Problem çözme, insanların doğuştan gelen yeteneklerinden biridir. İlkel günlerimizden, hayatımızdaki en büyük zorlukların bir av hayvanı tarafından yenmek olmadığı, bir şeyi eve hızlı bir şekilde teslim etmek için çağdaş zamanlara kadar, çatışmalara çözümler bulmak için yaratıcılığımızı, mantıksal akıl yürütmemizi ve zekamızı birleştiriyoruz.
Şimdi, AI duyarlılarının doğuşuna tanıklık ederken, karar alma yetenekleri açısından yeni zorluklarla karşı karşıyayız. Önceki on yıl tamamen AI modelleri ve uygulamalarının olasılıklarını ve potansiyelini kutlamakla ilgiliyken, bu on yıl bir adım daha ileri gitmekle ilgilidir - bu tür modeller tarafından alınan kararların meşruiyetini sorgulamak ve bunların ardındaki mantığı çıkarmakla ilgilidir.
Açıklanabilir yapay zekâ (XAI) giderek daha fazla önem kazanırken, yapay zekâ modelleri geliştirmede temel bir kavram olan Düşünce Zinciri Tetiklemesi'ni tartışmanın tam zamanı . Bu makalede, bunun ne anlama geldiğini ve basit terimlerini ayrıntılı olarak açıklayacağız.
Düşünce Zinciri Tetiklemesi Nedir?
İnsan zihni bir zorlukla veya karmaşık bir sorunla karşı karşıya kaldığında, doğal olarak onu daha küçük ardışık adımlardan oluşan parçalara ayırmaya çalışır. Mantıkla yönlendirilen zihin, bağlantılar kurar ve zorluk için mümkün olan en iyi çözümü stratejileştirmek için neden-sonuç senaryolarını simüle eder.
Bunu bir yapay zeka modelinde veya sisteminde tekrarlama süreci, Düşünce Zinciri (Chain-of-Thought) yöntemiyle gerçekleştirilir.
Adından da anlaşılacağı gibi, bir AI modeli bir sorguya veya çatışmaya yaklaşmak için bir dizi veya mantıksal düşünce (veya adım) zinciri üretir. Bunu, bir hedefe giden bir rota soran birine adım adım talimat vermek olarak görselleştirin.
Bu, OpenAI'nin akıl yürütme modellerinde kullanılan baskın tekniktir. Bir yanıt veya cevap üretmeden önce düşünmek üzere tasarlandıkları için, insanlar tarafından girilen rekabetçi sınavları geçebilmişlerdir.
[Ayrıca Okuyun: LLM hakkında bilmeniz gereken her şey ]
Düşünce Zinciri Yönlendirmesinin Faydaları
Mantık odaklı her şey önemli bir avantaj sağlar. Benzer şekilde, düşünce zinciri istemi üzerine eğitilen modeller yalnızca doğruluk ve alaka değil, aynı zamanda şunlar da dahil olmak üzere çeşitli faydalar sunar:
Özellikle sağlık ve finans gibi alanlarda önemi kritik olan gelişmiş problem çözme yetenekleri. Düşünce zincirini teşvik eden öğrenme yönetim programları (LLM'ler), açık ve temel zorlukları daha iyi anlar ve farklı olasılıkları ve en kötü senaryoları dikkate aldıktan sonra yanıtlar üretir.
Modeller, mantıksal ve sıralı düşünme ve işleme yöntemlerini kullanarak sonuca varmak yerine, varsayımlardan kaynaklanan varsayımları ve sonuçları hafifletir .
Modellerin amaca değil mantığa dayalı olarak çalışması nedeniyle, yeni bir kullanım senaryosu üzerinde titizlikle eğitilmelerine gerek kalmadığından çok yönlülük artar .
Çok yönlü/çok parçalı yanıtlar içeren görevlerde optimize edilmiş tutarlılık .
Düşünce Zinciri Tetikleme Tekniğinin İşleyişinin Anatomisi
Monolitik yazılım mimarisine aşinaysanız, tüm yazılım uygulamasının tek bir tutarlı birim olarak geliştirildiğini bilirsiniz. Böylesine karmaşık bir vergiyi basitleştirmek, yazılımın bağımsız hizmetlere bölünmesini içeren mikro hizmet mimarisi yöntemiyle geldi. Bu, ürünlerin daha hızlı geliştirilmesi ve sorunsuz işlevsellik ile sonuçlandı.
Yapay zekâda CoT (Council to Theory) yönlendirmesi de benzerdir; burada LLM'ler (Lineer Öğrenme Modelleri) bir yanıt oluşturmak için bir dizi ardışık akıl yürütme sürecinden geçirilir. Bu şu şekilde yapılır:
- Açık talimatlar, modellerin doğrudan komutlar aracılığıyla bir soruna sırayla yaklaşmaları için doğrudan talimat verildiği talimatlardır.
- Örtük öğretim yaklaşımında daha incelikli ve ayrıntılıdır. Bunda, bir model benzer bir görevin mantığından geçirilir ve sunulan problemler için mantığı kopyalamak üzere çıkarım ve kavrama yeteneklerinden yararlanır.
- Bir modelin adım adım akıl yürütmeyi ortaya koyduğu ve bir sorunu çözmek için artımlı içgörüler ürettiği gösterici örnekler.
