Comment l'invite de chaîne de pensée améliore vos résultats ChatGPT

Google s'attaque aux abus de contenu à grande échelle . Mais cela ne signifie pas que vous devez arrêter de faire évoluer votre moteur de contenu. Cela ne signifie même pas que vous devez arrêter d’utiliser l’IA pour prendre en charge la mise à l’échelle. Cela signifie simplement que vous ne pouvez pas compter sur un contenu mince et spammé pour rivaliser.

Alors, comment adopter l’IA pour augmenter le volume de votre contenu sans être pénalisé ?

C'est simple : adoptez l'IA comme un outil d'augmentation et non comme un remplacement pour les créateurs humains.

Une façon d'augmenter vos efforts de création de contenu consiste à utiliser de nouvelles tactiques d'IA, telles que l'incitation à la chaîne de pensée, pour créer plus rapidement un contenu de meilleure qualité.

Examinons en profondeur le monde de CoT et comment il peut vous aider à améliorer votre moteur de contenu.

Qu’est-ce que l’incitation à la chaîne de pensée ?

L'incitation à la chaîne de pensée (CoT) est une technique utilisée pour améliorer les capacités de raisonnement des grands modèles de langage (LLM). L’idée centrale est d’encourager le modèle à décomposer un problème complexe en étapes plus petites et plus gérables, en fournissant une chaîne de raisonnement explicite qui mène à la réponse finale.

C'est similaire à la façon dont vous avez appris à résoudre des problèmes de mathématiques ou de raisonnement à l'école. Voici une version rapide (très simplifiée) de son fonctionnement :

• Transformation du problème : au lieu de simplement présenter une tâche ou une question au LLM, une chaîne de réflexion restructure l'entrée pour inclure la phrase « Pensons étape par étape ».Cet signal signale au modèle de générer des étapes de raisonnement intermédiaires.
• Raisonnement intermédiaire : le modèle est encouragé à exposer explicitement son processus de réflexion, étape par étape, menant à la solution.Cela peut impliquer des calculs, des déductions logiques ou le rappel d’informations pertinentes.
• Réponse finale : le modèle arrive à la réponse finale, idéalement soutenue par la chaîne de raisonnement transparente qu'il a produite.

Ce type d'invite peut être émis dans une seule invite, comme le montre l'exemple ci-dessous, ou vous pouvez diviser les étapes en un certain nombre d'invites séquentielles qui s'appuient les unes sur les autres (nous y reviendrons plus tard).

L'approche a été inventée pour la première fois par Jason Wei et une équipe d'experts de la Google Research Brain Team dans un article publié en 2022 . L'exemple ci-dessous est tiré de l'article qui a présenté CoT :

• L'invite standard contient un exemple de problème et de solution, ainsi que la question à laquelle l'IA doit répondre.
• L'invite CoT comprend le même ensemble problème-solution,une série d'étapes décrivant comment cette solution a été atteinte, puis une nouvelle question à laquelle l'IA doit répondre.

Comme vous pouvez le constater, le modèle ne parvient pas à répondre correctement au premier problème, mais réussit lorsqu'il est invité à parcourir une « chaîne de pensée » pour y arriver.

Cet article a identifié certains avantages clés que cette tactique d'ingénierie rapide apporte à un certain nombre de problèmes de raisonnement différents :

• Le processus étape par étape oblige l’IA à réfléchir de manière plus approfondie et à éviter de faire des sauts de logique, ce qui contribue à améliorer les résultats.
• CoT ouvre une fenêtre sur le processus décisionnel de l'IA, donnant aux utilisateurs et aux concepteurs de modèles un meilleur aperçu du fonctionnement de ces modèles.
• En exigeant une explication sur la raison pour laquelle l'IA choisit un résultat spécifique, le CoT peut potentiellement atténuer certains des biais auxquels les LLM sont sujets.
• Les utilisateurs d'IA peuvent améliorer les résultats simplement en incluant des déclarations telles que « avançons étape par étape » ou « expliquons votre raisonnement », similaires à la tactique des invites émotionnelles .

Plus important encore, cette tactique a le potentiel d'améliorer le résultat de toute tâche basée sur le langage que vous envoyez à ChatGPT , Gemini, Jasper ou à d'autres IA basées sur LLM. En fait, Google entraîne ses modèles avec CoT depuis 2022 :

Pathways Language Model (PaLM) est un nouveau modèle d'IA avancé qui utilise une technique appelée chaîne de pensée invitant à effectuer des tâches complexes comme résoudre des problèmes de mots mathématiques - et même à expliquer son processus de raisonnement étape par étape. #GoogleIO pic.twitter.com/YHLsnqNemv

– Google (@Google) 13 mai 2022

Bon, maintenant que vous en savez un peu plus sur l'incitation à la chaîne de pensée, voyons comment vous pouvez l'utiliser pour améliorer l'efficacité de votre création de contenu.

Comment l'invite de chaîne de pensée aide à la création de contenu

Utiliser une chaîne de pensée pour améliorer les résultats des tâches d’écriture est plus complexe qu’un simple raisonnement mathématique ou de bon sens. Il existe des règles spécifiques pour les problèmes de mathématiques et de mots qui vous mènent à une seule bonne réponse, mais il existe de nombreuses façons différentes d'aborder la stratégie ou la création de contenu.

La rédaction SEO , le marketing de contenu et la distribution sont tout un art. Cela dit, de nombreux raisonnements sont également impliqués dans ces tâches, en particulier à l'échelle de l'entreprise .

L'étude CoT originale de Google souligne que ce style d'incitation améliore considérablement les capacités de raisonnement des LLM en fournissant une approche structurée étape par étape qui imite les processus humains de résolution de problèmes.

La justification de son applicabilité aux tâches d’écriture réside dans la nature de l’écriture en tant que processus qui nécessite un raisonnement en plusieurs étapes, une planification, une organisation des pensées et le développement d’idées de manière cohérente et logique.

Les tâches d'écriture, en particulier celles qui impliquent la création de récits, d'essais argumentatifs ou de rapports techniques, peuvent bénéficier d'une approche CoT qui décrit le processus de réflexion menant à l'élaboration de la pièce finale.

Voici comment les principes sous-jacents de la chaîne de pensée (structurer les processus de pensée, décomposer des problèmes complexes et guider la progression logique) s'alignent bien avec les exigences d'une écriture efficace.

1) Recherche thématique

L'espace B2B SaaS regorge de niches hautement techniques, de l'infrastructure cloud à la gestion des fonctionnalités en passant par l'IA.

Que vous travailliez en tant qu'indépendant, dans une agence ou même pour une grande marque avec de nombreuses intégrations d'API, la digestion rapide des nouveaux sujets est probablement au cœur du travail.

L’incitation à la réflexion en chaîne peut être bénéfique pour cette tâche. Lorsqu’on essaie de comprendre un nouveau sujet, décomposer le processus d’apprentissage en une série de questions et de réponses, chacune s’appuyant sur la précédente, peut aider à construire progressivement une compréhension globale de ce sujet.

CoT peut guider le modèle pour explorer séquentiellement différentes facettes du sujet, rendant ainsi les informations complexes plus faciles à digérer et à comprendre.

Disons que vous travaillez dans une agence et que vous venez d'être affecté à un produit d'infrastructure cloud comme Terraform de Hashicorp . Pour vous donner un exemple de la complexité à laquelle vous faites face, voici une explication du produit tirée de Wikipédia :

Infrastructure en tant que code (IaC). Langage de configuration déclaratif. JSON. D’emblée, ce sont trois sujets très complexes.

Voyons si je peux demander à ChatGPT d'accélérer le processus d'apprentissage en identifiant les concepts les plus pertinents liés à ces trois mots-clés.

En insistant sur « expliquer la justification des concepts que vous sélectionnez », j'invite (théoriquement) ChatGPT d'une manière qui l'oblige à fournir une réponse plus délibérée.

Comme vous pouvez le voir ci-dessous, chacun des concepts clés de l'IaC est accompagné d'une explication de son importance.

Grâce à cette approche, vous apprenez qu'il n'est pas seulement important de connaître des outils comme Terraform et Ansible ; il est également important de savoir que le premier est indépendant du fournisseur et que le second fournit une gestion de configuration sans agent.

C’est le type de contexte qui peut vous aider à décomposer et à digérer plus rapidement un contexte complexe – très utile pour un novice en infrastructure cloud comme moi.

Examinons maintenant la direction que vous obtiendriez si vous donniez simplement une invite normale sans demander à l'IA d'expliquer son « processus de réflexion : »

Les informations contenues sous chaque puce numérotée ici sont certes importantes, mais elles ne sont pas présentées avec le même niveau de contexte.

Ainsi, en ajoutant simplement une déclaration telle que « expliquez votre raisonnement » ou « suivez cela étape par étape », vous pouvez augmenter la valeur que vous obtenez de chaque interaction avec votre IA.

2) Génération de brefs et de brouillons

En tant que personne qui se concentre principalement sur la création de contenu écrit de longue durée, je connais bien les subtilités (et la folie) du processus créatif. Le voyage d’une idée à une pièce finie passe par les mêmes points de contrôle – de la planification du sujet à la recherche, en passant par le briefing et la rédaction – mais le chemin entre ces points est plus sinueux pour certains que pour d’autres.

L’un des plus grands avantages que j’ai tirés jusqu’à présent de l’IA générative est la rationalisation de certains aspects du flux de travail créatif. L’IA est utile pour lancer les briefs créatifs et les brouillons, et les invites CoT ont le potentiel d’aider encore plus.