Problemlösung ist eine der angeborenen Fähigkeiten des Menschen. Seit unseren Urzeiten, als unsere größten Herausforderungen im Leben nicht darin bestanden, von einem Raubtier gefressen zu werden, bis hin zur heutigen Zeit, etwas schnell nach Hause geliefert zu bekommen, kombinieren wir unsere Kreativität, unser logisches Denken und unsere Intelligenz, um Lösungen für Konflikte zu finden.
Jetzt, da wir Zeuge der Entstehung von KI-Empfindungstieren werden, stehen wir vor neuen Herausforderungen hinsichtlich ihrer Entscheidungsfähigkeiten. Während es im letzten Jahrzehnt vor allem darum ging, die Möglichkeiten und das Potenzial von KI-Modellen und -Anwendungen zu feiern, geht es in diesem Jahrzehnt darum, einen Schritt weiter zu gehen – die Legitimität der von solchen Modellen getroffenen Entscheidungen zu hinterfragen und die dahinter stehenden Gründe abzuleiten.
Da erklärbare künstliche Intelligenz (XAI) immer wichtiger wird, ist es an der Zeit, ein Schlüsselkonzept der KI-Modellentwicklung zu erörtern: die sogenannte Gedankenketten-Anregung . In diesem Artikel werden wir dieses Konzept ausführlich und verständlich erklären.
Was ist Gedankenketten-Prompting?
Wenn der menschliche Geist vor einer Herausforderung oder einem komplexen Problem steht, versucht er natürlich, es in kleinere, aufeinander folgende Schritte zu zerlegen. Angetrieben von der Logik stellt der Geist Verbindungen her und simuliert Ursache-Wirkungs-Szenarien, um die bestmögliche Lösung für die Herausforderung zu finden.
Der Prozess, dies in einem KI-Modell oder -System nachzubilden, wird als Chain-of-Thought-Prompting bezeichnet.
Wie der Name schon sagt, generiert ein KI-Modell eine Reihe oder Kette logischer Gedanken (oder Schritte), um eine Abfrage oder einen Konflikt anzugehen. Stellen Sie sich das so vor, als ob Sie jemandem, der nach einer Route zu einem Ziel fragt, eine Schritt-für-Schritt-Anleitung geben.
Dies ist die vorherrschende Technik, die in den Denkmodellen von OpenAI eingesetzt wird. Da sie so konstruiert sind, dass sie nachdenken, bevor sie eine Antwort oder eine Antwort generieren, konnten sie Auswahlprüfungen, die von Menschen abgelegt wurden, knacken.
[Lesen Sie auch: Alles, was Sie über den LLM wissen müssen ]
Vorteile von Chain-of-Thought-Prompting
Alles, was auf Logik basiert, bringt einen erheblichen Vorteil. Ähnlich bieten Modelle, die auf Gedankenketten trainiert werden, nicht nur Genauigkeit und Relevanz, sondern auch eine Reihe weiterer Vorteile, darunter:
Verbesserte Problemlösungskompetenzen sind in Bereichen wie dem Gesundheitswesen und dem Finanzwesen von entscheidender Bedeutung. LLM-Absolventen, die die Methode der Gedankenkette anwenden, verstehen explizite und zugrunde liegende Herausforderungen besser und entwickeln Lösungsansätze, indem sie verschiedene Wahrscheinlichkeiten und Worst-Case-Szenarien berücksichtigen.
Annahmen und daraus resultierende Ergebnisse werden abgemildert , da die Modelle logisches und sequentielles Denken und Verarbeiten anwenden, um zu Schlussfolgerungen zu gelangen, anstatt voreilige Schlüsse zu ziehen.
Erhöhte Vielseitigkeit , da die Modelle nicht aufwendig für neue Anwendungsfälle trainiert werden müssen, sondern nach Logik und nicht nach Zweck funktionieren.
Optimierte Kohärenz bei Aufgaben mit mehrteiligen/mehrteiligen Antworten.
