Giải quyết vấn đề là một trong những khả năng bẩm sinh của con người. Kể từ thời nguyên thủy, khi những thách thức lớn nhất trong cuộc sống của chúng ta không phải là bị thú dữ ăn thịt cho đến thời hiện đại là phải giao hàng nhanh về nhà, chúng ta đã kết hợp sự sáng tạo, lý luận logic và trí thông minh để đưa ra giải pháp cho các xung đột.
Bây giờ, khi chúng ta chứng kiến sự ra đời của các sinh vật có tri giác AI, chúng ta phải đối mặt với những thách thức mới liên quan đến khả năng ra quyết định của chúng. Trong khi thập kỷ trước là tất cả về việc tôn vinh các khả năng và tiềm năng của các mô hình và ứng dụng AI, thì thập kỷ này là về việc tiến xa hơn một bước nữa – để đặt câu hỏi về tính hợp pháp của các quyết định do các mô hình như vậy đưa ra và suy ra lý do đằng sau chúng.
Khi trí tuệ nhân tạo có khả năng giải thích (XAI) ngày càng trở nên quan trọng, đây là thời điểm thích hợp để thảo luận về một khái niệm then chốt trong việc phát triển các mô hình AI mà chúng ta gọi là Gợi ý Chuỗi suy nghĩ . Trong bài viết này, chúng ta sẽ giải mã và làm sáng tỏ một cách chi tiết ý nghĩa của khái niệm này cùng những thuật ngữ đơn giản.
Chuỗi suy nghĩ là gì?
Khi tâm trí con người đối mặt với một thách thức hoặc một vấn đề phức tạp, nó tự nhiên cố gắng chia nhỏ nó thành các mảnh nhỏ hơn theo trình tự các bước. Được thúc đẩy bởi logic, tâm trí thiết lập các kết nối và mô phỏng các kịch bản nguyên nhân và kết quả để lập chiến lược giải quyết tốt nhất có thể cho thách thức.
Quá trình tái tạo điều này trong một mô hình hoặc hệ thống AI được gọi là phương pháp gợi ý bằng chuỗi suy nghĩ (Chain-of-Thought prompting).
Như tên gọi của nó, mô hình AI tạo ra một chuỗi hoặc một chuỗi các suy nghĩ logic (hoặc các bước) để tiếp cận một truy vấn hoặc xung đột. Hãy hình dung điều này như việc đưa ra hướng dẫn từng chặng cho một người yêu cầu chỉ đường đến đích.
Đây là kỹ thuật chủ yếu được triển khai trong các mô hình lý luận của OpenAI. Vì chúng được thiết kế để suy nghĩ trước khi đưa ra phản hồi hoặc câu trả lời, nên chúng có thể vượt qua các kỳ thi cạnh tranh do con người tổ chức.
[Xem thêm: Mọi điều bạn cần biết về chương trình LLM ]
Lợi ích của việc nhắc nhở theo chuỗi suy nghĩ
Bất cứ điều gì được thúc đẩy bởi logic đều mang lại lợi thế đáng kể. Tương tự như vậy, các mô hình được đào tạo về chuỗi suy nghĩ không chỉ cung cấp độ chính xác và sự liên quan mà còn mang lại nhiều lợi ích đa dạng bao gồm:
Nâng cao khả năng giải quyết vấn đề , điều vô cùng quan trọng trong các lĩnh vực như chăm sóc sức khỏe và tài chính. Các hệ thống quản lý học tập (LLM) sử dụng phương pháp gợi mở tư duy giúp hiểu rõ hơn các thách thức rõ ràng và tiềm ẩn, đồng thời đưa ra giải pháp sau khi xem xét các xác suất khác nhau và các kịch bản xấu nhất.
Giảm thiểu các giả định và kết quả phát sinh từ các giả định đó bởi vì các mô hình áp dụng tư duy và quá trình xử lý logic và tuần tự để đưa ra kết luận thay vì vội vàng kết luận.
Tính linh hoạt được tăng cường vì các mô hình không cần phải được huấn luyện nghiêm ngặt trên một trường hợp sử dụng mới, mà chúng hoạt động dựa trên logic chứ không phải mục đích.
Tối ưu hóa tính mạch lạc trong các nhiệm vụ liên quan đến câu trả lời đa phần/nhiều khía cạnh.
