اكتشف كيف يمكن لمطوّري ABAP تحسين مهاراتهم في برمجة RAP باستخدام NotebookLM، مساعد البحث المدعوم بالذكاء الاصطناعي من Google.
هذا المقال هو الجزء الثاني من استكشاف LeverX لكيفية قيام NotebookLM ونموذج اللغة الكبيرة المدمج به (LLM) بتسريع عملية التعلم لنموذج برمجة RAP (RAP) المريح. يمكنك العثور على الجزء الأول من بحثنا هنا.
إذا لم تكن على دراية بنموذج NotebookLM، فإننا نوصي بشدة بقراءة المقال الأول للتعرف على ميزاته وإمكاناته.
في هذه الدفعة، تقدم LeverX مجموعة جديدة من سيناريوهات التعلم المتقدمة التي تم تطويرها لتعميق فهم نموذج RAP بشكل أكبر.
إخلاء مسؤولية قصير
تعكس هذه المقالة تجربة LeverX الشخصية وتقييمها لما إذا كان دمج NotebookLM في سير عمل التعلم المخصص أمرًا جديرًا بالاهتمام. الإجابة المختصرة: نعم، هو كذلك - ولكن مع بعض المحاذير. على أقل تقدير، الأمر يستحق المحاولة.
السيناريو 1: الألغاز - إشراك التفكير المعرفي
هذا السيناريو هو في الأساس عكس "لعبة تعريف المصطلح" التي تمت مناقشتها في الجزء الأول.
يشرك هذا التمرين نمطًا مختلفًا من التفكير المعرفي. فبدلاً من تقديم مصطلح للتعريف، طلبنا من أعضاء فريق العمل في برنامج إدارة التعلم مدى الحياة توليد لغز وصفي حول جانب معين من كائن أعمال برنامج تطبيق القانون. كانت مهمتنا هي استنتاج وتحديد مفهوم RAP الأساسي المضمن في الإجابة.
وللتوضيح، طلب خبراؤنا من خبراءنا إنشاء ثلاثة ألغاز، ثم حاولنا حلها. لقد قدمنا تعليمات حاسمة لتجنب تضمين أي أدلة صريحة في نص اللغز قد تكشف الإجابة بسهولة، لأن النموذج يقدم أحيانًا تلميحات تجعل الحل واضحًا بشكل مفرط.
مطالبتنا: إنشاء الألغاز
استجابت NotebookLM بالألغاز المتعلقة بالتحقق من الصحة، وعلامة ETag، والعمل.
استجابة NotebookLM: إنشاء الألغاز
مطالبتنا: أجب عن الألغاز
في حين أن معظم إجاباتنا كانت صحيحة، حدثت لحظة تردد في الإجابة الثالثة، حيث لم نكن متأكدين مما إذا كان المفهوم هو "الإجراء" أو "الوظيفة". في البداية أغفلنا عبارة "التلاعب بالبيانات"، والتي ثبت أنها كانت عاملاً رئيسياً في التفريق.
استجابة دفتر ملاحظاتLM: لغز، إجابة صحيحة جزئيًا
لم تكتفِ إجابة LLM بالتعرف على إجابة غير صحيحة تمامًا فحسب، بل حددت أيضًا إجابة صحيحة جزئيًا. في الشرح، أوجزت في الشرح كلاً من القواسم المشتركة والتمييز بين الفعل والوظيفة. وعلاوة على ذلك، قدمت إرشادات حول كيفية تفسير اللغز بشكل أكثر فعالية، مع تسليط الضوء على عبارة "التلاعب بالبيانات" كمؤشر حاسم. تشير هذه العبارة إلى تعديل البيانات، وهي سمة مميزة للإجراء في برنامج العمل الإقليمي، مما يساعد على التفريق بينه وبين الوظيفة.
السيناريو 2: شرح بناء جملة التوثيق - فك رموز اللغة الرسمية
يمكن أن تكون قراءة وثائق الكلمات الرئيسية لـ ABAP لـ RAP مربكة في بعض الأحيان، خاصةً بسبب بناء الجملة الرسمي للغاية. على سبيل المثال، غالبًا ما تتضمن التعريفات الرسمية لعمليات كائنات الأعمال القياسية لـ RAP، مثل الإنشاء والتحديث والحذف، العديد من المعدلات والبنود الاختيارية. قد يكون التنقل بين كل هذه الاختلافات أمرًا صعبًا، خاصة عند محاولة استخراج المعنى الأساسي.
