問題解決は、人間が生まれながらに持つ能力の 1 つです。人生における主な課題が猛獣に食べられないことだった原始時代から、何かを早く家に届けてもらう現代に至るまで、私たちは創造性、論理的思考、知性を組み合わせ、対立の解決策を編み出してきました。
今、私たちは AI 知覚の誕生を目の当たりにしながら、その意思決定能力に関する新たな課題に直面しています。過去 10 年間は AI モデルとアプリケーションの可能性と潜在力を称賛する時期でしたが、この 10 年間はさらに一歩進んで、そのようなモデルによる決定の正当性を疑問視し、その背後にある理由を推論する時期です。
説明可能な人工知能（XAI）の重要性が高まるにつれ、AIモデル開発における重要な概念である「思考連鎖プロンプト」について議論する絶好の機会が到来しました。この記事では、この概念の意味を分かりやすく解説していきます。
思考連鎖プロンプトとは何ですか?
人間の心は、課題や複雑な問題に直面したとき、自然にそれを小さな連続したステップに分解しようとします。論理に導かれて、心はつながりを確立し、因果関係のシナリオをシミュレートして、課題に対する最善の解決策を戦略的に考えます。
これをAIモデルやシステムで再現するプロセスは、思考連鎖プロンプトと呼ばれる。
名前が示すように、AI モデルは一連の論理的思考 (または手順) を生成して、クエリや競合にアプローチします。これを、目的地までのルートを尋ねている人にターンバイターンの指示を与えるものとして想像してください。
これは OpenAI の推論モデルで採用されている主要な技術です。応答や回答を生成する前に考えるように設計されているため、人間が受ける競争試験に合格することができました。
[こちらもご覧ください：LLMについて知っておくべきことすべて]
思考連鎖プロンプトの利点
論理駆動型のものはすべて、大きな優位性をもたらします。同様に、思考の連鎖を促すようにトレーニングされたモデルは、正確性と関連性だけでなく、次のようなさまざまな利点も提供します。
問題解決能力の向上は、医療や金融などの分野で特に重要です。思考の連鎖を促す手法を用いる法学修士課程（LLM）では、明示的および潜在的な課題をより深く理解し、様々な可能性や最悪のシナリオを考慮した上で、適切な対応策を導き出すことができます。
モデルは結論に飛びつくのではなく、論理的かつ順序立てた思考と処理を適用して結論を導き出すため、仮定や仮定から生じる結果を軽減できる。
モデルは目的ではなく論理に基づいて動作するため、新しいユースケースごとに厳密にトレーニングする必要がなく、汎用性が向上します。
複数の回答項目を含むタスクにおける、最適化された一貫性。
思考連鎖促進技法の機能の解剖
モノリシック ソフトウェア アーキテクチャに精通している方なら、ソフトウェア アプリケーション全体が 1 つの一貫したユニットとして開発されることをご存知でしょう。このような複雑な作業を簡素化するために、ソフトウェアを独立したサービスに分割するマイクロサービス アーキテクチャ メソッドが生まれました。これにより、製品の開発が迅速化され、シームレスな機能も実現しました。
AIにおけるCoTプロンプトも同様で、LLMは一連の推論プロセスを経て応答を生成します。これは以下の方法で行われます。
- 明示的な指示。モデルは、簡単なコマンドを通じて問題に順番に取り組むよう直接指示されます。
- 暗黙的指導のアプローチはより微妙でニュアンスに富んでいます。この場合、モデルは類似のタスクのロジックを通じて取得され、その推論および理解機能を活用して、提示された問題のロジックを再現します。
- モデルが段階的な推論を示し、問題を解決するための漸進的な洞察を生成する実証的な例。
CoTプロンプトが使用される3つの実際の例
財務意思決定モデル
| ボットにおけるマルチモーダル CoT
| ヘルスケアサービス
|
|---|---|---|
| この非常に不安定なセクターでは、CoTプロンプトは、企業の潜在的な財務軌道を理解したり、融資希望者のリスク評価を実施したりするために使用できます。 | 企業向けに開発され、導入されるチャットボットには、ニッチな機能が求められます。さまざまな形式の入力を理解する能力を示さなければなりません。ボットがテキストと画像のプロンプトを組み合わせてクエリに対する応答を生成する必要があるような場合、CoT プロンプトが最も効果的です。 | 医療データから患者を診断することから、患者に合わせた治療計画を作成することまで、CoT プロンプトは診療所や病院の医療目標を補完することができます。 |
