إتقان استخدام برنامج RAP مع NotebookLM - مساعد التعلّم المدعوم بالذكاء الاصطناعي

ABAP2XLSX عبارة عن مكتبة مفتوحة المصدر لـ ABAP توفر واجهة برمجية لإنشاء ملفات Microsoft Excel (بتنسيق XLSX) وتحريرها وحفظها مباشرةً من أنظمة SAP.

أطلق العنان لمهاراتك في RAP مع الذكاء الاصطناعي

في LeverX، يدفعنا التزامنا كمزود رائد لحلول تطوير ABAP إلى تعزيز مهاراتنا باستمرار، لا سيما في نموذج البرمجة RAP (نموذج البرمجة RAP المتطور). في عصر تستثمر فيه شركات التكنولوجيا الكبرى بكثافة في التقدم السريع للذكاء الاصطناعي (AI)، فإننا ندرك الأهمية الحاسمة للمطورين المعاصرين لفهم أساسيات تقنيات الذكاء الاصطناعي. لهذا السبب تقترح LeverX تسخير قوة الذكاء الاصطناعي من خلال دمج الأدوات التي تعتمد على الذكاء الاصطناعي في ممارساتنا التعليمية اليومية

لقد سمعنا الكثير عن NotebookLM من يوتيوب والعديد من وسائل الإعلام المتخصصة. يوصي عشاق العلوم بهذه الأداة كمساعد شخصي لاستكشاف مجموعة واسعة من مصادر المعرفة. لذا، قررنا تجربتها بأنفسنا وتقييم الفوائد التي يمكن أن تقدمها.

تتمثل الفكرة الرئيسية لهذه المقالة في توضيح كيف يمكن لـ LeverX الاستفادة من NotebookLM ونموذج اللغة الكبيرة (LLM) الخاص به لتعزيز مهاراتنا في مجال RAP. إذا كنت على دراية بهذه الأداة بالفعل، فلا تتردد في تخطي القسم التمهيدي والانتقال مباشرةً إلى السيناريوهات المحددة.

قبل أن نتعمق في الموضوع، ملاحظة سريعة: هذه قراءة شاملة. لذا، لماذا لا تحضر قهوتك المفضلة، وتستريح براحة، وتنضم إلى LeverX في هذه المغامرة المفيدة؟

هل يستحق برنامج NotebookLM أن يُدمج في عملية التعلم الخاصة بك؟

قصة قصيرة طويلة: هل من الضروري دمج سير عمل التعلم باستخدام NotebookLM وبرنامج LLM المرتبط به في رحلتك التعليمية الشخصية؟ الإجابة الموجزة هي بالإيجاب - نعم، الأمر يستحق العناء.

ومع ذلك، من المهم أيضًا الاعتراف ببعض القيود (مثل مخاوف خصوصية البيانات والاعتماد على جودة المدخلات). ومع ذلك، فإن فرصة تجربة تطبيق NotebookLM قيّمة بالتأكيد.

ما هو NotebookLM بالضبط؟

NotebookLM هي أداة تم تطويرها بواسطة Google تعمل كمساعد بحث مدعوم بالذكاء الاصطناعي. فكر في الأمر على أنه مساعد ذكي يساعدك على التعلم. يمكنك تحميل مصادر مختلفة (مثل المستندات أو مقاطع الفيديو) إليها، ومن ثم تقوم بتوليد اقتراحات وإجابات ذات صلة مرتبطة تمامًا بتلك المصادر. هذا يعني أنه لن يختلق الأشياء، بل سيشير إلى المعلومات التي قدمتها له.

كيف تبدو مساحة العمل؟

تخيل أن NotebookLM يحتوي على ثلاثة أقسام رئيسية:

• على الجانب الأيمن ستجد مجموعة متنوعة من المصادر التي تم تحميلها، خاصةً ملفات PDF ومقاطع فيديو يوتيوب. الميزة الرئيسية هنا هي القدرة على تمكين أو تعطيل هذه المصادر، مما يسمح لك بالتحكم في مقدار السياق الذي يستخدمه NotebookLM عندما تطرح عليه الأسئلة. سنستكشف كيف يتم بناء السياق وكيف ترتبط إجاباته بهذه المصادر في القسم المسمى "بناء الإجابات". هذه الميزة مريحة للغاية وتستحق نظرة أعمق.
• في المنتصف هذه هي غرفة الدردشة، حيث يمكنك كتابة الأسئلة (المطالبات) وتلقي الإجابات. ودائمًا ما تكون هذه الإجابات مستقاة من المصادر التي اخترتها. نخطط لاستخدام هذه المنطقة بكثرة خلال دراستنا. باختصار، فكر في الأمر كواجهة دردشة مدعومة من قبل LLM تستخدم مصادرك التي تم تحميلها كقاعدة معرفية لها.
• على الجانب الأيسر: تحتوي هذه المنطقة على استوديو NotebookLM Studio، الذي يوفر ميزات جاهزة للاستخدام. على سبيل المثال، يمكنك إنشاء أدلة دراسية أو تجميع مصادر موجزة أو إنشاء جلسات أسئلة وأجوبة. ومن اللافت للنظر، يمكن لـ NotebookLM Studio حتى محاكاة البودكاست بناءً على المحتوى الخاص بك. ومع ذلك، نفضل عمومًا عدم استخدام هذه الإمكانيات المدمجة، باستثناء حفظ مخرجات الدردشة كملاحظات. تتيح لك هذه الوظيفة البسيطة والقيمة في نفس الوقت حفظ ردود LLM للرجوع إليها في المستقبل.

قبل المضي قدمًا، دعنا نتوقف لحظة لمناقشة المصادر بمزيد من التفصيل.

من أين تأتي المصادر؟

لاستخدام وثائق RAP (معلومات حول نموذج البرمجة المُعاد برمجته (Restful ABAP) كمصدر مرفوع داخل NotebookLM بشكل فعال، من الضروري اختيار الوثائق بالتنسيق المناسب - وتحديدًا PDF.

أخبار جيدة! تسهل SAP هذه العملية من خلال السماح للمستخدمين بتنزيل وثائقها بصيغة PDF. وللحصول على المواد اللازمة، ما عليك سوى الانتقال إلى موقع SAP الرسمي المخصص لوثائق RAP وتحديد خيار تنزيل ملف PDF، مما يتيح إنشاء ملف PDF مخصص.

باتباع هذا الإجراء المباشر، يمكن تأمين مصدر أساسي لـ LLM. تجدر الإشارة إلى أن التطبيقات المحتملة لهذه المصادر محدودة فقط بالخيال.

السيناريو 1: اشرح بكلمات N

الفكرة الأساسية هنا هي أن نطلب من دردشة NotebookLM أن تشرح مفاهيم مختلفة في برنامج RAP باستخدام أطوال مختلفة.

مطالبتنا N كلمات

استجابة NotebookLM: الشرح بكلمات N

هذا النهج لتعلم المفاهيم فعال بشكل خاص. تساعدنا التفسيرات القصيرة على حفظ جوهر التعريف، بينما توفر التفسيرات متوسطة الطول تعريفات موجزة وغنية بالمعلومات لمصطلحات برنامج تقييم الطالب الراشد. تتعمق التفسيرات الأكثر شمولاً في مزيد من التفاصيل وتوضح الروابط بين مفاهيم برنامج تقييم الطالب الراشد ذات الصلة.

هذا المثال بمثابة أساس ممتاز لاستكشاف أعمق. على سبيل المثال، يمكن للمرء إشراك NotebookLM مع مطالبات مصممة لتعزيز فهم مفاهيم RAP الشقيقة، مثل جدول المسودة، والمخزن المؤقت للمعاملات، وإطار عمل وقت تشغيل RAP، وإجراءات المسودة، والأقفال الحصرية.

قد يكون السؤال ذو الصلة هو "ما هو الدور الذي يلعبه المخزن المؤقت للمعاملات في نوع غير مُدار من تنفيذ كائنات أعمال RAP؟ يتطلب هذا غوصًا أعمق في تعقيدات RAP.

قبل الخوض في السيناريوهات اللاحقة، دعونا نوضح كيفية صياغة NotebookLM لاستجاباته.

فاصل: كيف يصوغ NotebookLM الاستجابات

لعلك لاحظت الدوائر الرمادية التي تحتوي على مؤشرات رقمية في وسطها. هذا رابط قابل للنقر يوفر إمكانية الوصول إلى نماذج من المصادر التي تم تحميلها. تجسّد هذه الوظيفة أحد المبادئ الأساسية لـ NotebookLM: يسعى محرك LLM باستمرار إلى إثبات استنتاجاته بالبيانات المستمدة من مصادر موثوقة.

على سبيل المثال، وجدنا أنفسنا نفكر في الأساس المنطقي وراء اختيار مصطلح "التدريج" كواصف من كلمة واحدة. للحصول على توضيح، تم تمرير المؤشر فوق الأيقونة التي تحمل الرقم "1".

وردًا على ذلك، قدمت NotebookLM مقتطفًا مباشرًا من المصدر ذي الصلة.

