شغلی جدید درخدمتِ هوشمندسازیِ سیستم‌های هوش مصنوعی
عباس پورخصالیان - هوش انسانی (Human Intelligence: HI) برآمده از خودآگاهی انسان است که [به زبان اینترنتی (Internetese)] به آن «تَراَفزار» می‌گویند.
«هوش مصنوعی» (AI) به این دلیل «مصنوعی» است که ساخته و پرداختۀ هوش انسان است و به این عنوان «هوش» است که تا حدودی شبیه به هوش انسان ولی بسیار سریع‌تر از هوش انسان انجام وظیفه می‌کند.
• «تَراَفزار»
«تَراَفزار» یا Wetware کیفیتی صرفاً انسانی است که در مقایسه با سخت‌افزار و نرم‌افزار جعل شده است. «تَراَفزار» درواقع دارای مولفه‌های بیولوژیکی، عصب شناختی و تاریخی-اجتماعی پیچیده‌ای است که کسی از مبانی آنها آگاه نیست و هر اندازه که بشر به فرآیندهای بیوشیمیایی آن بیشتر پی می‌بَرَد، به رمز و رازهای پوشیده‌تری برمی‌خورَد. برتریِ «تَراَفزار» انسان نسبت به سخت‌افزار و نرم‌افزار ماشین در این است که «تَراَفزار» بسیار مقرون به صرفه، انعطاف پذیر و سازگار با محیط‌های جدید است. مقرون به صرفه است، زیرا در مقایسه با مصرف انرژیِ رایانه‌ها بسیار کم مصرف است و برای انجام اموری که حل و فصل آن ممکن است به ابررایانه نیاز باشد، حدود 20 وات مصرف می‌کند. بر خلاف سخت‌افزار و نرم‌افزار، «تَراَفزار» دارای استقلال، خودتعمیری و خودرُشدیابی است و برای نگهداری و بهره‌برداری نیاز به مداخلۀ بیرونی ندارد.
• تزریق‌کنندگان و ذخیره‌سازان هوش انسانی در سیستم‌های هوش مصنوعی
تیم تزریق‌کننده و ذخیره‌سازِ هوش انسانی در درون سیستم‌های هوش مصنوعی، موسوم به «تیم هوشمندسازی یا Intelligentization team»، به چندین متخصص اصلی به شرح زیر نیاز دارد:
• کارشناس علم داده: او داده‌ها را تجزیه و تحلیل و پردازش می‌کند، از روی آنها مدل‌هایی را می‌سازد و بینش‌هایی را برای دستیابی به اهداف تجاری مورد نظر تیم استخراج می‌کند.
• مهندس یادگیری ماشین: او بر طراحی و پیاده‌سازی الگوریتم‌ها و سیستم‌های یادگیری ماشین تمرکز می‌کند.
• مدیر محصول هوش مصنوعی: او اطمینان حاصل می‌کند که راه حل‌های هوش مصنوعی با اهداف تجاری و استانداردهای اخلاقی هماهنگ هستند.
• مدیر پروژه: او منابع را هماهنگ، جدول زمانی را مدیریت و بر اجرای کل پروژه نظارت می‌کند.
• تحلیلگر کسب و کار: او شکاف بین تیم‌های فنی و نیازهای تجاری را پُر و از همسویی با اهداف سازمانی اطمینان حاصل می‌کند.
این نقش‌ها در مجموع توانایی تیم را برای ارائه راه حل‌های هوش مصنوعی قوی افزایش می‌دهند.
• تیم مهندسی پرامپت
تیم مهندسی پرامپت به موازات تیم هوشمندسازی کار می‌کند. هر دو تیم اهداف متفاوت اما مکمل یکدیگر را دنبال می‌کنند: مهندسی پرامپت بر توسعه و عملیات سیستماتیک راه‌حل‌های مبتنی بر هوش مصنوعی تمرکز دارد، در حالی که تیم هوشمندسازی ممکن است استراتژی‌های خاصی را برای ادغام هوش مصنوعی در سیستم‌های موجود توسعه دهد. این همکاری یک رویکرد جامع به چالش‌های پیاده‌سازی هوش مصنوعی در کاربردهای فنی را امکان‌پذیر می‌کند.