Die Anatomie der Funktionsweise der Gedankenketten-Technik
Wenn Sie mit der monolithischen Softwarearchitektur vertraut sind, wissen Sie, dass die gesamte Softwareanwendung als eine einzige zusammenhängende Einheit entwickelt wird. Die Vereinfachung einer derart komplexen Aufgabe erfolgte mit der Methode der Microservices-Architektur, bei der die Software in unabhängige Dienste aufgeteilt wurde. Dies führte zu einer schnelleren Produktentwicklung und nahtloser Funktionalität.
Das CoT-Prompting in KI ist ähnlich, wobei LLMs durch eine Reihe sequenzieller Denkprozesse geführt werden, um eine Antwort zu generieren. Dies geschieht durch:
- Explizite Anweisungen, bei denen Modelle direkt angewiesen werden, ein Problem durch einfache Befehle sequentiell anzugehen.
- Implizite Anweisungen sind in ihrem Ansatz subtiler und differenzierter. Dabei wird ein Modell durch die Logik einer ähnlichen Aufgabe geführt und nutzt seine Inferenz- und Verständnisfähigkeiten, um die Logik für die präsentierten Probleme zu replizieren.
- Anschauliche Beispiele, bei denen ein Modell die schrittweise Argumentation darlegt und schrittweise Erkenntnisse zur Lösung eines Problems generiert.
3 Fälle aus der Praxis, in denen CoT-Prompting verwendet wird
Finanzentscheidungsmodelle
| Multimodales CoT in Bots
| Gesundheitswesen
|
|---|---|---|
| In diesem hochvolatilen Sektor können CoT-Prompting-Maßnahmen genutzt werden, um die potenzielle finanzielle Entwicklung eines Unternehmens zu verstehen, Risikobewertungen von Kreditnehmern durchzuführen und vieles mehr. | Chatbots, die für Unternehmen entwickelt und eingesetzt werden, erfordern Nischenfunktionen. Sie müssen die Fähigkeit unter Beweis stellen, unterschiedliche Eingabeformate zu verstehen. CoT-Eingabeaufforderungen funktionieren in solchen Fällen am besten, in denen Bots Text- und Bildeingabeaufforderungen kombinieren müssen, um Antworten auf Abfragen zu generieren. | Von der Diagnose von Patienten auf der Grundlage von Gesundheitsdaten bis hin zur Erstellung personalisierter Behandlungspläne für Patienten kann die CoT-Aufforderung die Gesundheitsziele von Kliniken und Krankenhäusern ergänzen. |
Beispiel
Kundenanfrage: Mir ist eine Transaktion auf meinem Konto aufgefallen, die ich nicht zuordnen kann. Ich habe meine Debitkarte verloren und möchte Benachrichtigungen für meine Kontotransaktionen einrichten. Können Sie mir dabei helfen?
Schritt 1: Identifizieren und kategorisieren Sie die Probleme
- Nicht erkannte Transaktion.
- Debitkarte verloren.
- Einrichten von Transaktionsbenachrichtigungen.
Schritt 2: Adressieren Sie die nicht erkannte Transaktion
Bitte um Details: Könnten Sie uns bitte Datum und Betrag der Transaktion mitteilen?
- Zweig 1: Sofern Angaben gemacht werden:
- Überprüfen Sie die Transaktion. Wenn es sich um Betrug handelt, fragen Sie den Kunden, ob er Einspruch erheben möchte.
- Zweig 2: Wenn keine Details:
- Bieten Sie an, eine Liste der letzten Transaktionen bereitzustellen.
Schritt 3: Adressieren Sie die verlorene Debitkarte
Karte einfrieren: Wir empfehlen, die Karte sofort einzufrieren.
- Zweig 1: Wenn der Kunde einverstanden ist:
- Sperren Sie die Karte und fragen Sie, ob Sie Ersatz wünschen. Bestätigen Sie die Lieferadresse.
