Anjuran Analogis dan Mundur
Dorongan analogis dan Step-Back memandu model untuk bernalar pada tingkat yang lebih tinggi terlebih dahulu: dorongan analogis membuat model mengingat kembali masalah yang telah diselesaikan, sedangkan langkah mundur membuat model memperoleh prinsip dasar sebelum menangani hal-hal spesifik.
Ikhtisar
They matter because abstraction often beats diving straight into details.
Menyelam Lebih Dalam
Ini adalah dua teknik penelitian Google terkait dari tahun 2023 untuk meningkatkan penalaran. Dorongan analogis, oleh Yasunaga dan rekannya, meminta model untuk menghasilkan sendiri beberapa contoh yang relevan, masalah serupa yang telah dilihat secara efektif, dan solusinya sebelum menyelesaikan masalah target, sehingga menghilangkan kebutuhan akan contoh tulisan tangan. Step-Back prompt, yang dilakukan oleh Zheng dan rekan-rekannya, justru mengajukan pertanyaan abstraksi terlebih dahulu ("prinsip atau fakta umum apa yang mengatur hal ini?"), mengambil alasan tentang prinsip tersebut, lalu menerapkannya pada pertanyaan konkret. Keduanya menjauhkan model dari detail prematur. Step-Back menunjukkan peningkatan pada pertanyaan fisika dan kimia serta penalaran multi-hop, sementara analogis mendorong peningkatan matematika dan pembuatan kode dengan menyesuaikan contoh untuk setiap masalah spesifik.
Wawasan Teknis
Step-Back berhasil karena mendasarkan jawaban pada prinsip yang dinyatakan (misalnya, hukum atau definisi gas ideal) membatasi penalaran terperinci berikutnya dan mengurangi kesalahan pada langkah-langkah perantara. Dorongan analogis berhasil karena contoh-contoh yang dihasilkan sendiri disesuaikan dengan permasalahan yang ada, sering kali lebih relevan daripada contoh-contoh yang sudah diperbaiki, dan contoh-contoh tersebut menghasilkan pola solusi yang tepat. Keduanya menggeser komputasi ke arah mengambil abstraksi yang benar terlebih dahulu, kemudian melakukan pekerjaan mendetail yang mendasar.
Dampak Strategis
Kecepatan dan skala
Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi.
Access and reach
Ini memperluas akses lintas bahasa dan gaya komunikasi.
Clearer decisions
Tim dapat menghabiskan lebih banyak waktu untuk melakukan penilaian sementara otomatisasi menangani pengulangan.
Masa Depan Anjuran Analogis dan Langkah-Mundur
Harapkan pola-pola yang mengutamakan abstraksi ini bergabung dengan sistem pengambilan, di mana prinsip langkah mundur menjadi kueri yang tepat ke dalam basis pengetahuan, dan dengan perencana agen yang mempertimbangkan strategi sebelum taktik. Penelitian disempurnakan ketika analogi yang dihasilkan sendiri membantu versus ketika analogi tersebut memberikan contoh yang tidak relevan atau salah, dan menggabungkan langkah mundur dengan verifikasi sehingga prinsip yang dipilih diperiksa sebelum alasan yang kuat dibangun berdasarkan prinsip tersebut. Hal ini cenderung menjadi default dalam model yang disesuaikan dengan penalaran.
Implementasi Dunia Nyata
Menjawab pertanyaan fisika dengan terlebih dahulu menyatakan hukum yang relevan (misalnya hukum kedua Newton) melalui langkah mundur, lalu memasukkan angka
Memecahkan masalah matematika baru dengan meminta model mengingat beberapa masalah serupa yang diselesaikan melalui dorongan analogis
Mengatasi pertanyaan trivia multi-hop dengan kembali ke kategori atau entitas yang lebih luas sebelum merangkai fakta
Menghasilkan kode dengan menghasilkan sendiri algoritma analog dan solusinya, kemudian menyesuaikannya dengan tugas saat ini
Risiko & Pagar Pembatas
Fakta-fakta yang dihalusinasi dapat secara diam-diam masuk ke dalam laporan, aliran dukungan, atau keluaran penelitian.
Sensitivitas yang cepat dapat menimbulkan hasil yang tidak konsisten pada permintaan serupa.
Data teks sensitif mungkin terekspos jika kontrol akses lemah.
Peta Jalan Implementasi
Tentukan format output, nada, dan standar kualitas sebelum peluncuran.
Dasarkan respons dengan sumber tepercaya kapan pun akurasi penting.
Pertahankan pos pemeriksaan tinjauan manusia untuk keluaran berisiko tinggi.
Lacak pola kegagalan dan latih kembali perintah atau alur kerja secara teratur.
Terus Menjelajah
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
Next guide
Anjuran Paling Sedikit hingga Paling Banyak
Pertanyaan yang sering diajukan
What is Analogical and Step-Back Prompting?
Dorongan analogis dan Step-Back memandu model untuk bernalar pada tingkat yang lebih tinggi terlebih dahulu: dorongan analogis membuat model mengingat kembali masalah yang telah diselesaikan, sedangkan langkah mundur membuat model memperoleh prinsip dasar sebelum menangani hal-hal spesifik. Hal ini penting karena abstraksi sering kali lebih baik daripada menyelami langsung ke detail.
Apa yang diminta oleh dorongan analogis untuk dilakukan model sebelum memecahkan masalah target?
Dorongan analogis membuat model menghasilkan contoh dan solusi yang relevan, disesuaikan dengan masalahnya.
Apa langkah pertama dalam perintah Step-Back?
Step-Back pertama-tama mengajukan pertanyaan abstraksi untuk memunculkan prinsip atau fakta yang mengatur masalah.
Mengapa mendasarkan jawaban pada prinsip yang dinyatakan (Langkah-Kembali) membantu?
Menyatakan prinsip yang mengatur terlebih dahulu akan memandu dan membatasi langkah-langkah rinci, sehingga menurunkan kemungkinan kesalahan.
Pada jenis tugas apa saja dorongan Step-Back menunjukkan kemajuan yang signifikan?
Step-Back meningkatkan kinerja pada pertanyaan sains dan penalaran multi-hop dengan mengabstraksi terlebih dahulu.
Apa saja risiko yang dicatat dari dorongan analogis?
Karena model menciptakan analoginya sendiri, contoh-contoh tersebut terkadang tidak relevan atau salah, sehingga merugikan jawabannya.