ارزیابی و مقایسه مدل های زبانی بزرگ همراه با انواع تکنیک های پرامپت نویسی در متون تخصصی مهندسی نفت

مدل های زبانی بزرگ (LLMs) به عنوان یکی از پیشرفته ترین ابزارهای هوش مصنوعی مبتنی بر معماری ترنسفورمر، تحول چشم گیری در حوزه پردازش زبان طبیعی ایجاد کرده اند. این مدل ها با توانایی تولید متن، درک زمینه، استخراج اطلاعات و پاسخ گویی به سوالات پیچیده، قابلیت پیاده سازی در طیف گسترده ای از کاربردهای تخصصی را دارند. در این مقاله، دو رویکرد کلیدی برای بهره برداری هدفمند از مدل های بزرگ زبانی مورد بررسی قرار می گیرد: نخست، مهندسی پرامپت که با طراحی دقیق ساختار ورودی ها، عملکرد مدل را بدون نیاز به تغییر پارامترها هدایت می کند؛ و دوم، ریزتنظیم تخصصی که امکان آموزش مجدد مدل بر روی داده های بومی یا صنعتی را فراهم می سازد. به عنوان نمونه کاربردی، از برخی سناریوهای مرتبط با صنعت نفت مانند خلاصه سازی گزارش های روزانه عملیات و استخراج مفاهیم از مستندات مهندسی استفاده شده است تا قابلیت مدل ها در یک حوزه تخصصی به تصویر کشیده شود. همچنین ساختارهای مختلف پرامپت، معماری های تقویتی و نقش انسان در چرخه بازخورد مورد تحلیل قرار گرفته اند. برای ارزیابی کمی عملکرد مدل ها، از شاخص هایی مانند دقت، بازخوانی و امتیاز F۱ بهره گرفته شده است. هدف نهایی این مقاله، ارائه نگاهی کاربردی و فنی به ظرفیت مدل های بزرگ زبانی برای توسعه سامانه های هوشمند در زمینه های تخصصی با حداقل منابع محاسباتی و حداکثر دقت است.

کلیدواژه ها:

مدل های زبانی بزرگ ، تولید متن ، مهندسی پرامپت ، ریزتنظیم تخصصی