Parmi les innovations récentes les plus importantes visant à améliorer la valeur et la fiabilité des grands modèles linguistiques figurent Chaîne de pensée et ses dérivés dont Arbre de pensée ainsi que Graphique de pensée.
Ces structures sont également extrêmement précieuses pour concevoir des Des workflows humains + IA pour une meilleure réflexion.
Dans cet article, je vais fournir une vue d'ensemble de la chaîne de pensée, puis examiner les applications pour Intelligence humaine augmentée par l'IA.
Chaîne de pensée
Les grands modèles linguistiques (LLM) sont généralement excellents pour la génération de texte, mais médiocres pour toutes les tâches impliquant un raisonnement séquentiel.
Le document historique de janvier 2022 L'incitation à la chaîne de pensée suscite le raisonnement dans de grands modèles de langage a expliqué comment une chaîne de pensée – « une série d’étapes de raisonnement intermédiaires » – pourrait améliorer considérablement les performances du LLM dans les tâches de raisonnement, notamment les mathématiques et les énigmes de bon sens.
Vous avez probablement vu cette image de le papier faire le tour.
Ce concept a été rapidement adapté à d'autres applications, notamment raisonnement temporel, modèles de langage visuel, récupération du raisonnement augmenté, et bien d’autres moyens d’améliorer les performances des modèles d’IA.
La chaîne de pensée s'est révélée particulièrement utile dans les applications pratiques de résolution de problèmes. Des exemples évidents incluent médecine, droitet l'éducation .
PaLM et Med-PaLM de Google intègrent des structures de chaîne de pensée et le GPT-4 d'OpenAI le fait très probablement, ce qui signifie que lorsque vous utilisez un LLM, ces approches sont déjà intégrées.
Malgré cela, la fameuse invite « Réglons cela étape par étape pour être sûrs d'avoir la bonne réponse » ou des variantes à ce sujet donner les meilleures performances LLM pour de nombreux types de tâches.
Évolution de la chaîne de pensée
Un certain nombre d'innovations ont émergé en s'appuyant sur la chaîne de pensée.
Les processus de raisonnement efficaces ne suivent pas nécessairement une trajectoire unique. Cela mène à Arbre de pensée structures, décrites dans Arbre de pensées : résolution délibérée de problèmes avec de grands modèles de langage.
Comme le montre ce diagramme tiré de l'article, la chaîne de pensée peut progresser d'abord vers la sélection du chemin le plus fréquent parmi plusieurs résultats, puis vers le meilleur parmi plusieurs chemins tout au long du processus de réflexion.
Des développements plus récents sur la chaîne de pensée incluent le très prometteur Graphique de pensée ainsi que Hypergraphe-de-la-Pensée.
De nouvelles structures de « pensée » seront au cœur des progrès de l’IA générative
La chaîne de pensée et les techniques associées ont été créées pour remédier aux limites des LLM et améliorer leurs capacités.
L’avancée continue des modèles d’IA générative reposera bien davantage sur ces types de techniques de pensée structurée que sur la capacité de calcul ou la taille du modèle. Ces approches ont déjà permis des LLM petits et efficaces pour atteindre la performance qui peut se rapprocher de celui des plus grands modèles.
Les modèles de chaîne de pensée et similaires conduisent également directement à chaînes multi-agents, dans lequel des chaînes ou des réseaux de pensée sont disposés à travers plusieurs modèles optimisés pour les tâches afin de créer un raisonnement et des résultats bien supérieurs à ceux qui peuvent être obtenus dans un seul modèle.
L’intelligence augmentée est plus importante que l’intelligence artificielle générale
« La technologie ne devrait pas viser à remplacer les humains, mais plutôt à amplifier les capacités humaines. » — Doug Engelbart
La force motrice derrière presque tout le développement de l’IA semble être la création de machines capables d’imiter et potentiellement de dépasser l’intelligence et les capacités humaines.
C’est une ambition compréhensible.
Mais je suis bien plus intéressé par comment l'IA peut augmenter l'intelligence humaine.
Nous pouvons travailler sur les deux domaines à la fois.
Mais dans tous les scénarios possibles de progrès vers l’intelligence artificielle générale, nous nous porterons mieux si nous avons consacré au moins autant d’énergie à l’intelligence artificielle. construire, apprendre et appliquer des structures de pensée humaines + IA.
Flux de travail de réflexion Humains + IA
La notion de Humains + IA est au cœur de mon travail.
Le cadre ci-dessous que j'ai créé il y a un an montre mon premier cadrage de «Workflows humains + IA», dans lequel les personnes et l’IA abordent séquentiellement les tâches pour lesquelles elles sont les mieux adaptées.
Bien conçu, cela génère inévitablement des résultats supérieurs à ce que chacun pourrait produire seul.
Depuis lors, j’ai approfondi beaucoup plus en détail quelles sont spécifiquement les meilleures structures de pensée Humains + IA.
Ce seront les fondements de la prochaine phase de l’intelligence humaine augmentée.
Chaîne de pensée pour une pensée humaine améliorée par l'IA
Les concepts découlant de la chaîne de pensée ont été développés pour améliorer les capacités autonomes des LLM.
Cependant, ils s’avèrent également extrêmement précieux pour maximiser la valeur de la collaboration entre les humains et l’IA.
Il existe une gamme de techniques pour appliquer les structures de chaîne de pensée aux flux de travail de réflexion humains + IA.
Concepts d'IA appliqués à l'intelligence augmentée
Les LLM peuvent être utilisés pour suggérer comment les tâches peuvent être décomposées en éléments séquentiels (ou en réseau), les humains ou l'IA identifiant les domaines où les capacités humaines ou l'IA peuvent être les mieux adaptées.
Une approche spécifique est décrite dans L'humain dans la boucle grâce à la chaîne de pensée, dans lequel « la correction manuelle des sous-logiques dans les justifications peut améliorer les performances de raisonnement de LLM ».
Le « cadrage » des objectifs, de la tâche et de la structure, comme le montre le diagramme de flux de travail Humains + IA, détermine la qualité des résultats. Il est généralement préférable que ce soit des humains qui utilisent des flux tels que l’IA proposant ou évaluant des paramètres.
J'intègre ces approches et d'autres dans un ensemble de « modèles de pensée améliorés par l'IA ».
Plus généralement, une grande variété de progrès en matière d’IA, et pas seulement la chaîne de pensée, peuvent être extrêmement utiles pour accroître l’intelligence humaine.
J'ai l'intention d'écrire un article similaire sur l'application des concepts de Réseaux d'adversaires génératifs à Intelligence symbiotique homme-IA structures.
Cours sur la réflexion et la prise de décision améliorées par l'IA
Mon objectif principal en 2024 est de savoir comment l’IA peut augmenter les humains.
L'une de mes activités principales consiste à organiser un cours de cohorte régulier sur Maven : Réflexion et prise de décision améliorées par l'IA. Consultez le lien pour plus de détails.
La prochaine cohorte débute le 8 février. Pour vous remercier d'avoir lu jusqu'à la fin de cet article, vous pouvez bénéficier d'une réduction de 30% en utilisant le coupon : COTARTICLE 🙂.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: https://rossdawson.com/applying-chain-of-thought-to-ai-enhanced-human-thinking/
