अनुरूप और स्टेप-बैक प्रॉम्प्टिंग
एनालॉजिकल और स्टेप-बैक प्रॉम्प्टिंग दोनों एक मॉडल को पहले उच्च स्तर पर तर्क करने के लिए मार्गदर्शन करते हैं: एनालॉग प्रॉम्प्टिंग में समान हल की गई समस्याओं को याद किया जाता है, जबकि स्टेप-बैक में विशिष्टताओं से निपटने से पहले अंतर्निहित सिद्धांत प्राप्त होता है।
सिंहावलोकन
They matter because abstraction often beats diving straight into details.
गहरा गोता
तर्कशक्ति में सुधार के लिए 2023 से ये दो संबंधित Google-अनुसंधान तकनीकें हैं। यासुनागा और सहकर्मियों द्वारा एनालॉजिकल प्रॉम्प्टिंग, मॉडल को कुछ प्रासंगिक उदाहरणों को स्वयं उत्पन्न करने के लिए कहता है, समान समस्याएं जो उसने प्रभावी ढंग से देखी हैं, और लक्ष्य समस्या को हल करने से पहले उनके समाधान, हाथ से लिखे उदाहरणों की आवश्यकता को हटा देता है। झेंग और सहकर्मियों द्वारा स्टेप-बैक प्रॉम्प्टिंग, इसके बजाय पहले एक अमूर्त प्रश्न पूछता है ("कौन सा सामान्य सिद्धांत या तथ्य इसे नियंत्रित करता है?"), उस सिद्धांत के बारे में पुनर्प्राप्त या तर्क करता है, फिर इसे ठोस प्रश्न पर लागू करता है। दोनों मॉडल को समय से पहले विस्तार से दूर धकेलते हैं। स्टेप-बैक ने भौतिकी और रसायन विज्ञान के प्रश्नों और मल्टी-हॉप रीजनिंग पर लाभ दिखाया, जबकि एनालॉगल प्रॉम्प्टिंग ने प्रत्येक विशिष्ट समस्या के लिए उदाहरण तैयार करके गणित और कोड निर्माण में सुधार किया।
तकनीकी अंतर्दृष्टि
स्टेप-बैक काम करता है क्योंकि किसी उत्तर को बताए गए सिद्धांत (जैसे, आदर्श गैस कानून या परिभाषा) में ग्राउंड करना बाद के विस्तृत तर्क को बाधित करता है और मध्यवर्ती चरणों पर फिसलन को कम करता है। एनालॉग प्रॉम्प्टिंग काम करता है क्योंकि स्व-निर्मित उदाहरण हाथ में मौजूद सटीक समस्या से मेल खाते हैं, जो अक्सर निश्चित कुछ-शॉट उदाहरणों की तुलना में अधिक प्रासंगिक होते हैं, और वे एक उचित समाधान पैटर्न तैयार करते हैं। दोनों पहले सही अमूर्तता प्राप्त करने की दिशा में गणना करते हैं, फिर जमीनी स्तर पर विस्तृत कार्य करते हैं।
सामरिक प्रभाव
गति और पैमाना
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
पहुंच और पहुंच
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
स्पष्ट निर्णय
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
एनालॉग और स्टेप-बैक प्रॉम्प्टिंग का भविष्य
इन अमूर्त-प्रथम पैटर्नों को पुनर्प्राप्ति प्रणालियों के साथ विलय करने की अपेक्षा करें, जहां स्टेप-बैक सिद्धांत ज्ञान के आधार में एक सटीक क्वेरी बन जाता है, और एजेंट योजनाकारों के साथ जो रणनीति से पहले रणनीति के बारे में तर्क देते हैं। जब स्व-निर्मित उपमाएं अप्रासंगिक या गलत उदाहरण पेश करती हैं तो अनुसंधान परिष्कृत होता है, और सत्यापन के साथ स्टेप-बैक का संयोजन होता है ताकि चुने गए सिद्धांत को उस पर भारी तर्क बनाने से पहले जांचा जा सके। तर्क-अनुकूलित मॉडलों में उनके डिफ़ॉल्ट होने की संभावना है।
वास्तविक विश्व कार्यान्वयन
भौतिकी के प्रश्न का उत्तर पहले संबंधित नियम (उदाहरण के लिए, न्यूटन का दूसरा नियम) को स्टेप-बैक के माध्यम से बताकर, फिर संख्याओं को जोड़कर देना
एनालॉग प्रॉम्प्टिंग के माध्यम से मॉडल द्वारा कुछ समान हल की गई समस्याओं को याद करवाकर एक नई गणित समस्या को हल करना
तथ्यों को जोड़ने से पहले व्यापक श्रेणी या इकाई पर वापस जाकर मल्टी-हॉप ट्रिविया प्रश्न से निपटना
एक अनुरूप एल्गोरिदम और उसके समाधान को स्वयं उत्पन्न करके कोड उत्पन्न करना, फिर उसे वर्तमान कार्य के लिए अनुकूलित करना
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Analogical and Step-Back Prompting quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
कम से कम सबसे अधिक संकेत देने वाला
अक्सर पूछे जाने वाले प्रश्नों
What is Analogical and Step-Back Prompting?
एनालॉजिकल और स्टेप-बैक प्रॉम्प्टिंग दोनों एक मॉडल को पहले उच्च स्तर पर तर्क करने के लिए मार्गदर्शन करते हैं: एनालॉग प्रॉम्प्टिंग में समान हल की गई समस्याओं को याद किया जाता है, जबकि स्टेप-बैक में विशिष्टताओं से निपटने से पहले अंतर्निहित सिद्धांत प्राप्त होता है। वे मायने रखते हैं क्योंकि अमूर्तता अक्सर सीधे विवरण में गोता लगाने से बेहतर होती है।
लक्ष्य समस्या को हल करने से पहले एनालॉग प्रॉम्प्टिंग मॉडल को क्या करने के लिए कहता है?
एनालॉग प्रॉम्प्टिंग से मॉडल समस्या के अनुरूप अपने स्वयं के प्रासंगिक उदाहरण और समाधान उत्पन्न करता है।
स्टेप-बैक प्रॉम्प्टिंग में पहला कदम क्या है?
स्टेप-बैक सबसे पहले समस्या को नियंत्रित करने वाले सिद्धांत या तथ्य को सामने लाने के लिए एक अमूर्त प्रश्न पूछता है।
किसी उत्तर को बताए गए सिद्धांत (स्टेप-बैक) में शामिल करने से मदद क्यों मिलती है?
शासी सिद्धांत को पहले बताने से विस्तृत चरणों का मार्गदर्शन और अवरोध होता है, जिससे त्रुटियों की संभावना कम हो जाती है।
स्टेप-बैक प्रॉम्प्टिंग ने किस प्रकार के कार्यों में उल्लेखनीय लाभ दिखाया?
स्टेप-बैक ने पहले अमूर्तीकरण करके विज्ञान के प्रश्नों और मल्टी-हॉप रीजनिंग पर प्रदर्शन में सुधार किया।
एनालॉग प्रॉम्प्टिंग का विख्यात जोखिम क्या है?
चूँकि मॉडल अपनी स्वयं की उपमाओं का आविष्कार करता है, वे उदाहरण कभी-कभी अप्रासंगिक या गलत हो सकते हैं, जिससे उत्तर को नुकसान पहुँच सकता है।