Chain-of-Thought Prompting

Düşünce Zinciri (Chain-of-Thought - CoT) komut verme (prompt) tekniği, büyük dil modellerinin (LLM'ler) karmaşık mantıksal görevleri ara mantıksal adımlara bölerek çözmesini sağlayan gelişmiş bir yöntemdir. Bir modelden anında nihai bir cevap vermesini istemek yerine CoT, sistemin insan sorun çözme sürecini taklit eden bir "düşünce zinciri" oluşturmasını teşvik eder. Bu adım adım mantık yürütme; aritmetik, sembolik mantık ve sağduyulu akıl yürütme içeren görevlerdeki performansı önemli ölçüde artırarak Yapay Zeka (AI) sistemleriyle etkileşim biçimimizi dönüştürür.

Akıl 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.
• Few-Shot CoT: Komut, adım adım çözümleriyle eşleştirilmiş birkaç soru örneği (örneklem) içerir. Bu, yeni bir problemi denemeden önce modele mantığını tam olarak nasıl yapılandırması gerektiğini göstermek için az örnekli öğrenmeden (few-shot learning) yararlanır.

Ara mantık yürütmeyi açıkça üreterek model, kendini düzeltmek için daha fazla fırsata sahip olur ve bir sonuca nasıl ulaştığı konusunda şeffaflık sağlar. Bu, modellerin aksi takdirde yanlış bilgileri güvenle belirtebileceği durumlarda LLM'lerdeki halüsinasyonları azaltmak için çok önemlidir.

Gerçek 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.

Bilgisayarlı Görü İçin Kod Oluşturmayı Geliştirme#

Geliştiriciler, nesne tespiti gibi görevler için karmaşık yazılım betikleri yazmada LLM'lere rehberlik etmek üzere CoT kullanır. "Arabaları bulmak için kod yaz" gibi belirsiz bir istek yerine, bir CoT komutu isteği şu şekilde yapılandırabilir: "İlk olarak 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.

Otonom Karar Verme#

Otonom araçlar alanında sistemler, görsel verileri işlemek ve güvenlik açısından kritik kararlar almak zorundadır. Bir Düşünce Zinciri yaklaşımı, sistemin mantığını şu şekilde ifade etmesine olanak tanır: "Yaya geçidine yakın bir yaya tespit ediyorum. Yaya yola dönük. Trafik ışığı benim için yeşil, ancak yaya yola adım atabilir. Bu yüzden yavaşlayacağım ve durmaya hazırlanacağım." Bu, yapay zekanın kararlarını yorumlanabilir hale getirir ve açıklanabilir yapay zeka (XAI) ilkeleriyle uyum sağlar.

Uygulamada Düşünce Zinciri#

CoT öncelikle bir doğal dil tekniği olsa da, vizyon modelleriyle tutarlı etkileşimler sağlamak için programatik olarak uygulanabilir. Aşağıdaki Python örneği, bir geliştiricinin Ultralytics Platform için geçerli çıkarım kodu oluşturmasında bir LLM'e (burada simüle edilmiştir) rehberlik etmek üzere bir komutu 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}")

İlgili Kavramları Ayırt Etme#

Düşünce Zinciri komut vermeyi Makine Öğrenimi (ML) ekosistemindeki benzer terimlerden ayırmak önemlidir:

• Komut Zincirleme (Prompt Chaining): Bu, bir adımın çıktısının sonrakinin girdisi olduğu birden fazla ayrı model çağrısının birbirine bağlanmasını içerir. CoT, iç mantığı ortaya çıkarmak için tek bir komut içinde gerçekleşirken, komut zincirleme birden fazla etkileşim arasında bir iş akışı düzenler.
• Getirme Destekli Üretim (RAG): RAG, modelin bilgisini temellendirmek için harici verileri (belgeler veya veritabanları gibi) getirmeye odaklanır. CoT ise mantık yürütme sürecinin kendisine odaklanır. Genellikle bunlar bir arada kullanılır; gerçekleri elde etmek için RAG ve bunlar üzerinde akıl yürütmek için CoT kullanılır.
• Komut İnce Ayarı (Prompt Tuning): Bu, eğitim sırasında sürekli yumuşak komutları (vektörleri) optimize eden, parametre açısından verimli bir ince ayar yöntemidir. CoT ise gerçek zamanlı çıkarımda model ağırlıklarını değiştirmeden uygulanan ayrık bir doğal dil stratejisidir.

Gelecek Görünümü#

Temel modeller (foundation models) gelişmeye devam ettikçe, Düşünce Zinciri komut verme, bunların tüm potansiyelini açığa çıkarmak için standart bir en iyi uygulama haline gelmektedir. Google DeepMind gibi grupların araştırmaları, modeller boyut olarak ölçeklendikçe CoT akıl yürütme yeteneklerinin dramatik ölçüde arttığını göstermektedir. Bu evrim, sağlık hizmetlerinden akıllı üretime kadar çeşitli endüstrilerde karmaşık iş akışlarını ele alabilen daha güvenilir, otonom ajanların önünü açmaktadır.