موجهات تسلسل الأفكار

تعد المطالبة بتسلسل التفكير (CoT) تقنية متقدمة تُستخدم بشكل أساسي مع نماذج اللغات الكبيرة (LLMs) لتحسين قدرتها على أداء مهام التفكير المعقدة. وبدلاً من طلب الإجابة النهائية فقط، تشجع CoT النموذج على توليد خطوات وسيطة أو "سلسلة من الأفكار" التي تؤدي منطقياً إلى الحل. يحاكي هذا النهج عمليات حل المشاكل البشرية ويساعد النماذج على معالجة المشاكل التي تتطلب التفكير الحسابي أو المنطقي أو الرمزي بشكل أكثر فعالية، مما يؤدي في كثير من الأحيان إلى دقة أفضل بكثير. وقد تم تسليط الضوء على هذه التقنية بشكل ملحوظ في بحث من Google AI.

كيف تعمل موجهات سلسلة التفكير المتسلسلة

يوجه توجيه CoT نموذج الذكاء الاصطناعي من خلال توضيح كيفية حل مشكلة ما بشكل صريح. هناك نوعان من المتغيرات الرئيسية:

1. لقطات قليلة من CoT: يتضمن الموجه بعض الأمثلة (لقطات) حيث يتكون كل مثال من سؤال، وعملية تفكير مفصلة خطوة بخطوة (سلسلة التفكير)، والإجابة النهائية. يتعلم النموذج من هذه الأمثلة لتطبيق عملية تفكير مماثلة على السؤال الفعلي المطروح. هذا هو شكل من أشكال التعلّم قليل اللقطات المطبق على مسارات التفكير.
2. ضربة البداية صفرية لـ CoT: لا يتطلب هذا النهج الأبسط تقديم أمثلة. بدلاً من ذلك، يتم إلحاق تعليمات بسيطة مثل "دعنا نفكر خطوة بخطوة" بالسؤال. تشجع هذه الإشارة النموذج على توضيح عملية التفكير قبل تقديم الإجابة النهائية. كما أنها تستفيد من القدرات الكامنة في النموذج المكتسبة أثناء التدريب المسبق المكثف.

من خلال إضفاء الطابع الخارجي على خطوات التفكير المنطقي، يجعل CoT عملية النموذج أكثر شفافية ويسمح بتصحيح الأخطاء التي قد يكون قد حدث فيها خطأ في التفكير. وهو يتناقض مع المطالبة القياسية، والتي غالبًا ما تطلب إجابة مباشرة ويمكن أن تفشل في المهام التي تتطلب خطوات منطقية متعددة.

الفوائد والتطبيقات

تتمثل الميزة الأساسية لمحفزات CoT في قدرتها على تعزيز قدرات التفكير لدى أعضاء LLMs في المهام المعقدة التي تواجه صعوبات في المحفزات القياسية. تشمل المزايا الرئيسية ما يلي:

• تحسين الأداء: يعزز الدقة بشكل كبير في مهام مثل المسائل الكلامية الرياضية، والألغاز المنطقية، والإجابة عن الأسئلة متعددة الخطوات.
• الشفافية المعززة: توفر سلسلة الأفكار التي تم إنشاؤها رؤى حول عملية التفكير في النموذج، مما يساهم في الذكاء الاصطناعي القابل للتفسير (XAI).
• معالجة أفضل للتعقيد: تمكين النماذج من معالجة المشاكل التي تتطلب تفكيكها إلى خطوات أصغر يمكن التحكم فيها.

أمثلة من العالم الحقيقي:

1. دعم العملاء المعقد: يمكن لروبوت الدردشة الآ لي للذكاء الاصطناعي الذي يستخدم CoT التعامل مع مشكلات العملاء المعقدة، مثل حل مشكلة تقنية متعددة الأجزاء أو شرح استفسار معقد عن الفواتير. تقوم مطالبة CoT بتوجيه الذكاء الاصطناعي لتحديد المشكلة الأساسية أولاً، ثم استدعاء السياسات أو الخطوات الفنية ذات الصلة، والتحقق من سجل المستخدم إذا لزم الأمر، وأخيراً صياغة خطة حل خطوة بخطوة للعميل. وهذا أكثر فعالية من التخمين المباشر للحل. تستفيد من المنصات مثل Salesforce Einstein من المنطق المماثل لخدمة العملاء.
2. تحليل البيانات وتفسيرها: عند تقديم مجموعة بيانات واستفسار معقد (على سبيل المثال، "حدد العوامل الرئيسية التي ساهمت في انخفاض المبيعات في الربع الأخير من العام الماضي بناءً على هذا التقرير")، يمكن لـ "إدارة التعلم الآلي" باستخدام تقنية تحليل البيانات أن تحدد خطة التحليل: أولاً، تحديد نقاط البيانات ذات الصلة؛ ثانيًا، إجراء الحسابات أو المقارنات اللازمة؛ ثالثًا، تجميع النتائج؛ وأخيرًا، تقديم الاستنتاج. يعمل هذا النهج المنظم على تحسين موثوقية رؤى تحليلات البيانات الناتجة عن الذكاء الاصطناعي.

تُعد CoT ذات قيمة خاصة في المجالات التي تتطلب اتخاذ قرارات موثوقة ومعقدة، مثل دعم تحليل الصور الطبية أو النمذجة المالية، مما يكمل التطورات في مجالات مثل الرؤية الحاسوبية (CV) التي تحركها نماذج مثل Ultralytics YOLO.

المقارنة مع المفاهيم ذات الصلة

يرتبط توجيه CoT بالتقنيات الأخرى في معالجة اللغة الطبيعية (NLP) والتعلم الآلي (ML) ولكنه يختلف عنها:

• هندسة الموجهات: هي ممارسة واسعة النطاق لتصميم مدخلات (موجهات) فعالة لنماذج الذكاء الاصطناعي. CoT هي تقنية محددة ومتقدمة في هندسة الموجهات تركز على استنباط المنطق. قد تركز التقنيات الأخرى على الوضوح أو توفير السياق(إثراء الموجهات) أو تحديد التنسيق.
• تسلسل الموجه: يتضمن تسلسل المطالبات تقسيم مهمة معقدة إلى سلسلة من المطالبات الأبسط والمترابطة، حيث يصبح ناتج أحد المطالبات مدخلات للمهمة التالية. يتطلب هذا غالبًا تنسيقًا خارجيًا (على سبيل المثال، باستخدام أطر عمل مثل LangChain). في المقابل، تهدف CoT إلى استنباط عملية التفكير بأكملها ضمن تفاعل واحد بين المطالبة والاستجابة.
• التعلم بدون أمثلة: يشير هذا إلى قدرة النموذج على أداء مهام لم يتم تدريبه عليها بشكل صريح، دون أي أمثلة. ويُعد CoT ذو اللقطة الصفرية تطبيقًا محددًا لذلك، باستخدام تعليمات عامة ("لنفكر خطوة بخطوة") لتحفيز التفكير المنطقي. ومع ذلك، غالبًا ما يكون أداء CoT أفضل في إعدادات اللقطات القليلة، والتي توفر أمثلة منطقية خاصة بمهمة محددة، على عكس التعلم الصفرى البحت.

يمثل توجيه CoT خطوة مهمة نحو بناء أنظمة ذكاء اصطناعي أكثر قدرة وقابلية للتفسير. يمكن أن يكون فهم هذه التقنيات واستخدامها مفيداً عند تطوير نماذج ذكاء اصطناعي متطورة، مع إمكانية الاستفادة من منصات مثل Ultralytics HUB لإدارة التدريب والنشر. يمكن لتقنيات مثل الاتساق الذاتي أن تزيد من تعزيز CoT من خلال أخذ عينات من مسارات التفكير المتعددة واختيار الإجابة الأكثر اتساقاً.