วิธีที่ Chain of Thought Prompting ปรับปรุงผลลัพธ์ ChatGPT ของคุณ

Google กำลังปราบปราม การละเมิดเนื้อหาในปริมาณ มาก แต่นั่นไม่ได้หมายความว่าคุณต้องหยุดปรับขนาดกลไกเนื้อหาของคุณ ไม่ได้หมายความว่าคุณต้องหยุดใช้ AI เพื่อรองรับการปรับขนาดด้วยซ้ำ หมายความว่าคุณไม่สามารถพึ่งพาเนื้อหาที่เป็นสแปมและมีขนาดเล็กในการแข่งขันได้

แล้วคุณจะยอมรับ AI เพื่อเพิ่มปริมาณเนื้อหาของคุณโดยไม่ถูกลงโทษได้อย่างไร?

ง่ายมาก: ยอมรับ AI เป็นเครื่องมือเสริม ไม่ใช่สิ่งทดแทนผู้สร้างที่เป็นมนุษย์

วิธีหนึ่งในการเพิ่มความพยายามในการสร้างเนื้อหาของคุณคือการใช้กลยุทธ์ AI ใหม่ เช่น ห่วงโซ่ความคิดที่กระตุ้นให้สร้างเนื้อหาคุณภาพสูงขึ้นเร็วขึ้น

มาเจาะลึกเข้าไปในโลกของ CoT และวิธีที่มันจะช่วยคุณปรับปรุงกลไกเนื้อหาของคุณ

Chain of Thought Prompting คืออะไร?

Chain of thought prompting (CoT) เป็นเทคนิคที่ใช้เพื่อปรับปรุงความสามารถในการให้เหตุผลของโมเดลภาษาขนาดใหญ่ (LLM) แนวคิดหลักคือการสนับสนุนให้โมเดลแยกย่อยปัญหาที่ซับซ้อนออกเป็นขั้นตอนเล็กๆ น้อยๆ และจัดการได้ง่ายขึ้น โดยให้เหตุผลที่ชัดเจนซึ่งนำไปสู่คำตอบสุดท้าย

มันคล้ายกับตอนที่คุณเรียนรู้วิธีการแก้ปัญหาทางคณิตศาสตร์หรือการใช้เหตุผลในโรงเรียน ต่อไปนี้เป็นวิธีการทำงานฉบับย่อ (เรียบง่ายมาก):

• การเปลี่ยนแปลงปัญหา: แทนที่จะนำเสนองานหรือคำถามต่อ LLM เพียงอย่างเดียว ห่วงโซ่แห่งความคิดจะปรับโครงสร้างอินพุตใหม่เพื่อรวมวลี "มาคิดทีละขั้นตอนกันเถอะ"สัญญาณนี้จะส่งสัญญาณให้โมเดลสร้างขั้นตอนการให้เหตุผลระดับกลาง
• การใช้เหตุผลระดับกลาง: แบบจำลองได้รับการสนับสนุนให้วางกระบวนการคิดอย่างชัดเจน ทีละขั้นตอน เพื่อนำไปสู่การแก้ปัญหาซึ่งอาจเกี่ยวข้องกับการคำนวณ การหักตามตรรกะ หรือการเรียกคืนข้อมูลที่เกี่ยวข้อง
• คำตอบสุดท้าย: โมเดลมาถึงคำตอบสุดท้าย โดยได้รับการสนับสนุนจากห่วงโซ่การให้เหตุผลที่โปร่งใสที่สร้างขึ้น

พร้อมท์ประเภทนี้สามารถส่งได้ในพร้อมท์เดียว ดังที่แสดงในตัวอย่างด้านล่าง หรือคุณสามารถแยกขั้นตอนต่างๆ ตามพร้อมท์ตามลำดับจำนวนหนึ่งที่สร้างจากกันและกัน (เพิ่มเติมเกี่ยวกับเรื่องนี้ในภายหลัง)

