개요
이는 모델이 학습 예시보다 훨씬 어려운 질문에 도전할 수 있게 해주기 때문에 중요합니다.
심층 분석
2022년 Zhou와 동료들이 Google에서 소개한 Least-to-Most 프롬프팅은 두 단계로 구성됩니다. 첫째, 모델은 복잡한 질문을 더 쉬운 하위 질문들의 순서 있는 목록으로 분해하도록 프롬프트됩니다. 둘째, 모델은 이러한 하위 질문을 하나씩 해결하며, 각 해결된 답변을 컨텍스트에 추가하여 후속 단계가 이전 단계에 기반할 수 있도록 합니다. 이는 명시적인 분해 없이 단일 패스로 추론하는 체인 오브 스코트(chain-of-thought)와 다릅니다. 저자들은 기호 조작, 수학 추론, 그리고 자연어 명령으로 구성된 구성 일반화 벤치마크인 SCAN을 평가했습니다. GPT-3 code-davinci-002와 14개의 예시를 사용한 특정 SCAN 설정에서, Least-to-Most는 길이 분할을 포함한 테스트된 모든 분할에서 체인 오브 스코트 프롬프팅의 16%에 비해 99% 이상의 정확도를 달성했습니다. 이는 해당 모델, 프롬프트 설정 및 벤치마크에 대한 결과이며, 일반적인 정확도 보증은 아닙니다.
실제 구현
먼저 계산할 수량을 나열한 다음 순서대로 계산하여 다단계 단어 문제 해결
긴 명령을 짧은 예의 동작 순서로 번역하는 것과 같은 구성 언어 작업
복잡한 연구 질문을 하위 질문으로 나누어 답변을 결합하여 최종 답변으로 답변합니다.
한 번에 하나씩 해결되고 이후 단계에서 각각 재사용되는 도우미 함수로 분해하여 프로그램을 작성합니다.
최소에서 최대로 유도하는 미래
최소 대 다수 아이디어는 이제 행동하기 전에 목표를 순서가 지정된 하위 작업으로 분할하는 많은 에이전트 및 플래너 아키텍처를 뒷받침합니다. 각 하위 질문이 계산기, 검색 또는 코드 호출을 트리거할 수 있는 도구 사용과 보다 강력한 하위 답변을 위한 자체 일관성을 갖춘 하이브리드를 기대하세요. 또한 연구에서는 문제 난이도에 맞게 깊이를 조정하는 자동 분해를 연구하고 이를 검증과 결합하여 잘못된 초기 하위 답변이 전체 다운스트림 체인을 조용히 손상시키지 않도록 하고 있습니다.
실천에 옮기기
왜 중요한가요?
- 속도와 규모. 일관성을 유지하면서 언어 워크플로를 더 빠르게 진행할 수 있습니다.
- 접근 및 도달. 언어와 의사소통 스타일 전반에 걸쳐 접근성을 확장합니다.
- 더 명확한 결정들. 자동화가 반복을 처리하는 동안 팀은 판단에 더 많은 시간을 할애할 수 있습니다.
조심하세요
- 환각 사실은 보고서, 지원 흐름 또는 연구 결과에 조용히 포함될 수 있습니다.
- 신속한 민감도는 유사한 요청 간에 일관되지 않은 결과를 초래할 수 있습니다.
- 액세스 제어가 약한 경우 민감한 텍스트 데이터가 노출될 수 있습니다.
다음 단계
- 출시 전에 출력 형식, 톤, 품질 표준을 정의하세요.
- 정확성이 중요할 때마다 신뢰할 수 있는 출처를 통해 대응하세요.
- 고위험 결과물에 대한 인적 검토 체크포인트를 유지합니다.
- 실패 패턴을 추적하고 프롬프트나 워크플로를 정기적으로 재교육하세요.
계속 탐색하세요
무료 뉴스레터
일일 AI 브리핑 받기
매주 평일 아침마다 3개의 검증된 AI 스토리를 일반 영어로 작성합니다. 무료이며, 광고 없음.
매주 평일마다 한 번 이메일을 받습니다. 한 번 클릭으로 구독 해지. 주소를 판매하거나 공유하지 않습니다.
자신을 테스트해 보세요
Least-to-Most 프롬프팅 퀴즈 풀기
모든 답변에 즉각적인 피드백과, 과정을 통과하면 검증 가능한 ID가 있는 공유 가능한 인증서를 제공합니다.
무료 AI 교육을 지원합니다. AI Understanding는 501(c)(3) 비영리 단체입니다 — 광고 없음, 유료 장벽 없음, 영원히. 기부하기
자주 묻는 질문
Least-to-Most 프롬프팅이란 무엇인가요?
최소 대 최대 프롬프트는 어려운 문제를 일련의 간단한 하위 문제로 나누어 각 답변이 다음 답변에 반영되도록 순서대로 해결합니다. 이는 모델이 표시된 예보다 훨씬 더 어려운 질문을 해결할 수 있게 해주기 때문에 중요합니다.
최소 대 최대 프롬프트의 두 가지 주요 단계는 무엇입니까?
먼저 문제를 순서가 지정된 더 쉬운 하위 질문 세트로 나눈 다음 각 질문을 순서대로 해결합니다.
최소 대 최대 방식은 표준 사고 연쇄 프롬프트와 어떻게 다릅니까?
한 번의 패스로 일련의 사고 이유; 하위 응답을 최소에서 최대로 명시적으로 분해하고 연결합니다.
SCAN 벤치마크는 구성 일반화를 테스트하기 위해 어떤 유형의 작업을 사용하나요?
SCAN은 언어를 행동 시퀀스로 매핑하는 명령을 사용하여 구성 일반화를 테스트하며, Least-to-Most 논문은 프롬프트가 더 어려운 명령 구성으로 이전되는지 평가합니다.
하위 질문의 순서가 중요한 이유는 무엇입니까?
하위 문제는 이전에 해결된 문제에만 의존하도록 배열되어 답변이 올바르게 구축될 수 있도록 합니다.
해결 단계에서 중간 답변은 어떻게 사용되나요?
해결된 각 하위 답변은 실행 중인 프롬프트에 추가되므로 후속 단계에서 필요한 결과를 얻을 수 있습니다.