Chain-of-Thought İstemi

Düşünce Zinciri (CoT) yönlendirmesi, büyük dil modellerinin (LLM'ler) karmaşık akıl yürütme görevlerini ara mantıksal adımlara bölerek çözmelerini sağlayan, yönlendirme mühendisliğinde gelişmiş bir tekniktir. CoT, modele hemen nihai bir cevap vermesini istemek yerine, sistemi insan problem çözme sürecini taklit eden bir "düşünce zinciri" oluşturmaya teşvik eder. Bu adım adım akıl yürütme, Bu adım adım akıl yürütme, aritmetik, sembolik mantık ve sağduyu akıl yürütme içeren görevlerde performansı önemli ölçüde artırarak Yapay Zeka (AI) sistemleriyle etkileşimimizi dönüştürür. Yapay Zeka (AI) sistemleriyle etkileşimimizi dönüştürür.

Akıl Yürütme Mekanizması

Standart dil modelleri, girdiyi tek bir geçişte doğrudan çıktıya eşlemeye çalıştıkları için genellikle çok adımlı problemlerde zorlanırlar. Bu "kara kutu" yaklaşımı, özellikle mantıksal atlama çok büyük olduğunda hatalara yol açabilir. Düşünce Zinciri istemleri, girdi sorusu ile nihai çıktı arasına akıl yürütme adımları ekleyerek bu sorunu çözer. Bu, modelin tek bir adımda doğru sonuca ulaşmasını engeller, ancak modelin adımlarını izleyerek doğru sonuca ulaşmasını sağlar.

Bu süreç genellikle iki şekilde işler:

• Zero-Shot CoT: Kullanıcı, komut istemine "Adım adım düşünelim" gibi basit bir tetikleyici ifade ekler. Bu, belirli örnekler gerektirmeden modelin gizil akıl yürütme yeteneklerini etkinleştirir.
• Few-Shot CoT: Komut isteminde, adım adım çözümleriyle birlikte birkaç soru örneği (örnekler) bulunur. Bu, few-shot öğrenmeyi kullanarak modele yeni bir problemi denemeden önce mantığını nasıl yapılandırması gerektiğini tam olarak gösterir.

Ara akıl yürütmeyi açıkça üreterek, model kendini düzeltmek için daha fazla fırsata sahip olur ve sonuca nasıl ulaştığı konusunda şeffaflık sağlar. Bu, modellerin aksi takdirde yanlış bilgileri güvenle ifade edebileceği LLM'lerde halüsinasyonu azaltmak için çok önemlidir.

Gerçek Dünya Uygulamaları

Başlangıçta metin tabanlı mantık için geliştirilmiş olsa da, Düşünce Zinciri istemleri, bilgisayar görme ve kod üretimi gibi diğer AI alanlarıyla birleştirildiğinde güçlü uygulamalara sahiptir. .

1. Bilgisayar Görme için Kod Oluşturmayı Geliştirme

Geliştiriciler, CoT'yi, nesne algılama gibi görevler için karmaşık yazılım komut dosyaları yazarken LLM'lere rehberlik etmek için kullanır. "Arabaları bulmak için kod yaz" gibi belirsiz bir istek yerine, CoT komut istemi isteği şu şekilde yapılandırabilir: "İlk olarak, gerekli kütüphaneleri içe aktarın. İkinci olarak, önceden eğitilmiş modeli yükleyin. Üçüncü olarak, görüntü kaynağını tanımlayın. Son olarak, tahmin döngüsünü çalıştırın." Bu yapılandırılmış yaklaşım, YOLO26 gibi modeller için üretilen kodun sözdizimsel olarak doğru ve mantıksal olarak sağlam olmasını sağlar.