แนวทางนี้ริเริ่มโดย Jason Wei และทีมผู้เชี่ยวชาญจากทีม Google Research Brain ในรายงานประจำปี 2022 ตัวอย่างด้านล่างมาจากรายงานที่แนะนำ CoT:

• พรอมต์มาตรฐานประกอบด้วยตัวอย่างปัญหาและวิธีแก้ไข รวมถึงคำถามที่ AI ต้องตอบ
• พร้อมท์ CoT ประกอบด้วยชุดวิธีแก้ปัญหาเดียวกันชุดขั้นตอนที่สรุปวิธีการเข้าถึงวิธีแก้ปัญหานั้นและจากนั้นคำถามใหม่สำหรับ AI ที่จะตอบ

อย่างที่คุณเห็น โมเดลล้มเหลวในการตอบปัญหาแรกอย่างถูกต้อง แต่ประสบความสำเร็จเมื่อได้รับแจ้งให้เดินผ่าน "ห่วงโซ่แห่งความคิด" เพื่อไปถึงจุดนั้น

บทความนี้ระบุถึงประโยชน์หลักบางประการที่ กลยุทธ์ทางวิศวกรรมที่รวดเร็ว นี้ นำมาสู่ปัญหาการให้เหตุผลหลายประการ:

• กระบวนการทีละขั้นตอนบังคับให้ AI คิดให้ละเอียดยิ่งขึ้น และหลีกเลี่ยงการกระโดดข้ามตรรกะ ซึ่งจะช่วยปรับปรุงผลลัพธ์
• CoT เป็นช่องทางเข้าสู่กระบวนการตัดสินใจของ AI ทำให้ผู้ใช้และผู้ออกแบบโมเดลมีข้อมูลเชิงลึกมากขึ้นเกี่ยวกับวิธีการทำงานของโมเดลเหล่านี้
• ด้วยการต้องการคำอธิบายว่าเหตุใด AI จึงเลือกผลลัพธ์ที่เฉพาะเจาะจง CoT สามารถลดอคติบางประการที่ LLM มีแนวโน้มที่จะเกิดขึ้นได้
• ผู้ใช้ AI สามารถปรับปรุงผลลัพธ์ ได้ ง่ายๆ ด้วยการรวมข้อความเช่น "มาทีละขั้นตอน" หรือ "อธิบายเหตุผลของคุณ" ซึ่งคล้ายกับกลยุทธ์ กระตุ้นอารมณ์

สิ่งสำคัญที่สุดคือ กลยุทธ์นี้มีศักยภาพในการปรับปรุงผลลัพธ์ของงานที่ใช้ภาษาใดๆ ที่คุณป้อนให้กับ ChatGPT , Gemini, Jasper หรือ AI ที่ใช้ LLM อื่นๆ ที่จริงแล้ว Google ได้ฝึกอบรมโมเดลของตนกับ CoT มาตั้งแต่ปี 2022:

Pathways Language Model (PaLM) เป็นโมเดล AI ขั้นสูงใหม่ที่ใช้เทคนิคที่เรียกว่าห่วงโซ่ความคิดเพื่อทำงานที่ซับซ้อน เช่น แก้ปัญหาคำศัพท์ทางคณิตศาสตร์ และยังอธิบายกระบวนการให้เหตุผลทีละขั้นตอนอีกด้วย #GoogleIO pic.twitter.com/YHLsnqNemv

– Google (@Google) 13 พฤษภาคม 2565

เอาล่ะ ตอนนี้คุณรู้เพิ่มเติมอีกเล็กน้อยเกี่ยวกับการกระตุ้นความคิดแบบลูกโซ่แล้ว มาดูวิธีที่คุณสามารถใช้เพื่อปรับปรุงประสิทธิภาพการสร้างเนื้อหาของคุณกันดีกว่า

