Bagong Prompting Technique Claims to Help AI Think Like Humans

Naisip mo na ba kung paano gawing parang tao ang pag-iisip ng AI? Habang ang Large Language Models (LLMs) ay mahusay sa paghula ng susunod na salita sa isang pagkakasunud-sunod, sila ay madalas na natitisod kapag nahaharap sa mga problema na nangangailangan ng pamamaraang pag-iisip. Ipasok ang Chain-of-Thought prompting – isang diskarte sa pagbabago ng laro na nagbabago ng paraan kung paano tayo nakikipag-ugnayan sa AI.

Pagkasira ng Chain-of-Thought Prompting

Isipin na tinuturuan ang isang bata na lutasin ang isang kumplikadong palaisipan. Sa halip na ipakita sa kanila ang huling larawan, gagabayan mo sila sa bawat hakbang. Iyan talaga ang ginagawa ng Chain-of-Thought (CoT) na pag-udyok para sa mga LLM. Sa pamamagitan ng pagbibigay ng mga halimbawa na nagpapakita ng sunud-sunod na pangangatwiran, tinutulungan namin ang mga modelong ito na makarating sa mga tumpak na solusyon sa pamamagitan ng lohikal na pag-unlad.

Ang Magic Formula: Bakit Ito Gumagana

Ang mga tradisyunal na paraan ng pag-prompt ay kadalasang humahantong sa mga hit-or-miss na resulta. Ang pag-udyok ng CoT, gayunpaman, ay naghahati sa mga kumplikadong problema sa mga natutunaw na tipak, na nagpapahintulot sa modelo na harapin ang bawat bahagi nang sistematikong. Ang diskarte na ito ay napatunayang matagumpay na ang mga makabagong modelo tulad ng mga pinakabagong handog ng OpenAI ay isinama ito sa kanilang pangunahing paggana.

Real-World Application: Paglutas ng mga Mathematical Puzzle

Sumisid tayo sa isang praktikal na halimbawa. Isipin na tinutulungan mo ang isang AI na lutasin ang equation na ito

5x - 4 = 16

Narito kung paano ginagabayan ng pag-prompt ng CoT ang modelo:

1. Unang hakbang: Magdagdag ng 4 sa magkabilang panig
   • 5x - 4 + 4 = 16 + 4
   • 5x = 20
2. Ikalawang hakbang: Hatiin ang magkabilang panig ng 5

   • 5x/5 = 20/5

   • x = 4

     
     

Tinitiyak ng nakabalangkas na diskarte na ito ang katumpakan at ipinapakita ang proseso ng pangangatwiran—isang bagay na partikular na mahalaga kapag nakikitungo sa mga kumplikadong pagpapatakbo ng matematika.

Chain-of-Thought vs. Few-Shot Prompting: Pag-unawa sa Pagkakaiba

Pareho sa mga diskarteng ito ay maaaring mukhang magkapareho sa unang tingin ngunit nagsisilbi ang mga ito sa ibang layunin:

• Few-Shot Prompting : Nagbibigay ng mga halimbawang nagpapakita ng input at output, tulad ng multiple-choice answer key.

• Chain-of-Thought Prompting : Nagpapakita ng kumpletong proseso ng pangangatwiran, tulad ng pagpapakita ng lahat ng gawain sa isang problema sa matematika.

  
  

Ang Few-Shot Prompting ay magiging ganito:

 Example 1: Problem: If a store sells books for $5 each and markers for $3 each, how much would 2 books and 4 markers cost? Answer: $22 Example 2: Problem: If a store sells notebooks for $4 each and pens for $2 each, how much would 3 notebooks and 5 pens cost? Answer: $22

Ang Chain-of-Thought Prompting ay magiging ganito:

