• ChatGPT
• Google Bard
• Dall-E
• Midjourney
• Stable Diffusion

• همکاری انسان و هوش مصنوعی: مهندسی پرسش، همکاری بین انسان ها و سیستم های هوش مصنوعی را تقویت می کند. مهندسان و متخصصان هر حوزه نیازهای خود را از طریق پرسش ها به اشتراک می گذارند و هوش مصنوعی را قادر می سازند در فرآیندهای تصمیم گیری و حل مسئله به انسان کمک کند.
• بهبود حل مسئله: در حوزه های علمی و مهندسی، مهندسی پرسش می تواند با فرموله کردن پرسش ها، امکان دهد مدل های هوش مصنوعی با کشف راه حل های مختلف، شبیه سازی و تحلیل داده ها به روشی ساختاریافته و کارآمد، به حل مسائل پیچیده بپردازند.
• تقویت خلاقیت: در طرح های خلاقانه، مانند تولید هنر یا داستان نویسی، مهندسی پرسش می تواند خلاقیت مدل هوش مصنوعی را با الهام و راهنمایی تحریک کند، که منجر به خروجی های تخیلی تر و مرتبط تر می شود.
• کارایی و دقت: مهندسی پرسش با ارائه پرسش های دقیق، مدل های هوش مصنوعی را برای تولید خروجی های دلخواه هدایت می کند. این دقت نیاز به ویرایش زیاد پس از پردازش را کاهش می دهد و در نتیجه کارایی فرآیند را افزایش می دهد.

• درک کار: اولین گام، درک روشنی از کار یا مشکل است. مهندسان یا دانشمندان داده باید اهداف، محدودیت ها و زمینه کار را درک کنند.
• ساخت پرسش: کارشناسان بر اساس تحلیل خود، پرسش ها و دستورالعمل هایی را به زبان محاوره ای ایجاد می کنند. این دستورات برای تولید خروجی مد نظر با مدل هوش مصنوعی، طراحی شده اند. پرسش ها باید واضح، مختصر و بدون ابهام باشند.
• داده های آموزشی: مدل های هوش مصنوعی به داده های آموزشی نیاز دارند تا یاد بگیرند چگونه به درخواست ها پاسخ دهند. این داده ها اغلب شامل نمونه پرسش و پاسخ های مرتبط هستند. مدل یاد می گیرد خروجی هایی تولید کند که با الگوهای قابل مشاهده در داده های آموزشی، هماهنگ باشند.
• تنظیم دقیق: بسته به کار مدنظر، مدل هوش مصنوعی برای بهبود عملکرد، بطور دقیق تنظیم می شود که شامل آموزش مدل با داده های مرتبط یا تنظیم پارامترها است.
• تکرار پرسش: مهندسی پرسش اغلب یک فرآیند تکراری است. مهندسان ممکن است با پرسش های مختلف عملکرد مدل آزمایشی را بهبود بخشند. این رویکرد تکراری امکان بهبود مستمر را فراهم می کند.
• استقرار: هنگامی که مدل هوش مصنوعی آموزش دید و عملکرد رضایت بخشی داشت، می توان آن را در برنامه های کاربردی دنیای واقعی مستقر کرد. تا درخواست های کاربران و سیستم ها را دریافت نموده، آن ها را پردازش کرده و بر اساس آن، پاسخ ها را ارائه کند.
• نظارت و نگهداری: نظارت مستمر بر عملکرد مدل هوش مصنوعی ضروری است. مهندسان باید اطمینان حاصل کنند که پرسش ها همچنان با نیازهای رو به رشد هماهنگ هستند. تنظیمات و به روز رسانی در طول زمان برای حفظ عملکرد بهینه ضروری است.
• حلقه بازخورد: ترکیب بازخورد کاربران و کارشناسان حوزه برای بهبود مستمر بسیار مهم است. این حلقه بازخورد به اصلاح پرسش ها و افزایش قابلیت های مدل هوش مصنوعی کمک می کند.
• ملاحظات اخلاقی: در طول فرآیند، ملاحظات اخلاقی باید در نظر گرفته شود. مهندسی پرسش باید منع تولید محتوای مضر و رعایت دستورالعمل های اخلاقی مرتبط را رعایت نماید.
• ارزیابی: ارزیابی منظم کیفیت پاسخ های مدل مهم است. معیارهای ارزیابی برای اندازه گیری دقت، ارتباط و عملکرد آن برای مقاصد مد نظر، استفاده می شود.

