Chain of Thought Prompting (پرامپت زنجیره‌ای)

 یک تکنیک مؤثر است که می‌تواند هوش مصنوعی را قادر سازد تا مسائل پیچیده را به صورت تحلیلی و گام‌به‌گام حل کند. به این ترتیب، هوش مصنوعی می‌تواند استدلال منطقی‌تری ارائه دهد و از سردرگمی جلوگیری کند.

 چگونه عمل می‌کند؟
__**تقسیم‌بندی مسئله:** ابتدا سوال اصلی به بخش‌های کوچک‌تر و قابل‌حل‌تر تقسیم می‌شود.
__ **حل گام به گام:** هر گام به طور جداگانه پردازش و پاسخ داده می‌شود.
__**ترکیب نتایج:** در نهایت، نتایج گام‌ها جمع‌بندی و پاسخ نهایی ارائه می‌شود.

مثالی برای درک بهتر:
فرض کنید از هوش مصنوعی می‌پرسید: «چگونه می‌توان یک رستوران موفق راه‌اندازی کرد؟» در روش زنجیره‌ای:
■ گام اول: چه عواملی باعث موفقیت یک رستوران می‌شوند؟
■  گام دوم: چگونه بازار هدف مشخص می‌شود؟
■ گام سوم: چه اقداماتی برای تبلیغات و مدیریت بودجه نیاز است؟
■  ترکیب نتایج: ارائه طرح جامع برای راه‌اندازی رستوران.

این روش مخصوصاً در مسائل ریاضی، فلسفی، و حتی تجزیه و تحلیل ادبی بسیار مفید است. 

اگر قیمت کالایی در ابتدا ۲۰ درصد افزایش یابد و سپس ۱۰ درصد کاهش پیدا کند، قیمت نهایی آن چند درصد نسبت به قیمت اولیه تغییر کرده است؟

 روش زنجیره‌ای:
 مرحله اول:فرض کنیم قیمت اولیه کالا ۱۰۰ واحد است. با افزایش ۲۰ درصدی، قیمت به چه مقدار می‌رسد؟  
  قیمت جدید = \( 100 + (100 \times 0.2) = 120 \)

 مرحله دوم: حالا از قیمت جدید (۱۲۰ واحد) ۱۰ درصد کاهش پیدا می‌کند. قیمت نهایی چقدر است؟  
  قیمت نهایی = \( 120 - (120 \times 0.1) = 108 \)

مرحله سوم:بررسی تغییر کلی قیمت. قیمت نهایی ۱۰۸ است و قیمت اولیه ۱۰۰ بود. تغییر درصدی قیمت چقدر است؟  
  تغییر درصدی = \( \frac{108 - 100}{100} \times 100 = 8 \)

نتیجه:
قیمت نهایی کالا ۸ درصد نسبت به قیمت اولیه افزایش یافته است.
 

اِعمالِ  پیام وارهایی‌‌ از زنجیره‌ای از افکار (CoT یا پرامپت زنجیره‌ای) یک تکنیک مهندسی سریع است که هدف آن از طریق ساختار بندی پیام واره‌‌ی ورودی به‌گونه‌ای که استدلال انسانی را تقلید کند، بهبود عملکرد مدل‌های زبان در کارهایی است که به منطق، محاسبه و تصمیم‌گیری نیاز دارند.

برای ایجاد یک پرامپت (پیام واره‌ی) زنجیره‌ای، کاربر معمولاً دستورالعملی مانند «استدلال خود را در مراحل توضیح دهید» یا «پاسخ خود را مرحله به مرحله توضیح دهید» را به انتهای درخواست خود به یک مدل زبان بزرگ (LLM) اضافه می کند. در اصل، این تکنیک پرامپت از LLM می‌خواهد که نه تنها نتیجه‌ای ایجاد کند، بلکه مجموعه مراحل میانی را که منجر به آن پاسخ شده است، به تفصیل شرح دهد.

هدایت مدل برای بیان این مراحل میانی نتایج امیدوارکننده ای را نشان داده است. «زنجیره‌ای از فکر باعث ایجاد استدلال در مدل‌های زبانی بزرگ می‌شود» یک مقاله مهم توسط تیم تحقیقاتی Google Brain - اکنون DeepMind - است که در کنفرانس NeurIPS ۲۰۲۲ ارائه شده است. محققان دریافتند که پرامپت زنجیره‌ای بر روی طیف وسیعی از معیارهای  محاسباتی، عقلانی و استدلال نمادین، از تکنیک‌های پرامپت استاندارد بهتر عمل می کند.

* مرجع انگلیسی: سایت 👇