تیم مهندسی پرامپت معمولاً متشکل از کارشناسانی بین رشته‌ای است. رایج ترین نقش‌ها و زمینه‌های تخصصی در چنین تیمی عبارتند از:
1- پژوهشگر هوش مصنوعی: کارشناسی که روی مبانی نظری و الگوریتم‌های هوش مصنوعی کار می‌کند.
2- دانشمند علم داده: متخصصی که داده‌ها را تجزیه و تحلیل می‌کند و مدل‌هایی را برای بهینهسازی عملکرد سیستم‌های هوش مصنوعی توسعه می‌دهد.
3- توسعه‌دهنده نرم‌افزار: تعدادی برنامه نویس که جنبه‌های فنی پیاده‌سازی و ادغام مدل‌های هوش مصنوعی را در برنامه‌ها مدیریت می‌کنند.
4- طراح میانای کاربردی/تجربۀ کاربر یا UX/UI: متخصصی که بر تجربه کاربری و طراحی رابط تمرکز می‌کنند تا اطمینان حاصل کند که تعامل با هوش مصنوعی، کاربرپسند است.
5- متخصص دامنه: فردی با دانش خاص از حوزه کاربردی مربوط تا اطمینان حاصل شود که درخواست‌ها مرتبط و مؤثر هستند.
6- کارشناس اخلاق و حریم خصوصی: متخصصی که به مفاهیم اخلاقی و مقررات حفظ حریم خصوصی مرتبط با برنامه‌های کاربردی هوش مصنوعی می‌پردازد.
7- مدیر محصول: مسئول برنامه‌ریزی استراتژیکی و اجرای پروژه‌های هوش مصنوعی، به منظور حصول اطمینان از برآورده شدن نیازهای کاربران.
• مهندسی پرامپت (Prompt Engineering)
منظور از «پرامپت»، وادارسازی ماشینِ یادگیریِ مسلط بر یک مدل زبانی بزرگ (LLM) به اجرای دستورها و قواعدی‌ست که توسط تیم مهندسی پرامپت طراحی، تعریف و به ماشین یادگیری ارائه می‌شوند.
تیم مهندسی پرامپت نقش مهمی در هوشمندسازی مدل‌های زبانی بزرگ در پروژه‌های چت بات ایفا می‌کند و به طور خاص بر نحوه درک ورودیها و ارائۀ خروجی‌ها توسط ماشین یادگیری، دقت در پاسخگویی، اختیار کردن لحن مناسب و برقراری ارتباطِ مدل زبانی بزرگ با کاربر تمرکز دارد.
مهندسی پرامپت در چرخۀ حیاتِ توسعۀ یک چتبات مثل «چت جی.پی.تی»، معمولاً در این مراحل نقش‌آفرینی می‌کند:
- در مرحلۀ تحلیل نیازمندی‌ها و طراحی اولیۀ سیستم هوش مصنوعی
مهندسان پرامپت در این مرحله مشخص می‌کنند که چتبات برای چه کاربردهایی طراحی شده است و چه ورودیها و خروجی‌هایی باید داشته باشد. این شامل تدوین پرامپت‌های مناسب برای بهینهسازی تعامل چتبات با کاربران است.
- در مرحلۀ ساخت و آزمایش پرامپت‌های اِعمال شونده به سیستم هوش مصنوعی
مهندسان پرامپت مسئول طراحی و تست پرامپت‌های متنی یا ترکیبی هستند که بتوانند بهترین نتایج را از مدل‌های زبانی مانند GPT استخراج کنند. این فعالیت شامل اصلاح و بهینهسازی مداوم پرامپت‌ها برای دقت، طبیعی بودن رفتار چتبات و کارآمدی است.
- در مرحلۀ ادغام و توسعۀ سیستم هوش مصنوعی
در مرحله توسعه و ادغام، پرامپت‌ها با سایر زیرساخت‌های نرم‌افزاری چتبات (مانند سیستم‌های مدیریت داده یا APIها) تطبیق داده می‌شوند.
تیم مهندسی پرامپت به صورت مداوم تعاملات واقعی کاربران با چتبات را بررسی می‌کند تا پرامپت‌ها را بهبود دهد و از این بابت طمینان حاصل کند که چتبات به طور مؤثر نیاز کاربران را پاسخ می‌دهد.
