Encadenamiento de Prompts

El encadenamiento de instrucciones es una sofisticada técnica utilizada para ejecutar flujos de trabajo complejos dividiéndolos en una secuencia de entradas interconectadas para modelos de Inteligencia Artificial (IA). En lugar de basarse en una única instrucción monolítica para realizar una tarea polifacética, este método estructura el proceso de modo que la salida de un paso sirva de entrada para el siguiente. Este método estructura el proceso de modo que el resultado de un paso sirva de entrada para el siguiente. Este enfoque modular mejora considerablemente la fiabilidad e interpretabilidad de los grandes modelos lingüísticos (LLM), lo que permite los desarrolladores construir aplicaciones robustas capaces de razonar, planificar y ejecutar operaciones en varios pasos.

Cómo funciona el encadenamiento de prompts

El principio básico del encadenamiento rápido es descomposición de tareas, en la que objetivo complicado se divide en subtareas manejables. Cada eslabón de la cadena se centra en una función específica, como la limpieza de datos, la extracción de información o la toma de decisiones. como la limpieza de datos, la extracción de información o la antes de transmitir los resultados. Este proceso iterativo permite la validación intermedia, garantizando que que los errores se detecten pronto en lugar de propagarse a través de una respuesta compleja.

Esta metodología es fundamental para crear agentes de IA que puedan interactuar con herramientas externas o API. Han surgido marcos especializados como LangChain surgido para facilitar esta orquestación, gestionando el flujo de datos entre el modelo de IA las bases de datos vectoriales y otros componentes de software. Mediante de los datos entre el modelo de IA, las bases de datos vectoriales y otros componentes de software. los datos cambiantes.

Aplicaciones en el mundo real

El encadenamiento de instrucciones es especialmente eficaz cuando se combina procesamiento del lenguaje natural (PLN) con otras modalidades o fuentes de datos especializadas.

1. Atención al cliente inteligente: Un sistema de asistencia podría utilizar una clasificación de texto para clasificar la consulta de un usuario. Si el problema se identifica como "técnico", el flujo de trabajo desencadena un proceso de Recuperación-Generación mejorada (RAG) (RAG). El sistema busca artículos relevantes en una base de conocimientos técnicos y, a continuación, se le pide al LLM que sintetice la información recuperada en una respuesta fácil de usar.
2. Control de calidad visual: En fabricación, un flujo de trabajo puede encadenar texto y modelos de visión. Un usuario puede proporcionar una descripción textual de un defecto (por ejemplo, "arañazo en la superficie"). Esta descripción para configurar un modelo de modelo de visión por ordenador (CV) como Ultralytics YOLO11. El modelo de visión realiza detección de objetos en la línea de montaje y los resultados de la detección se devuelven a un indicador final para generar una inspección de calidad de calidad.

Ejemplo de código

Lo siguiente Python muestra un sencillo enlace en cadena. Utiliza la de un modelo de detección de objetos YOLO11 para construir un mensaje en lenguaje natural para un hipotético siguiente paso.

from ultralytics import YOLO

# Load the YOLO11 model for object detection
model = YOLO("yolo11n.pt")

# Step 1: Run inference on an image
# The output contains detected objects which will fuel the next link in the chain
results = model("https://ultralytics.com/images/bus.jpg")

# Step 2: Process results to create input for the next link
# We extract class names to form a descriptive sentence
detected_objects = [model.names[int(c)] for c in results[0].boxes.cls]
next_prompt = f"I found these objects: {', '.join(detected_objects)}. Describe the scene."

# The 'next_prompt' variable is now ready to be sent to an LLM
print(next_prompt)

Encadenamiento de Prompts vs. Conceptos Relacionados

Es útil distinguir el encadenamiento rápido de otros términos en el aprendizaje automático:

• Ingeniería Prompt: Se trata de una disciplina más amplia que consiste en diseñar entradas óptimas para guiar el comportamiento de los modelos. El encadenamiento de instrucciones específico dentro de la ingeniería de prompts que se centra en la ejecución secuencial.
• Estimulación de la cadena de pensamiento: Esta técnica anima al modelo a razonar "paso a paso" dentro de un mismo ciclo de pregunta-respuesta. respuesta. Por el contrario, el encadenamiento de instrucciones implica múltiples llamadas distintas, a menudo pasando datos entre diferentes modelos o herramientas de software. modelos o herramientas informáticas.
• Prompt Tuning: A método de optimización de modelos que actualiza los "soft prompts" (parámetros aprendibles) durante el entrenamiento. El encadenamiento de instrucciones es una estrategia estrategia en tiempo de inferencia que utiliza lenguaje natural sin alterar los pesos del modelo. del modelo.

Al aprovechar el encadenamiento de solicitudes, los desarrolladores pueden superar los límites de contexto y los cuellos de botella de razonamiento de los modelos independientes independientes. Esta técnica es indispensable para construir Inteligencia Artificial que integran visión, lenguaje y lógica para resolver problemas complejos y dinámicos de robótica y la automatización.