مثال: عمليات RAP BO القياسية
لاختبار هذا الأمر، تم استخدام مقتطف من الوثائق الرسمية كمدخل، حيث قام برنامج LLM بتحليلها ثم شرحها سطراً بسطر. في البداية، كانت الاستجابة مطوّلة بشكل مفرط، لذا طلبنا منه عدة مرات لإنتاج مخرجات أكثر إيجازًا. وكانت النتيجة النهائية شرحًا أكثر بساطة.
مطالبتنا: شرح بناء جملة التوثيق
بالنسبة لهذا السيناريو، كان التعريف الرسمي للإجراء غير المصنع في برنامج RAP بمثابة المدخلات.
وكان الناتج:
استجابة NotebookLM: بناء جملة التوثيق، الجزء 1 من الإجراء
في استجابتها، قامت LLM بعمل جدير بالثناء ليس فقط بشرح الكلمات الرئيسية الخاصة بـ RAP - مثل الإضافات الداخلية أو الثابتة المتعلقة بالإجراءات - ولكن أيضًا عناصر بناء جملة وثائق ABAP، مثل استخدام الأقواس المرفقة (...). ومع ذلك، فإنه لم يعالج جميع جوانب بناء الجملة الرسمي بشكل كامل. تم حذف تراكيب مثل الأقواس []، والأقواس {}، و {I}، وغيرها من الرموز المركبة.
على العكس من ذلك، يمكنك القيام بالعكس وسؤال LLM عن بناء الجملة الرسمي لتوثيق الكلمات الرئيسية لـ ABAP بحيث يكون كل شيء واضحًا لك.
استجابة NotebookLM: بناء جملة التوثيق، الجزء 2 من العمل
بشكل أساسي، يستعرض LLM بناء الجملة المقدم ويقدم شرحًا كلمة بكلمة. ومع ذلك، من المهم مراجعة الإخراج بعناية. أثناء التجربة، تمت مصادفة العديد من الحالات التي تفتقر فيها الصياغة إلى الدقة وتتطلب التنقيح. يوصى بحفظ الإجابة كملاحظة، ومراجعتها لحل أي غموض أو تناقضات، واستخدام النسخة المصقولة كمصدر لتعزيز فهمك لبرنامج RAP.
السيناريو 3: شرح الكود - فهم المنطق خطوة بخطوة
الهدف هنا هو تزويد NotebookLM بمقتطف من التعليم ات البرمجية والحصول على شرح مفصّل خطوة بخطوة مع تفصيل لمفاهيم برنامج تطبيق برمجيات تقييم المنطق. يمكن مراجعة كل منها على حدة.
مطالبتنا: شرح الكود
تم الحصول على كود المثال من تطبيق سلوك /DMO/I_TRAVEL_M. في النهاية، أعاد دفتر الملاحظات LLM شرحًا منظمًا للمنطق على النحو التالي:
استجابة NotebookLM: с شرح الوضع، التحقق من صحة_الوكالة
التفسير المقدم من LLM سليم بشكل عام ويتبع منطق الكود بتفاصيل معقولة. ومع ذلك، برزت إحدى الصياغات على أنها غير دقيقة، وتحديدًا، العبارة "Agency_id غير موجود في جدول آخر أو نتيجة قاعدة بيانات أخرى تسمى agencies_db". تبدو هذه الصياغة مصطنعة إلى حد ما.
والسبب المحتمل هو أن LLM حاول تفسير تعبير NOT line_exists(...) بشكل مستقل، إلى جانب العبارة المحددة NOT line_exists( agencies_db[ agency_id = travel-agency_id] )، ثم دمج التفسيرين. والنتيجة هي تفسير هجين يفتقر إلى الوضوح والدقة.