• هر کاربر معمولی چتبات، مهندس پرامپت به حساب نمی‌آید!
کاربران معمولی که از چتبات برای نیازهای روزانه خود استفاده می‌کنند، به عنوان مهندس پرامپت شناخته نمی‌شوند. اما: اگر یک کاربر آگاهانه پرامپت‌های مورد نظر خود را طراحی و تولید کند یا پرامپت‌های موجود را تغییر دهد تا پاسخ‌های دقیق‌تر یا خاص‌تری را از سیستم بگیرد، می‌توان گفت که او در سطح ابتدایی به نوعی مهارت مهندسی پرامپت را دارد و به کار می‌برد.
• مهندس پرامپت، کارشناسی کمیاب با بیشترین حقوق
یک مهندسِ پرامپتِ حرفهای کسی است که به طور سیستماتیک و با دانش عمیق از مدل‌های زبانی، پرامپت‌ها را طراحی و بهینهسازی می‌کند. این فعالیت، فراتر از تعامل معمولی کاربر با چتبات است.
مهندسان پرامپت با استفاده از متون راهنما و دستورات دقیق، سیستم هوش مصنوعی را به ارائه پاسخ‌هایی معقول در چارچوبی مشخص هدایت می‌کنند و بدین منظور، مثلاً برای رعایت اخلاق حرفهای یا جلوگیری از ارائه اطلاعات غلط، پرامپت‌هایی را مانندِ: «همیشه براساس شواهد علمی پاسخ بده» یا «از ارائه پاسخ‌هایی که ممکن است خطرناک باشند، خودداری کن» طراحی می‌کنند. در نتیجه، سیستم هوش مصنوعی از طریق پرامپت‌های مشخص برای پیشگیری از عبورِ چتبات از خطوط قرمز، برنامه ریزی می‌شود. این پیشگیری شامل موارد زیرند:
- محدود کردن اطلاعات در زمینه‌های حساس؛
- جلوگیری از تولید پاسخ‌های تهاجمی، مغرضانه یا غیرمجاز؛
- رعایت خط‌مشی‌های سازمان یا قوانین محلی و
- آموزش مدل بر اساس داده‌های گزینشی.
به این ترتیب، مهندس پرامپت به fine-tuningیعنی به تنظیم ظریفِ مدل زبانی بزرگ می‌پردازد تا سیستم هوش مصنوعی با دیدگاه‌ها، اصول و سیاست‌های خاص، هماهنگ شود.
پس از استقرار سیستم و در مرحلۀ بهره‌برداری از آن نیز، مهندسان پرامپت، تعاملات واقعی کاربران با چتبات را تحلیل و پرامپت‌ها را برای بهبود سازگاری و دقت، اصلاح می‌کنند.
این فرآیند مداوم باعث می‌شود سیستم هوش مصنوعی به مرور زمان بیشتر به قواعد مد نظر پایبند شود.
از آنجایی که سیستم‌های مدرن هوش مصنوعی، مانند GPT، دارای لایه‌های ایمنی داخلی هستند که می‌توانند با پرامپت‌های خاصی تقویت شوند، تیم مهندسی پرامپت این قابلیت‌ها را برای جلوگیری از سوءِ استفاده به کار می‌گیرد.
تیم مهندسی پرامپت می‌تواند رفتار مدل زبانی بزرگ را تا حد زیادی بهینه کند، اما گاه محدودیت‌هایی نیز وجود دارند: سیستم‌های بزرگ زبانی مثل GPT طوری طراحی شده‌اند که پاسخ‌های متنوعی ارائه دهند. در نتیجه، ممکن است همیشه نتوانند به طور کامل از قواعد طراحی شده پیروی کنند. همچنین گاهی سیستم‌ها ورودیها را به گونه‌ای تفسیر می‌کنند که خارج از انتظار کاربر است، به ویژه اگر پرامپت‌ها مبهم و پرسش‌ها نارسا طراحی شده باشند.
