Chain-of-Thought Prompting

Düşünce Zinciri (CoT) istemi, büyük dil modellerinin (LLM'ler) karmaşık mantıksal görevleri ara mantıksal adımlara bölerek çözmelerini sağlayan, istem mühendisliğinde ileri bir tekniktir. CoT, bir modelden doğrudan nihai cevabı vermesini istemek yerine, sistemin insanın problem çözme sürecini taklit eden bir "düşünce zinciri" oluşturmasını teşvik eder. Bu adım adım mantık yürütme süreci, aritmetik, sembolik mantık ve sağduyu içeren görevlerde performansı önemli ölçüde artırarak Yapay Zeka (AI) sistemleriyle etkileşim kurma biçimimizi dönüştürür.

Link to this sectionAkıl Yürütme Mekanizması#

Standart dil modelleri, girdiyi doğrudan çıktıya tek seferde eşleştirmeye çalıştıkları için genellikle çok adımlı problemlerde zorlanırlar. Bu "kara kutu" yaklaşımı, özellikle mantıksal sıçrama çok büyük olduğunda hatalara yol açabilir. Düşünce Zinciri istemi, giriş sorusu ile nihai çıktı arasına mantık adımları ekleyerek bu sorunu çözer.

Bu süreç genellikle iki şekilde çalışır:

• Sıfır Örnekli (Zero-Shot) CoT: Kullanıcı, isteme "Adım adım düşünelim" gibi basit bir tetikleyici ifade ekler. Bu, modele belirli örnekler gerektirmeden gizli mantık yürütme yeteneklerini etkinleştirir.
• Az Örnekli (Few-Shot) CoT: İstem, adım adım çözümleriyle eşleştirilmiş birkaç soru örneği (exemplar) içerir. Bu, modele yeni bir problemi çözmeye çalışmadan önce mantığını tam olarak nasıl yapılandıracağını göstermek için az örnekli öğrenmeden yararlanır.

Ara mantık yürütme adımlarını açıkça oluşturarak, modelin kendini düzeltmesi için daha fazla fırsatı olur ve bir sonuca nasıl vardığına dair şeffaflık sağlar. Bu, modellerin aksi takdirde yanlış bilgileri güvenle ifade edebileceği LLM'lerde halüsinasyonu azaltmak için çok önemlidir.

Link to this sectionGerçek Dünya Uygulamaları#

Başlangıçta metin tabanlı mantık için geliştirilmiş olsa da, Düşünce Zinciri istemi, bilgisayarlı görü ve kod oluşturma gibi diğer AI alanlarıyla birleştirildiğinde güçlü uygulamalara sahiptir.

Link to this sectionBilgisayarlı Görü İçin Kod Oluşturmayı Geliştirme#

Geliştiriciler, nesne algılama gibi görevler için karmaşık yazılım betikleri yazarken LLM'lere rehberlik etmek için CoT kullanırlar. "Araba bulmak için kod yaz" gibi belirsiz bir istek yerine, bir CoT istemi isteği şu şekilde yapılandırabilir: "Önce gerekli kütüphaneleri içe aktar. İkinci olarak, önceden eğitilmiş modeli yükle. Üçüncü olarak, görüntü kaynağını tanımla. Son olarak, tahmin döngüsünü çalıştır." Bu yapılandırılmış yaklaşım, YOLO26 gibi modeller için oluşturulan kodun sözdizimsel olarak doğru ve mantıksal olarak sağlam olmasını sağlar.

Link to this sectionOtonom Karar Verme#

Otonom araçlar alanında, sistemler görsel verileri işlemeli ve güvenlik açısından kritik kararlar vermelidir. Bir Düşünce Zinciri yaklaşımı, sistemin mantığını şu şekilde ifade etmesini sağlar: "Yaya geçidinin yakınında bir yaya algıladım. Yaya yola bakıyor. Trafik ışığı benim için yeşil, ancak yaya dışarı adım atabilir. Bu nedenle, yavaşlayacağım ve durmaya hazırlanacağım." Bu, AI'nın kararlarını yorumlanabilir kılar ve açıklanabilir AI (XAI) ilkeleriyle uyumlu hale getirir.

Link to this sectionUygulamada Düşünce Zinciri#

CoT öncelikle bir doğal dil tekniği olsa da, görü modelleriyle tutarlı etkileşimler sağlamak için programatik olarak uygulanabilir. Aşağıdaki Python örneği, bir geliştiricinin Ultralytics Platform için geçerli çıkarım kodu oluştururken bir LLM'e (burada simüle edilmiştir) nasıl rehberlik edebileceğini gösterir.

# 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}")

Link to this sectionİlgili Kavramları Ayırt Etme#

Düşünce Zinciri istemini, Makine Öğrenimi (ML) ortamındaki benzer terimlerden ayırmak önemlidir:

• İstem Zincirleme (Prompt Chaining): Bu, bir adımın çıktısının bir sonrakinin girdisi haline geldiği birden fazla ayrı model çağrısını birbirine bağlamayı içerir. CoT, dahili mantığı ortaya çıkarmak için tek bir istem içinde gerçekleşirken, istem zincirleme birden fazla etkileşim boyunca bir iş akışını yönetir.
• Alım Destekli Oluşturma (RAG): RAG, modelin bilgisini temellendirmek için harici verileri (belgeler veya veritabanları gibi) getirmeye odaklanır. CoT, mantık yürütme sürecinin kendisine odaklanır. Genellikle bunlar birleştirilir; gerçekleri elde etmek için RAG ve bunlar üzerinde mantık yürütmek için CoT kullanılır.
• Prompt Tuning: This is a parameter-efficient fine-tuning method that optimizes continuous soft prompts (vectors) during training. CoT is a discrete, natural language strategy applied at real-time inference without altering model weights.

Link to this sectionGelecek Görünümü#

Temel modeller gelişmeye devam ettikçe, Düşünce Zinciri istemi tam potansiyellerini ortaya çıkarmak için standart bir en iyi uygulama haline geliyor. Google DeepMind gibi grupların araştırmaları, modeller boyut olarak ölçeklendikçe, CoT mantığı yürütme yeteneklerinin önemli ölçüde arttığını göstermektedir. Bu evrim, sağlık hizmetlerinden akıllı üretime kadar uzanan endüstrilerde karmaşık iş akışlarını yönetebilen, daha güvenilir ve otonom temsilcilerin yolunu açıyor.