- La cadena de pensamiento guía a los modelos de IA para que razonen paso a paso, ayudándoles a resolver tareas complejas con más precisión que simplemente prediciendo la siguiente palabra.
- Se utiliza mejor para problemas de varios pasos, como matemáticas, puzles lógicos o tareas procedimentales, pero es innecesario para consultas sencillas sobre hechos o de un solo paso.
- El encadenamiento de instrucciones se diferencia de la cadena de instrucciones en que divide una tarea en varias instrucciones separadas, mientras que la cadena de instrucciones se mantiene dentro de un flujo de instrucciones-respuesta.
Si has utilizado un chatbot deGPT como ChatGPT, probablemente te habrás dado cuenta de la variada calidad de los resultados.
A veces escupe exactamente lo que necesitas. Otras veces sospechas que la "inteligencia" de la IA es una farsa.
Puedes mejorar tu experiencia ChatGPT mejorando la forma en que lo incitas. La incitación por cadena de pensamiento anima a los agentes LLM a razonar paso a paso una tarea antes de generar una respuesta.
Los nuevos modelos y funciones de IA están empezando a incorporar directamente el razonamiento en cadena, de modo que sus modelos razonan automáticamente el problema sin necesidad de indicaciones adicionales.
¿Qué es el estímulo de la cadena de pensamiento?
Las instrucciones de cadena de pensamiento son una técnica de ingeniería de instrucciones en IA que instruye a los modelos para descomponer tareas complejas, razonando cada paso antes de responder.
Es posible que también oigas el término "razonamiento en cadena". Se refiere al proceso paso a paso que seguirá el modelo para razonar sobre la tarea en cuestión.
Los modelos deOpenAI o1 no requieren la incitación de la cadena de pensamiento, porque ya tienen el razonamiento de la cadena de pensamiento incorporado. Pero se puede utilizar el razonamiento en cadena en cualquier chatbot de LLM.
¿Cómo funciona el razonamiento en cadena?
El razonamiento en cadena consiste en dividir un problema en pasos lógicos más pequeños para que el chatbot lo resuelva en secuencia.
En primer lugar, la IA identifica las partes clave del problema. A continuación, procesa cada parte en secuencia, teniendo en cuenta cómo un paso lleva al siguiente. Cada paso se basa en el anterior, lo que permite a la IA avanzar metódicamente hacia una conclusión lógica.
Ejemplos de incitación a la cadena de pensamiento
La famosa "fresa
ChatGPT y otros LLMs tienen puntos débiles bien documentados. Uno de ellos es su incapacidad para identificar correctamente cuántas "erres" hay en la palabra "fresa" (probablemente la famosa limitación detrás del nombre en clave de los modelos o1: Strawberry).
ChatGPT-4o no utiliza el razonamiento en cadena. En su lugar, hace referencia a sus datos de entrenamiento y genera una respuesta basada en la probabilidad de que cada palabra siga a la anterior. Aunque puede parecer correcto la mayoría de las veces, sólo está generando para imitar el lenguaje humano, no para razonar o investigar.
Cuando le haces a ChatGPT-4o la famosa pregunta de la fresa, es incapaz de dar la respuesta correcta:
Sin embargo, puede utilizar una técnica de cadena de pensamiento para ayudar al chatbot de LLM a llegar a la respuesta correcta:
La última iteración de ChatGPT, impulsada por OpenAI o1-preview, es la primera LLM importante que utiliza el razonamiento de cadena de pensamiento sin ninguna indicación adicional.
Obtiene la respuesta a la primera, porque se le ha ordenado que siga automáticamente el mismo proceso que el segundo ChatGPT-4o anterior. La única diferencia es que realiza este proceso sin más instrucciones.
Matemáticas
Si le hicieras a una versión antigua de ChatGPT una pregunta de matemáticas sacada de un libro de texto de primaria, no siempre acertaría.
Los problemas matemáticos de varios pasos requieren razonamiento, algo que no estaba presente en la anterior LLMs. Podías desglosar cada paso del problema, pero si no conocías los pasos correctos, un LLM no podía ayudarte.
ChatGPT-4o es capaz de razonar la respuesta a la pregunta desglosando la serie de pasos del problema:
Agentes AI conectados a Hubspot
Para una aplicación en el mundo real, tomemos un agente de IA LLM que ha sido integrado en Hubspot. Un equipo de ventas utiliza este agente de IA para procesar nuevos clientes potenciales a medida que se reúnen a través de los canales.
Escenario
Unvendedor envía un nuevo cliente potencial al agente de IA y le pide que lo registre en Hubspot y envíe un correo electrónico de primer contacto, pero que no lo rellene si el cliente potencial trabaja en una empresa que ya es un cliente potencial.
LLM sin razonamiento en cadena
El agente de IALLM registra el cliente potencial y envía el correo electrónico sin comprobar si la empresa ya es un cliente potencial, omitiendo la condición clave.
LLM con razonamiento en cadena
Elagente de inteligencia artificial LLM comprueba si la empresa ya es un cliente potencial antes de actuar. Si es un cliente potencial, se salta el registro y el envío del correo electrónico; si no lo es, registra al cliente potencial y envía el correo electrónico, siguiendo con precisión las instrucciones del vendedor.
¿Cuándo debo utilizar el estímulo de la cadena de pensamiento?
El estímulo de la cadena de pensamiento se utiliza mejor en situaciones que requieren un razonamiento paso a paso.