1. پرسش Zero-Shot:
   ارائه یک مدل زبانی فقط با یک پرسش و انتظار دریافت پاسخ دقیق بدون آموزش خاص یا اطلاعات اضافی. مانند:
   Translate the following English text into French: ‘The cat is on the mat.’
2. پرسش Few-Shot:
   ارائه مصادیق یا مقداری اطلاعات برای کمک به مدل جهت درک پرسش و ارائه پاسخ دقیق. مانند:
   Write a poem about the beauty of nature. Here are a few lines to get you started: ‘Amidst the trees and flowing streams...’
3. Chain-of-Thought (CoT):
   تکنیکی است که از پاسخ های مدل برای هدایت و کسب نتیجه بهتر استفاده می شود. اطلاعات اضافی برای تعامل و ایجاد پاسخ های دقیق تر به کار می روند. مانند:
   Tell me about the life of Albert Einstein.
   Can you tell me more about his early life and education?

پرسش های خوش ساخت، نقش اساسی در توانمند سازی مدل هوش مصنوعی جهت درک منظور و زمینه مدنظر کاربر ایفا می کنند تا در نهایت منجر به پاسخ هایی شوند که دقیق و مرتبط باشند. یک پرسش هوش مصنوعی معمولاً از چهار عنصر زیر تشکیل می گردد:

1. دستورالعمل.
   شامل یک سوال ساده با مجموعه ای از دستورالعمل ها جهت چگونگی پاسخ به سوال توسط مدل هوش مصنوعی. مانند:
   Provide me with some easy low-carb recipes that take less than 15 minutes to prep and also make a list of ingredients needed to make them
2. زمینه.
   اطلاعات زمینه ای ضروری به مدل هوش مصنوعی ارائه می شود تا آن را قادر سازد محتوای مرتبط تولید کند. بدون زمینه کافی، پاسخ ها می توانند عمومی یا بی ربط باشند. مانند:
   What are some green technologies that are used in transportation?
3. داده های ورودی.
   شامل اطلاعات اضافه شده همراه دستورالعمل است. مانند:
   Create a short biography of Albert Einstein (14 March 1879-18 April 1955), a famous physicist and scientist who created the theory of relativity, which establishes that nothing can travel faster than the speed of light. He won the Nobel Prize in physics in 1921 for his discovery of the photoelectric effect
4. مثال ها.
   می توان نمونه ها را به مدل هوش مصنوعی معرفی کرد تا خروجی خاص نمونه های ارائه شده دریافت شود. مانند:
   Create a music playlist based on the following songs: ‘Bohemian Rhapsody’ by Queen, ‘Hotel California’ by Eagles and ‘Hey Jude’ by The Beatles. The playlist should have a classic rock vibe and include similar iconic songs that evoke a sense of nostalgia and timeless appeal. Please provide at least 10 songs for the playlist.

• شفاف و مشخص باشد: از عبارات شفاف و مشخص در پرسش ها استفاده نمایید. سوالی که می خواهید مدل به آن پاسخ دهد را شفاف بیان کنید.
• با طرح زمینه شروع شود: زمینه پرسش را از ابتدا مشخص نمایید. ارائه زمینه به مدل کمک می کند تا موضوع را بهتر درک کند.
• استفاده از جملات کامل: درخواست های خود را به صورت جملات کامل مطرح کنید.
• صریح باشد: اگر الزامات خاصی وجود دارد، آنها را مشخص کنید. به عنوان مثال، اگر می خواهید مدل یک لیست ایجاد کند، آن را به وضوح بیان کنید.
• مثال ارائه کنید: در صورت امکان، نمونه ها را در پرسش خود بگنجانید. این می تواند به مدل کمک کند تا انتظارات شما را درک کند.
• مشخص بودن فرمت: اگر فرمت خاصی برای پاسخ در نظر دارید (به عنوان مثال، یک پاراگراف، یک لیست، یک قطعه کد)، آن را ذکر کنید.
• کاربرد کلمات کلیدی: از کلمات کلیدی مرتبط با موضوع استفاده کنید. این می تواند به تمرکز مدل بر روی اطلاعات مربوطه کمک کند.

