کتاب پرامپت‌نویسی برای هوش مصنوعی مولد Prompt Engineering for Generative AI

مدل‌های زبانی بزرگ (LLM) و مدل‌های انتشار مثل ChatGPT و Stable Diffusion پتانسیل بی‌سابقه‌ای دارن. چون روی تمام متن‌ها و عکس‌های عمومی اینترنت آموزش دیدن، می‌تونن کمک‌های مفیدی به طیف وسیعی از کارها بکنن. و با کاهش زیاد موانع ورود امروزه، تقریباً هر توسعه‌دهنده‌ای می‌تونه از LLMها و مدل‌های انتشار برای حل مشکلاتی که قبلاً برای اتوماسیون مناسب نبودن، استفاده کنه.

با این کتاب، شما یک پایه محکم در هوش مصنوعی مولد به دست میارید، از جمله نحوه به کارگیری این مدل‌ها در عمل. وقتی توسعه‌دهنده‌ها برای اولین بار LLMها و مدل‌های انتشار رو تو گردش کارشون ادغام می‌کنن، بیشترشون برای گرفتن نتایج به اندازه کافی قابل اعتماد برای استفاده در سیستم‌های خودکار، مشکل دارن. نویسندگان جیمز فینیکس و مایک تیلور به شما نشون می‌دن که چطور مجموعه‌ای از اصول به نام مهندسی پرامپت می‌تونه شما رو قادر به کار موثر با هوش مصنوعی کنه.

یاد بگیرید چطور هوش مصنوعی رو قدرتمند کنید تا براتون کار کنه. این کتاب توضیح می‌ده:

ساختار زنجیره تعامل مدل هوش مصنوعی برنامه‌تون و مراحل دقیق بین اونها

چطور درخواست‌های مدل هوش مصنوعی از تبدیل مشکل برنامه به یک مشکل تکمیل سند در حوزه آموزش مدل به وجود میان

تاثیر معماری LLM و مدل انتشار — و چطور بهترین تعامل رو باهاش داشته باشید

چطور این اصول در عمل در حوزه‌های پردازش زبان طبیعی، تولید متن و تصویر، و کد اعمال می‌شن

Large language models (LLMs) and diffusion models such as ChatGPT and Stable Diffusion have unprecedented potential. Because they have been trained on all the public text and images on the internet, they can make useful contributions to a wide variety of tasks. And with the barrier to entry greatly reduced today, practically any developer can harness LLMs and diffusion models to tackle problems previously unsuitable for automation.

With this book, you'll gain a solid foundation in generative AI, including how to apply these models in practice. When first integrating LLMs and diffusion models into their workflows, most developers struggle to coax reliable enough results from them to use in automated systems. Authors James Phoenix and Mike Taylor show you how a set of principles called prompt engineering can enable you to work effectively with AI.

Learn how to empower AI to work for you. This book explains:

The structure of the interaction chain of your program's AI model and the fine-grained steps in between

How AI model requests arise from transforming the application problem into a document completion problem in the model training domain

The influence of LLM and diffusion model architecture—and how to best interact with it

How these principles apply in practice in the domains of natural language processing, text and image generation, and code