Chain of Thought Prompting ช่วยในการสร้างเนื้อหาได้อย่างไร

การใช้ห่วงโซ่ความคิดในการปรับปรุงผลลัพธ์สำหรับงานเขียนมีความซับซ้อนมากกว่าการใช้เหตุผลทางคณิตศาสตร์หรือสามัญสำนึกทั่วไป มีกฎเฉพาะสำหรับโจทย์คณิตและคำศัพท์ที่นำคุณไปสู่คำตอบที่ถูกต้องเพียงข้อเดียว แต่มีหลายวิธีในการเข้าถึงกลยุทธ์หรือการสร้างเนื้อหา

มี ศิลปะในการเขียนคำโฆษณา SEO การตลาดเนื้อหา และการจัดจำหน่าย ถึงกระนั้นก็ยังมีเหตุผลมากมายที่เกี่ยวข้องกับงานเหล่านี้ โดย เฉพาะอย่างยิ่งในระดับองค์กร

การศึกษา CoT ดั้งเดิมจาก Google เน้นย้ำว่ารูปแบบการกระตุ้นเตือนนี้ช่วยเพิ่มความสามารถในการให้เหตุผลของ LLM ได้อย่างมาก โดยให้แนวทางที่มีโครงสร้างทีละขั้นตอนซึ่งเลียนแบบกระบวนการแก้ปัญหาของมนุษย์

เหตุผลในการนำไปประยุกต์ใช้กับงานเขียนนั้นอยู่ในลักษณะของการเขียนซึ่งเป็นกระบวนการที่ต้องใช้เหตุผลหลายขั้นตอน การวางแผน การจัดระเบียบความคิด และการพัฒนาความคิดในลักษณะที่สอดคล้องกันและเป็นตรรกะ

งานเขียน โดยเฉพาะอย่างยิ่งงานที่เกี่ยวข้องกับการสร้างเรื่องเล่า บทความเชิงโต้แย้ง หรือรายงานทางเทคนิค จะได้รับประโยชน์จากแนวทาง CoT ที่ระบุกระบวนการคิดที่นำไปสู่การพัฒนางานชิ้นสุดท้าย

ต่อไปนี้คือหลักการพื้นฐานของการกระตุ้นความคิดแบบลูกโซ่ — จัดโครงสร้างกระบวนการคิด ทำลายปัญหาที่ซับซ้อน และชี้นำความก้าวหน้าเชิงตรรกะ — สอดคล้องกับข้อกำหนดของการเขียนที่มีประสิทธิภาพได้อย่างไร

1) การวิจัยหัวข้อ

พื้นที่ B2B SaaS เต็มไปด้วยกลุ่มเฉพาะทางเทคนิคระดับสูง ตั้งแต่โครงสร้างพื้นฐานคลาวด์ไปจนถึงการจัดการที่มีฟีเจอร์ ไปจนถึง AI

ไม่ว่าคุณจะทำงานเป็นฟรีแลนซ์ ในเอเจนซี่ หรือแม้แต่แบรนด์ขนาดใหญ่ที่มีการผสานรวม API จำนวนมาก การแยกแยะหัวข้อใหม่ๆ อย่างรวดเร็วอาจเป็นศูนย์กลางของงานนี้

การกระตุ้นเตือนแบบห่วงโซ่สามารถเป็นประโยชน์สำหรับงานนี้ เมื่อพยายามทำความเข้าใจหัวข้อใหม่ การแบ่งกระบวนการเรียนรู้ออกเป็นชุดคำถามและคำตอบ โดยแต่ละอาคารจะอยู่หลังสุด สามารถช่วยค่อยๆ สร้างความเข้าใจที่ครอบคลุมในหัวข้อนั้นได้

CoT สามารถชี้แนะโมเดลในการสำรวจแง่มุมต่างๆ ของหัวข้อตามลำดับ ทำให้ข้อมูลที่ซับซ้อนย่อยและเข้าใจได้ง่ายขึ้น

สมมติว่าคุณทำงานที่เอเจนซี่และเพิ่งได้รับมอบหมายให้ดูแลผลิตภัณฑ์โครงสร้างพื้นฐานคลาวด์ เช่น Terraform ของ Hashicorp เพื่อให้เป็นตัวอย่างของความซับซ้อนที่คุณกำลังเผชิญอยู่ นี่คือคำอธิบายของผลิตภัณฑ์จาก Wikipedia:

