التفضيلات
خصوصيتك مهمة بالنسبة لنا، لذلك لديك خيار تعطيل أنواع معينة من التخزين التي قد لا تكون ضرورية للوظائف الأساسية للموقع. قد يؤثر حظر الفئات على تجربتك في الموقع. مزيد من المعلومات
خصوصيتك مهمة بالنسبة لنا، لذلك لديك خيار تعطيل أنواع معينة من التخزين التي قد لا تكون ضرورية للوظائف الأساسية للموقع. قد يؤثر حظر الفئات على تجربتك في الموقع. مزيد من المعلومات
توجيه سلسلة التفكير يجعل نماذج الذكاء الاصطناعي تفكر في خطوات صريحة. تعرفوا على كيفية عملها، ولماذا تعزز الدقة، وماذا تعني بالنسبة لـ GEO.
.webp){kind=small}
.webp){kind=small}
سلسلة التفكير، التي يشار إليها غالبًا اختصارًا بـ CoT، هي طريقة لتوجيه نموذج لغوي كبير للعمل على مشكلة خطوة بخطوة بدلاً من القفز مباشرة إلى إجابة. فبدلاً من إنتاج الوجهة فقط، يرسم النموذج المسار: يقسّم سؤالاً معقداً إلى خطوات تفكير أصغر ويحلها بالتسلسل. هذا التحول البسيط يحقق مكاسب كبيرة في المهام التي تتطلب المنطق أو الرياضيات أو قفزات استدلال متعددة.
يهم تفكير سلسلة التفكير لأن النماذج اللغوية كثيرًا ما تتعثر عندما تُجبر على الإجابة عن أسئلة صعبة بقفزة واحدة. من خلال توزيع العمل عبر خطوات وسيطة، يركز النموذج على جزء واحد من المشكلة في كل مرة، مما يقلل الأخطاء ويجعل منطقه مرئياً. أصبحت هذه الفكرة أساسية في طريقة تفكير مساعدي الذكاء الاصطناعي الحديثين وشرحهم لأنفسهم.
سلسلة التفكير هي ممارسة جعل النموذج يُظهر عمله: ذكر الخطوات الوسيطة التي تؤدي إلى استنتاج بدلاً من إصدار الاستنتاج وحده. تمنح النموذج خارطة طريق يتبعها، حيث تقسّم استعلامًا معقدًا إلى سلسلة من خطوات التفكير الأصغر والمتسلسلة قبل توليد الاستجابة النهائية.
قدّم هذه التقنية باحثون في غوغل في ورقة بحثية عام 2022 بعنوان Chain of Thought Prompting Elicits Reasoning in Large Language Models. أظهروا أن توجيه النموذج عبر خطوات تفكير وسيطة حسّن بشكل كبير الأداء في حل المسائل الرياضية والتفكير المنطقي والإجابة عن الأسئلة متعددة القفزات. سرعان ما أصبحت فكرة أساسية في هندسة الأوامر.
في أبسط صورها، تغيّر CoT شكل الإجابة. يطلب التوجيه القياسي نتيجة مباشرة، وهو ما يفشل غالبًا في المسائل متعددة الخطوات. تنظّم سلسلة التفكير الاستجابة بحيث ينتج النموذج التفكير أولاً، مخصصًا الانتباه والحوسبة لكل خطوة فرعية، ثم يصل إلى الإجابة بعد إرساء الأساس.
لنأخذ سؤالاً مثل عاصمة الدولة صاحبة أكبر اقتصاد. عند الإجابة بقفزة واحدة، قد يخطئ النموذج. أما عند التقسيم إلى خطوات، أولاً تحديد الدولة، ثم ذكر اسم عاصمتها، يصبح المسار موثوقًا. هذا التقسيم هو ما يتيح للنموذج التعامل مع مشكلات معقدة جدًا بحيث يتعذر حلها في مرور واحد، وهي خاصية تربط CoT بالسلوك الأوسع لـنموذج اللغة الكبير (LLM) أثناء استدلال الذكاء الاصطناعي.