CoT İsteminin Kullanıldığı 3 Gerçek Dünya Örneği
Finans Karar Modelleri
| Botlarda Çok Modlu CoT
| Sağlık hizmeti
|
|---|---|---|
| Bu son derece değişken sektörde, CoT uyarımı bir şirketin potansiyel finansal gidişatını anlamak, kredi arayanların risk değerlendirmelerini yapmak ve daha fazlası için kullanılabilir. | İşletmeler için geliştirilen ve dağıtılan sohbet robotları niş işlevsellikler talep eder. Farklı girdi biçimlerini anlama yeteneklerini sergilemeleri gerekir. CoT istemi, botların sorgulara yanıt üretmek için metin ve resim istemlerini birleştirmesi gereken bu gibi durumlarda en iyi şekilde çalışır. | Hastalara sağlık verilerinden tanı koymaktan hastalar için kişiselleştirilmiş tedavi planları oluşturmaya kadar, CoT uyarıları klinikler ve hastaneler için sağlık hedeflerini tamamlayabilir. |
Örnek E-posta
Müşteri Sorusu: Hesabımda tanımadığım bir işlem fark ettim, banka kartımı kaybettim ve hesap işlemlerim için uyarılar ayarlamak istiyorum. Bu konularda bana yardımcı olabilir misiniz?
Adım 1: Sorunları Belirleyin ve Sınıflandırın
- Tanınmayan işlem.
- Kayıp banka kartı.
- İşlem uyarıları ayarlanıyor.
Adım 2: Tanınmayan İşlemi Ele Alın
Detay isteyin: İşlemin tarihini ve tutarını verebilir misiniz?
- Şube 1: Eğer detay verilmişse:
- İşlemi inceleyin. Sahtekarlık varsa, müşterinin itiraz etmek isteyip istemediğini sorun.
- Şube 2: Detay yoksa:
- Son işlemlerin bir listesini sunmayı teklif edin.
Adım 3: Kayıp Banka Kartı Adresini Belirleyin
Kartı dondurun: Hemen dondurulması önerilir.
- Şube 1: Müşteri kabul ederse:
- Kartı dondurun ve yenisini isteyip istemediklerini sorun. Teslimat adresini onaylayın.
- Şube 2: Müşteri reddederse:
- Hesabın yetkisiz işlemlere karşı izlenmesini tavsiye ediyoruz.
Adım 4: İşlem Uyarılarını Ayarlayın
Bildirim Yöntemini Seçin: SMS, e-posta veya her ikisi?
- Şube 1: Müşteri şunları seçerse:
- Belirli bir tutarın üzerindeki işlemler için uyarılar ayarlayın. Tutarı sorun.
- Şube 2: Emin değilseniz:
- Varsayılan bir miktar önerin (örneğin 50$) ve onaylayın.
Adım 5: Özet ve Sonraki Adımları Sağlayın
- Tanınmayan işlemin araştırılması.
- Banka kartının dondurulması ve mümkünse yenisinin çıkarılması.
- Talep üzerine işlem uyarılarının ayarlanması.
Gerekçe:
Bu süreç, kapsamlı çözümler sağlayarak, çok sayıda müşteri talebini net adımlar ve karar dalları aracılığıyla etkin bir şekilde ele alır.
CoT isteminin sınırlamaları
Düşünce zinciri gerçekten etkilidir, ancak uygulandığı kullanım durumuna ve diğer birçok faktöre de bağlıdır. Yapay zekada düşünce zinciri yönlendirmesiyle ilgili , paydaşların potansiyelinden tam olarak yararlanmasını engelleyen belirli zorluklar vardır. Ortak darboğazlara bakalım:
Basit Görevleri Aşırı Karmaşık Hale Getirin
CoT istemi karmaşık görevler için en iyi şekilde çalışırken, basit görevleri karmaşıklaştırabilir ve yanlış yanıtlar üretebilir. Mantık gerektirmeyen görevler için, doğrudan yanıt modelleri en iyi şekilde çalışır.
Arttırılmış Hesaplama Yükü
CoT isteminin işlenmesi önemli miktarda hesaplama yükü gerektirir ve teknik sınırlı işleme yetenekleriyle oluşturulmuş daha küçük modellere dağıtılırsa, onları bunaltabilir. Bu tür dağıtımların sonuçları arasında daha yavaş yanıt süreleri, düşük verimlilik, tutarsızlık ve daha fazlası yer alabilir.
AI İstemi Mühendisliğinin Kalitesi
Yapay zekâda CoT (Co-T) yönlendirmesi, belirli bir yönlendirmenin iyi ifade edilmiş, yapılandırılmış ve açık olduğu varsayımı (veya ilkesi) altında çalışır. Eğer bir yönlendirme bu faktörlerden yoksunsa, CoT yönlendirmesi gereksinimi kavrama yeteneğini kaybeder ve sonuç olarak alakasız ardışık adımlar ve nihayetinde yanıtlar üretilir.
[Ayrıca Okuyun: Küçük Dil Modelleri Nelerdir? Gerçek Dünya Örneği ve Eğitim Verileri ]
Azaltılmış Ölçekli Yetenekler
Paydaşlar, büyük hacimli veri kümeleri veya karmaşık problemler için düşünce zinciri istemini kullanmak zorunda kalırlarsa modellerinin zorlandığını deneyimleyebilirler. Daha büyük akıl yürütme adımlarını içeren görevler için, teknik yanıt süresini yavaşlatabilir ve gerçek zamanlı yanıt oluşturmayı gerektiren uygulamalar veya kullanım durumları için uygunsuz hale getirebilir.
Düşünce Zinciri (CoT) yönlendirmesi, Büyük Dil Modellerinin performansını optimize etmek için olağanüstü bir tekniktir . Bu tür eksiklikler optimizasyon teknikleri veya geçici çözümlerle giderilebilirse, inanılmaz sonuçlar elde edilebilir. Teknoloji ilerledikçe, Düşünce Zinciri yönlendirmesinin nasıl gelişeceğini ve daha basit ancak daha niş bir hale geleceğini görmek ilginç olacaktır.
