Láncolatos gondolkodás (Chain-of-Thought)
Egy olyan technika, amely során az AI nem egyből a végeredményt adja meg, hanem lépésről lépésre, hangosan „gondolkodva” vezeti le a probléma megoldását.
Analógia
Mint a matematika dolgozatban: nem elég csak a végeredményt leírni a papírra, a levezetést is meg kell mutatni, mert így biztosabb, hogy nem tippeltünk, és más is látja a logikát.
Miért fontos?
Jelentősen csökkenti a hibázás és a kitalációk esélyét a komplex logikai vagy tervezési feladatoknál, mivel rákényszeríti a modellt a részfolyamatok átgondolására. Ezen túlmenően a felhasználó számára is átláthatóbbá válik, hogyan jutott a gép az adott következtetésre.
Hogyan működik?
A láncolatos gondolkodás olyan megközelítés, amelyben a feladatot köztes következtetési lépésekre bontják, hogy a modell ne csak egy végső választ készítsen. Ez történhet a promptban megadott részfeladatokkal, példákkal vagy a modell saját belső számítási folyamatával. A látható levezetés csak a válasz része lehet, nem feltétlenül mutatja pontosan, mi történt a modell belső működésében. A részlépések segíthetnek összetett feladatok kezelésében, de maguk is tartalmazhatnak hibát.
A hétköznapi használatban akkor lehet hasznos, ha több feltételt kell összevetni, egy tervet kell részekre bontani, vagy egy számítás eredményét ellenőrizhető lépésekben szeretnéd látni. Kérheted például, hogy nevezze meg a feltételeket, végezze el külön a műveleteket, majd ellenőrizze az eredményt. Pénzügyi vagy más pontos számításnál érdemes kalkulátort, kódot vagy más ellenőrzött eszközt használni. A levezetés olvashatósága segíti az áttekintést, de nem helyettesíti az állítások ellenőrzését.
Példa
Egy szervező azt kéri, hogy az asszisztens hasonlítsa össze két terem elérhetőségét, férőhelyét és felszereltségét, majd külön sorolja fel, mely feltételek alapján javasolja az egyiket.
Gyakori tévhit
A modell által megjelenített levezetés nem biztosíték arra, hogy minden köztes állítás helyes vagy a belső folyamat teljes átirata.