- Zweig 2: Wenn der Kunde ablehnt:
- Es wird empfohlen, das Konto auf nicht autorisierte Transaktionen zu überwachen.
Schritt 4: Transaktionsbenachrichtigungen einrichten
Benachrichtigungsmethode auswählen: SMS, E-Mail oder beides?
- Zweig 1: Wenn ein Kunde wählt:
- Legen Sie Warnmeldungen für Transaktionen über einem bestimmten Betrag fest. Fragen Sie nach dem Betrag.
- Zweig 2: Bei Unsicherheit:
- Schlagen Sie einen Standardbetrag vor (z. B. 50 $) und bestätigen Sie.
Schritt 5: Geben Sie eine Zusammenfassung und die nächsten Schritte an
- Untersuchung der nicht erkannten Transaktion.
- Sperrung der Debitkarte und ggf. Ausstellung einer Ersatzkarte.
- Einrichten von Transaktionsbenachrichtigungen nach Wunsch.
Begründung:
Dieser Prozess geht anhand klarer Schritte und Entscheidungszweige effizient auf mehrere Kundenanfragen ein und gewährleistet so umfassende Lösungen.
Einschränkungen der CoT-Eingabeaufforderung
Die Gedankenkette ist zwar effektiv, aber auch vom jeweiligen Anwendungsfall und verschiedenen anderen Faktoren abhängig. Es gibt spezifische Herausforderungen im Zusammenhang mit der Anwendung der Gedankenkette in KI-Systemen , die die Beteiligten daran hindern, ihr volles Potenzial auszuschöpfen. Betrachten wir die häufigsten Engpässe:
Einfache Aufgaben übermäßig komplizieren
Während CoT-Eingabeaufforderungen bei komplexen Aufgaben am besten funktionieren, können sie einfache Aufgaben verkomplizieren und falsche Antworten erzeugen. Bei Aufgaben, die kein logisches Denken erfordern, funktionieren Modelle mit direkten Antworten am besten.
Erhöhte Rechenlast
Die Verarbeitung von CoT-Prompting erfordert eine erhebliche Rechenlast. Wird die Technik bei kleineren Modellen eingesetzt, die über begrenzte Verarbeitungskapazitäten verfügen, kann sie diese überfordern. Die Folgen solcher Einsätze können langsamere Reaktionszeiten, mangelnde Effizienz, Inkohärenz und mehr sein.
Qualität der KI-Prompt-Entwicklung
Die CoT-gestützte Eingabeaufforderung in KI basiert auf der Annahme (bzw. dem Prinzip), dass eine spezifische Eingabeaufforderung klar formuliert, strukturiert und verständlich ist. Fehlen diese Faktoren, kann die CoT-gestützte Eingabeaufforderung die Anforderung nicht mehr erfassen, was zur Generierung irrelevanter Folgeschritte und letztendlich falscher Antworten führt.
[Siehe auch: Was sind kleine Sprachmodelle? Beispiele aus der Praxis und Trainingsdaten ]
Reduzierte Möglichkeiten im großen Maßstab
Stakeholder können feststellen, dass ihre Modelle Probleme bekommen, wenn sie Denkketten-Anregungen für riesige Datenmengen oder komplexe Probleme nutzen müssen. Bei Aufgaben, die größere Denkschritte erfordern, kann die Technik die Reaktionszeit verlangsamen, was sie für Anwendungen oder Anwendungsfälle, die eine Echtzeit-Antwortgenerierung erfordern, ungeeignet macht.
Die CoT-Promptierung ist eine phänomenale Technik zur Leistungsoptimierung großer Sprachmodelle . Können solche Schwächen durch Optimierungstechniken oder Workarounds behoben werden, lassen sich unglaubliche Ergebnisse erzielen. Mit dem technologischen Fortschritt wird es spannend sein zu beobachten, wie sich die CoT-Promptierung weiterentwickelt und dabei einfacher, aber gleichzeitig auch spezialisierter wird.
