Jak podpowiadanie za pomocą łańcucha myśli poprawia wyniki ChatGPT

Google walczy z nadużyciami związanymi ze skalowaniem treści . Ale to nie znaczy, że musisz przestać skalować swój silnik treści. Nie oznacza to nawet, że musisz przestać używać sztucznej inteligencji do obsługi skalowania. Oznacza to po prostu, że nie możesz polegać na spamerskiej, cienkiej treści, aby konkurować.

Jak zatem wykorzystać sztuczną inteligencję, aby zwiększyć ilość treści bez ponoszenia kar?

To proste: wykorzystaj sztuczną inteligencję jako narzędzie usprawniające, a nie zastępujące ludzkich twórców.

Jednym ze sposobów zwiększenia wysiłków związanych z tworzeniem treści jest zastosowanie nowych taktyk sztucznej inteligencji, takich jak podpowiadanie na podstawie łańcuchów myślowych, aby szybciej tworzyć treści o wyższej jakości.

Przyjrzyjmy się bliżej światowi CoT i dowiedzmy się, jak może on pomóc w ulepszeniu silnika treści.

Co to jest podpowiadanie łańcuchem myśli?

Łańcuch podpowiedzi myślowych (CoT) to technika stosowana w celu poprawy zdolności rozumowania dużych modeli językowych (LLM). Podstawową ideą jest zachęcenie modelu do podzielenia złożonego problemu na mniejsze, łatwiejsze do wykonania kroki, zapewniając wyraźny łańcuch rozumowania prowadzący do ostatecznej odpowiedzi.

Przypomina to sposób, w jaki uczyłeś się rozwiązywania problemów matematycznych lub rozumowania w szkole. Oto krótka (bardzo uproszczona) wersja tego, jak to działa:

• Transformacja problemu: Zamiast po prostu przedstawiać LLM zadanie lub pytanie, łańcuch podpowiedzi restrukturyzuje dane wejściowe tak, aby zawierały frazę: „Pomyślmy krok po kroku”.Ta wskazówka sygnalizuje modelowi wygenerowanie pośrednich etapów rozumowania.
• Rozumowanie na poziomie pośrednim: zachęca się model do wyraźnego przedstawienia procesu myślowego, krok po kroku, prowadzącego do rozwiązania.Może to obejmować obliczenia, logiczne wnioski lub przywołanie odpowiednich informacji.
• Ostateczna odpowiedź: model uzyskuje ostateczną odpowiedź, idealnie popartą przejrzystym łańcuchem rozumowania, który wytworzył.

Ten typ podpowiedzi może być wyświetlany w postaci pojedynczego podpowiedzi, jak pokazano w poniższym przykładzie, lub można podzielić kroki na kilka kolejnych podpowiedzi, które się ze sobą łączą (więcej na ten temat później).

Podejście to zostało po raz pierwszy zaproponowane przez Jasona Wei i zespół ekspertów z Google Research Brain Team w artykule opublikowanym w 2022 roku . Poniższy przykład pochodzi z artykułu, w którym wprowadzono CoT:

• Standardowy monit zawiera przykładowy problem i rozwiązanie, a także pytanie, na które sztuczna inteligencja musi odpowiedzieć.
• Podpowiedź CoT zawiera ten sam zestaw rozwiązań problemu,serię kroków opisujących, w jaki sposób osiągnięto to rozwiązanie, a następnie nowe pytanie, na które sztuczna inteligencja musi odpowiedzieć.

Jak widać, model nie odpowiada poprawnie na pierwszy problem, ale udaje mu się to, gdy zostanie poproszony o przejście przez „łańcuch myślowy”, aby się tam dostać.

W artykule wskazano kilka kluczowych korzyści, jakie ta taktyka szybkiego inżynierii przynosi w przypadku szeregu różnych problemów z rozumowaniem:

• Proces krok po kroku zmusza sztuczną inteligencję do dokładniejszego myślenia i unikania przeskoków logicznych, co pomaga poprawić wyniki.
• CoT zapewnia wgląd w proces decyzyjny sztucznej inteligencji, dając użytkownikom i projektantom modeli lepszy wgląd w działanie tych modeli.
• Wymagając wyjaśnienia, dlaczego sztuczna inteligencja wybiera konkretny wynik, CoT może potencjalnie złagodzić niektóre uprzedzenia, na które podatne są LLM.
• Użytkownicy sztucznej inteligencji mogą ulepszyć wyniki, po prostu dodając stwierdzenia takie jak „przeanalizujmy to krok po kroku” lub „wyjaśnij swoje rozumowanie”, podobnie jak w przypadku taktyki podpowiadania emocjonalnego .

Co najważniejsze, ta taktyka może poprawić wynik dowolnego zadania językowego, które przekazujesz do ChatGPT , Gemini, Jasper lub innej sztucznej inteligencji opartej na LLM. Tak naprawdę Google szkoli swoje modele z CoT od 2022 roku:

Model języka Pathways (PaLM) to nowy, zaawansowany model sztucznej inteligencji, który wykorzystuje technikę zwaną podpowiadaniem łańcucha myślowego do wykonywania złożonych zadań, takich jak rozwiązywanie zadań matematycznych, a nawet wyjaśniania krok po kroku procesu rozumowania. #GoogleIO pic.twitter.com/YHLsnqNemv

— Google (@Google) 13 maja 2022 r

OK, teraz, gdy wiesz już trochę więcej na temat podpowiadania za pomocą łańcucha myślowego, przejdźmy do sposobów jego wykorzystania w celu poprawy wydajności tworzenia treści.

