تحفيز سلسلة الأفكار (Chain-of-Thought Prompting)

يُعد أسلوب سلسلة التفكير (CoT) من تقنيات هندسة المطالبات المتقدمة المصممة لتحسين قدرات نماذج اللغة الكبيرة (LLMs) على الاستنتاج. فبدلًا من مطالبة النموذج بتقديم إجابة مباشرة، يشجع أسلوب سلسلة التفكير النموذج على إنشاء سلسلة من الخطوات الوسيطة والمتماسكة التي تؤدي إلى الاستنتاج النهائي. تحاكي هذه الطريقة قدرة الإنسان على حل المشكلات من خلال تقسيم الأسئلة المعقدة إلى أجزاء أصغر يمكن التحكم فيها، مما يحسن الأداء بشكل كبير في المهام التي تتطلب الحساب والمنطق السليم والاستنتاج الرمزي. تم تقديم الفكرة الأساسية في ورقة بحثية بواسطة Google AI، توضح أن هذا الأسلوب يساعد النماذج في الوصول إلى إجابات أكثر دقة وموثوقية.

لا تعمل هذه التقنية على تحسين دقة إخراج النموذج فحسب، بل توفر أيضًا نافذة على "عملية تفكيره"، مما يجعل النتائج أكثر قابلية للتفسير وجديرة بالثقة. هذه خطوة حاسمة نحو تطوير ذكاء اصطناعي قابل للتفسير (XAI). من خلال تتبع سلسلة تفكير النموذج، يمكن للمطورين فهم كيفية الوصول إلى استنتاج بشكل أفضل وتحديد الأخطاء المحتملة في منطقه، وهو أمر حيوي لتصحيح أخطاء أنظمة الذكاء الاصطناعي وتحسينها.

كيف يعمل تحفيز سلسلة الأفكار

هناك طريقتان أساسيتان لتنفيذ مطالبة CoT، كل منها مناسب لسيناريوهات مختلفة:

• CoT بدون أمثلة (Zero-Shot CoT): هذا هو أبسط نهج، حيث تتم إضافة عبارة بسيطة مثل "دعنا نفكر خطوة بخطوة" إلى نهاية السؤال. هذا التوجيه يدفع النموذج إلى توضيح عملية استنتاجه دون الحاجة إلى أي أمثلة مسبقة. إنه تطبيق قوي لـ التعلم بدون أمثلة (zero-shot learning)، مما يسمح للنموذج بإجراء استنتاجات معقدة حول المهام التي لم يرها من قبل.
• Few-Shot CoT: تتضمن هذه الطريقة تزويد النموذج ببضعة أمثلة داخل المطالبة نفسها. يتضمن كل مثال سؤالاً وعملية تفكير مفصلة خطوة بخطوة (سلسلة التفكير) والإجابة النهائية. من خلال رؤية هذه الأمثلة، يتعلم النموذج اتباع نمط التفكير المطلوب عندما يواجه سؤالاً جديدًا مشابهًا. هذا النهج، الذي يستفيد من التعلم القليل، غالبًا ما يكون أكثر فعالية من Zero-Shot CoT للمشاكل المعقدة للغاية أو الخاصة بالمجال.

تطبيقات واقعية

تتمتع مطالبات CoT بتطبيقات عملية في مختلف الصناعات التي تتطلب حل المشكلات المعقدة.

1. حل المشكلات الرياضية والعلمية: أحد الاستخدامات الكلاسيكية هو حل المسائل الكلامية الرياضية متعددة الخطوات. يمكن مطالبة نموذج لغوي كبير (LLM) بتقسيم المشكلة، وتحديد المتغيرات، وصياغة الخطوات الضرورية، وإجراء العمليات الحسابية، والوصول إلى إجابة نهائية، مما يقلل الأخطاء بشكل كبير مقارنةً بالمطالبة بالإجابة المباشرة. وقد استكشفت مؤسسات مثل DeepMind هذا الأمر بعمق.
2. دعم العملاء المعقد والتشخيص: يمكن لروبوت الدردشة المدعوم بالذكاء الاصطناعي في دور الدعم الفني استخدام CoT للتعامل مع مشكلات المستخدم المعقدة. بدلاً من الرد العام، يمكن للروبوت التفكير في المشكلة: "أولاً، سأؤكد جهاز المستخدم وإصدار البرنامج. بعد ذلك، سأتحقق من المشكلات المعروفة المتعلقة بهذا الإصدار. ثم، سأطلب رسائل خطأ محددة. أخيرًا، سأقدم حلاً خطوة بخطوة بناءً على هذه المعلومات." يؤدي هذا النهج المنظم إلى دعم أكثر فائدة ودقة.

مقارنة مع المفاهيم ذات الصلة

تتعلق مطالبات CoT بتقنيات أخرى في معالجة اللغة الطبيعية (NLP) و التعلم الآلي (ML)، ولكنها تختلف عنها.

• تسلسل المطالبات (Prompt Chaining): يقسم تسلسل المطالبات مهمة معقدة إلى سلسلة من المطالبات الأبسط والمترابطة، حيث يصبح ناتج إحدى المطالبات هو المدخل للمطالبة التالية. غالبًا ما يتطلب هذا تنسيقًا خارجيًا (على سبيل المثال، باستخدام أطر عمل مثل LangChain). في المقابل، يهدف CoT إلى استخلاص عملية التفكير بأكملها في تفاعل واحد بين المطالبة والاستجابة.
• الجيل المعزز بالاسترجاع (RAG): RAG هي تقنية حيث يقوم النموذج أولاً باسترجاع المعلومات ذات الصلة من قاعدة معرفة خارجية قبل إنشاء استجابة. يمكن أن يكون RAG مكونًا من عملية سلسلة التفكير (على سبيل المثال، قد تكون إحدى الخطوات "البحث في قاعدة البيانات عن X")، لكن CoT يصف البنية العامة للاستدلال نفسه. تعرف على المزيد حول كيف تعمل أنظمة RAG.
• إثراء المطالبات (Prompt Enrichment): يتضمن هذا إضافة سياق أو تفاصيل إلى مطالبة المستخدم الأولية قبل إرسالها إلى الذكاء الاصطناعي. إنه يعزز مطالبة واحدة ولكنه لا يخلق عملية التفكير المتسلسلة والخطوة بخطوة التي تحدد CoT.

تمثل مطالبات CoT خطوة مهمة نحو بناء أنظمة ذكاء اصطناعي (AI) أكثر قدرة وقابلية للتفسير. يمكن أن يكون فهم واستخدام هذه التقنيات مفيدًا عند تطوير نماذج الذكاء الاصطناعي المتطورة. يمكن أن تساعد منصات مثل Ultralytics HUB في إدارة تدريب و نشر النماذج المختلفة. يمكن لتقنيات مثل الاتساق الذاتي أن تعزز CoT بشكل أكبر عن طريق أخذ عينات من مسارات تفكير متعددة وتحديد الإجابة الأكثر اتساقًا. مع ازدياد تعقيد النماذج، من LLMs إلى نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11، ستصبح مبادئ التفكير المنظم ذات أهمية متزايدة.