دسته: آموزش هوش مصنوعی

ممکن است گزارشی خوش‌خوان باشد، اما یک عدد را اشتباه نقل کند یا تصمیم مهم جلسه را جا بیندازد. پیش از استفاده از پاسخ، آن را با درخواست و اطلاعات اصلی مقایسه کنید. نوع بررسی به کاری بستگی دارد که می‌خواهید با نتیجه انجام دهید.

هفت مورد برای بررسی پاسخ

۱. درستی اطلاعات

نام، تاریخ، مبلغ و نقل‌قول را با منبع اصلی مقایسه کنید. در گزارش عددی، واحدها و روش محاسبه را هم ببینید؛ مثلاً تومان با ریال یا فروش خالص با فروش کل اشتباه نشده باشد.

۲. منبع و شواهد

پیوند را باز کنید و ببینید منبع واقعاً همان ادعا را تأیید می‌کند یا نه. برای اطلاعاتی که تغییر می‌کنند، تاریخ منبع هم مهم است. اگر منبع پیدا نمی‌شود، ادعا هنوز تأیید نشده است؛ تکرار آن از طرف ابزار، تأیید مستقل به حساب نمی‌آید.

۳. کامل بودن

پاسخ را بندبه‌بند با درخواست مقایسه کنید. در خلاصهٔ جلسه، تصمیم‌ها، مسئول هر کار و موعدهای موجود در یادداشت اصلی حفظ شده‌اند؟ اگر اطلاعاتی در منبع نیست، پاسخ نباید آن را قطعی بنویسد.

۴. هماهنگی متن و عددها

آیا جمع جدول با جمع‌بندی متن یکی است؟ آیا نتیجه‌گیری با داده‌ها می‌خواند؟ محاسبهٔ مهم را جداگانه بررسی کنید و اگر تناقضی هست، همان بخش و منبع مربوط را برای اصلاح مشخص کنید.

۵. فرض‌ها و زاویهٔ دید

ببینید پاسخ چه چیزهایی را بدیهی فرض کرده است. مثلاً در مقایسهٔ دو روش، دسترسی به ابزار، بودجه و وقت شما در نظر گرفته شده است؟ می‌توانید نقد یا گزینهٔ دیگری بخواهید، اما آن را هم باید با اطلاعات واقعی بررسی کنید.

۶. حریم خصوصی و ایمنی

خروجی نباید اطلاعات حساس را بازتولید یا اقدامی پرخطر پیشنهاد کند. در موضوعات پزشکی، حقوقی و مالی، پاسخ هوش مصنوعی جای نظر متخصص واجدصلاحیت نیست.

۷. مناسب‌بودن برای استفاده

نتیجه باید با کاربردی که خواسته‌اید سازگار باشد. اگر برنامهٔ اجرا می‌خواهید، کارها و وابستگی آن‌ها روشن‌اند؟ ابزار پیشنهادی در دسترس شماست؟ برای مراحل بعدی، اطلاعات یا تصمیمی کم نیست؟ پاسخ همهٔ کارها هم لزوماً به برنامهٔ اجرا نیاز ندارد.

نشانه‌های هشدار

• قطعیت زیاد بدون شواهد
• منبعی که پیدا نمی‌شود
• عدد دقیق بدون روش محاسبه
• نادیده گرفتن استثناها
• توصیه‌ای که خطرها یا شرایط انجامش را توضیح نمی‌دهد

بررسی پاسخ در کارهای چندمرحله‌ای هم لازم است؛ خطای یک مرحله می‌تواند به مرحله‌های بعد منتقل شود. برای تمرین بررسی و اصلاح پاسخ، کتاب پرامپت‌نویسی هوشتاب را ببینید.

پاسخ نامناسب همیشه از درخواست شما ناشی نمی‌شود؛ ابزار هم ممکن است اطلاعات کافی یا توان انجام آن کار را نداشته باشد. بااین‌حال، بعضی ایرادها را می‌توان با روشن‌کردن درخواست، آماده‌سازی اطلاعات و بررسی مرحله‌به‌مرحله کمتر کرد. این هفت مورد را پیش از تکرار کار مرور کنید.

۱. هدف مبهم

«یک متن خوب بنویس» معیار روشنی ندارد. هدف را با فعل دقیق شروع کنید: خلاصه کن، مقایسه کن، بازنویسی کن یا پیشنهاد بده. سپس مخاطب و کاربرد خروجی را بنویسید.

۲. حذف زمینه

اطلاعاتی که برای خودتان روشن است، ممکن است در گفت‌وگو یا فایل‌ها نباشد. مخاطب، موقعیت و جزئیات مؤثر را اضافه کنید. مثلاً در بررسی فروش، دورهٔ زمانی، معنی ستون‌ها و تومان یا ریال بودن مبلغ‌ها مهم است.

