با استفاده از PAIR Guidebook و MakerSuite، نمونه اولیه هوش مصنوعی Responsible را بیاموزید

1. قبل از شروع

MakerSuite مجموعه‌ای از ابزارها است که به شما امکان می‌دهد با مدل‌های زبان بزرگ مستقیماً از مرورگر نمونه‌سازی اولیه کنید—بدون نیاز به راه‌اندازی. با استفاده از MakerSuite، می‌توانید از آزمایش سریع درخواست‌ها به ایجاد یک API که برنامه شما می‌تواند مستقیماً به آن دسترسی داشته باشد، بروید، که به تیم‌ها کمک می‌کند تا به سرعت برنامه‌های عالی را بر اساس هوش مصنوعی مولد ارائه دهند. کتاب راهنمای People + AI Research (PAIR) راهنمایی هایی را در مورد نحوه طراحی یک محصول جدید با هوش مصنوعی، با تمرکز بر روی روش های داده محوری و جلب اعتماد کاربر ارائه می دهد - راهنمایی هایی که برای استفاده از MakerSuite قابل استفاده است.

در این نرم‌افزار، یاد می‌گیرید که چگونه از این دو منبع با هم استفاده کنید تا تجربیات مبتنی بر هوش مصنوعی ایجاد کنید. تمرکز آزمایشگاه کد بر روی نمونه سازی مسئولانه با هوش مصنوعی مولد است، نه گردش کار سرتاسر این منابع خاص. برای آشنایی با گردش کار کلی برای MakerSuite، این آموزش اولیه برای MakerSuite را ببینید و برای راهنمایی جامع تر برای طراحی محصولات هوش مصنوعی به کتاب راهنمای PAIR مراجعه کنید.

پیش نیازها

  • درک اولیه هوش مصنوعی
  • مقداری دانش از گردش کار توسعه محصول

چیزی که یاد خواهید گرفت

  • چگونه می توان از کتاب راهنمای PAIR برای بررسی اینکه چگونه تجربیات هوش مصنوعی شما برای مخاطبان مختلف کار می کند و چگونه می توان فهمید که کدام وظایف باید یا نباید از هوش مصنوعی استفاده کنند، استفاده کنید.
  • چگونه می توان تجربیات هوش مصنوعی مولد ایجاد کرد که از غنای شیوه های فرهنگی کاربران نشأت می گیرد.
  • چگونه می توان فرصت ها را در فرآیند توسعه هوش مصنوعی ادغام کرد که با تمرکز بر توضیح پذیری کاربر، اعتماد کاربر را جلب می کند.
  • چگونه از یک جعبه ابزار گسترده‌تر از مواد هوش مصنوعی مولد و منابع هوش مصنوعی انسان محور برای کاوش بیشتر استفاده کنیم.

چیزی که خواهی ساخت

این آزمایشگاه کد شما را در یک فرآیند نمونه سازی عملی برای هوش مصنوعی مولد مسئول راهنمایی می کند، همانطور که یک ابزار نوشتن خلاقانه طراحی می کنید. اگر علاقه مند هستید، حتی می توانید این دستورهایی را که طراحی می کنید در Wordcraft، یک ویرایشگر متنی مبتنی بر هوش مصنوعی منبع باز، که به عنوان نمونه اولیه تحقیقاتی توسط گوگل منتشر شده است، ادغام کنید.

آنچه شما نیاز دارید

  • مرورگر
  • حساب Google، برای دسترسی به MakerSuite

2. راه اندازی شوید

MakerSuite

MakerSuite مجموعه‌ای از ابزارهای Google است که به شما امکان می‌دهد با مدل‌های زبان بزرگ مستقیماً از مرورگر نمونه‌سازی اولیه کنید—بدون نیاز به راه‌اندازی. شما می توانید به سرعت مدل ها را امتحان کنید و با اعلان های مختلف آزمایش کنید. وقتی چیزی ساخته اید که از آن راضی هستید، می توانید به راحتی آن را به عنوان کد پایتون صادر کنید و سپس همان مدل ها را با استفاده از Generative Language API فراخوانی کنید.

برای آزمایش مدل های زبان بزرگ با استفاده از MakerSuite، در لیست انتظار ثبت نام کنید .

کتاب راهنمای تحقیق مردم + هوش مصنوعی

کتاب راهنمای People + AI Research (PAIR) منبعی است که به توسعه‌دهندگان، طراحان، مدیران محصول، دانش‌آموزان و بسیاری دیگر کمک می‌کند تا با مسئولیت‌پذیری از هوش مصنوعی استفاده کنند.

کتاب راهنمای PAIR می تواند به شما و تیمتان کمک کند تا لیستی از سوالات کلیدی مرتبط با هوش مصنوعی - از جمله هوش مصنوعی مولد - را در محصول خود تهیه کنید.

  • چه زمانی و چگونه باید از هوش مصنوعی در محصولم استفاده کنم؟
  • چگونه به کاربران کمک کنم تا به سیستم هوش مصنوعی من اعتماد کنند؟
  • چگونه سیستم هوش مصنوعی خود را برای کاربران توضیح دهم؟
  • چگونه تجارب هوش مصنوعی می توانند از نظر فرهنگی فراگیر و ارزش محور باشند؟

شما از کتاب راهنمای PAIR در سراسر این کد برای ایجاد سؤالات برای نمونه سازی و انتخاب از بین گزینه های مختلف طراحی استفاده می کنید.

دریافت کد Wordcraft (اختیاری)

Wordcraft یک ویرایشگر متنی مبتنی بر هوش مصنوعی است که در Google Research توسعه یافته است و داستان نویسی مشترک انسان و هوش مصنوعی را بررسی می کند. کد Wordcraft منبع باز است، بنابراین می‌توانید به تنهایی با دستورات موجود در این کدها آزمایش کنید.

  • برای دریافت کد Wordcraft از دستور زیر استفاده کنید:
git clone https://github.com/pair-code/wordcraft

همچنین می توانید فایل فشرده را دانلود کنید:

TBD

3. از هوش مصنوعی مولد برای داستان نویسی استفاده کنید

مدل زبان بزرگ (LLM) یک مدل هوش مصنوعی است که بر روی حجم عظیمی از متن از کتاب‌ها، مقاله‌ها و وب‌سایت‌ها به منظور یادگیری دستور زبان، عبارات رایج و سایر اطلاعات آموزش داده می‌شود. بر اساس این داده ها و با برخی تنظیمات دقیق اضافی، یک LLM مانند PalM می تواند بسیاری از وظایف هوش مصنوعی را بر اساس دستورالعمل های ساده به جای نیاز به برنامه نویسی یادگیری ماشینی پیچیده انجام دهد. همچنین می تواند به سؤالات پاسخ دهد، اطلاعات را خلاصه کند، زبان ها را ترجمه کند و بسیاری از وظایف هوش مصنوعی دیگر را انجام دهد.

در این کد لبه، شما از یک LLM برای نمونه سازی اولیه برنامه ای استفاده می کنید که به نویسندگان کمک می کند داستان بنویسند. Google's Palm LLM علاوه بر داشتن اطلاعات کلی در مورد جهان، دستور زبان و غیره، برای پیروی از دستورالعمل‌ها یا درخواست‌های کاربر طراحی شده است. بنابراین، برای نمونه‌سازی اولیه ابزار خود در MakerSuite، به مدل خود یاد می‌دهید که چه چیزی را به عنوان پاسخی که توسط یک درخواست کاربر تحریک می‌شود بنویسد.

با استفاده از دستورات متنی در MakerSuite، داستان‌هایی به کمک هوش مصنوعی بنویسید

  1. برای ایجاد یک درخواست، روی Create New در پانل سمت چپ کلیک کنید و Text prompt را انتخاب کنید. با این دستور شروع کنید:
You are a talented fiction author. Write a story about a given topic.
Topic: {{topic}}

هنگامی که این اعلان را وارد کردید، MakerSuite تشخیص می دهد که ورودی درخواست است و یک پنل درخواستی خود را آزمایش کنید باز می کند تا بتوانید نحوه عملکرد درخواست شما با ورودی های مختلف را مشاهده کنید.

  1. وارد شوید A boy discovers a lost cat in his yard و سپس روی پانل مدل (در سمت راست دکمه Run ) کلیک کنید و دما را 0.8 انتخاب کنید.
  2. در نهایت روی Run کلیک کنید تا دستور شما اجرا شود. شما باید خروجی سریع را در جدول به صورت لحظه ای ببینید.

انتخاب درجه حرارت روی 0.8 به مدل می گوید که تنوع را در خروجی آن ترجیح می دهید. انجام این کار منجر به داستان‌های خلاقانه‌تر می‌شود، اما هر بار که اجرا می‌شود، خروجی‌های متفاوتی به همراه دارد. اگر هر بار دقیقاً همان خروجی را می خواهید، دما را روی 0 تنظیم کنید.

یکی از خروجی های ممکن موارد زیر است:

Henry sat on the edge of his porch and swung his legs back and forth. A small cat ran in front of him. Henry petted the cat. The cat began to purr. Henry picked up the cat and placed it on his lap. The cat began to snuggle close to him. Henry decided to keep the cat.
  1. چند بار فرمان را اجرا کنید و به داستان های مختلفی که ایجاد می شوند توجه کنید.

اسکرین شات ویرایشگر Makersuite. نمای اعلان را در بالا نشان می‌دهد و جدول ورودی‌های آزمایشی خود را تست کنید.

همانطور که می بینید، مدل یک داستان ساختاریافته می نویسد که به صورت منطقی جریان دارد، اما چندین فرض را نیز مطرح می کند. به عنوان مثال، داستان حول محور پسری به نام هنری است. شما می توانید این فرضیات را با مشخص کردن نام قهرمان ما تغییر دهید یا حتی مشخص کنید که آیا می خواهید داستان روی بچه گربه یا انسان متمرکز شود.

  1. درخواست خود را به روز کنید، و سپس روی Run کلیک کنید تا ببینید چگونه با همه ورودی های آزمایشی کار می کند.

با استفاده از کتاب راهنمای PAIR، وظایفی را که برای کمک هوش مصنوعی مناسب هستند، شناسایی کنید

تا اینجای کار، فرض بر این است که مدل هوش مصنوعی یک داستان کامل را می نویسد، تنها توضیح مختصری داده می شود. اما آیا این تصمیم طراحی درستی برای ابزار خلاق شماست؟ به عنوان مثال، دستیاری را تصور کنید که به نویسندگان کمک می کند تا قسمت هایی از داستان مورد نظر خود را بازنویسی کنند. به عنوان مثال، می‌توانید این تعامل را در MakerSuite نمونه‌سازی کنید و بخش داستان را دراماتیک‌تر کنید.

این کمک بسیار متمرکزتری را فراهم می کند و پاراگراف ها را در یک زمان بازنویسی می کند. در سطح بالاتر، با چند تغییر در اعلان شما، می توانید یک ابزار تقویت کاربر را به جای یک ابزار خودکارسازی کار، نمونه اولیه کنید.

کتاب راهنمای PAIR روشی اصولی برای پرسیدن و پاسخ به سوالاتی از این قبیل در فرآیند توسعه هوش مصنوعی ارائه می دهد. در حالی که MakerSuite به شما کمک می‌کند ایده‌های اولیه را به سرعت طراحی کنید، کتاب راهنمای PAIR به شما امکان می‌دهد تا انتخاب‌های طراحی را به امیدوارکننده‌ترین گزینه‌ها برای اهداف خود و مخاطبانی که قصد جذب آن را دارید محدود کنید. از کتاب راهنما استفاده کنید تا بفهمید که آیا تقویت یا اتوماسیون رویکرد مناسبی برای مشارکت با هوش مصنوعی برای ساخت برنامه شما است.

با نحوه استفاده از هوش مصنوعی شروع کنید؟ سوال راهنما در کتاب راهنما همانطور که این الگوی راهنما اشاره می کند، بهتر است از هوش مصنوعی زمانی که ارزش منحصر به فردی می افزاید استفاده کنید. در این مورد، از آنجا که LLM ها با داده های زیادی در مورد گرامر، عبارات رایج و سایر اطلاعات از اینترنت آموزش داده شده اند، ممکن است استفاده از توانایی مدل برای درک دنیای داستانی که می خواهید در خود توضیح دهید مفید باشد. نوشتن خروجی برنامه و پیشنهاد راه هایی برای بازنویسی آن. این بر اساس الگوی توصیه شخصی در کتاب راهنما است.

این را یک قدم جلوتر بردارید. کتاب راهنما PAIR فصلی را در مورد نیازهای کاربر با راهنمایی در مورد اینکه آیا وظایف باید خودکار یا تقویت شوند ارائه می دهد.

هنگام در نظر گرفتن تقویت یا اتوماسیون، به یاد داشته باشید که نمونه اولیه شما یک برنامه مفید برای نویسندگان است. بنابراین، به نظر می‌رسد کاربران شما از نوشتن لذت می‌برند، می‌خواهند مالکیت شخصی نوشته‌هایشان را در دست بگیرند، و ترجیحاتی در طول عمر نوشتن دارند که ممکن است برقراری ارتباط با آنها دشوار باشد. در مجموع، این نشان می‌دهد که رویکرد افزایش ممکن است گزینه امیدوارکننده‌تری باشد.

بر اساس کتاب راهنمای PAIR، ممکن است منطقی باشد که برنامه‌ای را که نمونه‌سازی می‌کنید نه ابزاری برای نوشتن، بلکه برای بازنویسی در نظر بگیرید. برای مثال، می‌توانید اعلان را تغییر دهید تا سبک‌های مختلف نوشتن را مجاز کنید.

  1. یک اعلان متن جدید ایجاد کنید:
Edit the paragraph below. Make it \{\{rewrite style\}\}. Only respond with the updated text. Do not include any explanation.

Paragraph: {{paragraph}}

در اینجا، هر دو \{\{rewrite style\}\} و ورودی متن هستند.

  1. در پنل تست، تعدادی از سبک‌های بازنویسی مانند کوتاه‌تر ، دراماتیک‌تر ، شوخ‌تر ، کمتر از نظر گرامری ناهنجار ، شاعرانه و غیره را امتحان کنید.

طراحی برای داستان های سراسر جهان

تا کنون، شما دستور بازنویسی یک پاراگراف را با داستان هایی که فاقد زمینه فرهنگی قوی هستند، آزمایش کرده اید. هنگام طراحی تجربیات هوش مصنوعی مسئولیت پذیر، اغلب مفید است که انواع مختلفی از ورودی ها را امتحان کنید.

تعدادی ورودی تست را امتحان کنید، مانند:

  • در گوشه‌ای ساکت از یک کافه‌ی عجیب و غریب پاریسی، مشتری انفرادی عطر قهوه‌ی تازه دم کرده را می‌چشد، و افکارش به لحظه‌ای که مدت‌ها فراموش شده بود، می‌رفت که مسیر زندگی‌اش را برای همیشه تغییر داد.
  • در میان انرژی آشفته قطار محلی بمبئی، زنی میانسال با یک غریبه صحبت کرد. او فکر می کرد چقدر جذاب است که در یک شهر زندگی کنم و زندگی هایی متفاوت داشته باشی.
  • در میان هرج و مرج پرجنب‌وجوش بازار خیابانی شلوغ شانگهای، یک فروشنده غذای خیابانی لحظه‌ای را صرف تماشای جزر و مد جمعیت کرد.

با سایر زمینه های فرهنگی و جغرافیایی به طور مسئولانه آزمایش کنید و مراقب باشید که از تعصبات ناعادلانه و کلیشه های تاریخی جلوگیری کنید. توجه داشته باشید که در حالی که LLM بر اساس داده‌های موجود آنلاین موجود در بسیاری از نقاط جهان اطلاعات دارد، ممکن است تمام جزئیات یک مکان جغرافیایی خاص را به درستی دریافت نکند. همانطور که کتاب راهنمای PAIR نشان می دهد، در کارهای تقویتی، ارائه کنترل به کاربران مهم است. برای مثال، می‌توانید قابلیت‌های بازنویسی نمونه اولیه خود را گسترش دهید تا کنترل بیشتری بر طرح و جزئیات داستان داشته باشید.

بسیاری از مدل‌های مولد نیز گاهی اوقات مفروضات پیش‌فرض را نشان می‌دهند، که بخشی از آن به دلیل الگوهایی است که در مجموعه داده‌های آموزشی عظیم آنها از اطلاعات آنلاین رایج‌تر است. دانستن این نکته مهم است که مدل‌ها را می‌توان به گونه‌ای هدایت کرد که مفروضات دیگری به همان اندازه معتبر باشد. برای مثال، برای بازنویسی یک پاراگراف بالا، می‌توانید با تغییر سبک بازنویسی، جنسیت را برای غریبه در قطار تعیین کنید، و بنویسید " کوتاه‌تر. به یاد داشته باشید که غریبه نیز یک زن است ."

4. ایجاد اعتماد

بدون اعتماد کاربران، حتی نوآورانه‌ترین قابلیت‌های هوش مصنوعی ممکن است استفاده نشوند. اعتماد نتیجه این است که کاربران احساس می کنند هوش مصنوعی توانا، قابل اعتماد و مفید است. کمک به کاربران برای ایجاد اعتماد می‌تواند آنها را تشویق کند تا نحوه و زمان استفاده از ویژگی‌های خاص را بیاموزند و به طور کلی می‌تواند به تجربه کاربری بهتری منجر شود.

کتاب راهنمای PAIR چند ایده ارائه می دهد تا به کاربران کمک کند تعیین کنند که چقدر باید به سیستم های هوش مصنوعی اعتماد کنند:

زودتر اعتماد ایجاد کنید

با هوش مصنوعی مولد، ارتباط با هدف ویژگی ها و کمک به کاربران برای درک محدودیت های هوش مصنوعی بسیار مفید است. به عنوان مثال، از آنجایی که مدل‌های زبان اساساً برای پیش‌بینی آنچه در متن بعدی می‌آید طراحی شده‌اند، ممکن است همیشه از نظر واقعی در خروجی آن دقیق نباشند. بنابراین، کمک به کاربران برای درک اینکه این نمونه اولیه یک کمک نوشتن خلاقانه است و قرار نیست واقعی باشد، مهم است. اگر کاربر می‌خواهد جزئیاتی را که می‌خواهد واقعی باشد بررسی کند، باید از طریق منابع قابل اعتماد به صورت آنلاین جستجو کند.

با طوفان فکری چند راه مختلف ممکن است به کاربران کمک کنید بفهمند که این نمونه اولیه برای نوشتن اطلاعات واقعی استفاده نمی شود، بلکه به طور خاص برای نوشتن داستان های تخیلی است.

اعتماد را حفظ کنید

به طور مشابه، در حالی که مدل‌های هوش مصنوعی مولد توانایی بالایی دارند، کاربران همیشه نمی‌توانند تأیید کنند که وظایف برای بسیاری از موارد استفاده خاص به درستی انجام شده است. به عنوان مثال، این نمونه اولیه حول تکمیل هدفمند متن و بازنویسی هدفمند داستان طراحی شده است – قابلیت هایی که کاربران به راحتی می توانند آن ها را تأیید کنند. در مقابل، در حالی که مدل‌های مولد به راحتی می‌توانند برای بازنویسی بخش‌های بزرگی از متن درخواست شوند، کاربران ممکن است خطاهای ظریفی را که ممکن است رخ داده باشد را از دست بدهند. به طور کلی، تمرکز ویژگی‌های تعاملی AI مولد بر روی وظایفی که کاربران می‌توانند به راحتی تأیید کنند، به جلب اعتماد آنها کمک می‌کند.

