Prompting de cadena de pensamiento

¡Le damos la bienvenida al prompting de Chain-of-Thought (CoT)! Esta técnica equivale a enseñar a su Large Language Model (LLM) a «pensar paso a paso» antes de dar una respuesta.

En lugar de pedir simplemente una respuesta final, guía al LLM para que muestre su proceso de razonamiento. Esto suele producir resultados más precisos y fiables, especialmente en tareas complejas.

Cuando plantea directamente una pregunta compleja a un LLM, puede tener dificultades para conectar todos los elementos o incluso «alucinar» (inventar) información.

Por ejemplo, pedirle que resuelva un problema matemático de varios pasos o un acertijo lógico sin orientación puede dar lugar a respuestas incorrectas o incompletas, porque el LLM intenta saltar directamente a la solución.

La esencia del prompting de CoT es sorprendentemente sencilla: basta con añadir a su prompt una frase como "Let's think step by step" o "Walk me through your reasoning".

Esta sencilla instrucción anima al LLM a dividir el problema en partes más pequeñas y manejables, simulando el proceso de pensamiento humano.

Veamos CoT con un ejemplo sencillo:

• Prompt: "The average speed of a car is 60 mph. How long will it take to travel 180 miles? Let's think step by step."

Sin CoT, el LLM podría limitarse a responder «3 horas». Con CoT, obtendría algo como lo siguiente:

• Resultado del LLM (CoT):
  1. Identificar los valores dados: distancia = 180 millas, velocidad = 60 mph.
  2. Recordar la fórmula: Tiempo = Distancia / Velocidad.
  3. Sustituir los valores: Tiempo = 180 millas / 60 mph.
  4. Calcular: Tiempo = 3 horas.
  Por lo tanto, tardará 3 horas.

El prompting de CoT mejora el rendimiento de los LLM por varias razones fundamentales:

• Divide la complejidad: Los problemas grandes se convierten en una serie de tareas más pequeñas y fáciles de resolver.
• Reduce los errores: Es posible evaluar cada paso, lo que facilita detectar los errores a tiempo.
• Aumenta la transparencia: Puede ver *cómo* llegó el LLM a su respuesta, lo que hace que esta sea más fiable y verificable.
• Desbloquea el razonamiento: Anima al LLM a acceder a sus conocimientos internos y aplicarlos de forma más lógica.

CoT resulta especialmente potente para preguntas que requieren considerar varios elementos o condiciones. Por ejemplo, analizar una situación con varias reglas contradictorias.

Al pedir al LLM que evalúe cada condición secuencialmente, es menos probable que pase por alto detalles o dé prioridad a la información equivocada, lo que conduce a una conclusión final más matizada y precisa.

CoT resulta más eficaz en tareas que implican:

• Problemas aritméticos y problemas matemáticos de texto: Como en nuestro ejemplo.
• Razonamiento lógico: Acertijos, tareas de deducción y enunciados condicionales.
• Instrucciones de varios pasos: Generar un plan o una secuencia de acciones.
• Síntesis de información compleja: Combinar varios datos para llegar a una conclusión.

Es menos importante para recordar hechos sencillos.

Para aprovechar al máximo las ventajas de CoT:

• Sea explícito: Indique claramente "Let's think step by step."
• Proporcione ejemplos (Few-Shot CoT): Para problemas más difíciles, muestre un ejemplo de un problema *y* su solución paso a paso antes de plantear su pregunta. (¡Lo veremos con más detalle en una lección futura!)
• Utilice un lenguaje claro: Asegúrese de que el planteamiento inicial del problema no sea ambiguo.
• Experimente: Distintas frases pueden funcionar mejor según el LLM y la tarea.

¿Cuáles de las siguientes son ventajas fundamentales de utilizar el prompting de Chain-of-Thought?

¡Ha dominado los conceptos básicos del prompting de Chain-of-Thought!

• CoT consiste en guiar a los LLM para que muestren sus pasos de razonamiento.
• Una frase sencilla como "Let's think step by step" puede desbloquear un razonamiento más profundo.
• Es potente para tareas complejas de matemáticas, lógica y de varios pasos.
• Entre sus principales ventajas se encuentran una mayor precisión, menos errores y una mayor transparencia.

¡Siga practicando esta técnica para obtener respuestas más inteligentes y fiables de sus LLM!