Oletko koskaan miettinyt, kuinka saada tekoäly ajattelemaan enemmän ihmisen tavoin? Vaikka suuret kielimallit (LLM) ovat erinomaisia ennustamaan peräkkäin seuraava sana, ne usein kompastuvat kohtaaessaan järjestelmällistä ajattelua vaativia ongelmia. Anna ajatusketjun kehotus – peliä muuttava tekniikka, joka mullistaa tapamme olla vuorovaikutuksessa tekoälyn kanssa.  Ajatusketjun katkeaminen  Kuvittele, että opetat lapsen ratkaisemaan monimutkaisen pulman. Sen sijaan, että näyttäisit heille lopullisen kuvan, ohjaat heitä jokaisen vaiheen läpi. Tämä on pohjimmiltaan mitä   kehotus tekee LLM:ille. Tarjoamalla esimerkkejä, jotka esittelevät vaiheittaista päättelyä, autamme näitä malleja löytämään tarkkoja ratkaisuja loogisen etenemisen kautta.  ajatusketjun (CoT)  Maaginen kaava: miksi se toimii  Perinteiset kehotusmenetelmät johtavat usein osuma-or-mis-tuloksiin. CoT-kehotus kuitenkin pilkkoo monimutkaiset ongelmat sulaviksi paloiksi, jolloin malli voi käsitellä jokaista komponenttia systemaattisesti. Tämä lähestymistapa on osoittautunut niin menestyksekkääksi, että huippuluokan mallit, kuten OpenAI:n uusimmat tarjoukset, ovat sisällyttäneet sen ydintoimintoihinsa.  Reaalimaailman sovellus: Matemaattisten pulmien ratkaiseminen  Sukellaan käytännön esimerkkiin. Kuvittele, että autat tekoälyä ratkaisemaan tämän yhtälön  5x - 4 = 16  Näin CoT-kehotteet ohjaavat mallia:  Ensimmäinen vaihe: Lisää 4 molemmille puolille  5x - 4 + 4 = 16 + 4  5x = 20  Toinen vaihe: Jaa molemmat puolet viidellä  5x/5 = 20/5  x = 4  Tämä jäsennelty lähestymistapa varmistaa tarkkuuden ja näyttää päättelyprosessin – mikä on erityisen arvokasta monimutkaisten matemaattisten operaatioiden yhteydessä.  Ajatusketju vs. vähäinen kehotus: eron ymmärtäminen  Molemmat tekniikat saattavat ensi silmäyksellä näyttää samanlaisilta, mutta niillä on eri tarkoitus:    : Tarjoaa esimerkkejä syötteestä ja lähdöstä, kuten monivalintanäppäin. Muutaman laukauksen kehotus    : Näyttää täydellisen päättelyprosessin, kuten kaiken työn näyttämisen matemaattisessa tehtävässä. Ajatusketjun kehotus    näyttäisi tältä: Few-Shot Prompting   Example 1: Problem: If a store sells books for $5 each and markers for $3 each, how much would 2 books and 4 markers cost? Answer: $22 Example 2: Problem: If a store sells notebooks for $4 each and pens for $2 each, how much would 3 notebooks and 5 pens cost? Answer: $22    näyttäisi tältä: Ajatusketjun kehotus   Problem: If a store sells books for $5 each and markers for $3 each, how much would 2 books and 4 markers cost? Thinking: 1. Calculate cost of books: 2 books × $5 = $10 2. Calculate cost of markers: 4 markers × $3 = $12 3. Total cost = Cost of books + Cost of markers = $10 + $12 = $22 Answer: $22 Problem: If a store sells notebooks for $4 each and pens for $2 each, how much would 3 notebooks and 5 pens cost? Thinking: 1. Calculate cost of notebooks: 3 notebooks × $4 = $12 2. Calculate cost of pens: 5 pens × $2 = $10 3. Total cost = Cost of notebooks + Cost of pens = $12 + $10 = $22 Answer: $22  Zero-Shot-ajatteluketju  Käyttämällä yksinkertaista mutta tehokasta lausetta "   " Zero-shot CoT -kehotteita käytetään tilanteissa, joissa esimerkkitapaukset eivät ole käteviä. Esimerkiksi: "Ajattelemme askel askeleelta: Selitä kvanttifysiikka." Ajattelemme askel askeleelta  Milloin CoT-kehotteita kannattaa käyttää?  