Los principales candidatos son las tareas que implican deducciones lógicas, problemas matemáticos, tareas de procedimiento o cualquier situación que requiera respuestas en varios pasos.
Pero espera: el razonamiento suena muy bien, ¿por qué no iba a utilizarlo siempre?
Buena pregunta. No todas las preguntas requieren razonamiento. Por ejemplo:
- Preguntas sencillas, como "¿Cuál es la capital de Canadá?
- Problemas de un solo paso, como "¿Cuánto es 145 + 37?".
- Tareas de generación de contenidos, como "Escribir un correo electrónico educado de 3 frases que pregunte a mi colega si ya ha terminado su proyecto".
Prompting cambiante vs prompting de cadena de pensamiento
Aunque su nombre es similar, el encadenamiento y la cadena de pensamiento son estrategias diferentes para mejorar los resultados de la IA generativa.
Inducción a la cadena de pensamiento
Con la cadena de pensamiento, el usuario guía a la IA para que explique el razonamiento que subyace a su respuesta en una única respuesta. De este modo, la IA recorre cada paso del proceso de resolución de problemas, pero lo hace con una sola pregunta y una sola respuesta.
Por ejemplo, un aviso de cadena de pensamiento puede realizarse en un solo mensaje:
"Un equipo de RRHH tiene que revisar 5 evaluaciones de rendimiento de empleados. Cada una durará 30 minutos y necesitan 15 minutos para prepararse de antemano. Las evaluaciones senior requerirán 10 minutos más cada una. ¿Cuánto tiempo tardarán en completar 5 evaluaciones senior y 25 junior? Desglosa tu razonamiento paso a paso".
Encadenamiento de avisos
Con el encadenamiento de instrucciones, la tarea se divide en pasos separados con múltiples instrucciones, cada una de las cuales se basa en el resultado anterior. Esto ayuda a estructurar y guiar a la IA a través de una tarea compleja que probablemente implique razonamiento.
La primera pregunta podría ser:
Pregunta 1: Identifique los principales retos a los que puede enfrentarse una empresa en la transición al trabajo a distancia.
Salida:
- Lagunas de comunicación
- Mantener la productividad
- Infraestructura tecnológica
- Compromiso de los empleados
Las siguientes preguntas pueden profundizar en estos conceptos. Por ejemplo:
Pregunta 2: Por favor, dígame cómo puede una empresa encontrar soluciones a las lagunas de comunicación en la transición al trabajo a distancia.
Después de la siguiente ronda de salida, el siguiente eslabón de la cadena puede ser:
Pregunta 3: ¿Cuáles son los retos habituales a los que se enfrentan las empresas cuando adoptan estas soluciones?
Así pues, aunque ambas son similares, adoptan enfoques diferentes para extraer el contenido más profundo y relevante de las herramientas de IA generativa.
La cadena de pensamiento en Botpress
Botpress los usuarios ya están familiarizados con una función que emplea el razonamiento en cadena.
El Nodo Autónomo debutó en julio de 2024 en Botpress, una plataforma para construir agentes de IA. El Nodo Autónomo es capaz de automatizar flujos de trabajo de varios pasos y tomar decisiones de forma autónoma.
Se puede crear un Nodo Autónomo e incitarlo con una simple línea de texto, como 'Su propósito es generar clientes potenciales cualificados. Crear clientes potenciales en Salesforce cuando un usuario indique intención de compra".
El agente de IA que construyas utilizando este Nodo Autónomo llevará a cabo diversas acciones para lograr su objetivo, independientemente de los flujos de trabajo diseñados por humanos. También puede cambiar entre diferentes LLMs según sea necesario, tomando la decisión de priorizar la velocidad o la potencia.
Crea un agente autónomo personalizado
Botpress es la única plataforma de agentes de IA que permite crear agentes verdaderamente autónomos.
Botpress Studio, abierto y flexible, permite infinitos casos de uso en todos los sectores, desde recursos humanos hasta generación de contactos. Nuestra biblioteca de integración preconfigurada y nuestros extensos tutoriales permiten a los usuarios crear fácilmente agentes de IA desde cero.
Empieza a construir hoy mismo. Es gratis.
Preguntas frecuentes
¿La cadena de pensamiento sólo es útil para los modelos de inteligencia artificial o también refleja la resolución de problemas humanos?
En realidad, refleja cómo los humanos resuelven problemas complejos dividiéndolos en pasos, por lo que es una técnica útil para la IA y un reflejo del razonamiento humano natural.
¿En qué se diferencia el razonamiento en cadena del simple "pensar paso a paso"?
Están estrechamente relacionados, pero el razonamiento en cadena es más estructurado e intencionado. Obliga a la IA a explicar su lógica en voz alta, en lugar de limitarse a dar una respuesta.
¿Por qué algunos LLMs no utilizan el razonamiento en cadena por defecto?
Los modelos anteriores o más pequeños no estaban entrenados para razonar explícitamente, por lo que tienden a predecir respuestas basándose en patrones y no en pasos lógicos, a menos que se les indique lo contrario.
¿Es la cadena de pensamiento una forma de "entrenar" el modelo durante la inferencia?
No exactamente. No cambias el conocimiento del modelo, sólo influyes en su forma de resolver un problema en el momento, guiando su comportamiento con mejores instrucciones.
¿Mejora siempre la precisión el estímulo de la cadena de pensamiento?
No siempre. Funciona mejor en tareas que requieren razonamiento, pero en realidad puede complicar demasiado las cosas en el caso de preguntas sencillas y dar lugar a pasos innecesarios o incluso a errores.
.webp)
