Yapay Zekada Chain of Thought (Düşünce Zinciri) ile Yönlendirme

Yapay zeka (YZ) sistemleri son yıllarda hızlanan bir ivmeyle ilerleme kaydederek görüntü sınıflandırma, konuşma tanıma ve dil çevirisi gibi birçok alanda insan seviyesinde performanslar elde etti. Bununla birlikte, daha karmaşık muhakeme yetenekleri söz konusu olduğunda, günümüzün yapay zekası insanın çok yönlü ve uyum sağlayabilen aklına kıyasla hala yetersiz kalabiliyor. "Chain of Thought Prompting (Düşünce Zinciri Yönlendirmesi)" adı verilen bu yeni teknik, yapay zeka sistemlerinin adım adım akıl yürütme süreçlerini göstermesini sağlayarak muhakeme yeteneklerini ileriye taşımayı hedefliyor.

Chain of Thought Prompting (Düşünce Zinciri Yönlendirmesi) Nedir?

Yapay zekanın bir cevaba ulaşabilmesi için mantıklı ve sıralı bir şekilde bir diğerine bağlayarak adım adım bir açıklama oluşturulmasını sağlayan bir yöntemdir. Bu yöntem bir problemi “düşünce zinciri” yoluyla çözmeyi gösteren örnekler oluşturarak, bir dizi tutarlı ara akıl yürütme adımları sağlar. 

Buradaki yöntem aslında oldukça basit, yapay zekayı cevaba götürecek yolları ona gösteren örnekler verin. 

Örneğin: Ezgi’nin 12 elması varsa ve bunlardan 8’ini arkadaşına verirse, geriye kaç elması kalır? sorusunu çözmek için yapay zekanın örnek bir düşünce sürecine bakalım: 

1- Ezgi’nin 12 elması vardı. 
2- Ezgi 8 elmayı arkadaşına verdi. 
3- Yani 12 - 8 = 4 elması kaldı. 
4- Bu sebeple cevap 4’tür. 

Birkaç örnek sayesinde yapay zeka yeni problemler için kendi düşünme sistemini de oluşturabilir. Bunu PaLM, LaMDA ve GPT-3 dahil olmak üzere çeşitli büyük dil modellerinde test eden araştırmacılar çarpıcı sonuçlara ulaştılar: 

- Matematik problemleri: Düşünce zinciri yönlendirmesi, zorlu problemlerde çözme oranlarını %33'ten %57'ye çıkararak görevi tamamladı. 

- Sağduyulu muhakeme: Tarih ya da spor olaylarını değerlendirmek gibi sağduyulu akıl yürütmelerde sürekli performans arttırarak devam etti. 

- Sembolik akıl yürütme: Kısa örneklerden yola çıkarak, daha uzun testlerde muhakeme kalıplarını öğrendiği için genelleme yapabildi. 

Bu araştırmaların sonucunda elde edilen bulgular:

- Ne kadar büyük modelle çalışılırsa o kadar tutarlı muhakeme zincirleri üretilebiliyor. Bu da insan benzeri çıkarımlarda bulunulması demek oluyor.

- Karmaşık ve çok adımlı isteklerde bu yöntem özellikle daha başarılı oluyor.

- Örneklerdeki ya da anlatımlardaki küçük farklılıklardan etkilenmeyecek kadar sağlam şekilde öğrenmeye devam edebiliyor.

Chain of Thought Prompting’in (Düşünce Zinciri Yönlendirmesi) Faydaları

• Karmaşık süreçleri ara adımlara ayırarak anlamayı geliştirir.
• Yapay zekanın düşünme sürecine yorumlanabilirlik ve sistematiklik sağlar.
• Sağduyu ve sembolliklik gibi akıl yürütme yöntemlerine uyum sağlar.
• Hali hazırda eğitilmiş dil modellerine minimum eğitimle muhakeme yeteneği ekleyebilir.
• Beyin fırtınası yaparak daha fazla fikir üretebilir. 

Her ne kadar umut verici gelişmelerden bahsetmiş olsak da hala cevaplanmamış sorular var. Muhakeme becerileri daha büyük dil modelleri ve daha fazla gösterimle ne kadar ölçeklenebilir? Bu yaklaşım mantığın ötesine geçerek nedensel akıl yürütmeye kadar uzanabilir mi? Bu dil modelleri akıl yürütmeyle gerçek dünyadaki olayları ne kadar güvenilir bir şekilde anlamlandırabilir? Yapay zekalar kendiliğinden düşünce zinciri oluşturmayı da öğrenebilir mi?

Doğru eğitimle, yapay zeka daha önce hiç görmediği çeşitli durumlar için çözümler yaratma kapasitesine sahip olabilir, tıpkı insanların mantık kullanarak yeni problemler üzerinde akıl yürütebildiği gibi.