โครงสร้างพื้นฐานตามรหัส (IaC) ภาษาการกำหนดค่าที่ประกาศ เจสัน เหล่านี้เป็นสามหัวข้อที่ซับซ้อนมาก

มาดูกันว่าฉันจะรับ ChatGPT เพื่อเร่งกระบวนการเรียนรู้โดยการระบุแนวคิดที่เกี่ยวข้องมากที่สุดที่เกี่ยวข้องกับคำหลักสามคำนั้นได้ไหม

โดยการเน้นที่ "อธิบายเหตุผลเบื้องหลังแนวคิดที่คุณเลือก" ฉัน (ตามทฤษฎี) กระตุ้นให้ ChatGPT ในลักษณะที่กำหนดให้คำตอบที่เจตนามากขึ้น

ดังที่คุณเห็นด้านล่าง แนวคิดหลักแต่ละข้อสำหรับ IaC มาพร้อมกับคำอธิบายถึงความสำคัญของแนวคิดนั้น

ด้วยแนวทางนี้ คุณจะได้เรียนรู้ว่าการรู้เกี่ยวกับเครื่องมืออย่าง Terraform และ Ansible ไม่ใช่เรื่องสำคัญเท่านั้น สิ่งสำคัญคือต้องรู้ว่าอันแรกเป็นแบบไม่เชื่อเรื่องพระเจ้าของผู้ให้บริการ และอันหลังให้การจัดการการกำหนดค่าแบบไม่ใช้เอเจนต์

นี่คือบริบทประเภทหนึ่งที่สามารถช่วยให้คุณแยกย่อยและแยกแยะบริบทที่ซับซ้อนได้รวดเร็วยิ่งขึ้น ซึ่งมีประโยชน์มากสำหรับมือใหม่ด้านโครงสร้างพื้นฐานระบบคลาวด์เช่นฉัน

ตอนนี้เรามาดูทิศทางที่คุณจะได้หากคุณให้คำสั่งตามปกติโดยไม่สั่งให้ AI อธิบาย "กระบวนการคิด" ของมัน:

ข้อมูลที่อยู่ในสัญลักษณ์แสดงหัวข้อย่อยแต่ละหัวข้อที่นี่มีความสำคัญอย่างแน่นอน แต่ไม่ได้มีบริบทในระดับเดียวกัน

ดังนั้น เพียงเพิ่มข้อความ เช่น "อธิบายเหตุผลของคุณ" หรือ "อธิบายทีละขั้นตอน" คุณจะสามารถเพิ่มมูลค่าที่คุณได้รับจากการโต้ตอบกับ AI แต่ละครั้งได้

2) การสร้างบทสรุปและร่าง

ในฐานะคนที่มุ่งเน้นการสร้างเนื้อหาที่เขียนในรูปแบบยาวเป็นหลัก ฉันจึงรอบรู้ในความซับซ้อน (และความบ้าคลั่ง) ของกระบวนการสร้างสรรค์ การเดินทางจากแนวคิดไปสู่ชิ้นงานที่เสร็จสมบูรณ์ต้องผ่านจุดตรวจเดียวกัน — การวางแผนหัวข้อ การค้นคว้า การบรรยายสรุป และการร่าง — แต่เส้นทางระหว่างจุดเหล่านั้นคดเคี้ยวมากกว่าสำหรับบางคน

ประโยชน์ที่ใหญ่ที่สุดประการหนึ่งที่ฉันได้รับจาก generative AI จนถึงตอนนี้คือการปรับปรุงขั้นตอนการทำงานเชิงสร้างสรรค์ให้มีประสิทธิภาพมากขึ้น AI มีประโยชน์ในการทำความเข้าใจบทสรุปเชิงสร้างสรรค์และร่างคร่าวๆ และ CoT prompting มีศักยภาพที่จะช่วยได้มากกว่าเดิม