Jak podpowiadanie łańcucha myśli pomaga w tworzeniu treści

Używanie podpowiedzi w postaci łańcucha myślowego w celu poprawy wyników pisania zadań jest bardziej złożone niż prosta matematyka lub zdroworozsądkowe rozumowanie. Istnieją szczegółowe zasady dotyczące zadań matematycznych i tekstowych, które prowadzą do jednej poprawnej odpowiedzi, ale istnieje wiele różnych sposobów podejścia do strategii lub tworzenia treści.

Copywriting SEO , marketing treści i dystrybucja to sztuka . To powiedziawszy, przy tych zadaniach wiąże się również wiele rozumowania, szczególnie w skali przedsiębiorstwa .

W oryginalnym badaniu CoT przeprowadzonym przez Google podkreślono, że ten styl podpowiedzi znacznie poprawia zdolności rozumowania uczniów LLM, zapewniając ustrukturyzowane podejście krok po kroku imitujące ludzkie procesy rozwiązywania problemów.

Uzasadnieniem jego zastosowania do zadań pisarskich jest natura pisania jako procesu wymagającego wieloetapowego rozumowania, planowania, organizacji myśli i rozwijania pomysłów w spójny i logiczny sposób.

Zadania związane z pisaniem, zwłaszcza te, które obejmują tworzenie narracji, esejów argumentacyjnych lub raportów technicznych, mogą odnieść korzyść dzięki podejściu CoT, które określa proces myślowy prowadzący do powstania ostatecznej pracy.

Oto, jak podstawowe zasady łańcucha podpowiedzi — strukturyzowanie procesów myślowych, rozwiązywanie złożonych problemów i kierowanie logicznym postępem — dobrze odpowiadają wymaganiom skutecznego pisania.

1) Badanie tematu

Przestrzeń B2B SaaS jest pełna wysoce technicznych nisz — od infrastruktury chmurowej, przez zarządzanie funkcjami, aż po sztuczną inteligencję.

Niezależnie od tego, czy pracujesz jako freelancer, w agencji, czy nawet dla dużej marki z dużą ilością integracji API, szybkie przyswajanie nowych tematów będzie prawdopodobnie kluczowe dla Twojej pracy.

W przypadku tego zadania korzystne może okazać się podpowiadanie w postaci łańcucha myślowego. Kiedy próbujesz zrozumieć nowy temat, podzielenie procesu uczenia się na serię pytań i odpowiedzi, z których każde opiera się na ostatnim, może pomóc w stopniowym budowaniu wszechstronnego zrozumienia tego tematu.

CoT może poprowadzić model do sekwencyjnego badania różnych aspektów tematu, dzięki czemu złożone informacje będą łatwiejsze do przetrawienia i zrozumienia.

Załóżmy, że pracujesz w agencji i właśnie zostałeś przydzielony do produktu infrastruktury chmurowej, takiego jak Terraform firmy Hashicorp . Aby dać przykład złożoności, z jaką masz do czynienia, oto wyjaśnienie produktu z Wikipedii:

Infrastruktura jako kod (IaC). Deklaratywny język konfiguracji. JSON. Od razu są to trzy bardzo złożone tematy.

Zobaczmy, czy uda mi się sprawić, że ChatGPT przyspieszy proces uczenia się, identyfikując najbardziej odpowiednie koncepcje związane z tymi trzema słowami kluczowymi.

Dodając opcję „wyjaśnij uzasadnienie wybranych koncepcji”, (teoretycznie) namawiam ChatGPT w sposób, który ma na celu udzielenie bardziej przemyślanej odpowiedzi.

Jak widać poniżej, każdemu z kluczowych pojęć dotyczących IaC towarzyszy wyjaśnienie jego znaczenia.

Dzięki takiemu podejściu dowiesz się, że ważna jest nie tylko wiedza o narzędziach takich jak Terraform i Ansible; ważne jest również, aby wiedzieć, że ten pierwszy jest niezależny od dostawcy, a drugi zapewnia zarządzanie konfiguracją bez użycia agenta.

Jest to typ kontekstu, który może pomóc w szybszym rozbiciu i przetrawieniu złożonego kontekstu — bardzo przydatny dla nowicjusza w infrastrukturze chmury, takiego jak ja.

Przyjrzyjmy się teraz, jaki kierunek uzyskasz, jeśli po prostu wydasz normalny monit, nie nakazując sztucznej inteligencji wyjaśnienia jej „procesu myślowego”:

Informacje zawarte pod każdym ponumerowanym punktorem są z pewnością ważne, ale nie mają tego samego kontekstu.

Zatem po prostu dodając stwierdzenia typu „wyjaśnij swoje rozumowanie” lub „przejdź przez to krok po kroku”, możesz zwiększyć wartość, jaką zyskujesz dzięki każdej interakcji ze swoją sztuczną inteligencją.

2) Tworzenie briefu i wersji roboczej

Jako osoba, która koncentruje się przede wszystkim na tworzeniu długich treści pisanych, jestem dobrze zorientowany w zawiłościach (i szaleństwie) procesu twórczego. Podróż od pomysłu do gotowego dzieła przebiega przez te same punkty kontrolne – planowanie tematu, badania, odprawę i szkic – ale ścieżka między tymi punktami jest dla niektórych bardziej kręta niż dla innych.

Jedną z największych korzyści, jakie do tej pory uzyskałem dzięki generatywnej sztucznej inteligencji, jest usprawnienie aspektów kreatywnego przepływu pracy. Sztuczna inteligencja pomaga w realizacji kreatywnych założeń i wstępnych wersji roboczych, a podpowiedzi CoT mogą pomóc jeszcze bardziej.