواست از مدل برای پاسخ‌دهی با استفاده از متن مرجع
درخواست از مدل برای پاسخ‌دهی با ارجاع به متن مرجع
فرصت دادن به مدل برای فکر کردن: تکنیک اول: یافتن راه‌حل قبل از پاسخ
تکنیک دوم: استفاده از مونولوگ داخلی
پیش‌نمایش
تکنیک سوم: سوالات پیگیری
جستجو، قبل از پاسخگویی! (Generated Knowledge Prompting)
تقسیم مسائل بزرگ به مسائل کوچک‌تر (Least to Most Prompting)
احساساتی کردن مدل! (Emotional Prompting)
جمع‌بندی

۵-۱:‌ نحوه انجام کارهای پیچیده: تکنیک طبقه‌بندی
پیش‌نمایش
۵-۲:‌ نحوه انجام کارهای پیچیده: تکنیک خلاصه‌سازی مکالمات طولانی
۵-۳:‌ تکنیک خلاصه‌سازی بازگشتی
۵-۴:‌ تکنیک اجرای کد برای انجام محاسبات دقیق‌تر

۶-۱:‌ خروجی های متناقض
۶-۲:‌ توهم یا Hallucinations
۶-۳:‌ سوگیری یا Bias در LLM ها
۶-۴:‌ خطرات و نگرانی‌های اخلاقی هوش مصنوعی

اگر انگلیسی خوبی ندارم، چه کنم؟ (استفاده از مدل‌ها برای مهندسی پرامپت)
۷-۲:‌ بخش پایانی
مهندسی پرامپت: مهارت‌های ضروری برای استفاده حرفه‌ای از هوش‌مصنوعی
490,000 تومان