Εφαρμογή Αλυσίδας Σκέψης στην βελτιωμένη με AI ανθρώπινη σκέψη – Ross Dawson

Μεταξύ των πιο σημαντικών πρόσφατων καινοτομιών για τη βελτίωση της αξίας και της αξιοπιστίας των Μεγάλων Γλωσσικών Μοντέλων είναι Αλυσίδα σκέψης και τα παράγωγά του συμπεριλαμβανομένων Δέντρο της σκέψης και Γράφημα σκέψης. 

Αυτές οι δομές είναι επίσης εξαιρετικά πολύτιμες στον αποτελεσματικό σχεδιασμό Ροές εργασίας Humans + AI για καλύτερη σκέψη.

Σε αυτό το άρθρο θα δώσω μια άποψη υψηλού επιπέδου της αλυσίδας σκέψης και στη συνέχεια θα εξετάσω τις εφαρμογές για Ανθρώπινη νοημοσύνη επαυξημένη με AI.

Αλυσίδα σκέψης

Τα μεγάλα γλωσσικά μοντέλα (LLM) είναι γενικά εξαιρετικά στη δημιουργία κειμένου, αλλά φτωχά σε οποιαδήποτε εργασία που περιλαμβάνει διαδοχική συλλογιστική.

Το έγγραφο ορόσημο Ιανουαρίου 2022 Η προτροπή της αλυσίδας σκέψης προκαλεί συλλογισμό σε μεγάλα γλωσσικά μοντέλα περιέγραψε πώς μια αλυσίδα σκέψης - «μια σειρά από ενδιάμεσα βήματα συλλογιστικής» - θα μπορούσε να βελτιώσει ουσιαστικά την απόδοση του LLM σε συλλογιστικές εργασίες, συμπεριλαμβανομένων των μαθηματικών και των παζλ κοινής λογικής.

Πιθανότατα έχετε δει αυτήν την εικόνα από το χαρτί κάνοντας τους γύρους.

Αυτή η ιδέα προσαρμόστηκε γρήγορα σε άλλες εφαρμογές όπως χρονική συλλογιστική, οπτικά μοντέλα γλώσσας, ανάκτηση επαυξημένης συλλογιστικήςκαι πολλούς άλλους τρόπους βελτίωσης της απόδοσης των μοντέλων AI.

Η αλυσίδα σκέψης έχει αποδειχθεί ιδιαίτερα πολύτιμη σε πρακτικές εφαρμογές επίλυσης προβλημάτων. Στα προφανή παραδείγματα περιλαμβάνονται ιατρική, νόμος, να εκπαίδευση. 

Το PaLM και το Med-PaLM της Google ενσωματώνουν δομές αλυσίδας σκέψης και το GPT-4 του OpenAI είναι πολύ πιθανό, πράγμα που σημαίνει ότι όταν χρησιμοποιείτε ένα LLM, αυτές οι προσεγγίσεις είναι ήδη ενσωματωμένες. 

Ακόμα κι έτσι, είναι περίφημη η προτροπή "Ας το επεξεργαστούμε βήμα προς βήμα για να είμαστε σίγουροι ότι έχουμε τη σωστή απάντηση" ή παραλλαγές σε αυτό δίνουν την καλύτερη απόδοση LLM για πολλά είδη εργασιών. 

Evolution of Chain-of-Thought

Ένας αριθμός καινοτομιών έχει προκύψει με βάση την Αλυσίδα της Σκέψης.

Οι αποτελεσματικές συλλογιστικές διαδικασίες δεν ακολουθούν απαραίτητα μία μόνο τροχιά. Αυτό οδηγεί σε Δέντρο της σκέψης δομές, που περιγράφονται στο Tree of Thoughts: Σκόπιμη επίλυση προβλημάτων με μεγάλα γλωσσικά μοντέλα.

Όπως φαίνεται σε αυτό το διάγραμμα από το έγγραφο, το Chain-of-Thought μπορεί να προχωρήσει πρώτα στην επιλογή της πιο συχνής διαδρομής από πολλαπλές εξόδους και, στη συνέχεια, στην επιλογή από την καλύτερη από τις πολλαπλές διαδρομές μέσω της διαδικασίας σκέψης. 

Οι πιο πρόσφατες εξελίξεις στο Chain-of-Thought περιλαμβάνουν τα πολλά υποσχόμενα Γράφημα σκέψης καθώς Υπεργράφημα της σκέψης. 

Οι νέες δομές «σκέψης» θα είναι κεντρικές για την παραγωγική πρόοδο της τεχνητής νοημοσύνης 

Το Chain-of-Thought και οι σχετικές τεχνικές δημιουργήθηκαν για να αντιμετωπίσουν τους περιορισμούς των LLM και να ενισχύσουν τις δυνατότητές τους. 

Η συνεχής πρόοδος των παραγωγικών μοντέλων τεχνητής νοημοσύνης θα βασίζεται πολύ περισσότερο σε αυτά τα είδη τεχνικών δομημένης σκέψης παρά σε υπολογιστική χωρητικότητα ή μέγεθος μοντέλου. Αυτές οι προσεγγίσεις έχουν ήδη ενεργοποιηθεί μικρά, αποτελεσματικά LLM για την επίτευξη απόδοσης που μπορεί να προσεγγίσει αυτό των μεγαλύτερων μοντέλων. 

Chain-of-Thought και παρόμοια μοντέλα οδηγούν επίσης απευθείας σε αλυσίδες πολλαπλών παραγόντων, στο οποίο αλυσίδες ή δίκτυα σκέψης απλώνονται σε πολλαπλά μοντέλα βελτιστοποιημένα για εργασίες για να δημιουργήσουν πολύ ανώτερη λογική και αποτελέσματα από αυτά που μπορούν να επιτευχθούν σε ένα μόνο μοντέλο.

Η επαυξημένη νοημοσύνη είναι πιο σημαντική από την τεχνητή γενική νοημοσύνη

«Η τεχνολογία δεν πρέπει να στοχεύει να αντικαταστήσει τους ανθρώπους, αλλά να ενισχύσει τις ανθρώπινες ικανότητες». — Νταγκ Ένγκελμπαρτ

Η κινητήρια δύναμη πίσω από σχεδόν όλη την ανάπτυξη της τεχνητής νοημοσύνης φαίνεται να είναι η δημιουργία μηχανών που μπορούν να μιμηθούν και ενδεχομένως να υπερβούν την ανθρώπινη νοημοσύνη και δυνατότητες.

Αυτή είναι μια κατανοητή φιλοδοξία.

Αλλά με ενδιαφέρει πολύ, πολύ περισσότερο πώς η τεχνητή νοημοσύνη μπορεί να αυξήσει την ανθρώπινη νοημοσύνη.

Μπορούμε να εργαστούμε και στους δύο τομείς ταυτόχρονα.

Αλλά σε κάθε πιθανό σενάριο για την πορεία προς την Τεχνητή Γενική Νοημοσύνη, θα είμαστε καλύτερα εάν έχουμε βάλει τουλάχιστον ίση ενέργεια σε δημιουργία, μάθηση και εφαρμογή δομών σκέψης Human + AI.

Ροές εργασίας Humans + AI Thinking 

Η έννοια της Άνθρωποι + AI βρίσκεται στην καρδιά της δουλειάς μου.

Το παρακάτω πλαίσιο που δημιούργησα πριν από ένα χρόνο δείχνει την πρώιμη πλαισίωση του "Ροές εργασίας Humans + AI», στο οποίο οι άνθρωποι και η τεχνητή νοημοσύνη αντιμετωπίζουν διαδοχικά τις εργασίες στις οποίες τους ταιριάζουν καλύτερα.

Εάν είναι καλά σχεδιασμένο, αυτό αναπόφευκτα δημιουργεί αποτελέσματα ανώτερα από αυτά που θα μπορούσε ο καθένας μόνος του. 