انتقلنا إلى بوابة مساعدة SAP ووجدنا النص المعني، والذي كان موجودًا بشكل منطقي في الفصول المتعلقة بـ Business Object وRAP BO Provisioning وP Draft. يبدو أن إدارة التعلم الآلي قد استخرجت المعلومات من الوثائق التي تصف أساسيات عملية المسودة. وهذا النهج جدير بالثناء؛ فهو يشير إلى أن النموذج قد عرّف المصطلح الرئيسي في السياق المناسب، بدلاً من اختياره اعتباطاً.

وبالفعل، يمكن للمرء أن يفسر مصطلح "التدريج" في الوثائق بتفسير موجز مفاده أن "مسودة العمل تشبه منطقة التدريج". هذا الارتباط مفيد في فهم واستدعاء المفهوم الأساسي.

علاوة على ذلك، تم توضيح عملية نظام الربط داخل NotebookLM. يقوم LLM بإنشاء ردود استنادًا إلى المصادر التي تقدمها، مما يضمن الحصول على مخرجات ذات صلة بالسياق.

إنشاء الملاحظات: تذكّر المعلومات الأساسية

الهدف الرئيسي هو تذكر المعلومات من المصادر وفهمها. تنطوي عملية التذكر على اكتساب معلومات جديدة، والتي توجد في البداية في ذاكرتنا قصيرة المدى. ولتسهيل انتقال هذه المعرفة إلى الذاكرة طويلة المدى، من الضروري إعادة النظر في المادة والتفاعل معها بشكل متكرر. من خلال هذه العملية التكرارية يقوم نظامنا الإدراكي بتعزيز المعلومات تدريجيًا، مما يحقق في النهاية هدف الاحتفاظ بالمعلومات على المدى الطويل.

عند الانتهاء من كل إجابة، ستجد زرًا يحمل اسم "حفظ في الملاحظة"، والذي يتيح إنشاء ملاحظة مخزنة داخل NotebookLM. تعكس هذه الميزة بشكل مناسب تسمية المنتج وتعمل كأداة قيّمة لإعادة النظر في المحتوى وتعزيز فهمك له.

يمكن الوصول إلى الملاحظات المحفوظة على الجانب الأيمن من واجهة NotebookLM، مما يسمح بمراجعة فعالة وتوحيد المعرفة. مع وضع هذا الإطار في الاعتبار، يمكنك الآن الانتقال إلى السيناريو التالي.

السيناريو 2: لعبة تعريف المصطلحات

تكمن الفكرة في إشراك LLM في عملية تقوم فيها باختيار المفاهيم عشوائيًا من وثائق RAP وتقديمها لتحليلها. ستقدم بعد ذلك إجاباتك ضمن واجهة الدردشة، وسيقوم الآلة بتقييم إجاباتك. بالإضافة إلى ذلك، لديك خيار إنشاء مقاييس مختلفة للتقييم، مثل التقييمات القائمة على النسبة المئوية أو مقياس رقمي يتراوح من 1 إلى 10.

مطالبتنا: اختر مصطلح RAP عشوائيًا.

اختر مصطلح RAP "تجمع سلوك ABAP".

استجابة NotebookLM: شرح تجمع سلوك ABAP

تم إعطاء إجابة من أعلى الرأس، فقط لمعرفة كيف سيتم تقييمها.

بعد ذلك، قدمت ملاحظات على الشرح.

استجابة NotebookLM: تقييم الإجابة

في هذه الحالة، قيمت إدارة التعلم الآلي الإجابة وسلطت الضوء على جوانب الأطروحة التي تتفق مع وثائق SAP RAP. علاوة على ذلك، في قسم الشرح، استكملت الإجابة برؤى إضافية، مثل ذكر التحكم في الميزة إلى جانب أنواع مختلفة من سلوك المعاملات التي لم يتم تضمينها. كما وفّر النموذج أيضًا إرشادات تركيبية محددة، مثل "التنفيذ في الفصل" لتحسين العبارة "المذكورة في BDEF." وقد مكّن الفحص الشامل لعنصر الشرح في الإجابة من تحسين الصياغة وتحسين الجودة العامة للإجابة. كما قدمت رسالة الماجستير في القانون العديد من المراجع للمصادر ذات الصلة لمزيد من الاستكشاف.

بعد ذلك، برز الاهتمام بالآثار المترتبة على تقديم إجابة غير صحيحة. ونتيجة لذلك، طُلب من الطالب اختيار مصطلح آخر من مصطلحات برنامج تقييم المخاطر لتحليله.

