GUIDE IA du langage

Invites analogiques et reculées

Les invites analogiques et de recul guident toutes deux un modèle pour qu'il raisonne d'abord à un niveau supérieur : les invites analogiques lui permettent de rappeler des problèmes résolus similaires, tandis que le recul lui permet de dériver le principe sous-jacent avant d'aborder les détails.

Écoutez ce guideNarré par l'IA · ~2 min

Sur cette page2 minutes de lecture
  1. Aperçu
  2. Plongée profonde
  3. Mise en œuvre dans le monde réel
  4. L'avenir de l'invite analogique et du recul
  5. Le mettre en pratique
  6. Continuez à explorer
  7. Questions fréquemment posées

Aperçu

They matter because abstraction often beats diving straight into details.

Plongée profonde

Il s'agit de deux techniques de recherche Google liées à partir de 2023 pour améliorer le raisonnement. L'incitation analogique, par Yasunaga et ses collègues, demande au modèle de générer lui-même quelques exemples pertinents, des problèmes similaires qu'il a effectivement rencontrés et leurs solutions avant de résoudre le problème cible, éliminant ainsi le besoin d'exemples écrits à la main. L'incitation au recul, par Zheng et ses collègues, pose d'abord une question d'abstraction (« quel principe général ou fait régit cela ? »), récupère ou raisonne sur ce principe, puis l'applique à la question concrète. Les deux éloignent le modèle des détails prématurés. Step-Back a montré des gains sur les questions de physique et de chimie et sur le raisonnement multi-sauts, tandis que l'incitation analogique a amélioré la génération de mathématiques et de code en adaptant les exemples à chaque problème spécifique.

Mise en œuvre dans le monde réel

Répondre à une question de physique en énonçant d'abord la loi pertinente (par exemple, la deuxième loi de Newton) via un retour en arrière, puis en insérant des chiffres

Résoudre un nouveau problème mathématique en demandant au modèle de rappeler quelques problèmes similaires résolus via des invites analogiques

Aborder une question triviale à plusieurs sauts en revenant à la catégorie ou à l'entité plus large avant d'enchaîner les faits

Générer du code en autogénérant un algorithme analogue et sa solution, puis en l'adaptant à la tâche en cours

L'avenir de l'invite analogique et du recul

Attendez-vous à ce que ces modèles axés sur l'abstraction fusionnent avec les systèmes de récupération, où le principe de recul devient une requête précise dans une base de connaissances, et avec les planificateurs d'agents qui raisonnent sur la stratégie avant la tactique. La recherche vise à affiner les cas où les analogies auto-générées sont utiles par rapport aux cas où elles introduisent des exemples non pertinents ou erronés, et à combiner le recul et la vérification afin que le principe choisi soit vérifié avant qu'un raisonnement approfondi ne soit construit dessus. Il s’agit probablement de valeurs par défaut dans les modèles adaptés au raisonnement.

Le mettre en pratique

Pourquoi c'est important

  • Vitesse et échelle. Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence.
  • Accès et portée. Il étend l’accès à toutes les langues et styles de communication.
  • Décisions plus claires. Les équipes peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions.

Attention à

  • Les faits hallucinés peuvent discrètement entrer dans des rapports, des flux de support ou des résultats de recherche.
  • La sensibilité des invites peut créer des résultats incohérents pour des demandes similaires.
  • Les données textuelles sensibles peuvent être exposées si les contrôles d’accès sont faibles.

Prochaines étapes

  1. Définissez le format de sortie, le ton et les normes de qualité avant le déploiement.
  2. Établissez des réponses auprès de sources fiables chaque fois que la précision est importante.
  3. Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés.
  4. Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail.

Continuez à explorer

Newsletter gratuite

Recevez le briefing quotidien sur l'IA

Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.

Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.

Testez-vous

Take the Analogical and Step-Back Prompting quiz

Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.

Démarrer le quiz

Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don

Questions fréquemment posées

What is Analogical and Step-Back Prompting?

Les invites analogiques et de recul guident toutes deux un modèle pour qu'il raisonne d'abord à un niveau supérieur : les invites analogiques lui permettent de rappeler des problèmes résolus similaires, tandis que le recul lui permet de dériver le principe sous-jacent avant d'aborder les détails. Ils sont importants parce que l’abstraction l’emporte souvent sur la plongée directe dans les détails.

Que demande l’invite analogique au modèle avant de résoudre le problème cible ?

L'incitation analogique permet au modèle de générer ses propres exemples et solutions pertinents, adaptés au problème.

Quelle est la première étape de l’invite Step-Back ?

Step-Back pose d'abord une question d'abstraction pour faire ressortir le principe ou le fait qui régit le problème.

Pourquoi fonder une réponse sur un principe énoncé (Step-Back) est-il utile ?

Énoncer le principe directeur guide et contraint d’abord les étapes détaillées, réduisant ainsi le risque d’erreurs.

Sur quels types de tâches les invites Step-Back ont-elles montré des gains notables ?

Step-Back a amélioré les performances sur les questions scientifiques et le raisonnement à plusieurs sauts en faisant d'abord l'abstraction.

Quel est le risque constaté des incitations analogiques ?

Parce que le modèle invente ses propres analogies, ces exemples peuvent parfois être non pertinents ou incorrects, ce qui nuit à la réponse.