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）が注目されるにつれ、AIモデルの開発における重要な概念について議論する時が来ました。 思考の連鎖を促すこの記事では、これが何を意味するのか、そして簡単な用語を徹底的に解読し、わかりやすく説明します。
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 思考の連鎖を促す.
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。
[また読む： 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。
強化された 問題解決 能力は、医療や金融などの分野では極めて重要です。思考連鎖プロンプトを導入する法学修士課程では、明示的および根本的な課題をよりよく理解し、明確な確率と最悪のシナリオを考慮した上で対応策を生み出します。
緩和 前提条件 モデルは結論を急ぐのではなく、論理的かつ連続的な思考と処理を適用して結論を出すため、仮定から結果が生成されます。
増加 汎用性 モデルは目的ではなくロジックに基づいて動作するため、新しいユースケースで厳密にトレーニングする必要がないためです。
最適化 一貫性 多要素/多部構成の回答を必要とするタスクにおいて。
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 は一連の連続した推論プロセスを通じて誘導され、応答を生成します。これは次のように行われます。
- 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:
お客様からの問い合わせ: 自分のアカウントに覚えのない取引があり、デビット カードを紛失したので、アカウント取引のアラートを設定したいと考えています。これらの問題についてサポートしてもらえますか?
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
詳細を問い合わせる: 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
カードをフリーズする: すぐに冷凍することをお勧めします。
- 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
アラート方法を選択: SMS、電子メール、またはその両方ですか?
- 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。 CoTプロンプト AIで 利害関係者がその潜在能力を十分に活用するのを妨げるボトルネックがあります。一般的なボトルネックを見てみましょう。
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 特定のプロンプトは明確に表現され、構造化され、明確であるという仮定 (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 プロンプトは要件を把握する能力を失い、無関係な連続ステップと最終的には応答が生成されます。
[また読む： 小規模言語モデルとは？実例とトレーニングデータ]
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、パフォーマンスを最適化するための驚異的な技術です。 大規模な言語モデルこうした欠点を最適化技術や回避策で対処して解決できれば、驚くべき成果が得られるでしょう。技術が進歩するにつれ、Chain-of-Thought プロンプトがどのように進化し、よりシンプルかつニッチなものになっていくのかを見るのは興味深いでしょう。