 Problem: If a store sells books for $5 each and markers for $3 each, how much would 2 books and 4 markers cost? Thinking: 1. Calculate cost of books: 2 books × $5 = $10 2. Calculate cost of markers: 4 markers × $3 = $12 3. Total cost = Cost of books + Cost of markers = $10 + $12 = $22 Answer: $22 Problem: If a store sells notebooks for $4 each and pens for $2 each, how much would 3 notebooks and 5 pens cost? Thinking: 1. Calculate cost of notebooks: 3 notebooks × $4 = $12 2. Calculate cost of pens: 5 pens × $2 = $10 3. Total cost = Cost of notebooks + Cost of pens = $12 + $10 = $22 Answer: $22

Zero-Shot Chain-of-Thought

Gamit ang simple ngunit makapangyarihang parirala ng " Pag-isipan natin nang sunud-sunod, " Ginagamit ang Zero-shot na pag-prompt ng CoT sa mga pagkakataong wala kang magagamit na mga halimbawang kaso. Halimbawa, "Pag-isipan natin ang hakbang-hakbang: Ipaliwanag ang quantum physics."

Kailan mo dapat gamitin ang CoT prompting?

Ang pag-udyok ng CoT ay kumikinang kapag nakikitungo sa:

• Kumplikadong aritmetika
• Maramihang-hakbang na lohikal na pangangatwiran
• Common sense
• Simbolikong Manipulasyon

Ang Hinaharap: Multimodal Chain of Thought

Ang pinakahuling pag-unlad sa pangangatwiran ng AI ay isinasama ang mga visual at textual na bahagi sa mga prosesong nagbibigay-malay. Isipin ang isang AI na nag-diagnose ng pag-aayos ng bisikleta, naiintindihan ang manual, at nagbibigay ng visual at audio na gabay sa bawat yugto ng proseso. Ang multimodal na diskarte ay nagpapahiwatig ng nalalapit na pagsulong sa suporta ng AI.

Pag-maximize sa Epektibo ng Iyong CoT prompt

Bagama't makapangyarihan ang chain-of-thought prompt, ito ay gumagana nang may ilang mga limitasyon. Ang landas ng pangangatwiran na ginagawa ng modelo ay hindi ginagarantiyahan na walang pagkakamali at bahagyang nagkakaiba-iba sa mga resulta.

Narito ang ilang tip para magkaroon ng mas magandang resulta:

• Masusing subukan gamit ang iba't ibang mga diskarte.
• Pag-isipang pagsamahin ang pagdikta ng CoT sa iba pang mga diskarte sa pagdikta.
• Gumamit ng mas malalaking modelo na may higit sa 100 bilyong mga parameter, kung maaari.

Konklusyon

Dahil sa kung paano umunlad ang AI, maliwanag na ang Chain-of-Thought (CoT) na pag-udyok ay isang epektibong pamamaraan para sa paggamit ng mas advanced na mga kakayahan sa pangangatwiran. Mahalagang tandaan na ang paggamit ng CoT na pag-udyok para sa pagbuo ng mga aplikasyon o para sa pagkamit ng mas pinakamainam na mga resulta sa mga pakikipag-ugnayan sa AI ay lubos na nagpapataas ng mga pagkakataong makamit ang tagumpay.

Ang layunin ay hindi lamang sa pagkamit ng tumpak na tugon, kundi pati na rin sa pag-unawa sa pamamaraang isinagawa upang gawin ito, at iyon ang kagandahan ng pag-udyok sa Chain-of-Thought.

Mga talababa

1. Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., Chi, E., Le, Q., & Zhou, D. (2022). Ang Chain of Thought Prompting ay Nagdudulot ng Reasoning sa Malaking Modelo ng Wika.
2. Kojima, T., Gu, SS, Reid, M., Matsuo, Y., & Iwasawa, Y. (2022). Ang mga Malaking Modelo ng Wika ay Zero-Shot Reasoners.
3. Zhang, Zhuosheng, et al. "Multimodal chain-of-thought na pangangatwiran sa mga modelo ng wika." arXiv preprint arXiv:2302.00923 (2023).