CoT-kehotteet loistavat, kun käsitellään:  Monimutkainen aritmetiikka  Monivaiheinen looginen päättely  Maalaisjärkeä  Symbolinen manipulointi  Clauden viimeisimmät vertailuarvot osoittivat, että menetelmät, joissa käytetään 3-shot- tai 5-shot CoT-kehotteita, toimivat hyvin päättelyä vaativissa tehtävissä: GPQA ja MMLU.  Tulevaisuus: Multimodaalinen ajatusketju  Tekoälypäättelyn viimeisin edistysaskel yhdistää visuaaliset ja tekstilliset komponentit kognitiivisiin prosesseihin. Kuvittele, että tekoäly diagnosoi polkupyörän korjauksen, ymmärtää käsikirjan ja tarjoaa visuaalista ja ääniopastusta prosessin jokaisessa vaiheessa. Multimodaalinen lähestymistapa merkitsee tekoälyn tuen tulevaa edistystä.   CoT-kehotteiden tehokkuuden maksimointi  Vaikka ajatusketjun kehotus on voimakas, se toimii tietyin rajoituksin. Mallin suorittama päättelypolku ei ole taatusti virheetön, ja tulokset vaihtelevat marginaalisesti.  Tässä on muutamia vinkkejä parempien tulosten saavuttamiseksi:  Testaa huolellisesti eri lähestymistavoilla.  Harkitse CoT-kehotusten yhdistämistä muihin kehotusstrategioihin.  Käytä suurempia malleja, joissa on yli 100 miljardia parametria, jos mahdollista.  Johtopäätös  Koska tekoäly on edistynyt, on selvää, että ajatusketjun (CoT) kehotus on tehokas tekniikka edistyneempien päättelykykyjen hyödyntämiseen. On tärkeää huomata, että CoT-kehotuksen käyttäminen sovellusten kehittämiseen tai optimaalisempien tulosten saavuttamiseen tekoälytyössä lisää suuresti onnistumisen mahdollisuuksia.  Tarkoituksena ei ole vain saavuttaa tarkka vastaus, vaan myös ymmärtää menettely, joka on suoritettu niin, ja se on Ajatusketjun kehotuksen kauneus.  Alaviitteet  Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., Chi, E., Le, Q., & Zhou, D. (2022). Ajatusketjun herättäminen saa aikaan päättelyn suurissa kielimalleissa.  Kojima, T., Gu, SS, Reid, M., Matsuo, Y., & Iwasawa, Y. (2022). Suuret kielimallit ovat Zero-Shot Reasoner -ratkaisuja.  Zhang, Zhuosheng, et ai. "Multimodaalinen ajatusketjun päättely kielimalleissa."   (2023). arXiv preprint arXiv:2302.00923

Read My Stories

Tämä ääni on tuotettu tarinan alkuperäisellä kielellä!

Liian pitkä; Lukea

Get Free Unlimited IP Geo Data With IPinfo Lite

Uusi kehotustekniikka väittää auttavan tekoälyä ajattelemaan kuten ihmiset

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

Web 2.5: HackerNoon's Vision for a New Wave Internet

Spaghetti

Win Up to $2000 in the #blockchain Writing Contest by Aleph Cloud and HackerNoon

Web 2.5: HackerNoon's Vision for a New Wave Internet

Spaghetti

Win Up to $2000 in the #blockchain Writing Contest by Aleph Cloud and HackerNoon

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps