思考の連鎖を促す

思考連鎖型プロンプティングの仕組み

思考連鎖型プロンプトは、最終的な答えにつながる一連の中間的な推論ステップを含むようにプロンプトを構成することで機能します。これはいくつかの方法で行うことができ、多くの場合、推論プロセスが明示的に示された例（数発学習）を提供することが含まれる。例えば、単に「Xの結果は何ですか」と尋ねる代わりに、プロンプトに「Q: 問題Y、A: ステップ1...、ステップ2...、最終的な答えZ」のような例を含めることができる。Q: 問題X。そして、モデルはこのパターンに従うことを学習し、結論に到達する前に独自の推論ステップを生成する。これは標準的なプロンプトとは対照的で、通常、明確な推論ステップなしに直接答えを求める。これは、Google 「Chain-of-Thought Prompting Elicits Reasoning in Large Language Models（思考連鎖型プロンプティングが大規模言語モデルにおける推論を引き出す）」のような研究で強調されているように、十分なスケールを持つモデルでしばしば出現する能力である。

思考連鎖プロンプティングの主な利点

思考連鎖プロンプトを使用すると、AIモデルのパフォーマンスを向上させるためにいくつかの利点がある：

• 推論の強化：多段階の論理的推論、数学的計算、または常識的理解を必要とする課題のパフォーマンスが大幅に向上。
• 透明性の向上：モデルの推論プロセスを可視化し、ユーザーが答えがどのように導き出されたかを理解できるようにすることで、説明可能なAI（XAI）に貢献します。これは、モデルのロジックにおける潜在的な欠陥のデバッグや特定に役立ちます。
• 精度の向上：問題を細分化することで、複雑なタスクを単一ステップで解決しようとする場合に比べ、モデルがエラーを起こす可能性が低くなり、精度が向上します。
• より複雑な問題に対応：直接的なプロンプトだけでは解決が困難な、より複雑な問題への取り組みが可能になります。

実世界での応用

CoTプロンプトは、詳細な推論が重要なさまざまな領域で価値がある：

関連概念との比較

• プロンプトエンジニアリングCoTは、プロンプト・エンジニアリングという、AIモデルのための効果的なプロンプトを設計するあらゆる方法を包含する、より広範な実践の中の特定のテクニックである。
• プロンプト連鎖：複数のステップを含む点では似ているが、プロンプトチェーニングは通常、タスクを連続したサブタスクに分割し、1つのプロンプトの出力が次のプロンプトの入力となる。CoTは通常、1つのプロンプトと応答の相互作用の中で推論を引き出すことに重点を置き、多くの場合、例題を通して実証される。
• ゼロショット学習： ゼロショット学習は、明示的に訓練されていないタスクを、例なしで実行するようモデルに求めるものである。ゼロショットCoTは、プロンプトに「ステップ・バイ・ステップで考えよう」といったフレーズを追加するだけで、例を提供することなく、ステップ・バイ・ステップの推論を引き出そうとします。このため、よりアクセスしやすくなりますが、信頼性は数ショットCoTよりも低くなる可能性があります。

CoTプロンプトは、特に医療画像解析や金融モデリングのような複雑な意思決定を必要とする分野において、より有能で透明性の高い人工知能（AI）システムの構築に向けた重要な一歩であり、以下のようなモデルによって駆動されるコンピュータビジョンのような分野における進歩を補完する。 Ultralytics YOLO.Ultralytics HUBのようなツールやプラットフォームは、CoTのような高度なテクニックを理解することが有益な、高度なAIモデルの開発と展開を容易にします。