التعلم بأمثلة قليلة

التعلم بأمثلة قليلة هو أسلوب تُعلّم فيه نموذج الذكاء الاصطناعي مهمة جديدة عبر عرض عدد صغير من الأمثلة عليه، بدل تدريبه على آلاف الحالات. الفكرة قريبة من طريقة تعلّم البشر: لو أريتَ موظفًا جديدًا نموذجين من الردود على شكاوى العملاء، سيفهم الأسلوب المطلوب ويطبّقه على شكاوى أخرى. النماذج اللغوية الكبيرة (برامج ذكاء اصطناعي دُرّبت على كميات هائلة من النصوص) تفعل الشيء نفسه.

كيف يعمل عمليًا؟ تكتب في البرومبت (الأمر النصي الذي ترسله للنموذج) أمثلة قليلة على شكل: مدخل ثم مخرج، مدخل ثم مخرج. بعدها تعطي النموذج مدخلًا جديدًا بلا مخرج، فيكمل هو النمط. المهم هنا أن النموذج لا يتغيّر من الداخل: معاملاته (الأرقام الداخلية التي تحدد سلوكه) تبقى كما هي. هو فقط يستنتج النمط من الأمثلة الموجودة أمامه في نافذة السياق (المساحة النصية التي يقرأها النموذج في كل محادثة).

ولهذا يميّز المتخصصون بين ثلاث حالات:

• بلا أمثلة (Zero-shot): تطلب المهمة مباشرة دون أي مثال.
• بمثال واحد (One-shot): تعطي مثالًا واحدًا فقط.
• بأمثلة قليلة (Few-shot): تعطي من مثالين إلى عشرة تقريبًا، وهي الحالة الأكثر فاعلية للمهام التي لها أسلوب أو تنسيق محدد.

ستصادف هذا المفهوم يوميًا دون أن تنتبه: كل مرة تُري فيها ChatGPT أو Claude أمثلة على الأسلوب الذي تريده قبل أن تطلب منه إنجاز المهمة، فأنت تستخدم التعلم بأمثلة قليلة. لذلك يعتبره كثيرون أهم تقنية في هندسة البرومبت (فن صياغة الأوامر للحصول على أفضل النتائج).