اما مهندس پرامپت در کدام یک از لایه‌های طراحی سیستم چتبات فعالیت می‌کند؟
سیستم‌های هوش مصنوعی دارای ساختاری لایه‌بندی شده هستند شامل سه لایۀ به شرح زیر:
1. لایۀ مدل‌سازی یا لایۀ یادگیری
در این لایه، مدل‌های هوش مصنوعی توسعه می‌یابند و آموزش‌های لازم به آنها ارائه می‌شوند. این کار بیشتر مربوط به تیم‌های تحقیقاتی و دانشمندان داده است. مهندسان پرامپت معمولاً در این لایه کمتر دخالت دارند.
2. لایۀ زیرساخت
این لایه شامل سخت‌افزار، شبکه و پلتفرم‌هایی است که مدل روی آن اجرا می‌شود. این لایه معمولاً تحت مدیریت تیم‌های مهندسی سیستم شکل می‌گیرد.
3. لایۀ کاربری
تیم مهندسی پرامپت عمدتاً در لایه کاربردی فعالیت می‌کند؛ جایی که تیم مهندسی پرامپت نزدیک‌ترین ارتباط را با تعاملات کاربران و استفاده از سیستم دارد. فلذا مهندسان پرامپت تلاش می‌کنند سیستم را طوری تنظیم کنند که تجربه کاربر (UX: User Experience) تا حد ممکن روان، مفید و دقیق باشد. تیم مهندسی پرامپت با ایجاد پرامپت‌های دقیق، مطمئن می‌شود که سیستم به بهترین شکل ممکن با کاربران تعامل می‌کند.
• تاریخچۀ شغل مهندسی پرامپت
شغل مهندسی پرامپت (Prompt Engineering) با ظهور مدل‌های زبانی بزرگ مانندِ GPT که نسخه‌های اولیۀ آن در سال 2018 معرفی شدند، شکل گرفت. اما این شغل به عنوان یک حرفه تخصصی از سال 2021 به بعد، با رشد تعداد پرامپت‌های لازم در ابزارهای هوش مصنوعی مولد (Generative AI) مورد توجه ویژه قرار گرفت.
افزایش تقاضا برای استفاده مؤثر از این مدل‌ها، به خصوص در سازمان‌ها و شرکت‌های فناوری، باعث شد که نقش «مهندس پرامپت» به طور جدی مطرح و پررنگ شود.
مهارت‌های لازم برای مهندس پرامپت عبارتند از موارد زیر:
- داشتن درک عمیق از کارکرد مدل‌های زبانی بزرگ و آشنایی با ابزارهایی مانندOpenAI GPT، Anthropic Claude، Google Bard و امثالهم ...
- داشتن مهارت طراحی پرامپت، شاملِ توانایی نوشتن پرامپت‌هایی که پاسخ‌های دقیق و مفید ارائه دهند به علاوۀ تست و بهینه سازی پرامپت‌ها برای کاربردهای مختلف.
- داشتن مهارت‌های تحلیل داده و ارزیابی خروجی مدل‌ها برای بهبود کارایی آنها.
- داشتن دانش فنی لازم و آشنایی با زبان‌های برنامه‌نویسی مرتبط مانند Python و کتابخانه‌هایی مثل LangChain و آشنایی با APIهای مربوط به هوش مصنوعی.
- داشتن هوشمندی و توانایی طراحی راه حل‌های خلاقانه برای کاربردهای پیچیده.
- داشتن مهارت‌های ارتباطی به منظور همکاری با تیم‌های مختلف برای پیاده‌سازی هوش مصنوعی در کسب و کار.
• حقوق سالیانه مهندس پرامپت چقدر است؟
حقوق مهندسان پرامپت به عوامل مختلفی مانند تجربه، کشور و مکان جغرافیایی فعالیت، و صنعتی که نیاز به سیستم هوش مصنوعی دارد، بستگی دارد. با این حال، طبق گزارش‌های موثق، در آمریکا و اروپا حقوق سالانه یک مهندس پرامپت بین 150,000 تا 350,000 دلار تخمین زده می‌شود.
در برخی شرکت‌های پیشرو، این عدد حتی بیشتر هم هست. البته در کشورهای در حال توسعه، این مبلغ، بسیار کمتر است، اما همچنان رقابتی و بالاتر از میانگین بسیاری از حرفه‌های دیگر است.
نکته: این شغل هنوز در حال تکامل است و به دلیل تقاضای بالا برای افراد ماهر، پیش‌بینی می‌شود که حقوق آن در آینده بیشتر نیز بشود!