۳. ادامه‌دادن کار بدون بررسی مرحله‌ها

برای یک پروژه، ممکن است چند کار به هم وابسته باشند. پیش از نوشتن نتیجهٔ تحلیل، داده و محاسبه را بررسی کنید. اگر مرحلهٔ قبلی ایراد دارد، همان را اصلاح کنید و بعد ادامه دهید. تقسیم کار زمانی مفید است که بتوانید نتیجهٔ هر مرحله را بررسی کنید.

۴. مشخص نکردن قالب خروجی

بگویید نتیجه قرار است کجا استفاده شود: در نامه، گزارش جلسه، جدول مقایسه یا برنامهٔ اجرا. طول و لحن را متناسب با همان استفاده تعیین کنید. زیبا و مرتب بودن پاسخ، درستی اطلاعات آن را ثابت نمی‌کند.

۵. اعتماد کامل به پاسخ اول

هوش مصنوعی ممکن است اطلاعات نادرست یا منبع نامعتبر بسازد. نام‌ها، عددها، تاریخ‌ها و ادعاهای حساس را با منبع اصلی بررسی کنید و موارد نامطمئن را صریحاً علامت بزنید.

۶. ندادن بازخورد

به‌جای «بهترش کن»، ایراد را مشخص کنید. مثلاً «تاریخ تحویل را مثل متن اصلی نگه دار، قول تخفیف را حذف کن و بند دوم را کوتاه‌تر بنویس». بخش‌هایی را که باید حفظ شوند هم روشن بگویید.

۷. وارد کردن اطلاعات حساس

پیش از فرستادن فایل یا اطلاعات، مطمئن شوید اجازهٔ اشتراک‌گذاری آن‌ها را دارید. برای تمرین از دادهٔ فرضی استفاده کنید و نام، شماره تماس و اطلاعات محرمانهٔ غیرضروری را حذف کنید.

برای تمرین تعریف کار، هدایت پروژه و اصلاح پاسخ، کتاب پرامپت‌نویسی هوشتاب را ببینید.

پرامپت همان درخواست شما از هوش مصنوعی است؛ یک سؤال، دستور انجام کار یا درخواستی همراه با فایل و اطلاعات. برای نوشتن آن، روشن کنید چه کاری می‌خواهید انجام شود، چه اطلاعاتی لازم است و پاسخ را برای چه استفاده‌ای می‌خواهید.

پنج بخش برای روشن‌کردن درخواست

1. هدف: دقیقاً چه کاری باید انجام شود؟
2. زمینه: مخاطب، موضوع و موقعیت چیست؟
3. داده ورودی: مدل باید روی چه متن یا اطلاعاتی کار کند؟
4. محدودیت: چه چیزهایی نباید در پاسخ باشد؟
5. شکل خروجی: پاسخ در چه قالب، طول و لحنی ارائه شود؟

یک نمونه قبل و بعد

درخواست مبهم: این گزارش فروش را تحلیل کن.

درخواست روشن: گزارش فروش پیوست را برای جلسهٔ مدیر فروش بررسی کن. ابتدا نام ستون‌ها، دورهٔ زمانی و واحد مبلغ‌ها را مشخص کن. سپس تغییر فروش را با عددهای خود گزارش توضیح بده و برای هر نکته به بخش مربوط ارجاع بده. اگر داده‌ای ناقص است، آن را مشخص کن؛ دلیل افت یا رشد را بدون شاهد قطعی ننویس. در پایان، جمع‌بندی کوتاهی برای جلسه آماده کن.

درخواست دوم، مخاطب و کاربرد گزارش، منبع عددها، مراحل کار و نحوهٔ برخورد با اطلاعات ناقص را روشن می‌کند. این پنج بخش، راهنمای فکرکردن به کارند؛ لازم نیست برای هر سؤال کوتاه، همهٔ آن‌ها را با جزئیات بنویسید.

پاسخ را بررسی کنید و بازخورد بدهید

پاسخ را با درخواست و منبع مقایسه کنید. اگر عددی اشتباه است یا نتیجه‌ای شاهد ندارد، همان بخش را مشخص کنید. مثلاً بگویید «مقایسهٔ ماه دوم را با ستون فروش خالص دوباره حساب کن؛ مبلغ‌ها تومان‌اند». درخواست دقیق هم خطا را از بین نمی‌برد.

برای تمرین نوشتن درخواست، کارهای چندمرحله‌ای و بررسی پاسخ، کتاب پرامپت‌نویسی هوشتاب مسیر کامل‌تری ارائه می‌دهد.

وقتی کار چند مرحله دارد

برای پروژه‌های طولانی، می‌توانید آماده‌سازی داده، تحلیل و نگارش نتیجه را جدا پیش ببرید. نتیجهٔ هر مرحله را پیش از ادامه بررسی کنید. اگر دوره‌های زمانی گزارش هم‌اندازه نباشند یا معنی یک ستون روشن نباشد، ابتدا همان مسئله را حل کنید؛ ادامه‌دادن با دادهٔ نامطمئن، پاسخ نهایی را هم دچار مشکل می‌کند.