تم اختيار مصطلح "تحديد"، حيث تم اختيار مصطلح "تحديد"، مما أدى إلى تقديم إجابة غير صحيحة بشكل متعمد تتماشى مع تعريف "التحقق"، بدلاً من أن تعكس بدقة تعريف "التحديد".

مطالبتنا: عرّف التحديد بأنه التحقق من الصحة.

ونتيجة لذلك، أعطى التقييم تصنيفًا سلبيًا، ثم قدم تعريفًا صحيحًا مدعومًا بمصادر موثوقة. بالإضافة إلى ذلك، أوضح النموذج أسباب عدم دقة الإجابة، وأجرى بعد ذلك تحليلاً مقارناً بين "التعريف" و"التحقق من الصحة".

استجابة NotebookLM: خلط بين التحديد والتحقق من الصحة

يمكنك أن ترى أن النظام حدد التناقضات في الإجابة، وأدرك أنه تم الخلط بين "التعريف" و"التحقق من الصحة"، ثم أجرى مقارنة موجزة بين المصطلحين.

يحاكي هذا السيناريو عملية المقابلة ويمكن استخدامه خلال المرحلة التحضيرية قبل التلخيص. بالإضافة إلى ذلك، يمكن للمرء تجميع قائمة شاملة بالمصطلحات ذات الصلة بمصطلحات برنامج تقييم المصطلحات ذات الصلة، مع استكمالها بالتعاريف، وإرسالها إلى ChatGPT أو أي برنامج آخر من برامج إدارة التعلم الآلي مجهز بإمكانيات تحويل الصوت إلى نص وتحويل النص إلى صوت. بعد ذلك، واستناداً إلى قائمة الأسئلة المنسقة هذه، يمكن للنموذج تيسير جلسة أسئلة وأجوبة تفاعلية منطوقة.

الوضع الصوتي ChatGPT

السيناريو 3: إنشاء ورقة الغش

هناك نهج آخر يستخدم NotebookLM يتضمن إنشاء أوراق غش لمفاهيم كائنات الأعمال (BO) في برنامج RAP، مثل ورقة غش للغة تعريف السلوك (BDL). تعمل BDL كإطار لغوي يحدد الكلمات الرئيسية لشفرة مصدر BDEF.

مطالبتنا إنشاء ورقة غش

في التكرار الأولي لورقة الغش كان المحتوى أكثر شمولاً من المطلوب. وبالتالي، طُلب من النموذج اللغوي تكثيفه بشكل كبير. بعد عدة محاولات، أنتجت نسخة أكثر إيجازًا. ها هي النتيجة:

استجابة NotebookLM: ورقة غش الترقيم

هناك بعض الاعتبارات المهمة التي يجب وضعها في الاعتبار. أولاً، عند استخدام LLM، يوصى بشدة تحديد موضوع معين لإخراج ورقة الغش. في هذه الحالة، طُلب الترقيم على وجه التحديد بدلاً من ورقة غش كاملة لمخرجات ورقة الغش في نموذج تبادل البيانات. والأساس المنطقي لذلك هو أن الموضوعات الأوسع نطاقًا تميل إلى تقديم خطر أكبر من عدم الدقة. على سبيل المثال، إذا تمت مناقشة موضوع معين حصريًا في سياق أنواع التنفيذ المُدارة، فقد يستنتج محرك NotebookLM بشكل غير صحيح أن الميزة المرتبطة تنطبق حصريًا على السيناريوهات المُدارة، وهذا ليس صحيحًا بالضرورة. كن حذرًا في ذلك.

ثانيًا، يوصى بشدة بقراءة الموضوع مسبقًا لتتمكن من تحديد أي تناقضات واقعية. في رأينا، لا بد من التحقق من مخرجات LLM قبل تطبيقها في بيئة الإنتاج.

ثالثًا، يوصى بإجراء مراجعة دقيقة لكل عبارة في ورقة الغش، وتنقيح الصياغة عند الضرورة، وربما إدراج معلومات إضافية دقيقة. فقط بعد عملية التدقيق الشاملة هذه يمكن اعتبار ورقة الغش جاهزة للاستخدام وتكون بمثابة مورد معرفي قيّم.

نظرًا لأنك واثق من محتوى المخرجات ولا تحتوي على أخطاء واقعية، يمكنك حفظ ورقة الغش كملاحظة ثم إعادة النظر فيها قبل المقابلة بوقت قصير.

سيناريو المكافأة: مخطط من ورقة الغش

إذا كنت تفضل تعلم المادة بشكل مرئي، يمكنك استخدام أي أداة لإنشاء مخطط بياني من ورقة الغش. إحدى هذه الأدوات التي استخدمناها هي Napkin AI. اقترحنا ورقة الغش التي تم إنشاؤها من NotebookLM.

مدخلات الذكاء الاصطناعي: ورقة الغش السابقة لإنشاء مخطط

وها هي النتيجة التي حصلنا عليها.

مخرجات الذكاء الاصطناعي: الرسم البياني الذي تم إنشاؤه من ورقة الغش

الخلاصة: هل NotebookLM مناسب لك؟

يقدم NotebookLM نهجًا واعدًا للتعلم من خلال الاستفادة من LLMs استنادًا إلى مصادرك المجمعة الخاصة بك. ومع ذلك، مثل أي أداة ذكاء اصطناعي، فإن لها نقاط قوتها وقيودها التي من المهم أخذها في الاعتبار. فيما يلي ملخص للمزايا والعيوب والاقتراحات الرئيسية لتحسين سير عملك باستخدام NotebookLM:

الإيجابيات

• يُوفّر أداة LLM مُدرّبة على مصادرك الشخصية، مما يُعزّز الملاءمة والسياق.
• يدعم أنواعًا مختلفة من المدخلات، بما في ذلك ليس فقط النصوص بل أيضًا مقاطع فيديو يوتيوب.
• تتضمن معظم البيانات التي تم إنشاؤها من قبل LLM روابط إلى المصادر الأصلية، مما يجعل التحقق منها ملائمًا.
• يمكن لـ LLM إنشاء محتوى تعليمي متنوع مثل الاختبارات القصيرة والألعاب وأوراق الغش.
• يمكنك حفظ المخرجات كملاحظات، وتعديلها أو تنقيحها، وإعادة النظر فيها لاحقًا كمواد دراسية جاهزة للاستخدام.
• يمكن أن تكون ميزات مثل الملخصات الصوتية، وموجزات المصادر، وأقسام الأسئلة والأجوبة (على الرغم من أن LeverX لم تستكشفها بعمق) مفيدة في المواقف المناسبة.
• تقدم واجهة الدردشة مطالبات للمساعدة في استكشاف المصادر بشكل أكبر وترشدك خلال المادة.
• يمكن أن تحاكي الحوار من خلال طرح الأسئلة أو تصحيح إجاباتك، مما يعزز المشاركة.
• يمكن دمج NotebookLM مع أدوات الذكاء الاصطناعي الأخرى، مثل ChatGPT للتحقق من الحقائق أو الوضع الصوتي، ومولدات الصور مثل Napkin AI، لإثراء تجربتك التعليمية.

السلبيات

• تبلغ دقة المخرجات حوالي 85-90%، لذا فهي ليست موثوقة تمامًا.
• يجب عليك مراجعة جميع المحتويات التي تم إنشاؤها ومراجعتها بدقة قبل استخدامها.
• غالباً ما تتطلب المخرجات تحسيناً يدوياً لتكون جاهزة للاستخدام العملي.
• من المفيد الإلمام الأولي بالمواد التي تم الاستعلام عنها للحصول على نتائج أفضل.
• من الضروري الحفاظ على التحكم في آلية الاستعلام لتجنب عدم الدقة، على سبيل المثال، عن طريق الحد من طول المخرجات.
• فكلما كان الموضوع أوسع أو أكثر تعقيدًا، كلما زادت فرصة الهلوسة أو العبارات غير الصحيحة.

اقتراحات لتحسين سير العمل والدقة:

• عزز المواد المصدرية عن طريق إضافة مستندات تم إنشاؤها يدويًا أو أكثر تفصيلاً لملء الثغرات.
• صقل المطالبات وتجربتها؛ تُعد هندسة المطالبات مجالًا مهمًا يجب استكشافه للحصول على نتائج أفضل.
• استخدم سلسلة من المطالبات لتوضيح أو تفكيك المخرجات المشكوك فيها، على سبيل المثال، اطرح أسئلة متابعة مثل "لماذا تقدم هذه الإجابة؟
• اجمع بين التحقق من الحقائق بالذكاء الاصطناعي والمراجعة اليدوية - ابدأ باستخدام ChatGPT للتحقق من الحقائق، ثم قم بإجراء عمليات التحقق الخاصة بك.

هل تنصح LeverX الآخرين باستخدام NotebookLM؟ نعم، ولكن بحذر. إنها أداة قيّمة للتجربة والتعلم، خاصةً للمطورين الحريصين على دمج الذكاء الاصطناعي في إجراءاتهم الدراسية. فقط تذكّر: مثل أي مساعد، فإنه يعمل بشكل أفضل تحت إشراف مستنير.