例:
お客様からのお問い合わせ：身に覚えのない取引が口座にありました。デビットカードを紛失してしまい、口座取引に関するアラートを設定したいのですが、これらの問題についてサポートしていただけますか？
ステップ1: 問題を特定して分類する
- 認識されないトランザクションです。
- デビットカードを紛失しました。
- トランザクションアラートの設定。
ステップ2: 認識されないトランザクションに対処する
詳細をお伺いします：取引の日付と金額を教えていただけますか？
- ブランチ1: 詳細が提供されている場合:
- 取引を確認します。不正な場合は、顧客に異議を申し立てるかどうかを尋ねます。
- ブランチ2: 詳細がない場合:
- 最近の取引のリストを提供することを提案します。
ステップ3: 紛失したデビットカードに対処する
カードの凍結：即時凍結をお勧めします。
- ブランチ1: 顧客が同意する場合:
- カードを凍結し、交換が必要かどうかを確認します。配送先住所を確認します。
- ブランチ2: 顧客が拒否した場合:
- 不正な取引がないかアカウントを監視するようアドバイスします。
ステップ4: 取引アラートを設定する
通知方法を選択してください： SMS、メール、または両方？
- ブランチ1: 顧客が選択した場合:
- 指定金額を超える取引に対してアラートを設定します。金額を尋ねます。
- ブランチ2: 不明な場合:
- デフォルトの金額（例：50 ドル）を提案して確認します。
ステップ5: 要約と次のステップを提供する
- 認識されない取引を調査しています。
- デビット カードを凍結し、交換カードを発行する場合があります。
- 要求に応じてトランザクションアラートを設定します。
根拠：
このプロセスは、明確な手順と意思決定の分岐を通じて複数の顧客の問い合わせに効率的に対応し、包括的なソリューションを保証します。
CoTプロンプトの限界
思考連鎖は確かに効果的ですが、適用されるユースケースやその他のいくつかの要因にも左右されます。AIにおける思考連鎖の促進には、関係者がその潜在能力を十分に活用できないような特有の課題があります。よくあるボトルネックを見ていきましょう。
単純なタスクを複雑にしすぎる
CoT プロンプトは複雑なタスクに最適ですが、単純なタスクを複雑にし、誤った応答を生成する可能性があります。推論を必要としないタスクの場合、直接回答モデルが最適です。
計算負荷の増加
CoT プロンプトの処理には大きな計算負荷が必要であり、処理能力が制限された小規模なモデルにこの技術を導入すると、モデルが過負荷になる可能性があります。このような導入の結果、応答時間が遅くなったり、効率が悪くなったり、一貫性がなくなったりする可能性があります。
AIプロンプトエンジニアリングの品質
AIにおけるCoTプロンプトは、特定のプロンプトが明確に表現され、構造化され、分かりやすいという前提（または原則）に基づいて機能します。プロンプトにこれらの要素が欠けている場合、CoTプロンプトは要求を理解する能力を失い、結果として無関係な一連の手順と応答が生成されます。
[関連記事：小型言語モデルとは？実例と学習データ]
大規模機能の削減
膨大な量のデータセットや複雑な問題に対して思考の連鎖プロンプトを活用する必要がある場合、利害関係者はモデルが困難に陥ることがあります。より大きな推論ステップを伴うタスクの場合、この手法は応答時間を遅くする可能性があり、リアルタイムの応答生成を必要とするアプリケーションやユースケースには適さなくなります。
CoTプロンプトは、大規模言語モデルのパフォーマンスを最適化するための優れた手法です。こうした欠点が最適化技術や回避策によって克服できれば、驚くべき成果が得られるでしょう。技術の進歩に伴い、Chain-of-Thoughtプロンプトがどのように進化し、よりシンプルでありながらニッチな分野へと発展していくのか、注目に値します。