Giải phẫu hoạt động của kỹ thuật thúc đẩy chuỗi suy nghĩ
Nếu bạn quen thuộc với kiến trúc phần mềm đơn khối, bạn sẽ biết rằng toàn bộ ứng dụng phần mềm được phát triển như một đơn vị thống nhất duy nhất. Việc đơn giản hóa một loại thuế phức tạp như vậy đã xuất hiện với phương pháp kiến trúc vi dịch vụ liên quan đến việc chia nhỏ phần mềm thành các dịch vụ độc lập. Điều này dẫn đến việc phát triển sản phẩm nhanh hơn và chức năng liền mạch.
Quá trình gợi ý CoT trong AI cũng tương tự, trong đó các LLM được hướng dẫn thông qua một loạt các quy trình suy luận tuần tự để tạo ra phản hồi. Điều này được thực hiện thông qua:
- Hướng dẫn rõ ràng, trong đó các mô hình được hướng dẫn trực tiếp để tiếp cận vấn đề theo trình tự thông qua các lệnh đơn giản.
- Hướng dẫn ngầm có cách tiếp cận tinh tế và sắc thái hơn. Trong đó, một mô hình được thực hiện thông qua logic của một nhiệm vụ tương tự và tận dụng khả năng suy luận và hiểu biết của nó để sao chép logic cho các vấn đề được trình bày.
- Ví dụ minh họa, trong đó mô hình sẽ trình bày lý luận từng bước và tạo ra những hiểu biết gia tăng để giải quyết vấn đề.
3 Trường hợp thực tế khi sử dụng CoT Prompting
Mô hình quyết định tài chính
| CoT đa phương thức trong Bots
| Dịch vụ chăm sóc sức khỏe
|
|---|---|---|
| Trong lĩnh vực có tính biến động cao này, việc thúc đẩy CoT có thể được sử dụng để hiểu được quỹ đạo tài chính tiềm năng của một công ty, tiến hành đánh giá rủi ro của người tìm kiếm tín dụng, v.v. | Chatbot được phát triển và triển khai cho doanh nghiệp đòi hỏi các chức năng chuyên biệt. Chúng phải thể hiện khả năng hiểu các định dạng đầu vào khác nhau. Nhắc nhở CoT hoạt động tốt nhất trong những trường hợp như vậy, khi bot phải kết hợp lời nhắc văn bản và hình ảnh để tạo phản hồi cho các truy vấn. | Từ việc chẩn đoán bệnh nhân từ dữ liệu chăm sóc sức khỏe đến việc lập kế hoạch điều trị cá nhân cho bệnh nhân, việc nhắc nhở CoT có thể bổ sung cho các mục tiêu chăm sóc sức khỏe cho các phòng khám và bệnh viện. |
Ví dụ
Câu hỏi của khách hàng: Tôi nhận thấy một giao dịch lạ trên tài khoản của mình, thẻ ghi nợ của tôi bị mất và tôi muốn thiết lập thông báo cho các giao dịch trên tài khoản. Bạn có thể giúp tôi giải quyết những vấn đề này không?
Bước 1: Xác định và phân loại các vấn đề
- Giao dịch không được công nhận.
- Thẻ ghi nợ bị mất.
- Thiết lập cảnh báo giao dịch.
Bước 2: Xử lý giao dịch không được nhận dạng
Yêu cầu cung cấp chi tiết: Bạn có thể cung cấp ngày và số tiền của giao dịch không?
- Nhánh 1: Nếu cung cấp thông tin chi tiết:
- Xem lại giao dịch. Nếu có gian lận, hãy hỏi xem khách hàng có muốn tranh chấp không.
- Nhánh 2: Nếu không có thông tin chi tiết:
- Đề nghị cung cấp danh sách các giao dịch gần đây.
Bước 3: Xử lý thẻ ghi nợ bị mất
Đóng băng thẻ: Khuyến nghị đóng băng ngay lập tức.
- Nhánh 1: Nếu khách hàng đồng ý:
- Đóng băng thẻ và hỏi xem họ có muốn đổi thẻ khác không. Xác nhận địa chỉ giao hàng.
- Nhánh 2: Nếu khách hàng từ chối:
- Khuyến cáo theo dõi tài khoản để phát hiện các giao dịch trái phép.