هناك نوعان رئيسيان. توفر سلسلة التفكير بأمثلة قليلة (Few-shot) للنموذج حفنة من الأمثلة المحلولة التي توضح التفكير خطوة بخطوة، بحيث يحاكي هذا النمط في المشكلة الجديدة. يتحسّن الأداء بشكل كبير عند تضمين هذه الأمثلة في الأمر.
لا تحتاج سلسلة التفكير بدون أمثلة (Zero-shot) إلى أي أمثلة على الإطلاق. من المعروف أن مجرد إضافة عبارة دعونا نفكر خطوة بخطوة إلى الأمر يُحفّز هذا السلوك. وجد بحث من جامعة طوكيو وغوغل أن هذه الحيلة ضاعفت الدقة أربع مرات في مجموعة بيانات MultiArith الرياضية، من 18 بالمئة إلى 79 بالمئة، وهي نتيجة لافتة لتغيير بهذا الصغر. هذا هو الشكل بدون أمثلة الذي يستخدمه معظم المستخدمين دون إدراك ذلك.
الفائدة الرئيسية هي الدقة في المهام المعقدة. من خلال تقسيم المشكلات إلى خطوات، يقل احتمال أن يرتكب النموذج أخطاء أو يقفز إلى استنتاجات غير منطقية، لأن كل خطوة تتعامل مع جزء يمكن التحكم فيه من المشكلة بدلاً من كل شيء دفعة واحدة. بالنسبة للمنطق متعدد الخطوات، قد يكون هذا هو الفارق بين إجابة صحيحة وأخرى خاطئة.
الفائدة الثانية هي إمكانية التفسير. عندما يكون التفكير مرئيًا، يمكن لأي شخص تتبع المكان الذي أخطأ فيه النموذج وتصحيح تلك الخطوة المحددة، مما يجعل النتائج أسهل في تصحيح الأخطاء والثقة بها. تتيح سلسلة التفكير أيضًا حقن التفكير المنطقي البديهي من خلال الأمثلة، مما يعلّم النموذج نهجًا مرغوبًا يتبناه بعد ذلك في المشكلات ذات الصلة.
سلسلة التفكير ليست شاملة. تعتمد فعاليتها بشكل كبير على حجم النموذج: تستفيد النماذج الأكبر بوضوح، بينما تكسب النماذج الأصغر القليل أو قد يتراجع أداؤها. كما أنها تساعد أكثر في المهام ذات البنية التسلسلية الحقيقية، وتضيف القليل إلى عمليات البحث البسيطة أو الأسئلة التي تفتقر إلى سلسلة تفكير واضحة.
هناك تكاليف عملية أيضًا. تنتج هذه التقنية استجابات أطول وأكثر إسهابًا، مما يستهلك عددًا أكبر من الرموز والوقت. وقد تظل تواجه صعوبة في المواضيع المتخصصة التي يفتقر فيها النموذج إلى بيانات التدريب، وصياغة أوامر أو أمثلة فعالة تتطلب بعض الخبرة. مثل أي أداة، تؤتي ثمارها عندما تُطابق المشكلة الصحيحة بدلاً من تطبيقها في كل مكان.
تطورت سلسلة التفكير من حيلة توجيه إلى قدرة مدمجة. صُمّمت نماذج الاستدلال الحديثة للتفكير عبر خطوات داخليًا قبل الإجابة، محاكية النهج البشري في حل مشكلة بدلاً من التخمين. إنها في الواقع تدمج سلسلة التفكير في النموذج نفسه، مصقولة من خلال تقنيات تدريب تكافئ التفكير السليم.
يرتبط هذا التحول بفكرة الحوسبة وقت الاختبار، حيث يخصص النموذج مزيدًا من المعالجة لحظة الإجابة للتفكير بعناية أكبر. كلما فكّر النموذج بخطوات أكثر قبل الاستجابة، كان أداؤه أفضل عادةً في المشكلات الصعبة، وهو ما يفسر اعتماد الأنظمة المركزة على الاستدلال بشدة على سلسلة التفكير خلف الكواليس.