يسلط هذا المثال الضوء على قصور شائع في المحتوى الذي تم إنشاؤه في LLM، مما يؤكد أهمية المراجعة النقدية لجميع المخرجات. ومع ذلك، يمكن أن تكون مثل هذه التناقضات مفيدة، لأنها تحفز على التعامل بشكل أعمق مع المادة. في الواقع، عندما تواجه تفسيرًا غير دقيق، يمكنك تحدي النموذج مباشرةً من خلال السؤال عن سبب وصوله إلى هذا الاستنتاج، واستخدام الخطأ كفرصة للتعلم.
السيناريو 4: استخلاص مفهوم RAP - تحديد مجالات التعلم الرئيسية
استمرارًا من المطالبة السابقة، تم تقديم طلب إلى NotebookLM لاستخراج مفاهيم RAP الموجودة في نموذج التعليمات البرمجية وإدراجها.
استجابة NotebookLM: استخراج المفهوم، التحقق من صحة_الوكالة
نتج عن ذلك قائمة منظمة من الموضوعات التي تستحق المزيد من الاستكشاف. على سبيل المثال، يمكن للمرء الآن طرح أسئلة متابعة مثل:
- ما هو المخزن المؤقت للمعاملات؟ ما هو الدور الذي يلعبه في RAP؟
- من الذي ينفذ المخزن المؤقت للمعاملات؟
- كيف يختلف بين التطبيقات المدارة وغير المدارة؟
تساعد هذه التقنية في تحديد أولويات الدراسة وتركيز قراءتك لوثائق SAP الرسمية.
سيناريو المكافأة: التكامل مع أدوات إدارة المعاملات المدارة الأخرى - توسيع مجموعة أدوات الذكاء الاصطناعي الخاصة بك
يمكن أن تعمل NotebookLM أيضًا كمولّد مطالبات لأدوات LLM الأخرى مثل ChatGPT أو Perplexity أو Gemini أو Claude.
استجابة NotebookLM: توليد المطالبات
بالإضافة إلى ذلك، يمكن تجربة أنماط مختلفة من الأسئلة. على سبيل المثال، يمكن أن يُطلب من LLM توليد سلسلة من الأسئلة المتسلسلة التي تستكشف تدريجيًا مفهومًا محددًا من مفاهيم RAP بتعمق أكبر. يمكن تقديم المطالبة بأكملها ككتلة واحدة، أو يمكن المضي قدمًا خطوة بخطوة، والتعامل مع كل سؤال على حدة. هذه الطريقة قابلة للتكيف بشكل كبير ويمكن استخدامها لإنشاء مطالبات مصممة خصيصًا لأي برنامج LLM، مثل Perplexity وGoogle Gemini وClaude وغيرها.
هناك استراتيجية تكامل قيّمة أخرى تتضمن استخدام ChatGPT للتحقق من الحقائق. كما ذكرنا سابقًا، توفر NotebookLM دقة تقدر بحوالي 90٪ (استنادًا إلى التجربة الشخصية وليس القياس الرسمي). ولضمان الموثوقية، يمكنك مضاهاة مخرجاتها مع ChatGPT، واستخدامها كطبقة تحقق ثانوية لاكتشاف الأخطاء المحتملة.
موجه ChatGPT: طلب التحقق من الحقائق
تتوفر ورقة غش حول ترقيم RAP. يمكن الاطلاع على تاريخ ورقة الغش هذه في مقالنا السابق.
مخرجات ChatGPT: نتيجة التحقق من الحقائق
ضع في اعتبارك أيضًا أنه سيتعين عليك التحقق من كل شيء يدويًا.
الخاتمة
في الجزء الأول، تم تحديد قائمة كاملة بالإيجابيات والسلبيات واقتراحات سير العمل. يُرجى الرجوع إليها للاطلاع على تحليل مفصّل.
هنا، من المهم إعادة التأكيد على المبدأ الأساسي:
NotebookLM هي أداة تعلم قوية معززة بالذكاء الاصطناعي، ولكن يجب مراجعة مخرجاتها والتحقق منها بشكل نقدي قبل استخدامها. فالذكاء الاصطناعي ليس بديلاً عن خبرة المطورين، بل هو عامل مضاعف لمن يرغب في توجيهه.
هل يوصى بهذا النهج؟ نعم، بحذر. إنه بالتأكيد يستحق التجربة، خاصةً إذا كنت تستخدمه كشريك في التعلم بدلاً من الاعتماد عليه بشكل أعمى.