Bước 4: Thiết lập cảnh báo giao dịch
Chọn phương thức thông báo: SMS, email, hay cả hai?
- Nhánh 1: Nếu khách hàng chọn:
- Đặt cảnh báo cho các giao dịch vượt quá số tiền đã chỉ định. Yêu cầu số tiền.
- Nhánh 2: Nếu không chắc chắn:
- Đề xuất số tiền mặc định (ví dụ: 50 đô la) và xác nhận.
Bước 5: Cung cấp tóm tắt và các bước tiếp theo
- Đang điều tra giao dịch chưa được công nhận.
- Đóng băng thẻ ghi nợ và có thể phát hành thẻ thay thế.
- Thiết lập cảnh báo giao dịch theo yêu cầu.
Cơ sở lý luận:
Quy trình này giải quyết hiệu quả nhiều thắc mắc của khách hàng thông qua các bước rõ ràng và các nhánh quyết định, đảm bảo giải pháp toàn diện.
Những hạn chế của việc nhắc nhở CoT
Phương pháp suy luận chuỗi (chain-of-thought) thực sự hiệu quả nhưng nó cũng phụ thuộc vào trường hợp sử dụng và một số yếu tố khác. Có những thách thức cụ thể liên quan đến việc sử dụng suy luận chuỗi trong trí tuệ nhân tạo (AI) khiến các bên liên quan không thể tận dụng hết tiềm năng của nó. Hãy cùng xem xét những điểm nghẽn phổ biến:
Làm phức tạp quá mức các nhiệm vụ đơn giản
Trong khi nhắc nhở CoT hoạt động tốt nhất cho các nhiệm vụ phức tạp, nó có thể làm phức tạp các nhiệm vụ đơn giản và tạo ra phản hồi sai. Đối với các nhiệm vụ không yêu cầu lý luận, các mô hình trả lời trực tiếp hoạt động tốt nhất.
Tăng tải tính toán
Việc xử lý nhắc nhở CoT đòi hỏi khối lượng tính toán đáng kể và nếu kỹ thuật này được triển khai trên các mô hình nhỏ hơn được xây dựng với khả năng xử lý hạn chế, nó có thể làm chúng quá tải. Hậu quả của việc triển khai như vậy có thể bao gồm thời gian phản hồi chậm hơn, hiệu quả kém, không mạch lạc và nhiều hơn nữa.
Chất lượng của kỹ thuật nhắc nhở AI
Cơ chế gợi ý CoT trong AI hoạt động dựa trên giả định (hoặc nguyên tắc) rằng một gợi ý cụ thể được diễn đạt rõ ràng, có cấu trúc và dễ hiểu. Nếu một gợi ý thiếu các yếu tố này, cơ chế gợi ý CoT sẽ mất khả năng nắm bắt yêu cầu, dẫn đến việc tạo ra các bước tuần tự không liên quan và cuối cùng là các phản hồi không phù hợp.
[Xem thêm: Mô hình ngôn ngữ nhỏ là gì? Ví dụ thực tế và dữ liệu huấn luyện ]
Giảm khả năng ở quy mô lớn
Các bên liên quan có thể gặp khó khăn khi mô hình của họ phải sử dụng chuỗi suy nghĩ để xử lý khối lượng lớn dữ liệu hoặc tính phức tạp của các vấn đề. Đối với các tác vụ liên quan đến các bước lý luận lớn hơn, kỹ thuật này có thể làm chậm thời gian phản hồi, khiến nó không phù hợp với các ứng dụng hoặc trường hợp sử dụng đòi hỏi phải tạo phản hồi theo thời gian thực.
Kỹ thuật gợi ý CoT (Chain-of-Thought) là một kỹ thuật tuyệt vời để tối ưu hóa hiệu suất của các Mô hình Ngôn ngữ Lớn . Nếu những thiếu sót đó có thể được giải quyết thông qua các kỹ thuật tối ưu hóa hoặc các giải pháp thay thế, chúng có thể mang lại kết quả đáng kinh ngạc. Khi công nghệ phát triển, sẽ rất thú vị để xem kỹ thuật gợi ý Chuỗi suy nghĩ (Chain-of-Thought) sẽ phát triển như thế nào và trở nên đơn giản hơn nhưng cũng chuyên biệt hơn.
