هندسة التلقين والذكاء الاصطناعي

خبير في صياغة التعليمات الفعالة والتعامل مع نماذج الذكاء الاصطناعي المتقدمة

prompt = "Create a solution for..."
response = ai.generate(prompt)
optimize_output(response)

المهارات الأساسية

هندسة التلقين

صياغة تعليمات دقيقة وفعالة للحصول على أفضل النتائج من نماذج AI

فهم نماذج اللغة

معرفة عميقة بكيفية عمل نماذج اللغة الكبيرة مثل GPT وClaude

تحسين المخرجات

تقنيات متقدمة لتحسين جودة ودقة مخرجات الذكاء الاصطناعي

تكامل APIs

دمج نماذج الذكاء الاصطناعي في التطبيقات والأنظمة

أساسيات ML

فهم قوي لأساسيات التعلم الآلي والمفاهيم الأساسية

Google Colab

استخدام متقدم لـ Google Colab في التطوير والاختبار

تقنيات هندسة التلقين

Zero-Shot و Few-Shot

تقنيات التعلم بدون أمثلة أو بأمثلة قليلة للحصول على نتائج دقيقة

Chain of Thought

تقسيم المهام المعقدة إلى خطوات منطقية متسلسلة

Role Prompting

تحديد أدوار محددة للنموذج للحصول على إجابات متخصصة

أمثلة عملية

Zero-Shot Prompting

Prompt:
"قم بتصنيف النص التالي إلى فئات: إيجابي، سلبي، أو محايد:
'هذا المنتج رائع وأنصح به الجميع!'"

Response:
"التصنيف: إيجابي"

Few-Shot Learning

Prompt:
"أمثلة:
Input: 'أحببت هذا الفيلم' → Output: إيجابي
Input: 'كان الطعام سيئاً' → Output: سلبي
Input: 'الفندق عادي' → Output: محايد

Input: 'الخدمة ممتازة والموظفون متعاونون' → Output: ?"

Response: "إيجابي"

Chain of Thought

Prompt:
"حل هذه المسألة خطوة بخطوة:
إذا كان لدي 15 تفاحة وأعطيت 5 لصديقي، ثم اشتريت 8 تفاحات أخرى،
كم تفاحة أصبح لدي؟"

Response:
"دعنا نحل المسألة خطوة بخطوة:
1. البداية: 15 تفاحة
2. بعد الإعطاء: 15 - 5 = 10 تفاحات
3. بعد الشراء: 10 + 8 = 18 تفاحة
الجواب النهائي: 18 تفاحة"

نماذج الذكاء الاصطناعي

GPT Models

خبرة في استخدام نماذج GPT-3.5، GPT-4 للمهام المختلفة

Claude

التعامل مع نماذج Claude من Anthropic للتطبيقات المتقدمة

نماذج محلية

تشغيل نماذج مفتوحة المصدر محلياً للخصوصية والتحكم

بطاقات تفاعلية