Taal AI-GIDS

Analoge en stap-terug-prompts

Analoge en Step-Back-prompts leiden beide een model ertoe om eerst op een hoger niveau te redeneren: analoge prompting zorgt ervoor dat het gelijksoortige opgeloste problemen oproept, terwijl het met step-back het onderliggende principe afleidt voordat het de details aanpakt.

Luister naar deze gidsAI-verteld · ~2 min

Op deze pagina2 min lezen
  1. Overzicht
  2. Diepe duik
  3. Implementatie in de echte wereld
  4. De toekomst van analoge en stap-terug-prompts
  5. Het in de praktijk brengen
  6. Blijf verkennen
  7. Veelgestelde vragen

Overzicht

They matter because abstraction often beats diving straight into details.

Diepe duik

Dit zijn twee gerelateerde Google-onderzoekstechnieken uit 2023 om het redeneren te verbeteren. Analogische aanwijzingen, door Yasunaga en collega's, vragen het model om zelf een paar relevante voorbeelden te genereren, soortgelijke problemen die het effectief heeft gezien, en hun oplossingen voordat het doelprobleem wordt opgelost, waardoor de noodzaak voor handgeschreven voorbeelden wordt weggenomen. Step-Back-prompts, door Zheng en collega's, stellen in plaats daarvan eerst een abstractievraag ("welk algemeen principe of feit regeert dit?"), achterhalen of redeneren over dat principe, en passen het vervolgens toe op de concrete vraag. Beiden duwen het model weg van voortijdige details. Step-Back liet winst zien op natuur- en scheikundige vragen en op multi-hop redeneren, terwijl analoge aanwijzingen het genereren van wiskunde en code verbeterden door voorbeelden op maat te maken voor elk specifiek probleem.

Implementatie in de echte wereld

Een natuurkundige vraag beantwoorden door eerst de relevante wet (bijvoorbeeld de tweede wet van Newton) te vermelden via een stap terug, en vervolgens getallen in te voeren

Een nieuw wiskundig probleem oplossen door het model een aantal soortgelijke opgeloste problemen te laten oproepen via analoge aanwijzingen

Een multi-hop trivia-vraag aanpakken door een stap terug te doen naar de bredere categorie of entiteit voordat feiten aan elkaar worden gekoppeld

Code genereren door zelf een analoog algoritme en de oplossing ervan te genereren, en deze vervolgens aan te passen aan de huidige taak

De toekomst van analoge en stap-terug-prompts

Verwacht dat deze op abstractie gerichte patronen zullen samensmelten met retrievalsystemen, waarbij het stap-terug-principe een precieze vraag in een kennisbank wordt, en met agentplanners die redeneren over strategie vóór tactiek. Onderzoek verfijnt wanneer zelfgegenereerde analogieën helpen versus wanneer ze irrelevante of verkeerde voorbeelden introduceren, en combineert stap terug met verificatie, zodat het gekozen principe wordt gecontroleerd voordat er een zware redenering op wordt gebouwd. Het zijn waarschijnlijk de standaarden in op redenering afgestemde modellen.

Het in de praktijk brengen

Waarom het ertoe doet

  • Snelheid en schaal. Taalworkflows kunnen sneller verlopen zonder dat dit ten koste gaat van de consistentie.
  • Toegang en bereik. Het breidt de toegang uit naar meerdere talen en communicatiestijlen.
  • Duidelijkere beslissingen. Teams kunnen meer tijd besteden aan beoordeling, terwijl automatisering de herhaling afhandelt.

Pas op voor

  • Gehallucineerde feiten kunnen stilletjes rapporten binnendringen, stromen ondersteunen of onderzoeksresultaten opleveren.
  • Gevoeligheid voor prompts kan inconsistente resultaten opleveren voor vergelijkbare verzoeken.
  • Gevoelige tekstgegevens kunnen openbaar worden gemaakt als de toegangscontroles zwak zijn.

Volgende stappen

  1. Definieer het uitvoerformaat, de toon en de kwaliteitsnormen vóór de implementatie.
  2. Grondreacties met vertrouwde bronnen wanneer nauwkeurigheid belangrijk is.
  3. Houd een menselijk controlepunt bij voor resultaten met een hoge inzet.
  4. Houd faalpatronen bij en train prompts of workflows regelmatig opnieuw.

Blijf verkennen

Gratis nieuwsbrief

Ontvang de dagelijkse AI-briefing

Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.

Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.

Test jezelf

Take the Analogical and Step-Back Prompting quiz

Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.

Quiz starten

Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie

Veelgestelde vragen

What is Analogical and Step-Back Prompting?

Analoge en Step-Back-prompts leiden beide een model ertoe om eerst op een hoger niveau te redeneren: analoge prompting zorgt ervoor dat het gelijksoortige opgeloste problemen oproept, terwijl het met step-back het onderliggende principe afleidt voordat het de details aanpakt. Ze zijn belangrijk omdat abstractie vaak beter is dan direct in details duiken.

Wat vraagt ​​analoge prompting van het model voordat het doelprobleem wordt opgelost?

Analoge aansporing zorgt ervoor dat het model zijn eigen relevante voorbeelden en oplossingen genereert, afgestemd op het probleem.

Wat is de eerste stap bij Step-Back-prompts?

Step-Back stelt eerst een abstractievraag om het principe of feit dat het probleem beheerst naar boven te halen.

Waarom helpt het om een antwoord te baseren op een bepaald principe (een stap terug)?

Het benoemen van het leidende principe is leidend en beperkt de gedetailleerde stappen, waardoor de kans op fouten kleiner wordt.

Bij welke soorten taken liet Step-Back-prompts opmerkelijke winst zien?

Step-Back verbeterde de prestaties op wetenschappelijke vragen en multi-hop-redenering door eerst te abstraheren.

Wat is een bekend risico van analoge aanwijzingen?

Omdat het model zijn eigen analogieën bedenkt, kunnen die voorbeelden soms irrelevant of onjuist zijn, wat het antwoord schaadt.