قبل از اینکه در مورد مهارت های خاص مورد نیاز صحبت کنیم اجازه دهید یک ویژگی که برای انجام همه کارها به آن نیاز است را بیان نماییم، یعنی تمایل به یادگیری. در حالی که هوش مصنوعی دهه ها وجود داشته، افزایش تقاضا برای مهارت های کار با هوش مصنوعی مولد جدید است. این حوزه بسیار سریع حرکت می کند و با پیشرفت ها، محصولات، تکنیک ها و رویکردهای جدید نمایان می شود. برای ادامه، باید تمایل به یادگیری داشته باشید - باید در یادگیری، تحقیق و مطالعه حریص باشید. 

• فهم AI (هوش مصنوعی)، ML (یادگیری ماشین) و NLP (پردازش زبان طبیعی)
  اگر می خواهید با LLMها تعامل داشته باشید، باید با مفهوم، انواع و نقاط قوت وضعف آن ها آشنا باشید.
• تعریف شفاف طرح مسئله و تعیین Query (پرس و جو) های دقیق
  فرض کنید می خواهید در مورد یک شهر، بیشتر بدانید. شما باید حداقل دو مورد را شفاف نمایید. اول، چیزهایی که می خواهید بدانید را مشخص نمایید، ساختار سیاسی، مدیریت شهری، ترافیک. دوم، بگویید در مورد چه شهر خاصی صحبت می کنید بنابراین آنرا از سایر شهرهای هم نام متمایز نمایید.
• خلاقیت و بهبود مهارت های محاوره ای و ارتباطی
  باید مهارت لازم برای بیان انتظارات خود با Queryها را داشته باشد. ضمنا از آنجایی که مکرراً نیاز است با تیم های دیگر همکاری کنید و با سیستم های هوش مصنوعی ارتباط برقرار نمایید، باید مهارت های ارتباطی نوشتاری و شفاهی قوی برای کار با ذینفعان، توضیح الزامات حیاتی و درک اهداف پروژه داشته باشید.
• فراگیری سبک های نوشتاری و هنری و تخصص در حوزه های مدنظر و زمینه تحصیلی
  ربات های چت، نه تنها پاسخ ها را می نویسند، بلکه این کار را به سبک درخواست شده انجام می دهند. مانند بازنویسی متنی به سبک شکسپیر و هری پاتر. می توان از سبک ها برای مولدهای گرافیکی نیز استفاده کرد و تصاویری به سبک سینمایی، کارتون های دهه 1940، عکاسی و هنری استفاده کرد. داشتن مدرک تحصیلی علوم کامپیوتر، علوم داده یا رشته های مرتبط کمک کننده است. ضمنا افراد می توانند دانش خود را با استفاده از آموزش های آنلاین و منابع خودآموز افزایش دهند و با آخرین روندها و پیشرفت های هوش مصنوعی آشنا شوند.
• بهبود مهارت های برنامه نویسی
  مهارت های برنامه نویسی مفید خواهد بود. در حالی که بعضی از مشاغل مهندسی پرسش، فقط با چت بات ها کار می کنند، مشاغل با درآمد بهتر شامل تعبیه پرسش های هوش مصنوعی در برنامه ها و نرم افزارها می باشند. لزوماً انتظار نیست که برنامه کاملی نوشته شود، بلکه از کد نوشته شده برای آزمایش و اشکال زدایی پرسش ها استفاده می شود.
• تجربه کار با مدل های از پیش آموزش دیده نظیر ChatGPT
  باید با مدل های ربات چت هوش مصنوعی از پیش آموزش دیده مانند GPT-3 یا GPT-4 کار کرده باشید.
• صبور و شوخ طبع بودن
  اگر شوخ طبع باشید، صبور بودن بسیار آسان تر است. ابزارهای مولد هوش مصنوعی به صبر نیاز دارند. گاهی درخواست ها را کاملاً اشتباه تفسیر می کنند. کسانی که حوصله تلاش کردن، شکست خوردن، تحقیق بیشتر و تلاش مجدد دارند، بسیار موفق هستند.

