คู่มือ AI ภาษา

การแจ้งแบบอะนาล็อกและแบบ Step-Back

การกระตุ้นแบบอะนาล็อกและแบบ Step-Back จะช่วยชี้แนะโมเดลให้หาเหตุผลในระดับที่สูงกว่าก่อน: การกระตุ้นแบบอะนาล็อกจะทำให้นึกถึงปัญหาที่แก้ไขแล้วที่คล้ายกัน ในขณะที่การถอยกลับจะได้หลักการพื้นฐานก่อนที่จะจัดการกับปัญหาเฉพาะ

ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min

บนหน้านี้อ่าน 2 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของการเตือนแบบอะนาล็อกและแบบ Step-Back
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

ภาพรวม

สิ่งเหล่านี้มีความสำคัญเนื่องจากการทำเป็นนามธรรมมักจะดีกว่าการลงลึกในรายละเอียดทันที

เจาะลึก

นี่เป็นเทคนิคการวิจัย Google สองประการที่เกี่ยวข้องกันตั้งแต่ปี 2023 เพื่อปรับปรุงการใช้เหตุผล การกระตุ้นเตือนแบบอะนาล็อกโดย Yasunaga และเพื่อนร่วมงาน ขอให้แบบจำลองสร้างตัวอย่างที่เกี่ยวข้องสองสามตัวอย่างด้วยตนเอง ปัญหาที่คล้ายกันที่เห็นได้อย่างมีประสิทธิภาพ และแนวทางแก้ไขก่อนที่จะแก้ไขปัญหาเป้าหมาย โดยไม่จำเป็นต้องใช้ตัวอย่างที่เขียนด้วยลายมือ เจิ้งและเพื่อนร่วมงานเสนอแนะแบบ Step-Back แทนที่จะถามคำถามเชิงนามธรรมก่อน ("หลักการทั่วไปหรือข้อเท็จจริงใดที่ควบคุมสิ่งนี้") ดึงข้อมูลหรือให้เหตุผลเกี่ยวกับหลักการนั้น จากนั้นนำไปใช้กับคำถามที่เป็นรูปธรรม ทั้งสองผลักโมเดลออกจากรายละเอียดก่อนวัยอันควร Step-Back แสดงให้เห็นถึงประโยชน์จากคำถามฟิสิกส์และเคมี และการให้เหตุผลแบบหลายฮอป ในขณะที่อะนาล็อกช่วยปรับปรุงการสร้างคณิตศาสตร์และรหัสโดยปรับแต่งตัวอย่างให้เหมาะกับปัญหาเฉพาะแต่ละข้อ

การใช้งานจริงในโลกแห่งความเป็นจริง

ตอบคำถามฟิสิกส์โดยระบุกฎที่เกี่ยวข้องก่อน (เช่น กฎข้อที่สองของนิวตัน) ผ่านการถอยกลับ จากนั้นจึงแทนตัวเลข

การแก้ปัญหาทางคณิตศาสตร์ใหม่โดยให้แบบจำลองระลึกถึงปัญหาที่ได้รับการแก้ไขที่คล้ายกันสองสามรายการผ่านการเตือนแบบอะนาล็อก

จัดการกับคำถามเบ็ดเตล็ดแบบมัลติฮอปโดยย้อนกลับไปที่หมวดหมู่หรือเอนทิตีที่กว้างขึ้นก่อนจะเชื่อมโยงข้อเท็จจริง

การสร้างโค้ดโดยการสร้างอัลกอริธึมที่คล้ายคลึงกันและวิธีแก้ปัญหาด้วยตนเอง จากนั้นจึงปรับให้เข้ากับงานปัจจุบัน

อนาคตของการเตือนแบบอะนาล็อกและแบบ Step-Back

คาดว่ารูปแบบที่เน้นนามธรรมเป็นหลักเหล่านี้จะผสานเข้ากับระบบการดึงข้อมูล โดยที่หลักการย้อนกลับกลายเป็นแบบสอบถามที่แม่นยำในฐานความรู้ และกับผู้วางแผนตัวแทนที่ให้เหตุผลเกี่ยวกับกลยุทธ์ก่อนยุทธวิธี การวิจัยกำลังได้รับการขัดเกลาเมื่อการเปรียบเทียบที่สร้างขึ้นเองช่วยได้ เมื่อเทียบกับเมื่อนำเสนอตัวอย่างที่ไม่เกี่ยวข้องหรือไม่ถูกต้อง และผสมผสานการถอยกลับเข้ากับการยืนยัน เพื่อให้หลักการที่เลือกได้รับการตรวจสอบก่อนที่จะสร้างเหตุผลที่หนักแน่นขึ้นมา สิ่งเหล่านี้มีแนวโน้มที่จะเป็นค่าเริ่มต้นในแบบจำลองที่ปรับให้เหตุผล

