لوگوی کارا کارا
DA
بازگشت به مسیر تحلیلگر داده تحلیلگر داده

طراحی و پیاده سازی پرامپت های مؤثر برای سیستمهای هوش مصنوعی

در این دوره یاد می‌گیرید چگونه از ابزارهای هوش مصنوعی مولد، صرفاً برای «گرفتن پاسخ» استفاده نکنید؛ بلکه آن‌ها را هدفمند هدایت کنید و به خروجی دقیق، حرفه‌ای و قابل استفاده برسید.تمرکز دوره بر طراحی و پیاده‌سازی پرامپت‌های مؤثر برای مدل‌ها و ابزارهای هوش مصنوعی است؛ به‌گونه‌ای که بتوانید متناسب با هدف، مخاطب و نوع مسئله، دستورهای دقیق‌تری طراحی و خروجی‌ها را ارزیابی و بهینه‌سازی کنید. در طول دوره با موضوعاتی مانند: - طراحی ساختاریافته پرامپت - انتخاب و کار با ابزارهای هوش مصنوعی مولد - پیکربندی و بهینه‌سازی خروجی‌ها - رعایت استانداردهای کیفی در تولید محتوا - توجه به ملاحظات مفهومی و سبکی - شناسایی خطاها و محدودیت‌های مدل‌های هوش مصنوعی - اصول اخلاقی استفاده از هوش مصنوعی - حقوق مالکیت معنوی و استفاده مسئولانه از محتوای تولیدشده آشنا می‌شوید. هدف این دوره فقط آموزش چند تکنیک پرامپت‌نویسی نیست؛ هدف این است که یاد بگیرید چگونه برای هر مسئله، پرامپت مناسب طراحی کنید و از هوش مصنوعی خروجی قابل اعتمادتر و حرفه‌ای‌تری بگیرید.

الهام حیدری ا مربی: الهام حیدری · مدرس هوش مصنوعی
8 شایستگی ماژول‌های قابل یادگیری
4.8 ★ امتیاز مربی دوره
پیشرفته سطح پیشنهادی
60 ساعت زمان آموزش
کتبی و عملی روش سنجش

درباره دوره

در این دوره یاد می‌گیرید چگونه از ابزارهای هوش مصنوعی مولد، صرفاً برای «گرفتن پاسخ» استفاده نکنید؛ بلکه آن‌ها را هدفمند هدایت کنید و به خروجی دقیق، حرفه‌ای و قابل استفاده برسید.تمرکز دوره بر طراحی و پیاده‌سازی پرامپت‌های مؤثر برای مدل‌ها و ابزارهای هوش مصنوعی است؛ به‌گونه‌ای که بتوانید متناسب با هدف، مخاطب و نوع مسئله، دستورهای دقیق‌تری طراحی و خروجی‌ها را ارزیابی و بهینه‌سازی کنید. در طول دوره با موضوعاتی مانند: - طراحی ساختاریافته پرامپت - انتخاب و کار با ابزارهای هوش مصنوعی مولد - پیکربندی و بهینه‌سازی خروجی‌ها - رعایت استانداردهای کیفی در تولید محتوا - توجه به ملاحظات مفهومی و سبکی - شناسایی خطاها و محدودیت‌های مدل‌های هوش مصنوعی - اصول اخلاقی استفاده از هوش مصنوعی - حقوق مالکیت معنوی و استفاده مسئولانه از محتوای تولیدشده آشنا می‌شوید. هدف این دوره فقط آموزش چند تکنیک پرامپت‌نویسی نیست؛ هدف این است که یاد بگیرید چگونه برای هر مسئله، پرامپت مناسب طراحی کنید و از هوش مصنوعی خروجی قابل اعتمادتر و حرفه‌ای‌تری بگیرید.

خروجی دوره در این دوره یاد می‌گیرید چگونه از ابزارهای هوش مصنوعی مولد، صرفاً برای «گرفتن پاسخ» استفاده نکنید؛ بلکه آن‌ها را هدفمند هدایت کنید و به خروجی دقیق، حرفه‌ای و قابل استفاده برسید.تمرکز دوره بر طراحی و پیاده‌سازی پرامپت‌های مؤثر برای مدل‌ها و ابزارهای هوش مصنوعی است؛ به‌گونه‌ای که بتوانید متناسب با هدف، مخاطب و نوع مسئله، دستورهای دقیق‌تری طراحی و خروجی‌ها را ارزیابی و بهینه‌سازی کنید. در طول دوره با موضوعاتی مانند: - طراحی ساختاریافته پرامپت - انتخاب و کار با ابزارهای هوش مصنوعی مولد - پیکربندی و بهینه‌سازی خروجی‌ها - رعایت استانداردهای کیفی در تولید محتوا - توجه به ملاحظات مفهومی و سبکی - شناسایی خطاها و محدودیت‌های مدل‌های هوش مصنوعی - اصول اخلاقی استفاده از هوش مصنوعی - حقوق مالکیت معنوی و استفاده مسئولانه از محتوای تولیدشده آشنا می‌شوید. هدف این دوره فقط آموزش چند تکنیک پرامپت‌نویسی نیست؛ هدف این است که یاد بگیرید چگونه برای هر مسئله، پرامپت مناسب طراحی کنید و از هوش مصنوعی خروجی قابل اعتمادتر و حرفه‌ای‌تری بگیرید.
پیش‌نیاز کارآموزان
ابزارها رایانه ،اینترنت،پلتفرم های هوش مصنوعی
ساختار دوره

شایستگی‌ها و ماژول‌ها

10 ساعت نظری · 50 ساعت عملی
1. شناسایی مدلهای زبانی بزرگ و مهندسی پرامپت 5 ساعت · نظری 2 · عملی 3
جزئیات

دانش: - اصول مدلهای زبانی بزرگ(LLMs )، ساختار و نحوه یادگیری آنها - کاربردهای مختلف مدلهای زبانی بزرگ - محدودیتها و چالشهای مدلهای زبانی بزرگ - ملاحضات اخلاقی و امنیتی در استفاده از مدلهای زبانی

مهارت: - نوشتن پرامپت های سنتی و مهندسی شده و تحلیل تفاوت های آنها - طراحی و بهینه سازی پرامپت برای بهبود دقت مدل - ساخت پرامپت های چندمرحله ای برای دریافت پاسخ های دقیقتر - شناسایی توهم در خروجی مدلهای زبانی - ارزیابی و اصلاح پرامپت ها برای کاهش سوگیری و بهبود خروجی

معیار ارزیابی: شناسایی معماری مدل های زبانی بزرگ ، توانمندیها و محدودیت های آن - شناسایی ملاحضات اخلاقی در مدلهای زبانی بزرگ - تعریف و مفهوم پرامپت و مهندسی پرامپت - شناسایی کاربردهای مهندسی پرامپت

2. شناسایی ساختار و اجزای پرامپت 5 ساعت · نظری 1 · عملی 4
جزئیات

دانش: - انواع پرامپت ها و اجزای کلیدی آنها( مستقیم، چندمرحلهای، مبتنی بر زمینه، شرطی) - تأثیر فرمول بندی کلمات و ساختار جمله بر خروجی مدل - مدیریت سوگیری در پرامپت ها

مهارت: - طراحی و استفاده از انواع مختلف پرامپت ها. - ساخت پرامپت های موثر و هدایت شده برای (تولید محتوا،تحلیل داده،حل مسئله) - تجزیه و تحلیل پرامپت های پیچیده و شناسایی نقاط ضعف و قوت آنها - ارزیابی و اصلاح پرامپتهای ضعیف ،مبهم ، ناموفق و بهینه سازی آنها - آزمایش و مقایسه تأثیر ترتیب کلمات در پرامپت بر روی خروجی - پرامپت نویسی بین زبان

معیار ارزیابی: - بررسی عناصر کلیدی یک پرامپت مؤثر - توانایی طراحی و استفاده از انواع پرامپت ها - بهینه سازی و اصالح پرامپتهای ناموفق - نوشتن پرامپت برای سناریوهای مختلف و دریافت بازخورد - ارزیابی پرامپت هاو بهینه سازی آنها

3. به کارگیری تکنیك های پیشرفته مهندسی پرامپت 7 ساعت · نظری 1 · عملی 6
جزئیات

دانش: تکنیك های پیشرفته مانند چند مرحله ای، مثال ها و داده های آموزشی، با محدودیت، هدایت شده، مبتنی بر نقش یا پرسونا - مقایسه و توضیح تفاوت ها و نقاط قوت و ضعف هر تکنیك پیشرفته - نحوه ی ترکیب تکنیك های پیشرفته برای بهینه سازی خروجی مدل - مفاهیم اخلاقی نظیر سوگیری در مهندسی پرامپت

مهارت: - پیاده سازی و مقایسه تکنیك های پیشرفته در سناریوهای مختلف - طراحی پرامپت های ترکیبی برای افزایش دقت و قابلیت اطمینان - شناسایی و اصلاح پرامپت هایی که باعث سوگیری یا خروجی های نامناسب می شوند - بهینه سازی پرامپت ها برای مسائل خاص

معیار ارزیابی: - استفاده از تکنیک های چند مرحلهای(Thought-of-Chain) - استفاده از مثال ها و داده های آموزشی (learning shot-Few) - استفاده از پرامپت های با محدودیت (prompting Constraint) استفاده از پرامپت های هدایت شده (prompting Guided )و روشهای کنترل خروجی استفاده از پرامپتهای مبتنی بر نقش یا پرسونا استفاده از روشهای فعال - طراحی پرامپت های ترکیبی و بهینه شده - اعمال ملاحضات اخلاقی نظیر عدم سوگیری در مهندسی پرامپت - بهینه سازی پرامپت برای یک کاربرد خاص

4. ارزیابی و بهبود پرامپت 6 ساعت · نظری 1 · عملی 5
جزئیات

دانش: - متریك های ارزیابی پرامپت(کمی وکیفی) - روشهای بهبود پرامپت - فرآیند تکرار و بهبود پرامپت بر اساس داده ها - تحلیل تأثیر عوامل خارجی روی عملکرد پرامپت

مهارت: - ارزیابی عملکرد پرامپتها با استفاده از متریكهای مختلف با توضیح انتخاب آنها - جمع آوری و تحلیل بازخورد کیفی و کمی کاربران - انجام testing B/A برای دو پرامپت متفاوت و تحلیل نتایج - ارائه گزارش تحلیل بازخورد کاربران و توضیح تغییرات اعمال شده بر اساس آن - طراحی و اجرای آزمایش های مختلف برای پرامپت های بهینه شده

معیار ارزیابی: - شناسایی متریک های ارزیابی پرامپت - به کارگیری تکنیکهای Testing B/A پرامپت ها - استفاده از روشهای جمع آوری بازخورد - استفاده از فرآیند تکرار و بهبود پرامپت بر اساس داده ها

5. به کارگیری مهندسی پرامپت در تولید محتوای متنی 10 ساعت · نظری 2 · عملی 8
جزئیات

دانش: - انواع مدل های تولید متن کاربردهای هوش مصنوعی مولد در تولید متن - تکنیك های مهندسی پرامپت در تولید انواع محتوای متنی - ملاحضات اخلاقی در تولید محتوا با هوش مصنوعی

مهارت: - تولید محتوای متنی با کیفیت بالا و بدون خطای گرامری و املایی - کنترل سبك نگارش و تن خروجی با تنظیم دقیق پرامپت برای ایجاد خروجیهای رسمی، غیررسمی، طنز،فنی وعلمی - تولید انواع محتواهای متنی متنوع مانند: داستان کوتاه، مقاله، شعر، کد برنامه نویسی،سناریوهای بازاریابی - اصلاح و بهینه سازی پرامپت برای کنترل طول، جزئیات و ساختار متن - استفاده از پرامپت برای ترجمه متون طولانی با حفظ سبك و معنا

معیار ارزیابی: -انتخاب و استفاده از مدل مناسب محتوای متنی - تولید محتوای متنی متنوع بهینه سازی پرامپت برای خروجی های با کیفیت بالا و سبک نگارشهای مختلف. - ترجمه و ویرایش متون با پرامپت های مهندسی شده

6. به کارگیری مهندسی پرامپت در تولید تصویر 10 ساعت · نظری 1 · عملی 9
جزئیات

دانش: - انواع مدلهای تولید تصویر و نحوه عملکرد آنها - روشهای طراحی پرامپت در تولید تصویرشامل ساختار جملات، ترتیب کلمات، استفاده از توصیفات دقیق، و تأکید بر سبك و جزئیات. - چگونگی تأثیر پارامترهای مختلف پرامپت بر روی کیفیت و سبك تصویر. - نحوه ی تنظیمات و فیلترهای اضافی برای بهینه سازی تصاویر

مهارت: - تولید تصاویر با کیفیت بالا با استفاده از پرامپتهای مهندسی شده - کنترل سبك هنری تصویر با تنظیم پرامپت برای تولید رئالیسم، سایبرپانك، فانتزی، انیمه، نقاشی رنگ روغن، آبرنگ، اسکچ و هنر دیجیتال. - استفاده از Prompting Negative برای حذف عناصر ناخواسته و افزایش دقت در خروجی. - اصلاح و بهینه سازی پرامپت بر اساس بازخورد و مشاهده ی خروجی های مدل

معیار ارزیابی: -انتخاب و استفاده از مدل مناسب تصویری - طراحی پرامپت های دقیق و توصیفی برای تولید تصاویر با کیفیت بالا. - کنترل سبک، جزئیات و سایر ابعاد تصویر با استفاده از پرامپت ها - بهینه سازی پرامپت برای بهبود خروج

7. به کارگیری مهندسی پرامپت در تولید ویدیو و انیمیشن 11 ساعت · نظری 1 · عملی 10
جزئیات

دانش: - انواع ابزارها و تکنیكهای تولید ویدیو و انیمیشن با استفاده از پرامپت. - تفاوت های مهندسی پرامپت در تولید ویدیو نسبت به تصویر - انواع تکنیك های ترکیبی برای بهبود خروجی ویدیو

مهارت: - تولید ویدیوها یا انیمیشن های کوتاه با استفاده از پرامپت های مهندسی - کنترل عناصر مختلف ویدیو (صحنه، شخصیتها، حرکت، نورپردازی) با استفاده از پرامپت. - استفاده از تکنیكهای ترکیبی مانند Inpainting و ControlNet برای ویرایش و بهبود ویدیوهای تولیدشده

معیار ارزیابی: -استفاده از ابزارها و مدلهای تولید ویدیو و انیمیشن بر پایه متن( Runway Stable Video Diffusion ،Pika Labs ،ML) -طراحی پرامپتهای پیچیده برای کنترل عناصر مختلف ویدیو (صحنه، شخصیتها، حرکت و...). -بهینه سازی پرامپت ها برای تولید ویدیوهای با کیفیت و انسجام بالا. - تولید ویدیو یا انیمیشن با کیفیت قابل قبول

8. به کارگیری مهندسی پرا مپت د رتولید محتوای صوتی 6 ساعت · نظری 1 · عملی 5
جزئیات

دانش: - انواع مدلهای تبدیل متن به گفتار(TTS) - تکنیك های مهندسی پرامپت برای کنترل ویژگیهای صوتی. - نحوه تاثیر تنظیمات پرامپت بر کیفیت و طبیعی بودن صدای خروجی

مهارت: - تولید محتوای صوتی با کیفیت بالا و طبیعی با استفاده از پرامپت های مهندسی شده - کنترل ویژگیهای صوتی(لحن، سرعت، احساسات) با استفاده از پرامپتها - استفاده از تکنیك های ترکیبی برای بهبود کیفیت صوتی، - ایجاد تغییرات در پرامپت برای به دست آوردن خروجی های صوتی با سبك های مختلف

معیار ارزیابی: -استفاده از مدلهای تبدیل متن به گفتار (Speech-to-Text )و تولید طراحی پرامپت ها برای کنترل لحن، سرعت، احساسات و سایر ویژگیهای صدا. -تولید پادکست، کتابهای صوتی و سایر انواع محتوای صوتی با استفاده از پرامپت. - بهینه سازی پرامپت برای بهبود خروجی صوت

سطح دوره

پیشرفته

سطح این دوره بر اساس مدت آموزش و تعداد شایستگی‌ها تعیین شده است. برای شروع، درباره دوره و شایستگی‌های آن را مرور کنید.