Chain-of-Thoughtプロンプティング

チェーン・オブ・ソート（CoT）プロンプトは、プロンプト・エンジニアリングにおける高度なテクニックである。 プロンプトエンジニアリングにおける高度な技術である。 の推論能力を高めるために考案された 大規模言語モデル(LLM)の推論能力を強化するために設計されたプロンプト工学の高度な技術である。むしろ CoTプロンプトは、複雑なクエリに対して即座に答えを出すようAIモデルに求めるのではなく、問題を一連の中間的で論理的なステップに分解するようモデルに指示する。 問題を一連の中間的で論理的なステップに分解するようモデルに指示する。この方法は人間の問題解決プロセスを模倣している、 最終的な結論に到達する前に、モデルが「声に出して考える」ことを可能にします。一連の推論ステップを生成することで 推論ステップを生成することで、算数、常識的推論、記号論理を必要とするタスクのパフォーマンスを大幅に向上させることができる。 を必要とするタスクのパフォーマンスを大幅に向上させることができる。このアプローチは Google 構造化された思考プロセスが、より信頼性が高く正確な人工知能（AI）出力につながることを実証した。 人工知能（AI）の出力につながることを実証した。

思考連鎖のメカニズム

CoTの有効性は、複雑なタスクを管理可能な要素に分解する能力にある。これは モデルが一貫性を維持するのに役立つだけでなく、答えがどのように導き出されたかという透明性も提供する。 説明可能なAI（XAI）の重要な要素である。主な方法は2つある。 がある：

• ゼロショットCoT：これは、プロンプトの最後に "Let's think step by step "のようなトリガーとなるフレーズを付け加えることである。 をプロンプトの最後に加える。に関する研究で説明されているように ゼロショット・リーズナーの研究で説明されているように、このシンプルな指示は、具体例を必要とせずにモデルの推論能力を活性化させる。 具体例を必要とせず、推論能力を活性化させる。 ゼロショット学習は、新しいタスクを処理するために活用される。
• 数発のCoT：このシナリオでは、プロンプトにいくつかの例題とそのステップバイステップの解答が含まれています。 ステップごとの解答が含まれています。これは モデルが提供された文脈から推論のパターンを学習し、それを新しい入力に適用する。 提供された文脈から推論のパターンを学習し、それを新しい入力に適用する。

実際のアプリケーション

Chain-of-Thought（思考連鎖）プロンプトは、開発者がさまざまなドメインでアプリケーションを構築する方法を変革しつつある。 特に精度とロジックが最重要視される

1. 複雑なデータ分析：金融やデータ分析などの分野で データ分析などの分野では、CoTはモデルを導くために使用される。 に使用される。例えば、アナリストがAIに「まず第1四半期の収益を抽出し、次にCPI指数を使ってインフレ率を調整し、最後に成長率を前回と比較する。 次にCPI指数を使ってインフレを調整し、最後に成長率を前年度と比較する。 といった具合だ。このような構造化されたアプローチにより、直接回答型のプロンプトにありがちな計算ミスを減らすことができる。
2. コード生成とデバッグ:開発者はCoTを使用して、次のような堅牢なコードを生成する。 コンピュータビジョン タスク単にスクリプトを要求するのではなく スクリプトを要求するのではなく、データセットのロード、モデルアーキテクチャの設定、学習ループの実行などのロジックの概要をモデルに要求することができる。 アーキテクチャを設定し、トレーニングループを実行する。これにより、次のようなライブラリ用に生成されたスクリプトを確実に使用できるようになります。 ultralytics は論理的に正しく、構文的にも正しい。

コード例

CoTはテキストベースの手法であるが、機械学習ワークフローのための正しいPython コードを生成するために頻繁に使用される。 ワークフローのための正しいPythonコードを生成するために頻繁に使用される。次の例では、Python 内でプロンプト文字列を構成して、ステップバイステップのソリューションを引き出す方法を示します。 ソリューション YOLO11を使用してオブジェクトをdetect するためのステップバイステップのソリューションを引き出す方法を示します。

# Example of a Chain-of-Thought prompt structure for generating YOLO11 code
prompt = """
Task: Write a Python script to detect objects in a video stream using YOLO11.

Chain of Thought:
1. Import the YOLO class from the ultralytics package.
2. Load the pre-trained 'yolo11n.pt' model weights.
3. Define the source as '0' for the webcam or a video file path.
4. Run the predict() method with show=True to visualize results in real-time.

Now, generate the Python code based on these steps.
"""

print(f"Sending the following prompt to LLM:\n{prompt}")

関連概念との比較

Chain-of-Thoughtプロンプトを他の機械学習（ML）技術と区別することは重要である。 機械学習（ML）技術と区別することが重要である：

• プロンプト・チェイニング:CoTが1つのプロンプト-レスポンスサイクル内で発生するのに対し、プロンプトチェイニングでは、タスクを一連の別々のAPI呼び出しに分割する。 プロンプトの出力が次のプロンプトの入力になる。CoTは内部推論に重点を置く。 推論に焦点を当てるのに対し、チェイニングはワークフローのオーケストレーションに焦点を当てる。
• 検索補強型ジェネレーション（RAG）:RAGは、答えを生成する前に、モデルの知識の基礎となる外部データを取得する。CoTは はRAGと組み合わせることができる(例えば、「最初に文書を検索し、次にその内容について推論する」)が、CoT は、データ検索メカニズムではなく、推論構造を特に指す。
• プロンプト・チューニング:これは パラメータ効率的ファインチューニング(PEFT) 手法であり、訓練中に連続的なソフトプロンプト（ベクトル）を最適化する。対照的に、CoTは離散的な自然言語プロンプトである。 言語プロンプト戦略である。 モデルの重みを変更することなく の重みを変更しない。

Chain-of-Thoughtプロンプトを統合することで、開発者は生成AIの可能性を最大限に引き出すことができます。 モデルが答えを提供するだけでなく、その解答の論理的妥当性を示すことを保証します。 モデルが答えを提供するだけでなく、その解決策の論理的妥当性を実証することを保証します。これは、信頼性の高い AIエージェントを重要な環境に導入するために不可欠です。