การนำไปปฏิบัติ

ทำไมมันถึงสำคัญ

  • ความเร็วและขนาด. ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ
  • เข้าถึงและเข้าถึง. ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร
  • การตัดสินใจที่ชัดเจนยิ่งขึ้น. ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ

ระวัง

  • ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ
  • ความละเอียดอ่อนของการแจ้งเตือนสามารถสร้างผลลัพธ์ที่ไม่สอดคล้องกันในคำขอที่คล้ายกัน
  • ข้อมูลข้อความที่ละเอียดอ่อนอาจถูกเปิดเผยหากการควบคุมการเข้าถึงอ่อนแอ

ขั้นตอนต่อไป

  1. กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว
  2. การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ
  3. รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง
  4. ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ

สำรวจต่อไป

จดหมายข่าวฟรี

รับสรุป AI รายวัน

เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา

อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ

ทดสอบตัวเอง

ทำแบบทดสอบการพรอมต์แบบใช้อุปมาอุปไมยและการถอยหนึ่งก้าว (Analogical and Step-Back Prompting)

ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร

เริ่มแบบทดสอบ

สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค

คำถามที่พบบ่อย

การพรอมต์แบบใช้อุปมาอุปไมยและการถอยหนึ่งก้าวคืออะไร

การกระตุ้นแบบอะนาล็อกและแบบ Step-Back จะช่วยชี้แนะโมเดลให้หาเหตุผลในระดับที่สูงกว่าก่อน: การกระตุ้นแบบอะนาล็อกจะทำให้นึกถึงปัญหาที่แก้ไขแล้วที่คล้ายกัน ในขณะที่การถอยกลับจะได้หลักการพื้นฐานก่อนที่จะจัดการกับปัญหาเฉพาะ สิ่งเหล่านี้มีความสำคัญเนื่องจากสิ่งที่เป็นนามธรรมมักจะเอาชนะการดำดิ่งลงสู่รายละเอียดโดยตรง

การกระตุ้นแบบอะนาล็อกขอให้โมเดลทำอะไรก่อนที่จะแก้ไขปัญหาเป้าหมาย

การกระตุ้นเตือนแบบอะนาล็อกทำให้โมเดลสร้างตัวอย่างและวิธีแก้ปัญหาที่เกี่ยวข้องของตัวเอง ซึ่งปรับให้เหมาะกับปัญหา

ขั้นตอนแรกในการแจ้ง Step-Back คืออะไร?

Step-Back ถามคำถามที่เป็นนามธรรมก่อนเพื่อเปิดเผยหลักการหรือข้อเท็จจริงที่ควบคุมปัญหา

เหตุใดการต่อสายดินตามหลักการที่ระบุไว้ (Step-Back) จึงช่วยได้

การระบุหลักการกำกับดูแลก่อนจะแนะนำและจำกัดขั้นตอนโดยละเอียด ซึ่งช่วยลดโอกาสที่จะเกิดข้อผิดพลาด

การแจ้งเตือน Step-Back แสดงให้เห็นผลกำไรที่โดดเด่นในงานประเภทใดบ้าง

Step-Back ปรับปรุงประสิทธิภาพของคำถามวิทยาศาสตร์และการให้เหตุผลแบบหลายฮอปโดยการสรุปก่อน

อะไรคือความเสี่ยงที่สังเกตได้จากการกระตุ้นเตือนแบบอะนาล็อก?

เนื่องจากแบบจำลองคิดค้นการเปรียบเทียบของตัวเอง บางครั้งแบบอย่างเหล่านั้นอาจไม่เกี่ยวข้องหรือไม่ถูกต้อง ซึ่งส่งผลเสียต่อคำตอบ

เรียนรู้ต่อไป

คำแนะนำที่เกี่ยวข้อง

คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →