- 思考の連鎖を促すプロンプトは、AIモデルを段階的に推論するように導き、単に次の単語を予測するよりも複雑なタスクをより正確に解決するのに役立つ。
- 数学、ロジックパズル、手続き的なタスクのような複数ステップの問題には最適ですが、単純な事実やシングルステップのクエリには不要です。
- プロンプトチェーニングは、思考連鎖型プロンプトとは異なり、タスクを複数の別々のプロンプトに分割する。
ChatGPTのようなGPT のチャットボットを使ったことがある人なら、アウトプットの質がまちまちであることにお気づきだろう。
必要なものを正確に吐き出してくれることもある。また、AIの「インテリジェンス」がちょっとした茶番ではないかと疑ってしまうこともある。
ChatGPTのプロンプト方法を改善することで、ChatGPTのレベルをさらに高めることができます。思考連鎖プロンプトは、 LLMエージェントが応答を生成する前に、タスクを段階的に推論することを促します。
新しいAIモデルや機能は、思考連鎖推論を直接組み込むようになってきており、余計なプロンプトなしにモデルが自動的に問題を推論するようになっている。
思考連鎖プロンプティングとは何か？
思考連鎖プロンプトとは、AIにおけるプロンプト・エンジニアリングの手法のひとつで、複雑なタスクを分解し、各ステップを推論してから応答するようモデルに指示するものである。
思考連鎖推論」という言葉も耳にするかもしれない。これは、モデルが目の前の課題を推論するためにとるステップ・バイ・ステップのプロセスを指す。
OpenAI o1モデルには思考連鎖推論がすでに組み込まれているため、思考連鎖プロンプトは必要ありません。しかし、LLM-powered chatbot であれば、思考連鎖プロンプトを使用することができます。
思考の連鎖はどのように機能するのか？
思考連鎖推論は、AIチャットボットが順番に解決するために、問題をより小さな論理的なステップに分解することを必要とする。
まず、AIは問題の重要な部分を特定する。次に、1つのステップが次のステップにどのようにつながるかを考慮しながら、各部分を順番に処理していく。各ステップは前のステップの上に構築されるため、AIは論理的な結論に向かって整然と進むことができる。
思考の連鎖を促す例
有名な「イチゴ」のプロンプト
ChatGPT などのLLMs 、その弱点はよく知られている。そのひとつは、「strawberry」という単語にいくつの「R」が含まれているかを正しく識別できないことである（おそらく、o1モデルのコードネーム「Strawberry」の背後にある有名な制限であろう）。
ChatGPT-4oは思考連鎖推論を使わない。その代わり、学習データを参照し、それぞれの単語が前の単語に続く可能性がどれだけ高いかに基づいて回答を生成する。ほとんどの場合正しく聞こえるかもしれないが、それは人間の言葉を模倣して生成しているだけで、推論や研究を行っているわけではない。
ChatGPT-4oに有名なイチゴの質問をすると、正しい答えを出すことができない：
しかし、LLM-poweredチャットボットが正しい答えにたどり着くのを助けるために、思考の連鎖を促すテクニックを使うことができます：
OpenAI o1-previewを搭載したChatGPT の最新版は、追加のプロンプトなしで思考連鎖推論を使用する最初の主要なLLM 。
これは、上記の2番目のChatGPT-4oプロンプトと同じプロセスを自動的に実行するように指示されているため、1回目のトライで答えを解読します。唯一の違いは、追加のプロンプトなしでこのプロセスを実行することである。
数学
古いバージョンのChatGPT 、小学校の教科書に載っている算数の問題を出題しても、いつも正解するとは限らない。
多段階の数学の問題には推論が必要だが、これは以前のLLMs にはなかったものだ。問題の各ステップを分解することはできるが、正しいステップを知らなければ、LLM 。
ChatGPT-4oは、問題の一連のステップを分解することで、その答えを推論することができる：
ハブスポットに接続されたAIエージェント
実際の応用例として、ハブスポットに統合されたLLM AIエージェントを考えて みよう。営業チームは、このAIエージェントを使用して、チャネルをまたいで集められた新しいリードを処理する。
シナリオ
営業担当者が新しいリードをAIエージェントに送り、ハブスポットに登録してファーストタッチポイントメールを送るよう依頼する。
LLM 思考連鎖のない推論
LLMAIエージェントはリードを登録し、企業がすでに見込み客であるかどうかをチェックせずにメールを送信する。
LLM 思考の連鎖による推論
LLM-poweredのAIエージェントは、アクションを起こす前に、その企業がすでに見込み客であるかどうかをチェックする。見込み客であれば、登録とメール送信をスキップし、そうでなければ、営業担当者の指示に正確に従いながら、リードを登録し、メールを送信する。
思考連鎖プロンプトはいつ使うべきか？
思考連鎖型プロンプトは、段階的な推論を必要とするシナリオで使用するのが最適である。
論理的な推理、数学的な問題、手続き的なタスク、あるいは複数のステップで答えを必要とする状況などが、その有力な候補となる。
でも待って：理屈は素晴らしい。
