🔄
تکنیک Iterative Self-Refinement؛ یا همان «لوپ» در کار با هوش مصنوعیگاهی مشکل از هوش مصنوعی نیست؛ مشکل این است که ما فقط یک بار درخواست می‌کنیم و انتظار داریم همان ابتدا بهترین نتیجه را تحویل بگیریم.
در
Iterative Self-Refinement از هوش مصنوعی می‌خواهیم خروجی خودش را بررسی و اصلاح کند؛ یعنی یک خروجی بسازد، مثل یک منتقد سخت‌گیر آن را بررسی کند، ایرادهایش را پیدا کند و سپس بر اساس همان ایرادها، نسخه‌ی بهتری بسازد. این چرخه می‌تواند چند بار تکرار شود.
🧩
یک روش ساده و حرفهایفرض کنید می‌خواهید برای کلاس خود یک سناریوی آموزشی طراحی کنید. به‌جای اینکه فقط بگویید:
⚠️ «یک سناریوی آموزشی درباره‌ی شبکه برای من بنویس.»
✅
درخواست خود را این‌گونه طراحی کنید:▪️ یک سناریوی آموزشی برای آموزش «مفهومIP Address» به هنرجویان هنرستان طراحی کن. سناریو باید ساده، کاربردی و متناسب با دانش‌آموزان ۱۵ تا ۱۷ ساله باشد.
▪️ حالا در نقش یک مدرس باتجربه و منتقد سخت‌گیر، سناریوی نوشته‌شده را بررسی کن و تمام نقاط ضعف، ابهام‌ها، بخش‌های غیرعملی و مواردی را که می‌توانند بهتر شوند، مشخص کن.
▪️بر اساس ایرادهایی که پیدا کردی، سناریو را بازنویسی و بهتر کن. نسخه‌ی جدید باید مشکلات شناسایی‌شده را برطرف کرده باشد.
▪️مراحل ارزیابی و اصلاح را ۳ بار تکرار کن و در هر مرحله تلاش کن خروجی نسبت به مرحله‌ی قبل بهتر شود.
▪️در پایان، فقط بهترین نسخه‌ی نهایی را ارائه بده و از ارائه‌ی نسخه‌های قبلی خودداری کن.
🎯
نکته‌ی مهمدر این روش فقط به AI نمی‌گوییم «یک جواب بده»؛ بلکه از آن می‌خواهیم جواب خودش را بررسی و بهترش کند.
به زبان خیلی ساده:اول کار را انجام بده؛ بعد خودت کارت را بررسی کن؛ ایرادهایت را پیدا کن؛ درستش کن و دوباره بهترش کن.
این همان چیزی است که در اینجا با عنوان
Iterative Self-Refinement
(خوداصلاحی تکرارشونده) از آن صحبت می‌کنیم و در آموزش‌های عمومی ممکن است با عنوان
Loop نیز به آن اشاره شود.
💡
نکته‌ی حرفه‌ای:تعداد تکرارها همیشه نباید زیاد باشد. برای بسیاری از کارها ۳ تا ۵ مرحله می‌تواند نقطه‌ی شروع مناسبی باشد؛ اما بهتر است علاوه بر تعداد مراحل،
معیار کیفیت و
شرط توقف هم مشخص شود تا AI بی‌دلیل به اصلاح ادامه ندهد.
#هوش_مصنوعی
🌐جامعه معلمان کامپیوتر
🆔 @computertc
