Prompteknik Chain of Thought prompting

Har du någon gång stått framför en riktigt svår uppgift och tänkt att det vore bra att prata högt med dig själv för att reda ut dina tankar? Tro det eller ej, men det här fungerar även för AI-modeller! Chain-of-thought prompting (CoT) är tekniken där du ber modellen att tänka högt, steg för steg, innan den kommer fram till ett svar. Resultatet? En mer träffsäker och begriplig AI.

Vad är chain of thought prompting egentligen?

Chain-of-thought prompting handlar om att låta modellen redogöra för varje steg den tar i sitt resonemang innan den presenterar ett slutligt svar. Istället för att AI:n bara slänger fram ett snabbt svar, får du en tydlig insyn i hur den resonerar och varför den landar i en viss slutsats. Tekniken blev känd efter att den introducerades av Wei och kollegor 2022 och visade sig göra AI-modeller betydligt bättre på komplex problemlösning.

Tänk dig en mattelärare som löser en ekvation framför klassen. Genom att visa varje steg kan eleverna hänga med och förstå processen. På samma sätt hjälper CoT-prompting modellen att resonera tydligt och korrekt.

Praktiska exempel på chain of thought

För att förstå hur CoT fungerar, ta en titt på det här enkla exemplet:

Prompt:
”Andreas har 20 äpplen. Han ger bort hälften till Emma och ytterligare 3 äpplen till Lucas. Hur många äpplen har Andreas kvar? Tänk steg för steg.”

Output:
”Andreas börjar med 20 äpplen. Han ger hälften till Emma, vilket betyder att han ger bort 10 äpplen och har 10 kvar. Sedan ger han 3 äpplen till Lucas. 10 minus 3 blir 7. Andreas har alltså 7 äpplen kvar.”

Här blir det extra tydligt att modellen förstått exakt hur den ska tänka, och du som användare kan direkt se om något resonemang gått snett.

Vad är zero-shot CoT (chain of thought)?

Vanligtvis ger du några exempel först (few-shot) för att visa AI:n hur du vill att den ska resonera. Men ibland räcker det med en enkel instruktion: ”Let’s think step by step”. Då kör modellen direkt igång med ett tydligt resonemang, helt utan tidigare exempel. Det kallas zero-shot CoT, och kan ibland vara överraskande effektivt.

Ett exempel på zero-shot CoT:

Prompt:
”Vattenkokaren kokar vatten på 3 minuter. Hur lång tid tar det att koka vatten tre gånger efter varandra? Let’s think step by step.”

Output:
”Om vattenkokaren tar 3 minuter varje gång den kokar vatten, tar det alltså totalt 3 gånger 3 minuter. 3 gånger 3 är 9. Det tar alltså 9 minuter att koka vatten tre gånger efter varandra.”

Fördelarna med chain of thought

Chain-of-thought är perfekt när du behöver:

• Lösa uppgifter som kräver flera steg, som matematiska uträkningar eller logiska resonemang.
• Få insyn i hur modellen tänker, vilket gör det enklare att upptäcka och rätta eventuella misstag.
• Förbättra modellens träffsäkerhet i komplicerade situationer, vilket annars kan vara svårt med zero-shot eller few-shot prompting.

Begränsningar och sätt att förbättra tekniken

Även om CoT är effektivt har det sina utmaningar. Väldigt långa kedjor av resonemang kan bli svåra för modellen att hålla koll på. Men det finns sätt att kringgå problemen:

• Auto-CoT: Låt modellen skapa egna exempel baserade på enkla instruktioner, vilket minskar behovet av manuellt arbete.
• Self-consistency: Låt modellen göra flera resonemang på samma uppgift och sedan välja det svar som dyker upp flest gånger, vilket förbättrar stabiliteten och precisionen.

När är CoT-prompting särskilt användbart?

Använd chain-of-thought prompting när:

• Du arbetar med uppgifter där varje steg behöver förklaras tydligt, till exempel i undervisning eller felsökning.
• Uppgiften kräver ett tydligt logiskt resonemang, matematik eller noggranna analyser.
• Du vill förstå exakt hur modellen resonerar, snarare än att bara få ett snabbt svar.

Så lyckas du med chain of thought prompting

• Formulera uppgiften tydligt och enkelt, med en uppmaning om att tänka stegvis.
• Ge några tydliga exempel först (few-shot) om uppgiften är svår.
• Utvärdera svaren och testa zero-shot med frasen ”Let’s think step by step” för enklare resonemang.

Ta nästa steg och låt AI:n tänka högt

Chain-of-thought prompting är som att ge AI-modellen möjligheten att resonera öppet, vilket leder till tydligare svar och mindre förvirring. Det är inte bara bra för AI:n – det hjälper även dig som användare att förstå vad som egentligen händer bakom kulisserna.