• کنترلی و اختصاصی: مهندسی پرسش به کاربران اجازه می دهد تا کنترل بیشتری بر خروجی مدل های زبانی داشته باشند. با ایجاد دقیق پرسش ها، کاربران می توانند نوع پاسخ مورد نظر خود را مشخص کنند.
• سفارشی سازی: سفارشی سازی را برای کارهای خاص امکان پذیر می کند. کاربران می توانند پرسش هایی متناسب با نیازهای خود طراحی کنند و آن را برای طیف گسترده ای از برنامه ها به کار برند.
• شفافیت: پرسش هایی که به خوبی طراحی شده اند می توانند دستورالعمل های واضح و روشنی ارائه دهند و ابهام در پاسخ های مدل را کاهش دهند که به ویژه برای کارهای دقیق مفید می باشد.
• کارایی: مهندسی پرسش می تواند به تعامل کارآمدتر با مدل های زبانی منجر شود. کاربران می توانند خروجی مورد نظر خود را با تکرار کمتر و صرفه جویی در وقت و منابع دریافت کنند.

• تخصص مورد نیاز: ایجاد پرسش های مؤثر اغلب مستلزم درک خوبی از نحوه عملکرد مدل زبانی و نوع پرسش هایی است که نتایج مطلوبی دارند. این می تواند مانعی برای کاربرانی باشد که با هوش مصنوعی و پردازش زبان طبیعی آشنایی ندارند.
• شکنندگی: مدل های زبانی می توانند به تغییر جزئی عبارت پرسش ها حساس باشند. یک تغییر کوچک در پرسش می تواند منجر به نتایج غیرمنتظره می شود و دریافت خروجی مورد نظر را چالش برانگیز می کند.
• کمبود خلاقیت: در حالی که پرسش ها برای پاسخ های وظیفه محور مفید هستند، ممکن است خلاقیت مدل یا توانایی تولید محتوای جدید را محدود کنند.
• محدودیت زمینه: پرسش ها معمولاً یک زمینه ثابت به مدل ارائه می کنند و ممکن است برای کارهایی که نیاز به درک زمینه های وسیع تری دارند مناسب نباشند.

• تولید کد (Code Generation)
  مانند:
  Write a Python function that calculates the factorial of a given integer ‘n’.
• پاسخ سوال (Question Answering)
  مانند:
  Answer the following question: ‘Who won the Nobel Prize in Physics in 2020?
• ترجمه زبان (Language Translation)
  مانند:
  Translate the following English paragraph into Spanish – “The quick brown fox jumps over the lazy dog.”
• خلاصه سازی متن (Text Summarization)
  مانند:
  Summarize the text – Text summarization can be implemented using machine learning models, natural language processing techniques, and algorithms designed to evaluate the importance of sentences or phrases within a text. The choice between extractive and abstractive summarization depends on the specific use case and desired output

• AI Prompt Engineer:
  این نقش پرسش هایی ایجاد می کند که به طور موثر مدل هوش مصنوعی را برای تولید خروجی های دلخواه در حوزه ها و سناریوهای مختلف هدایت کند. آنها پرسش هایی طراحی می کنند تا هدف کاربر را به تصویر  کشند و پاسخ مورد نظر را به دست آورند.
• Prompt Engineering Specialist:
  نیاز به حداقل 2-4 سال تجربه در تکنیک های LLM و NLP و همچنین حداقل 1-2 سال تجربه در مدل های OpenAI / ChatGPT / Text Generative دارد. آنها باید در تنظیم پرسش و دستورالعمل، تحلیل ادبیات LLM، یادگیری تک شات و چند شات و برنامه نویسی پایتون سطح متوسط، تبحر داشته باشند.
• Senior Prompt Engineer:
  مسئولیت و هدایت تیم، توسعه تکنیک های جدید و انجام تحقیقات را به عهده دارند.
• Prompt Engineer Content Writer:
  جهت استفاده از امکانات مدل های هوش مصنوعی در برنامه های مختلف تخصص دارند.

حقوق سالانه