Από τότε σκάβω με πολύ περισσότερες λεπτομέρειες για το ποιες είναι συγκεκριμένα οι καλύτερες δομές σκέψης Άνθρωποι + AI.

Αυτά θα είναι τα θεμέλια του η επόμενη φάση της επαυξημένης ανθρώπινης νοημοσύνης.

Chain-of-Thought για βελτιωμένη ανθρώπινη σκέψη με AI

Οι έννοιες που απορρέουν από το Chain-of-Thought αναπτύχθηκαν για να ενισχύσουν τις αυτόνομες δυνατότητες των LLMs.

Ωστόσο, αποδεικνύονται επίσης εξαιρετικά πολύτιμα για τη μεγιστοποίηση της αξίας των ανθρώπων και της τεχνητής νοημοσύνης που συνεργάζονται. 

Υπάρχει μια σειρά από τεχνικές για την εφαρμογή δομών Chain-of-Thought σε ροές εργασίας σκέψης για ανθρώπους + AI.

Έννοιες AI που εφαρμόζονται στην επαυξημένη νοημοσύνη

Τα LLM μπορούν να χρησιμοποιηθούν για να προτείνουν πώς οι εργασίες μπορούν να αποσυντεθούν σε διαδοχικά (ή δικτυωμένα) στοιχεία, με ανθρώπους ή τεχνητή νοημοσύνη να προσδιορίζουν πού ταιριάζουν καλύτερα οι ικανότητες του ανθρώπου ή της τεχνητής νοημοσύνης.

Μια συγκεκριμένη προσέγγιση περιγράφεται στο Human-in-the-Loop μέσω της αλυσίδας της σκέψης, στο οποίο «η χειροκίνητη διόρθωση των υπολογικών σε συλλογισμούς μπορεί να βελτιώσει τη συλλογιστική απόδοση του LLM».

Η «πλαισίωση» των στόχων, της εργασίας και της δομής, όπως φαίνεται στο διάγραμμα ροής εργασίας Humans + AI, οδηγεί στην ποιότητα των αποτελεσμάτων. Αυτό συνήθως επιβλέπεται καλύτερα από τον άνθρωπο, χρησιμοποιώντας ροές όπως η τεχνητή νοημοσύνη που προτείνει ή αξιολογεί παραμέτρους.

Ενσωματώνω αυτές και άλλες προσεγγίσεις σε ένα σύνολο «Προτύπων Σκέψης Βελτιωμένων με AI».

Γενικότερα, μια ευρεία ποικιλία προόδων τεχνητής νοημοσύνης, όχι μόνο του Chain-of-Thought, μπορεί να εφαρμοστεί εξαιρετικά χρήσιμα για την ενίσχυση της ανθρώπινης νοημοσύνης.  

Σκοπεύω να γράψω ένα παρόμοιο άρθρο σχετικά με την εφαρμογή των εννοιών του Γενετικά Διαφορικά Δίκτυα προς την Συμβιωτική νοημοσύνη ανθρώπου-AI δομές. 

Μάθημα για τη βελτιωμένη σκέψη και λήψη αποφάσεων με AI

Η πλήρης εστίασή μου το 2024 είναι πώς η τεχνητή νοημοσύνη μπορεί να αυξήσει τους ανθρώπους.

Μία από τις κεντρικές μου δραστηριότητές είναι η εκτέλεση ενός κανονικού μαθήματος κοόρτης στο Maven: AI-Enhanced Thinking & Decision-Laking. Ελέγξτε τον σύνδεσμο για περισσότερες λεπτομέρειες.

Η επόμενη κοόρτη ξεκινά στις 8 Φεβρουαρίου. Ως ευχαριστώ που διαβάσατε μέχρι το τέλος αυτού του άρθρου, μπορείτε να λάβετε έκπτωση 30% χρησιμοποιώντας το κουπόνι: COTARTICLE 🙂.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://rossdawson.com/applying-chain-of-thought-to-ai-enhanced-human-thinking/