사고 사슬 프롬프트

생각의 사슬(CoT) 프롬프트는 정교한 기술입니다. 프롬프트 엔지니어링의 정교한 기술입니다. 추론 능력을 향상시키기 위해 고안된 대규모 언어 모델(LLM)의 추론 능력을 향상시키기 위해 고안된 정교한 기술입니다. AI 모델에 AI 모델에 복잡한 쿼리에 대한 즉각적인 답변을 제공하도록 요청하는 대신, CoT 프롬프트는 모델에게 문제를 문제를 일련의 중간 논리적 단계로 나누도록 지시합니다. 이 방법은 인간의 문제 해결 과정을 모방합니다, 모델이 최종 결론에 도달하기 전에 "소리 내어 생각"할 수 있도록 합니다. 일련의 추론 단계를 생성함으로써 추론 단계를 생성함으로써 모델은 산술, 상식, 상징적 논리가 필요한 작업에서 성능을 크게 향상시킬 수 있습니다. 추론 및 상징적 논리가 필요한 작업의 성능을 크게 향상시킬 수 있습니다. 이 접근 방식은 다음 연구자들에 의해 대중화되었습니다. Google 브레인 구조화된 사고 프로세스가 더 신뢰할 수 있고 정확한 인공 지능(AI) 결과물.

연쇄 사고의 메커니즘

CoT의 효과는 복잡한 작업을 관리 가능한 구성 요소로 분해하는 기능에 있습니다. 이는 모델이 일관성을 유지하는 데 도움이 될 뿐만 아니라 답변이 어떻게 도출되었는지에 대한 투명성을 제공하며, 이는 설명 가능한 AI(XAI)의 핵심 요소인 설명 가능한 AI(XAI). 이 전략을 구현하는 방법에는 크게 두 가지가 있습니다. 이 전략을 구현하는 방법:

• 제로 샷 CoT: "차근차근 생각해 봅시다"와 같은 트리거 문구를 프롬프트 끝에 추가하는 방식입니다. 와 같은 트리거 문구를 프롬프트 끝에 추가하는 것입니다. 다음에 대한 연구에서 설명한 대로 제로 샷 추론자에 대한 연구에 설명된 대로, 이 간단한 지시는 구체적인 예시 없이도 모델의 구체적인 예시 없이도 추론 능력을 활성화하고, 제로 샷 학습을 활용하여 제로 샷 학습을 활용하여 새로운 작업을 처리합니다.
• Few-Shot CoT: 이 시나리오에서는 프롬프트에 몇 가지 질문의 예와 해당 질문에 대한 단계별 솔루션이 포함되어 있습니다. 여기에는 모델이 제공된 컨텍스트에서 추론 패턴을 학습하여 추론 패턴을 학습하고 이를 새로운 입력에 적용하는 방식입니다.

실제 애플리케이션

생각의 사슬 프롬프트는 개발자가 다양한 영역에서 애플리케이션을 빌드하는 방식을 변화시키고 있습니다. 특히 정확성과 로직이 가장 중요한 분야에서요.

1. 복잡한 데이터 분석: 금융이나 데이터 분석과 같은 분야에서 CoT는 다단계 계산을 통해 모델을 안내하는 데 다단계 계산을 통해 모델을 안내하는 데 사용됩니다. 예를 들어, 분석가가 AI에게 "먼저 1분기 매출을 추출한 다음 수치를 추출한 다음, CPI 지수를 사용하여 인플레이션을 조정하고 마지막으로 성장률을 이전 회계 연도 회계연도와 비교하세요." 이러한 구조화된 접근 방식은 직답형 프롬프트에서 흔히 발생하는 계산 오류를 줄여줍니다.
2. 코드 생성 및 디버깅: 개발자는 CoT를 사용하여 다음을 위한 강력한 코드를 생성합니다. 컴퓨터 비전(CV) 작업을 수행합니다. 단순히 스크립트를 요청하는 대신 스크립트를 요청하는 대신, 사용자는 모델에 데이터 세트 로드, 모델 구성, 모델 아키텍처 아키텍처를 구성하고 학습 루프를 실행하는 로직의 윤곽을 모델에 요청할 수 있습니다. 이렇게 하면 다음과 같은 라이브러리에 대한 스크립트가 생성됩니다. ultralytics 는 논리적으로 건전하고 구문적으로 정확합니다.

코드 예제

CoT는 텍스트 기반 기술이지만, 머신 러닝을 위한 올바른 Python 코드를 생성하는 데 자주 사용됩니다. 워크플로우에 자주 사용됩니다. 다음 예제는 Python 내에서 프롬프트 문자열을 구조화하여 단계별 솔루션을 도출하는 방법을 보여줍니다. 솔루션을 도출하기 위한 YOLO11 을 사용하여 객체를 detect 단계별 솔루션을 도출하는 방법을 보여줍니다.

# 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}")

관련 개념과의 비교

생각의 사슬 프롬프트를 다른 것과 구별하는 것이 중요합니다. 기계 학습(ML) 기법과 구별하는 것이 중요합니다:

• 프롬프트 체인: CoT는 단일 프롬프트 응답 주기 내에서 발생하는 반면, 프롬프트 연쇄는 작업을 별도의 API 호출 시퀀스로 나누고 의 개별 API 호출로 나뉘며, 한 프롬프트의 출력이 다음 프롬프트의 입력이 됩니다. CoT는 내부 추론에 초점을 맞추는 반면 추론에 초점을 맞추는 반면, 체이닝은 워크플로 오케스트레이션에 초점을 맞춥니다.
• 검색 증강 세대(RAG): RAG는 답을 생성하기 전에 모델의 지식을 기반으로 외부 데이터를 가져오는 작업을 포함합니다. CoT는 다음과 같이 (예: "먼저 문서를 검색한 다음 그 내용에 대해 추론")과 결합될 수 있지만, CoT 는 데이터 검색 메커니즘이 아니라 추론 구조를 의미합니다.
• 프롬프트 튜닝: 이것은 매개변수 효율적 미세 조정(PEFT) 방법으로 훈련 중 연속적인 소프트 프롬프트(벡터)를 최적화합니다. 이와는 대조적으로, CoT는 개별적이고 자연스러운 언어 프롬프트 전략을 적용하여 모델 변경 없이 추론 시간 가중치.

개발자는 Chain-of-Thought 프롬프트를 통합하여 생성형 AI의 잠재력을 최대한 활용할 수 있습니다. 생성형 AI의 잠재력을 극대화하여 모델이 답을 제공할 뿐만 아니라 답을 제공할 뿐만 아니라 솔루션의 논리적 타당성을 입증할 수 있습니다. 이는 중요한 환경에 안정적인 AI 에이전트를 배포하는 데 필수적입니다.