آخرین فرصت برای حفظ اعتماد، استفاده از قابلیت هدایت مدل های مولد است. برخلاف مدل‌های قبلی هوش مصنوعی که برای یک کار مشخص طراحی شده‌اند، سفارشی‌سازی خروجی‌های مدل‌های مولد برای کاربران نهایی آسان‌تر است (همانطور که با درخواست بازنویسی‌های چشمگیرتر ، کوتاه‌تر یا مشابه نشان داده شد). در حالی که چنین فرمان پذیری ممکن است منجر به تجربه کاربری بهتری شود، باید مراقب بود که این فرمان پذیری را با قابلیت های مدل محدود کرد. به عنوان مثال، در این نمونه اولیه، به جای اینکه از کاربران راه‌هایی برای بازنویسی متنشان بخواهید، ممکن است فهرستی از دستورالعمل‌های بازنویسی که به خوبی کار می‌کنند و پیشنهادهایی را به کاربر نهایی ارائه دهید.

بهبودی از اعتماد از دست رفته

علی‌رغم تلاش‌های شما، ممکن است مواردی وجود داشته باشد که در آن مدل نتایجی کمتر از حد بهینه به همراه داشته باشد. در چنین مواردی، مهم است که به کاربران اجازه دهید هر گونه اقدام هوش مصنوعی را لغو کنند. به طور مشابه، اغلب بهتر است ویژگی هایی را شناسایی کنید که عملکرد متغیری دارند و تنها زمانی آنها را فعال می کنند که کاربران صریحاً درخواست کمک هوش مصنوعی داشته باشند.

  • طوفان فکری به چند روش مختلف برای ایجاد ویژگی‌های خنثی کردن یا راه‌های دیگر برای بازیابی اعتماد کاربر بپردازید.

شما می توانید راه حل های این چالش ها را در راه حل Codelab مشاهده کنید.

5. همه را کنار هم بگذارید

تا کنون، شما با درخواست‌ها در MakerSuite آزمایش کرده‌اید. وقتی از این دستورات راضی هستید، مستقیماً از آنها در نمونه اولیه خود استفاده کنید.

  • ابتدا درخواست خود را ذخیره کنید و سپس روی دریافت کد در گوشه سمت راست بالا کلیک کنید. اگر قبلاً این کار را نکرده‌اید، باید کلید API خود را با کلیک کردن روی Enable key API در گفتگوی دریافت کد که نمایش داده می‌شود، فعال کنید.

نوار ابزار makersuite. دکمه دریافت کد در بالا سمت راست قرار دارد.

MakerSuite کدی را تولید می کند که می توانید مستقیماً در برنامه خود از آن استفاده کنید. به عنوان مثال، برای استفاده با یک برنامه وب، کد جاوا اسکریپت را انتخاب کنید. می‌توانید کد را مستقیماً از دیالوگ کپی کرده و در برنامه وب خود جای‌گذاری کنید. اگر درخواست خود را در MakerSuite به روز می کنید، به یاد داشته باشید که آن را در کد خود با استفاده از متغیر درخواست در کد موجود به روز کنید.

کادر گفتگوی کد تولید شده توسط Makersuite را نشان می دهد. کاربران می‌توانند بین استفاده از کتابخانه‌های cURL یا جاوا اسکریپت یا پایتون یا بازیابی اطلاعات فوری به‌عنوان JSON یکی را انتخاب کنند.

اگر می خواهید این API را در یک برنامه از پیش ساخته شده برای نوشتن خلاق ادغام کنید، می توانید کد Wordcraft را دانلود کنید.

راه حل Codelab

می توانید کد Wordcraft را از GitHub دریافت کنید:

git clone https://github.com/pair-code/wordcraft

همچنین می توانید مخزن را به صورت فایل فشرده دانلود کنید:

6. تبریک می گویم

شما آموزش نمونه‌سازی اولیه هوش مصنوعی Responsible را با PAIR Guidebook و Codelab MakerSuite تکمیل کردید و یاد گرفتید که چگونه از تجربیات هوش مصنوعی Responsible (در این مورد، برای یک برنامه نوشتن خلاقانه) با استفاده از چند ابزار Google نمونه‌سازی کنید. ما نمی توانیم صبر کنیم تا ببینیم شما چه چیزی می سازید!

در ادامه مطلب