بالنسبة لتحسين المحركات التوليدية، تشكّل سلسلة التفكير الطريقة التي يبحث بها المساعدون ويجيبون على الأسئلة المتعلقة بعلامتكم التجارية. عندما يفكر نموذج عبر استعلام معقد، ويقسمه إلى أسئلة فرعية ويجمع الأدلة لكل منها، فإنه يستقي مصادر تجيب بوضوح على تلك الخطوات الوسيطة. من المرجح أن يظهر المحتوى الذي يعالج أسئلة فرعية محددة مباشرة ويُستشهد به على طول الطريق.
هذا يكافئ العمق والوضوح. تفضّل المساعدات مثل ChatGPT وPerplexity وGemini التي تفكر خطوة بخطوة الصفحات التي تحسم نقطة دقيقة بدلاً من المحتوى الغامض والمترامي. تنظيم موادكم للإجابة على أسئلة منفصلة، نفس الأسئلة التي قد تولّدها سلسلة استدلال، يجعلها تتوافق طبيعيًا مع طريقة تفكير هذه النماذج، وهو جوهر التحسين للاكتشاف المدفوع بالذكاء الاصطناعي.
سلسلة التفكير هي تقنية جعل نموذج ذكاء اصطناعي يفكر بخطوات صريحة ومتسلسلة قبل الإجابة، قدّمتها غوغل عام 2022 وهي الآن محورية في طريقة تعامل النماذج اللغوية مع المشكلات الصعبة. تعزّز الدقة بشكل كبير، وتحسّن إمكانية التفسير، وتأتي بصيغتي بدون أمثلة وبأمثلة قليلة، رغم أنها تعتمد على حجم النموذج وتضيف إسهابًا. ومع استيعاب نماذج الاستدلال لها، أصبح التفكير خطوة بخطوة سمة مميزة للذكاء الاصطناعي الحديث.
للمزيد، اربطوا هذا بـهندسة الأوامر ونماذج الاستدلال، واستخدموا أدوات البحث وتخطيط المحتوى من Sorank لبناء المحتوى حول الأسئلة التي تفكر من خلالها نماذج الذكاء الاصطناعي. المصادر المرجعية: DataCamp، Splunk، وLearn Prompting.
سلسلة التفكير هي تقنية توجّه نموذج ذكاء اصطناعي لتقسيم مشكلة معقدة إلى خطوات وسيطة صريحة وحلها بالتسلسل قبل إعطاء إجابة نهائية. من خلال إظهار عمله بدلاً من القفز إلى استنتاج، يتعامل النموذج مع جزء واحد من المشكلة في كل مرة، مما يحسّن بشكل كبير الدقة في مهام الاستدلال والرياضيات والمهام متعددة الخطوات.
توفر سلسلة التفكير بأمثلة قليلة للنموذج بضعة أمثلة محلولة توضح التفكير خطوة بخطوة، والتي يحاكيها بعد ذلك. أما سلسلة التفكير بدون أمثلة فلا توفر أي أمثلة، وبدلاً من ذلك توجّه النموذج للتفكير بمفرده، غالبًا بمجرد إضافة عبارة مثل دعونا نفكر خطوة بخطوة. وجد بحث أن هذه العبارة البسيطة ضاعفت الدقة أربع مرات في مجموعة بيانات رياضية، من 18 إلى 79 بالمئة.
لا. تساعد أكثر مع النماذج الأكبر والمهام ذات التفكير الحقيقي متعدد الخطوات، بينما تكسب النماذج الأصغر وعمليات البحث البسيطة القليل. كما تنتج إجابات أطول وأكثر إسهابًا تستهلك عددًا أكبر من الرموز، وقد تواجه صعوبة في المواضيع المتخصصة التي تفتقر إلى بيانات تدريب. تكون سلسلة التفكير أكثر قيمة عندما تُطابق مشكلات معقدة حقيقية.
.svg)
.svg)
