Chain-of-Thought İstemi

Düşünce Zinciri (CoT) yönlendirmesi, karmaşık bir tekniktir. geliştirmek için tasarlanmış hızlı mühendislik muhakeme yetenekleri Büyük Dil Modelleri (LLM'ler). Daha ziyade Bir yapay zeka modelinden karmaşık bir sorguya anında yanıt vermesini isteyen CoT yönlendirmesi, modele problemi bir dizi ara, mantıksal adıma indirger. Bu yöntem, insanların problem çözme süreçlerini taklit eder, modelin nihai bir sonuca varmadan önce "yüksek sesle düşünmesine" izin verir. Bir dizi oluşturarak muhakeme adımları, modelin aritmetik ve sağduyu gerektiren görevlerdeki performansını önemli ölçüde artırabilir. akıl yürütme ve sembolik mantık. Bu yaklaşım aşağıdaki araştırmacılar tarafından popüler hale getirilmiştir Google Brain, Yapılandırılmış düşünce süreçlerinin daha güvenilir ve doğru sonuçlara yol açtığını göstererek Yapay Zeka (AI) çıktıları.

Düşünce Zinciri Mekanizmaları

CoT'nin etkinliği, karmaşık görevleri yönetilebilir bileşenlere ayırma becerisinde yatmaktadır. Bu sadece modelin tutarlılığını korumasına yardımcı olurken aynı zamanda bir cevabın nasıl türetildiğine dair şeffaflık sağlar. Açıklanabilir Yapay Zeka (XAI). Bunun iki temel yolu vardır bu stratejiyi uygulamak için:

• Sıfır Atış CoT: Bu, "Adım adım düşünelim" gibi bir tetikleyici cümlenin eklenmesini içerir bir ipucunun sonuna kadar. Araştırmada açıklandığı gibi Zero-Shot Reasoners, bu basit talimat modelin Belirli örneklere ihtiyaç duymadan muhakeme yetenekleri Yeni görevlerin üstesinden gelmek için sıfır atışlı öğrenme.
• Birkaç Atışlık CoT: Bu senaryoda, bilgi istemi birkaç soru örneği ile eşleştirilmiştir. adım adım çözümler. Bu kullanım birkaç vuruşlu öğrenme, burada model Sağlanan bağlamdan akıl yürütme modeli ve bunu yeni girdiye uygular.

Gerçek Dünya Uygulamaları

Düşünce Zinciri yönlendirmesi, geliştiricilerin çeşitli alanlarda uygulama geliştirme yöntemlerini dönüştürüyor, özellikle hassasiyet ve mantığın çok önemli olduğu yerlerde.

1. Karmaşık Veri Analizi: Finans gibi alanlarda veya veri analitiği, CoT modelleri yönlendirmek için kullanılır çok aşamalı hesaplamalar yoluyla. Örneğin, bir analist yapay zekaya "Önce geliri çıkar 1. çeyreğe ait rakamları, ardından TÜFE endeksini kullanarak enflasyona göre ayarlayın ve son olarak büyüme oranını bir önceki çeyrekle karşılaştırın. mali yıl." Bu yapılandırılmış yaklaşım, doğrudan yanıt istemlerinde yaygın olan hesaplama hatalarını azaltır.
2. Kod Oluşturma ve Hata Ayıklama: Geliştiriciler CoT'yi aşağıdakiler için sağlam kod üretmek için kullanır bilgisayarla görme (CV) görevler. Bunun yerine basitçe Bir komut dosyası isteyen bir kullanıcı, modelden bir veri kümesini yükleme mantığını ana hatlarıyla belirtmesini, modeli yapılandırmasını mimarisi ve eğitim döngüsünün yürütülmesi. Bu, aşağıdaki gibi kütüphaneler için oluşturulan komut dosyalarının ultralytics mantıksal olarak sağlam ve sözdizimsel olarak doğrudur.

Kod Örneği

CoT metin tabanlı bir teknik olsa da, makine öğrenimi için doğru Python kodunu üretmek için sıklıkla kullanılır iş akışları. Aşağıdaki örnekte, Python 'da bir istem dizesinin adım adım nasıl yapılandırılacağı gösterilmektedir kullanmak için çözüm YOLO11 nesneleri detect etmek için.

# 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}")

İlgili Kavramlarla Karşılaştırma

Düşünce Zinciri yönlendirmesini diğer yönlendirmelerden ayırt etmek önemlidir. Makine Öğrenimi (ML) teknikleri:

• İstemli Zincirleme: CoT tek bir istem-yanıt döngüsü içinde gerçekleşirken, istem zincirleme bir görevi bir diziye bölmeyi içerir ayrı API çağrılarından oluşur ve bir istemin çıktısı bir sonrakinin girdisi olur. CoT, dahili istemlere odaklanır muhakeme, zincirleme ise iş akışı düzenlemeye odaklanır.
• Geri Alım-Artırılmış Üretim (RAG): RAG, bir yanıt oluşturmadan önce modelin bilgisini temellendirmek için harici verilerin alınmasını içerir. CoT şu şekilde olabilir RAG ile birlikte (örneğin, "Önce belgeyi al, sonra içeriği hakkında akıl yürüt"), ancak CoT özellikle veri alma mekanizmasına değil, muhakeme yapısına atıfta bulunur.
• İstemi Ayarlama: Bu bir parametre-etkin ince ayar (PEFT) eğitim sırasında sürekli yumuşak istemleri (vektörleri) optimize eden bir yöntemdir. Buna karşılık, CoT ayrık, doğal bir 'de uygulanan dil yönlendirme stratejisi modeli değiştirmeden çıkarım süresi Ağırlıklar.

Düşünce Zinciri yönlendirmesini entegre ederek, geliştiriciler aşağıdakilerin tüm potansiyelini ortaya çıkarabilir üretken yapay zeka, modellerin sadece cevaplar vermekle kalmaz, aynı zamanda çözümlerinin mantıksal geçerliliğini de gösterir. Bu, güvenilir çözümlerin uygulanması için gereklidir. Kritik ortamlarda yapay zeka ajanları.