2. Özerk Karar Verme

Otonom araçlar alanında, sistemler görsel verileri işlemeli ve güvenlik açısından kritik kararlar almalıdır. Düşünce Zinciri yaklaşımı, sistemin mantığını ifade etmesini sağlar: "Yaya geçidinin yakınında detect yaya detect . Yaya yola bakıyor. Trafik ışığı benim için yeşil, ancak yaya yola çıkabilir. Bu nedenle, hızımı azaltıp durmaya hazırlanacağım." Bu , AI'nın kararlarını yorumlanabilir hale getirir ve açıklanabilir AI (XAI) ilkeleriyle uyumludur.

Düşünce Zinciri İş Başında

CoT esas olarak bir doğal dil tekniği olmakla birlikte, görme modelleriyle tutarlı etkileşimler sağlamak için programlı olarak uygulanabilir. Aşağıdaki Python , bir geliştiricinin Ultralytics için geçerli çıkarım kodu oluşturmak üzere bir LLM'yi (burada simüle edilmiştir) yönlendirmek için bir komut istemini nasıl yapılandırabileceğini göstermektedir. Ultralytics .

# Example of structuring a Chain-of-Thought prompt for an LLM
# This prompt guides the model to write a valid YOLO26 inference script

cot_prompt = """
Task: Write a Python script to detect objects using YOLO26.

Chain of Thought:
1. Import the YOLO class from the 'ultralytics' library.
2. Load the 'yolo26n.pt' model weights (the latest nano model).
3. Load a sample image using a URL or local path.
4. Run the predict() function and save the results.

Based on these steps, generate the Python code below:
"""

# In a real application, you would send 'cot_prompt' to an LLM API
print(f"Structured Prompt for LLM:\n{cot_prompt}")

İlgili Kavramları Ayırt Etme

Düşünce Zinciri yönlendirmesini, Makine Öğrenimi (ML) alanında benzer terimlerden ayırmak önemlidir:

• Prompt Chaining: Bu, birden fazla ayrı model çağrısını birbirine bağlamayı içerir; burada bir adımın çıktısı bir sonraki adımın girdisi olur. CoT, içsel muhakemeyi ortaya çıkarmak için tek bir komut satırı içinde gerçekleşirken, prompt chaining birden fazla etkileşim arasında bir iş akışını koordine eder .
• Geri Alma ile Güçlendirilmiş Üretim (RAG): RAG, modelin bilgisini temellendirmek için harici verileri (belgeler veya veritabanları gibi) almaya odaklanır. CoT ise akıl yürütme sürecinin kendisine odaklanır. Genellikle bunlar birleştirilir; RAG gerçekleri elde etmek için, CoT ise bunlar hakkında akıl yürütmek için kullanılır .
• Prompt Tuning: Bu, eğitim sırasında sürekli yumuşak promptları (vektörler) optimize eden, parametre verimli bir ince ayar yöntemidir. CoT, model ağırlıklarını değiştirmeden gerçek zamanlı çıkarımda uygulanan ayrık, doğal dil stratejisidir.

Geleceğe Bakış

Temel modeller gelişmeye devam ettikçe, Düşünce Zinciri (CoT) istemleri, modellerin tam potansiyelini ortaya çıkarmak için standart bir en iyi uygulama haline geliyor. Google gibi grupların araştırmaları, modellerin boyutu büyüdükçe CoT akıl yürütme yeteneklerinin de önemli ölçüde geliştiğini gösteriyor. Bu gelişme, sağlık hizmetlerinden akıllı üretime kadar çeşitli sektörlerde karmaşık iş akışlarını yönetebilen, daha güvenilir ve otonom ajanların yolunu açıyor. Düşünce Zinciri (CoT) istemleri, modellerin tam potansiyelini ortaya çıkarmak için standart bir en iyi uygulama haline geliyor. Google gibi grupların araştırmaları, modellerin boyutu büyüdükçe CoT akıl yürütme yeteneklerinin de önemli ölçüde geliştiğini gösteriyor. Bu gelişme, sağlık hizmetlerinden akıllı üretime kadar çeşitli sektörlerde karmaşık iş akışlarını yönetebilen, daha güvenilir ve otonom ajanların yolunu açıyor.