Chain-of-Thought Prompting

Düşünce Zinciri (CoT) istemleme, büyük dil modellerinin (LLMs) karmaşık akıl yürütme görevlerini ara mantıksal adımlara bölerek çözmesini sağlayan, istem mühendisliğinde kullanılan gelişmiş bir tekniktir. Bir modelden doğrudan nihai yanıt vermesini istemek yerine CoT, sistemi insan problem çözme sürecini taklit eden bir "düşünce akışı" oluşturmaya teşvik eder. Bu adım adım akıl yürütme, aritmetik, sembolik mantık ve sağduyuya dayalı akıl yürütme içeren görevlerde performansı önemli ölçüde artırarak Yapay Zekâ (AI) sistemleriyle etkileşim kurma biçimimizi dönüştürür.

Akıl Yürütme Mekanizması#

Standart dil modelleri, girdiyi tek geçişte doğrudan çıktıya eşlemeye çalıştıkları için çok adımlı problemlerde sıklıkla zorlanır. Bu "kara kutu" yaklaşımı, özellikle mantıksal sıçrama çok büyük olduğunda hatalara yol açabilir. Düşünce Zinciri istemleme, girdi sorusu ile nihai çıktı arasına akıl yürütme adımları ekleyerek bu sorunu ele alır.

Bu süreç genellikle iki şekilde işler:

• Sıfır Örnekli CoT: Kullanıcı, istemin sonuna "Adım adım düşünelim" gibi basit bir tetikleyici ifade ekler. Bu, belirli örnekler gerektirmeden modelin örtük akıl yürütme yeteneklerini etkinleştirir.
• Az Örnekli CoT: İstem, soruların adım adım çözümleriyle eşleştirildiği birkaç örnek (örnek teşkil eden örnekler) içerir. Bu yaklaşım, yeni bir problemi çözmeye başlamadan önce mantığını tam olarak nasıl yapılandıracağını modele göstermek için az örnekli öğrenmeden yararlanır.

Model, ara akıl yürütme adımlarını açıkça oluşturarak kendini düzeltmek için daha fazla fırsata sahip olur ve bir sonuca nasıl ulaştığı konusunda şeffaflık sağlar. Bu, modellerin aksi hâlde yanlış bilgileri kendinden emin bir şekilde ifade edebileceği LLM'lerde halüsinasyonu azaltmak açısından kritik öneme sahiptir.

Gerçek Dünya Uygulamaları#

Başlangıçta metin tabanlı mantık için geliştirilmiş olsa da Düşünce Zinciri istemleme, bilgisayarlı görü ve kod üretimi gibi diğer yapay zekâ alanlarıyla birleştirildiğinde güçlü uygulamalara sahiptir.

1. Bilgisayarlı Görü için Kod Üretimini Geliştirme#

Geliştiriciler, nesne algılama gibi görevler için karmaşık yazılım betikleri yazarken LLM'lere rehberlik etmek amacıyla CoT kullanır. "Arabaları bulacak kodu yaz" gibi belirsiz bir istek yerine CoT istemi şu şekilde yapılandırılabilir: "Öncelikle gerekli kitaplıkları 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 sözdizimi açısından doğru ve mantıksal olarak tutarlı olmasını sağlar.

2. Otonom Karar Verme#

Otonom araçlar alanında sistemlerin görsel verileri işleyip güvenlik açısından kritik kararlar vermesi gerekir. Düşünce Zinciri yaklaşımı, sistemin mantığını ifade etmesine olanak tanır: "Yaya geçidinin yakınında bir yaya algılıyorum. Yaya yola dönük. Trafik ışığı benim için yeşil, ancak yaya yola çıkabilir. Bu nedenle yavaşlayıp durmaya hazırlanacağım." Bu, yapay zekânın kararlarını yorumlanabilir hâle getirir ve açıklanabilir yapay zekâ (XAI) ilkeleriyle uyumludur.

Uygulamada Düşünce Zinciri#

CoT öncelikle bir doğal dil tekniği olsa da görüntü modelleriyle tutarlı etkileşimler sağlamak için programatik olarak uygulanabilir. Aşağıdaki Python örneği, bir geliştiricinin Ultralytics Platform için geçerli çıkarım kodu oluşturması konusunda bir LLM'ye (burada benzetim yoluyla) rehberlik edecek bir istemi nasıl yapılandırabileceğini 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}")

İlişkili Kavramları Ayırt Etme#

Düşünce Zinciri istemlemeyi Makine Öğrenimi (ML) alanındaki benzer terimlerden ayırt etmek önemlidir:

• İstem Zincirleme: Bu yaklaşım, bir adımın çıktısının sonraki adımın girdisi hâline geldiği birden çok ayrı model çağrısını birbirine bağlamayı içerir. CoT, içsel akıl yürütmeyi ortaya çıkarmak için tek bir istem içinde gerçekleşirken istem zincirleme, birden çok etkileşim üzerinden bir iş akışını düzenler.
• Getirmeyle Zenginleştirilmiş Üretim (RAG): RAG, modelin bilgisini temellendirmek için harici verileri (belgeler veya veritabanları gibi) getirmeye odaklanır. CoT ise akıl yürütme sürecinin kendisine odaklanır. Bu ikisi çoğunlukla birleştirilir: Gerçekleri elde etmek için RAG, bunlar hakkında akıl yürütmek için CoT kullanılır.
• İstem Ayarlama: Bu, eğitim sırasında sürekli yumuşak istemleri (vektörleri) optimize eden, parametre açısından verimli bir ince ayar yöntemidir. CoT, gerçek zamanlı çıkarım sırasında model ağırlıklarını değiştirmeden uygulanan ayrık, doğal dil tabanlı bir stratejidir.

Geleceğe Bakış#

Temel modeller gelişmeye devam ettikçe Düşünce Zinciri istemleme, bu modellerin tüm potansiyelini ortaya çıkarmak için standart bir en iyi uygulama hâline geliyor. Google DeepMind gibi grupların araştırmaları, modellerin boyutu büyüdükçe CoT akıl yürütmesi gerçekleştirme becerilerinin önemli ölçüde geliştiğini gösteriyor. Bu gelişim, sağlık hizmetlerinden akıllı üretime kadar çeşitli sektörlerde karmaşık iş akışlarını yönetebilen daha güvenilir, otonom aracıların önünü açıyor.