Prompting chain-of-thought

Benvenuti nel prompting Chain-of-Thought (CoT)! Questa tecnica equivale a insegnare al vostro Large Language Model (LLM) a «pensare passo dopo passo» prima di fornire una risposta.

Invece di chiedere semplicemente una risposta finale, guidate l'LLM a mostrare il proprio processo di ragionamento. Questo porta spesso a output più accurati e affidabili, soprattutto per le attività complesse.

Quando si pone direttamente a un LLM una domanda complessa, può avere difficoltà a collegare tutti gli elementi o persino «allucinare» (inventare) informazioni.

Per esempio, chiedere di risolvere un problema matematico a più passaggi o un rompicapo logico senza fornire indicazioni può portare a risposte errate o incomplete, perché l'LLM cerca di arrivare direttamente alla soluzione.

Il principio alla base del prompting CoT è sorprendentemente semplice: basta aggiungere al prompt una frase come «Pensiamo passo dopo passo» o «Mi guidi nel ragionamento».

Questa semplice istruzione incoraggia l'LLM a scomporre il problema in parti più piccole e gestibili, simulando il processo di pensiero umano.

Vediamo il CoT attraverso un esempio semplice:

• Prompt: «La velocità media di un'auto è di 60 miglia/ora. Quanto tempo impiegherà a percorrere 180 miglia? Pensiamo passo dopo passo.»

Senza CoT, l'LLM potrebbe limitarsi a rispondere «3 ore». Con CoT, si otterrebbe qualcosa di simile:

• Output dell'LLM (CoT):
  1. Identificare i valori forniti: distanza = 180 miglia, velocità = 60 miglia/ora.
  2. Ricordare la formula: Tempo = Distanza / Velocità.
  3. Sostituire i valori: Tempo = 180 miglia / 60 miglia/ora.
  4. Calcolare: Tempo = 3 ore.
  Quindi, saranno necessarie 3 ore.

Il prompting CoT migliora le prestazioni degli LLM per diversi motivi fondamentali:

• Scompone la complessità: I problemi grandi diventano una serie di attività più piccole e facili da risolvere.
• Riduce gli errori: Ogni passaggio può essere valutato, rendendo più semplice individuare gli errori tempestivamente.
• Aumenta la trasparenza: È possibile vedere *come* l'LLM è arrivato alla risposta, rendendola più affidabile e verificabile.
• Sblocca il ragionamento: Incoraggia l'LLM ad accedere alle proprie conoscenze interne e ad applicarle in modo più logico.

Il CoT è particolarmente efficace per le domande che richiedono di considerare più elementi o condizioni. Per esempio, l'analisi di uno scenario con diverse regole in conflitto.

Chiedendo all'LLM di valutare ogni condizione in sequenza, è meno probabile che trascuri alcuni dettagli o dia priorità alle informazioni sbagliate, ottenendo così una valutazione finale più equilibrata e accurata.

Il CoT è più efficace per le attività che prevedono:

• Problemi aritmetici e matematici testuali: Come nell'esempio precedente.
• Ragionamento logico: Rompicapi, attività deduttive e proposizioni condizionali.
• Istruzioni a più passaggi: Generazione di un piano o di una sequenza di azioni.
• Sintesi di informazioni complesse: Combinazione di più dati per arrivare a una conclusione.

È meno essenziale per il semplice recupero di informazioni fattuali.

Per sfruttare al massimo i vantaggi del CoT:

• Siate espliciti: Indicate chiaramente «Pensiamo passo dopo passo».
• Fornite esempi (Few-Shot CoT): Per i problemi più difficili, mostrate un esempio di problema e della relativa soluzione passo dopo passo prima di porre la vostra domanda. (Ne parleremo più avanti in una lezione futura!)
• Utilizzate un linguaggio chiaro: Assicuratevi che la formulazione iniziale del problema non sia ambigua.
• Sperimentate: A seconda dell'LLM e dell'attività, alcune frasi potrebbero funzionare meglio di altre.

Quali dei seguenti sono i principali vantaggi dell'utilizzo del prompting Chain-of-Thought?

Avete acquisito le nozioni di base del prompting Chain-of-Thought!

• Il CoT consiste nel guidare gli LLM a mostrare i propri passaggi di ragionamento.
• Una semplice frase come «Pensiamo passo dopo passo» può sbloccare un ragionamento più approfondito.
• È efficace per attività complesse di matematica, logica e con più passaggi.
• I principali vantaggi includono maggiore accuratezza, riduzione degli errori e maggiore trasparenza.

Continuate a esercitarvi con questa tecnica per ottenere risposte più intelligenti e affidabili dai vostri LLM!