Chain of Thougth Prompting

Über diese Seite Werk

Gründet auf dem Werk „KI-Revolution“ Arnold Oberleiter
25. Oktober 2024 n. Chr. hrsg.
AI mit Arnie
LLMs meistern
Prompt Engineering im Standard-Interface
Überarbeitung Liste Werke von Klaus Feldmann
Abschrift
29. November 2024 n. Chr. erst.
16:45 Uhr Ausgabe 00
Ausgabe 00
veröffentlicht
geprüft
↑ Prompt Engineering für LLMs - Die einfachsten Strategien
→ Chain of Thougth Prompting
↓ Tree of Thoughts (ToT) Prompting
Chain of Thougth Prompting, Schritt für Schritt ans Ziel.mp4 Chain of Thougth Prompting, Schritt für Schritt ans Ziel.pages

🎓 Chain of Thougth Prompting

📽️ 5 Chain of Thougth Prompting, Schritt für Schritt ans Ziel (3:05)

Lasst uns das alles noch mal Schritt für Schritt durchdenken. Genau das kannst du zu ChatGPT sagen. Wenn du zu ChatGPT sagst, er soll die Dinge Schritt für Schritt durchdenken, dann wirst du fast immer wesentlich besseren Outputs bekommen.

Sieh mir einfach malbei meinem Beispiel zu:

Lasst uns ganz einfach mal mit einem schlechten Zero-Shot-Prompt starten, nur z. B.: "Wie schwer ist ein schwarzes Loch?"

Und du bekommst hier folgende Antwort:

"Die Masse eines schwarzen Loches hängt von der Menge an Materie ab, die es enthält. Schwarze Löcher entstehen, wenn massereiche Sterne am Ende ihrer Lebensdauer kollabieren und dabei eine enorme Dichte erreichen. Die Masse eines schwarzen Loches wird oft in Bezug auf die Masse unserer Sonne angegeben und als solar masses Sonnenmassen bezeichnet."

Und so weiter. Aber der ganze Output ist nicht wirklich gut.

Aber durch folgendes Bearbeiten können wir ihn besser machen:

„Denken wir Schritt für Schritt.“ safe and admit, du siehst erstmal schon, um wie viel mehr Text wir bekommen, wie viele Schritte wir haben. Die ganzen Dinge werden einfach viel, viel genauer aufbereitet und der ganze Output wird verbessert.

Das hat mehrere Gründe. Am besten erklärt es dir das hier: das Chain-of-Thought-Prompting. Hier hast du ein kleines Beispiel, was an ChatGPT-3 durchgeführt wurde, nur um zu beweisen, dass das Zeug funktioniert.

Mittlerweile sind wir in höheren Modellen, aber das Konzept bleibt das gleiche. Wenn du damals dem Modell diese Aufgabe gegeben hast:

"Dieser Roger hat 5 Tennisbälle. Er kauft zwei neue Packungen von Tennisbällen. In jeder Packung sind 3 Tennisbälle. Und wie viele Bälle hat er insgesamt?"

Dann sagt er: "Insgesamt sind es 11". Danach hast du folgende Frage gestellt. Aber der Output war falsch.

Wenn du bei diesem Modell danach aber in der Antwort bekommen hast, wie der Rechnungsweg funktioniert hat, dann wurde danach bei der nächsten Antwort der Output wieder richtig, einfach weil auch ChatGPT hier Schritt für Schritt mitdenken konnte.

Er hatte oben in seinem Chat als Referenz, wie er sich hier zu verhalten hat. Und genauso funktioniert eigentlich das Konzept vom Chain-of-Thought Prompting.

Denken wir Schritt für Schritt darüber nach. Wie gesagt, das hilft nicht nur dir, sondern das hilft auch den Sprachmodellen. Generell ist es auch eine gute Idee, ab und zu zu fragen, dass man Schritt für Schritt denken sollte. Ich mache das z. B. ständig.

Wenn du wirklich schwierige Prompts hast oder Aufgaben, die erstmal nur Schritt für Schritt haben willst, aber du willst auch, dass das Modell Schritt für Schritt mitdenkt, damit du auch bestimmt richtig gute Outputs bekommst, dann frag die Dinger ganz einfach, ob sie für dich Schritt für Schritt denken können.