良い質問だ。すべての質問に推論が必要なわけではありません。例えば
- カナダの首都はどこですか？
- 145 + 37は何ですか」のようなシングルステップの問題。
- 例えば、『同僚にプロジェクトはまだ終わっていないかと尋ねる丁寧な3文のメールを書く』といったコンテンツ生成タスク。
変化するプロンプティング vs 思考の連鎖を促すプロンプティング
名前こそ似ているが、プロンプト・チェイニングと 思考連鎖プロンプトは、生成AIの出力を向上させるための異なるプロンプト戦略である。
思考の連鎖を促す
思考連鎖プロンプトでは、ユーザーはAIが1回の応答でその答えの背後にある理由を説明するよう誘導する。これにより、AIは問題解決プロセスの各ステップを歩むように促されるが、それは1回のプロンプトとレスポンスで達成される。
例えば、思考の連鎖を促すプロンプトは1つのメッセージで実現できる：
「人事チームは5人の従業員の業績評価を見直す必要がある。それぞれ30分かかり、事前準備に15分必要だ。年長者の評価にはそれぞれ10分余分に必要です。上級の評価5件と下級の評価25件を完了するのにかかる時間は？ステップごとに理由を説明してください。
プロンプト・チェイニング
プロンプト・チェイニングでは、タスクは複数のプロンプトを伴う個別のステップに分割され、それぞれが前の結果を基に構築される。これにより、推論を伴う複雑なタスクを構造化し、AIを誘導することができます。
最初のプロンプトは次のようなものだ：
プロンプト 1：リモートワークへの移行時に企業が直面する可能性のある主な課題を特定する。
出力：
- コミュニケーション・ギャップ
- 生産性の維持
- 技術インフラ
- 従業員エンゲージメント
次のプロンプトでは、これらのコンセプトをさらに掘り下げるかもしれない。例えば
プロンプト2：リモートワークへの移行に際して、企業がコミュニケーションギャップの解決策を見つける方法を教えてください。
次のラウンドのアウトプットの後、チェーンの次のリンクができるかもしれない：
プロンプト3：企業がこれらのソリューションを採用する際に直面する共通の課題は何ですか？
この2つは似ているが、生成AIツールから最も深く関連性のあるコンテンツを抽出するためのアプローチは異なる。
思考の連鎖を促すBotpress
Botpress のユーザーは、思考連鎖推論を採用した機能にすでに慣れ親しんでいる。
Autonomous Nodeは2024年7月、AIエージェントを構築するためのプラットフォームBotpress 。Autonomous Nodeは、複数ステップのワークフローを自動化し、自律的に意思決定を行うことができる。
自律ノードを作成し、「あなたの目的は適格なリードを生成することです。ユーザーが購入の意思を示したときにSalesforceでリードを作成します。
このAutonomous Nodeを使用して構築したAIエージェントは、人間が設計したワークフローに依存することなく、目標を達成するために様々な行動を取る。また、必要に応じて異なるLLMs 、スピードとパワーのどちらを優先するかを判断して切り替えることができる。
カスタム自律エージェントの構築
Botpress は、真に自律的なエージェントを構築できる唯一のAIエージェント・プラットフォームです。
オープンで柔軟なBotpress Studioは、人事からリードジェネレーションまで、業界を問わず無限のユースケースを可能にします。事前に構築された統合ライブラリと豊富なチュートリアルにより、ユーザーは簡単にゼロからAIエージェントを構築することができます。
今日から始めよう。無料です。
または営業チームまでお問い合わせください。
よくあるご質問
1.思考連鎖プロンプトはAIモデルだけに有効なのか、それとも人間の問題解決も反映しているのか？
思考連鎖プロンプトは、AIモデルにも、人間の問題解決を反映したものにも有用である。人が複雑な問題に取り組む際に、段階を追って推論する方法を自然に模倣しているからだ。
2.思考の連鎖による推論は、単なる「一歩一歩考える」推論とどう違うのか？
一歩一歩考える」ことは一般的なアプローチであるが、思考連鎖推論はより構造化された意図的なものであり、AIモデルが結論を急ぐのではなく、中間的な推論ステップを明示することを促すものである。
3.なぜLLMs デフォルトで思考連鎖推論を使わないのですか？
一部のLLMs、特に初期のモデルや小規模なモデルは、多段階の出力を生成するように微調整されていないため、デフォルトでは思考連鎖推論を使用せず、代わりに訓練データのパターンに基づいて可能性の高い答えを予測することに重点を置いている。
4.思考の連鎖を促すことは、推論中にモデルを「訓練」することなのか？
思考連鎖プロンプトはトレーニングの一形態ではなく、モデルのウェイトや知識を変更することはない。その代わり、プロンプトを通して構造化された推論を促すことで、推論中のモデルの出力動作をガイドする。
5.思考の連鎖を促すことは、常に精度を向上させるのか？
思考連鎖プロンプトが常に正確さを向上させるとは限らない。多段階の推論を必要とするタスクでは役立つ傾向があるが、単純なタスクでは不必要な複雑さを増し、パフォーマンスを低下させることさえある。
%20(1).webp)
