Chain of Thought (CoT): Bryt ner komplexa problem för AI:n
Lästid: ca 8 min
Vad du lär dig
I detta moment kommer du att lära dig om Chain of Thought (CoT) prompting, en teknik som avsevärt förbättrar AI-modellers förmåga att resonera genom att generera mellanliggande resonemangssteg. Detta hjälper AI:n att producera mer korrekta svar, särskilt på komplexa uppgifter som kräver flera logiska steg.
Grunderna
Traditionellt kan AI-modeller ibland misslyckas med att lösa matematiska problem eller resonemangsuppgifter korrekt eftersom de är tränade på text och inte nödvändigtvis "förstår" logiken på samma sätt som människor. CoT-prompting hanterar detta genom att be AI:n att "tänka steg för steg".
Viktiga aspekter av CoT-prompting:
- Mellanliggande steg: AI:n uppmanas att explicit generera de steg den tar för att komma fram till en lösning
- Förbättrad noggrannhet: Genom att tvinga AI:n att resonera genom problemet i små steg, ökar sannolikheten för ett korrekt slutresultat
- Tolkningsbarhet: Du kan se AI:ns resonemangsprocess, vilket är värdefullt för felsökning och förståelse
- Kombinerbar: CoT kan kombineras med few-shot prompting för ännu bättre resultat
Praktiska exempel
Exempel 1: Matematik - Problemlösning med stegvis vägledning
En klassisk uppgift där AI:n ofta kan misslyckas om den inte tvingas resonera.
Prompt (utan CoT):
När jag var 3 år gammal var min partner 3 gånger min ålder. Nu är jag 20 år gammal. Hur gammal är min partner?
AI:s svar (utan CoT, ofta felaktigt): 63 år gammal
Prompt (med CoT):
När jag var 3 år gammal var min partner 3 gånger min ålder. Nu är jag 20 år gammal. Hur gammal är min partner? Låt oss tänka steg för steg.
AI:s svar (med CoT, korrekt):
- När jag var 3 år gammal, var min partners ålder 3 × 3 = 9 år
- Nu är jag 20 år gammal, vilket betyder att 20 - 3 = 17 år har gått
- Eftersom 17 år har gått för mig, har samma tid gått för min partner
- Min partners nuvarande ålder är därför 9 + 17 = 26 år
Fördelar: Genom att instruera AI:n att redovisa varje steg blir slutsvaret korrekt och du kan följa AI:ns logik.
Exempel 2: Förklara komplexa processer i biologi
Du vill att AI:n ska förklara cellandningen och redovisa stegen.
Prompt (med CoT):
Förklara processen för cellandning steg för steg, med fokus på vad som händer i varje huvudfas.
AI:s utdata (exempel):
Glykolysen: Detta första steg sker i cellens cytoplasma. Glukosmolekylen bryts ner till två pyruvatmolekyler. Energin som frigörs används för att bilda två ATP-molekyler och två NADH-molekyler.
Pyruvatoxidation: Om syre finns tillgängligt, transporteras pyruvatmolekylerna in i mitokondriens matrix. Här omvandlas varje pyruvatmolekyl till acetyl-CoA, varvid koldioxid och ytterligare NADH bildas.
Citronsyracykeln: Acetyl-CoA går in i citronsyracykeln i mitokondriens matrix. Under denna cykel genomgår acetyl-CoA en serie reaktioner som frigör koldioxid och genererar mer NADH och FADH2.
Elektrontransportkedjan: Detta sista steg äger rum i mitokondriens inre membran. NADH och FADH2 donerar elektroner till en kedja av proteinkomplex, vilket driver syntesen av en stor mängd ATP.
Fördelar: Den stegvisa förklaringen gör en komplex process lättare att förstå för både dig och dina elever.
Implementering i klassrummet
Elevens hjälpmedel: Lär eleverna att använda "Låt oss tänka steg för steg" när de stöter på matematiska problem eller komplexa frågor.
Konceptförklaringar: Använd CoT för att få AI:n att bryta ner svåra koncept i hanterbara delar, vilket underlättar förståelsen.
Kodgenerering: CoT kan användas för att generera kod genom att bryta ner en förfrågan i flera steg, som sedan mappas till specifika kodrader.
Nästa steg
Chain of Thought är en fantastisk teknik för att få AI:n att resonera. I nästa moment kommer vi att bygga vidare på detta genom att få AI:n att generera flera olika resonemangsvägar och sedan välja det mest konsekventa svaret.