چگونه مثل یک حرفه‌ای با چت‌جی‌پی‌تی کار کنیم؟

به‌قلم: علی طالقانی

شیوه تعامل با هوش مصنوعی

دو نفر می‌توانند از یک هوش مصنوعی یکسان استفاده کنند، سؤال‌هایی تقریباً مشابه بپرسند و در نهایت به دو پاسخ کاملاً متفاوت برسند. یکی ممکن است متنی کلی، تکراری و کم‌کاربرد دریافت کند و دیگری به نتیجه‌ای برسد که بخش قابل توجهی از نیازش را برطرف کند. تفاوت همیشه در مدل هوش مصنوعی نیست؛ بخشی از آن به انسانی بازمی‌گردد که پشت صفحه نشسته است.

هوش مصنوعی، هرقدر هم قدرتمند باشد، مسئله‌ای را که در ذهن انسان قرار دارد مستقیماً نمی‌بیند. آنچه دریافت می‌کند، مجموعه‌ای از دستورها، اطلاعات، فایل‌ها، نمونه‌ها و اصلاحاتی است که کاربر در اختیارش می‌گذارد. به همین دلیل، کیفیت خروجی تا اندازه‌ای به کیفیت تعاملی بستگی دارد که میان انسان و ماشین شکل می‌گیرد.

در سال‌های اخیر، اصطلاح «پرامپت‌نویسی» به یکی از واژه‌های رایج در دنیای هوش مصنوعی تبدیل شده است؛ اما ماجرا فقط نوشتن یک دستور طولانی نیست. در رویکردهای جدید استفاده از ChatGPT نیز بر تعامل، ارائه زمینه و ادامه دادن گفت‌وگو برای رسیدن به نتیجه مطلوب تأکید می‌شود. بنابراین مهارت «گفت‌وگو با ماشین» را می‌توان گسترده‌تر از «پرامپت‌نویسی» صرف دانست.

شناخت ماشین

پیش از آنکه از هوش مصنوعی انتظار خروجی خاصی داشته باشیم، باید بدانیم با چه نوع ابزاری طرف هستیم. ChatGPT نمونه‌ای از رابط‌های گفت‌وگویی مبتنی بر مدل‌های زبانی بزرگ است. کاربر می‌تواند سؤال بپرسد، توضیح بدهد، فایل ارائه کند، تصویر بفرستد، پاسخ را نقد کند و دوباره از مدل بخواهد نتیجه را تغییر دهد.

همین ویژگی، تفاوت مهمی با شیوه استفاده از یک موتور جست‌وجو ایجاد می‌کند. در جست‌وجوی سنتی، معمولاً چند واژه وارد می‌کنیم و موتور جست‌وجو تلاش می‌کند منابع مرتبط را پیدا کند. اما در یک گفت‌وگو می‌توانیم مسئله را تعریف کنیم، پاسخ اولیه بگیریم، ایرادهای آن را توضیح دهیم و مسیر پاسخ را تغییر دهیم. در اینجا، «گفت‌وگو» بخشی از ابزار حل مسئله است.

نحوه درخواست از هوش مصنوعی

یکی از اشتباهات رایج این است که تصور کنیم بهترین پرامپت، طولانی‌ترین پرامپت است. در واقع، طول توضیحات ما به خودی خود مزیت نیست. آنچه اهمیت دارد این است که مدل بداند قرار است چه مسئله‌ای را حل کند، چه اطلاعاتی را باید در نظر بگیرد و خروجی مطلوب چه ویژگی‌هایی دارد. هنگام طرح یک درخواست می‌توان چند عنصر را روشن کرد:

نقش: قرار است مدل از چه زاویه‌ای به مسئله نگاه کند؟

هدف: دقیقاً چه چیزی می‌خواهیم؟

زمینه: چه اطلاعاتی برای فهم مسئله ضروری است؟

محدودیت: چه چیزهایی نباید در پاسخ وجود داشته باشد؟

معیار: از نظر ما یک پاسخ خوب چه ویژگی‌ای دارد؟

فرمت: خروجی را چگونه می‌خواهیم دریافت کنیم؟

البته لازم نیست همه این موارد در هر درخواست نوشته شوند. اما هرچه مسئله پیچیده‌تر باشد، مشخص کردن این عناصر اهمیت بیشتری پیدا می‌کند. در واقع، پرامپت خوب بیشتر از آنکه «دستور به ماشین» باشد، تعریف مسئله برای ماشین است.

فرمان‌هایی برای تعامل سریع‌تر

تعامل با هوش مصنوعی فقط به نوشتن درخواست محدود نمی‌شود. خود رابط ChatGPT نیز ابزارهایی در اختیار کاربر قرار می‌دهد که می‌توانند مسیر انجام کار را کوتاه‌تر کنند. یکی از روش‌های دسترسی به برخی قابلیت‌ها، استفاده از علامت «/» در کادر گفت‌وگو است. برای نمونه، Search برای جست‌وجوی اطلاعات به‌روز، Study برای تبدیل گفت‌وگو به یک فرایند آموزشی، Deep Research برای پژوهش‌های چندمرحله‌ای، Translate برای ترجمه، Explain Code برای توضیح و بررسی کد، Human برای طبیعی‌تر کردن متن، Teacher برای دریافت راهنمایی آموزشی، Strategy برای کمک به برنامه‌ریزی و طراحی راهبرد، Copywriter برای تولید و پرداخت متن‌های تبلیغاتی و Improve برای اصلاح و بهبود متن به کار می‌روند.

این قابلیت‌ها یک نکته مهم را نشان می‌دهند: کاربر برای هر مسئله فقط نباید به دنبال نوشتن «پرامپت بهتر» باشد؛ گاهی انتخاب روش مناسب برای انجام کار، بخشی از حل مسئله است.

انتقاد از خروجی

تفاوت مهم میان کاربران حرفه‌ای و معمولی، در نحوه برخورد آن‌ها با اولین خروجی هوش مصنوعی آشکار می‌شود. کاربر معمولی ممکن است درخواست خود را مطرح کند، پاسخ را دریافت کند و همان‌جا متوقف شود. اما در یک تعامل حرفه‌ای، پاسخ اول می‌تواند فقط یک پیش‌نویس باشد.

کسی که می‌خواهد از هوش مصنوعی استفاده حرفه‌ای کند، باید علاوه بر «خوب درخواست کردن»، خوب نقد کردن را هم یاد بگیرد. باید بتواند مشخص کند کدام بخش پاسخ مناسب است، کجا از هدف اصلی فاصله گرفته، چه چیزی باید حذف یا اضافه شود و نتیجه در مرحله بعد چگونه باید تغییر کند. در اینجا، گفت‌وگو به یک چرخه تبدیل می‌شود: درخواست، پاسخ، ارزیابی و اصلاح.

مفهوم پروژه

فرض کنیم قرار است یک تولید مستمر را در چند هفته با هوش مصنوعی دنبال کنیم. در هر گفت‌وگوی جدید، اگر مجبور باشیم دوباره توضیح بدهیم موضوع چیست، مخاطب چه کسی است، چه تصمیم‌هایی قبلاً گرفته شده و چه چیزهایی نباید تغییر کند، بخشی از انرژی پروژه صرف بازسازی زمینه خواهد شد.

اینجاست که مفهوم Project اهمیت پیدا می‌کند. در ChatGPT، پروژه‌ها می‌توانند چت‌های مرتبط، فایل‌ها، دستورالعمل‌ها و زمینه مورد نیاز یک کار را در یک فضای مشترک نگه دارند. به این ترتیب، کاربر می‌تواند پروژه‌ای را برای یک فعالیت مستمر ایجاد کند و بدون شروع دوباره از صفر، به کار ادامه دهد.

ساختن پروژه نیز ساده است: از بخش Projects گزینه ایجاد پروژه جدید را انتخاب می‌کنیم، برای آن نام مشخصی می‌گذاریم و در صورت نیاز فایل‌ها و دستورالعمل‌های اختصاصی پروژه را به آن اضافه می‌کنیم. سپس گفت‌وگوهای مرتبط را در همان پروژه ادامه می‌دهیم تا اطلاعات و تصمیم‌های مربوط به کار در یک فضای مشترک باقی بمانند.

حتی می‌توان برای یک پروژه دستورالعمل‌های اختصاصی تعیین کرد؛ مثلاً مشخص کرد مدل در آن پروژه چه لحنی داشته باشد یا چگونه به مسئله پاسخ دهد. فایل‌هایی مانند PDF، سند، تصویر و داده نیز می‌توانند به پروژه اضافه شوند تا بخشی از زمینه کاری در همان محیط باقی بماند. این تغییر کوچک، یک تفاوت مهم ایجاد می‌کند: هوش مصنوعی دیگر فقط محلی برای پرسیدن سؤال‌های پراکنده نیست؛ می‌تواند به محیط کاری یک پروژه تبدیل شود.

ابزار مناسب

اما تعامل خوب فقط به نحوه نوشتن درخواست محدود نمی‌شود. یکی از مهارت‌های مهم دیگر این است که بدانیم برای هر مسئله، از کدام قابلیت استفاده کنیم. اگر به اطلاعات تازه نیاز داریم، جست‌وجوی وب اهمیت پیدا می‌کند. اگر با مجموعه‌ای از منابع و یک مسئله پژوهشی چندمرحله‌ای مواجهیم، ابزارهای تحقیق عمیق می‌توانند برای بررسی و ترکیب منابع به کار بیایند. اگر اطلاعات اصلی در یک PDF یا سند قرار دارد، بهتر است همان فایل در اختیار مدل قرار گیرد، نه اینکه کاربر بخش‌های مختلف آن را دوباره تایپ کند.

در تولید تصویر نیز مسئله فقط نوشتن جمله‌ای مانند «عکس یک مرد را بساز!» نیست. ابزارهای تصویری ChatGPT امکان تولید و ویرایش تصویر را فراهم می‌کنند و کاربر می‌تواند در فرآیند تولید، تصمیم‌های دقیق‌تری درباره نتیجه مورد نظر خود بگیرد. بنابراین کاربر حرفه‌ای فقط از هوش مصنوعی سؤال نمی‌پرسد؛ ابزار مناسب را برای هر مرحله از کار انتخاب می‌کند.

AI Artist

اینجا می‌توان تفاوت میان یک کاربر عادی و یک کاربر حرفه‌ای را بهتر دید. کاربر عادی ممکن است بگوید: «این تصویر را ویرایش کن.» اما کسی که برای تولید یک اثر تصویری برنامه‌ریزی می‌کند، دقیقاً می‌داند کدام بخش باید تغییر کند، چه چیزی ثابت بماند، ترکیب‌بندی چگونه حفظ شود، نور چه تغییری کند و نتیجه نهایی برای چه رسانه‌ای ساخته شود.

در چنین فرآیندی، هوش مصنوعی تمام تصمیم‌ها را نمی‌گیرد. کاربر هنوز انتخاب می‌کند چه چیزی تولید شود، کدام نتیجه پذیرفته شود، کدام تصویر کنار گذاشته شود، کدام بخش دوباره ساخته شود و در نهایت چه چیزی به مخاطب ارائه شود.

این موضوع ما را به پدیده‌ای می‌رساند که در سال‌های اخیر در حوزه هنر و تولید تصویر بیشتر دیده می‌شود: AI Artist یا هنزمندس که بخشی از فرآیند خلق اثرش را با ابزارهای هوش مصنوعی انجام می‌دهد.

چرا بعضی تصاویر AI شبیه هزاران تصویر دیگرند؟

اگر از یک مدل تصویری بخواهیم «یک پرتره سینمایی و زیبا» تولید کند، احتمالاً نتیجه‌ای می‌گیریم که در نگاه اول جذاب است؛ اما ممکن است تفاوت چندانی با هزاران تصویر تولیدشده دیگر نداشته باشد. دلیلش ساده است: دستور ما نیز شبیه هزاران دستور دیگر بوده است.

تصویر متفاوت زمانی شکل می‌گیرد که تصمیم‌های متفاوتی وارد فرآیند شوند. هنرمند می‌تواند درباره زاویه دوربین، فاصله کانونی، نور، بافت، ترکیب‌بندی، نسبت تصویر، معماری، لباس، دوره تاریخی، جنس مواد، حرکت، رنگ، فضای بصری و حتی چیزهایی که «نباید» در تصویر وجود داشته باشند تصمیم بگیرد.

اما باز هم کار تمام نمی‌شود. ممکن است از میان ده‌ها خروجی، فقط یک تصویر انتخاب شود. سپس همان تصویر تغییر کند، بخشی از آن دوباره ساخته شود، ترکیب‌بندی اصلاح شود یا عناصر تازه‌ای به آن اضافه شود. بنابراین مهارت هنرمند در AI صرفاً به دانستن چند کلمه جادویی در یک پرامپت خلاصه نمی‌شود. مسئله اصلی، «طراحی یک فرآیند خلاقانه» است.

در اینجا، هوش مصنوعی بیشتر شبیه یک کارگاه جدید است؛ کارگاهی که سرعت تولید را بالا می‌برد، امکان آزمون گزینه‌های متعدد را فراهم می‌کند و مرز میان ایده و اجرا را تغییر می‌دهد، اما انتخاب نهایی همچنان بخشی از فرآیند انسانی باقی می‌ماند.

پایان عصر پرامپت

به همین دلیل است که آینده کار با هوش مصنوعی را نباید فقط در «پرامپت‌های بهتر» جست‌وجو کرد. پرامپت یکی از ابزارهای ارتباط است، نه تمام آن. کاربر باید بداند چه می‌خواهد، مسئله را چگونه تعریف کند، چه اطلاعاتی در اختیار مدل بگذارد، از کدام ابزار استفاده کند، پاسخ را چگونه ارزیابی کند و در چه مرحله‌ای نتیجه تولیدشده را بپذیرد یا کنار بگذارد. این مجموعه مهارت‌ها را می‌توان نوعی «سواد تعامل با هوش مصنوعی» دانست.

در گذشته، سواد دیجیتال به این معنی بود که بدانیم چگونه با رایانه و نرم‌افزار کار کنیم. امروز بخشی از این سواد در حال تبدیل شدن به توانایی تعامل با سیستم‌هایی است که می‌توانند متن بنویسند، تصویر بسازند، داده تحلیل کنند، تحقیق انجام دهند و در یک پروژه همراه ما بمانند. مسئله اصلی دیگر این نیست که چه پرامپتی بنویسیم؛ مسئله این است که چگونه خواسته خود را برای یک ماشین تعریف کنیم.

در عصر هوش مصنوعی، حرفه‌ای بودن الزاماً به معنای دانستن دستورهای بیشتر نیست؛ به معنای شناخت بهتر مسئله، انتخاب ابزار مناسب، ارزیابی خروجی و توانایی ادامه دادن گفت‌وگوست