از مهندسی پرامپت تا مهندسی جریان: گامی به سوی تفکر سیستمی با ایتامار فریدمن – کودو

از مهندسی درخواست (Prompt Engineering) تا مهندسی جریان (Flow Engineering): حرکت به سوی تفکر سیستم ۲ با ایتامار فریدمن – Qodo

در یک ویدئوی ۳۶ دقیقه‌ای، مدیرعامل و بنیان‌گذار Qodo به ارائه توضیحاتی درباره چگونگی بهبود عملکرد هوش مصنوعی توسط چارچوب‌های مهندسی جریان پرداخته است. او در این ارائه نشان می‌دهد که چگونه مدل‌های هوش مصنوعی می‌توانند با استفاده از فرآیندهای تکرارشونده، تأیید اعتبار و تست‌محور، به تصمیم‌گیری‌های عمیق‌تر و استراتژیک‌تر دست پیدا کنند. این رویکرد ساختارمند، مدل‌های زبانی بزرگ (LLMs) را فراتر از حل سطحی مشکلات هدایت کرده و عملکرد آنها را در انجام وظایف پیچیده بهبود می‌بخشد، به طوری که هوش مصنوعی به سمت سیستم‌های مستقل و قدرتمند برای حل مشکلات حرکت می‌کند.

### نکات کلیدی ارائه:
1. **درک مهندسی جریان مبتنی بر تست**: این روش به مدل‌های زبانی کمک می‌کند تا به تفکر سیستم ۲ (System 2 Thinking) نزدیک‌تر شوند. به‌عبارتی، مدل‌ها به جای پاسخ‌های سریع و شهودی، از فرآیند منطقی و تحلیل‌محور بهره می‌برند.

2. **ارزیابی توانایی مدل‌ها در حل وظایف پیچیده**: در ارائه این ویدئو، به بررسی عملکرد مدل‌هایی مانند o1 پرداخته می‌شود و توانایی آن‌ها در حل مسائل پیچیده کدنویسی و استدلال مورد ارزیابی قرار می‌گیرد.

3. **آینده نسل جدید توسعه نرم‌افزار**: نسل آینده توسعه نرم‌افزار توسط راهکارهای چندعاملی (Multi-Agentic) هدایت خواهد شد. این سیستم‌ها توانایی رویارویی با چالش‌های پیچیده را با استفاده از منطق، استدلال و حل مسئله هدفمند خواهند داشت.

### حرکت از مهندسی درخواست به مهندسی جریان
مهندسی درخواست یا همان Prompt Engineering، تا کنون روش اصلی ارتقا دادن مدل‌های هوش مصنوعی مانند ChatGPT و دیگر مدل‌های LLM بوده است. اما این فناوری‌ها همچنان محدودیت‌هایی دارند و در مواجهه با وظایف چندمرحله‌ای یا نیازمند دقت بیشتر، دچار مشکل می‌شوند. به همین دلیل، مهندسی جریان (Flow Engineering) پیشنهاد شده است تا بتوان از طریق فرآیندهای تست‌محور و زیرساخت‌های هدفمند، مدل‌ها را به رفتارها و تصمیم‌گیری‌هایی شبیه تفکر سیستماتیک انسانی سوق داد.

### رشد هوش مصنوعی با تفکر سیستم ۲
تفکر سیستم ۲ به معنای رویکردی منطقی، سیستماتیک و استراتژیک به مسائل است. این شیوه تفکر برخلاف واکنش فوری و شهودی (سیستم ۱)، به مدل‌ها اجازه می‌دهد که فرآیندهای پیچیده‌تری را مدیریت کنند. با استفاده از چارچوب‌های مهندسی جریان، مدل‌های هوش مصنوعی می‌توانند درک عمیق‌تری از مسائل پیدا کرده و راه‌حل‌های دقیقی ارائه دهند. این تحول می‌تواند منجر به استفاده گسترده‌تر از هوش مصنوعی در پروژه‌های پیچیده و غیراستاندارد شود.

برای مشاهده این ارائه جذاب و آشنایی بیشتر با چشم‌انداز ایتامار فریدمن، به ویدیو کامل مراجعه کنید.

منبع اصلی: لینک به Reddit