איך גורמים לצ’טבוט לחשוב לפני שהוא עונה? עם שיטת “שרשרת המחשבה”

בינה מלאכותית היא כלי עוצמתי, אך לפעמים נדמה שהתשובות שלה שטחיות או לא מדויקות מספיק. החדשות הטובות הן שיש דרך פשוטה לגרום למודלים כמו ChatGPT, קלוד (Claude) וג’מיניי (Gemini) לחשוב בצורה מעמיקה יותר לפני שהם משיבים. הדרך הזו נקראת “שרשרת מחשבה” (Chain of Thought), והיא מאפשרת למודלים לפרק בעיות ולתת הסברים מעמיקים יותר לתשובותיהם.

מהי “שרשרת מחשבה”?

לפני הכל, צפו בסרטון הבא, בו אני מסביר בדיוק מהי “שרשרת מחשבה” ואיך משתמשים ברעיון זה במלאכת הנדסת הפרומפטים שלנו:

“שרשרת מחשבה” היא שיטה פשוטה שמאלצת את המודל להציג את תהליך החשיבה שלו במקום לתת תשובה ישירה ומיידית. הרעיון מבוסס על כך שכשמודל בינה מלאכותית “מנמק” את תשובתו, הוא מתמודד עם השאלה בצורה עמוקה יותר, מה שמוביל לתשובות מדויקות ומנומקות יותר.

איך זה עובד?
במקום לשאול שאלה רגילה, אפשר לבקש מהבוט להסביר איך הוא הגיע לתשובה שלו. פשוט הוסיפו לפרומפט שלכם:
“הצג לי את שרשרת המחשבה שלך”

לדוגמה:
❌ שאלה רגילה: “מהי הסיבה העיקרית לשינויי האקלים?”
✔ שימוש בשרשרת מחשבה: “מהי הסיבה העיקרית לשינויי האקלים? הצג לי את שרשרת המחשבה שלך.”

המודל יפרק את הבעיה לגורמים, ישקול מספר כיוונים וינמק את תשובתו, מה שיוביל לתשובה מפורטת ואמינה יותר.

למה זה משפר את איכות התשובות?

1. הגברת הדיוק

כשמודלים מסבירים את תהליך החשיבה שלהם, הם נוטים לנתח טוב יותר את הנתונים, לוודא שאין סתירות פנימיות ולהציג את המידע בצורה ברורה יותר.

2. יותר עומק ומורכבות

מודלים של בינה מלאכותית לפעמים “מנחשים” את התשובה הטובה ביותר על סמך סטטיסטיקה של מילים. כאשר הם נדרשים להסביר איך הם הגיעו לתשובה, הם נאלצים לפרק את הבעיה ולחשוב עליה יותר לעומק.

3. זיהוי טעויות וחוסר עקביות

כשמודל מציג את הלוגיקה שלו, ניתן לבדוק אם הוא טעה או הסיק מסקנות לא מדויקות. זה מאפשר למשתמשים להבין את תהליך קבלת ההחלטות של המודל ולזהות כשלים.

4. שיפור האינטראקטיביות

במקום לקבל תשובה שטחית, המשתמשים יכולים לשאול שאלות המשך שמבוססות על הדרך שהמודל הציג, מה שמוביל לשיח חכם ומעמיק יותר.

מודלי ריזונינג: מי מובנה לכך ומי לא?

ישנם מודלים שתוכננו מראש לפעול לפי עקרונות של ריזונינג (Reasoning) ולבצע תהליכי הסקה רב-שלבית לפני שהם מציגים תשובות. מודלים כמו o1 ו-o3 של OpenAI, דיפסיק R1 ולאחרונה אפילו אנטרופיק הציגו יכולת דומה עם מצב החשיבה Extend בקלוד 3.7 סונטה.

מודלים אלו כוללים מנגנונים פנימיים שמאפשרים להם לפרק בעיות לשלבים ולבצע ניתוח לוגי לפני מתן תשובה. מודלים אלה עובדים בצורה “טבעית” יותר עם שיטת “שרשרת מחשבה”, מכיוון שהם כבר בנויים לחשוב בשלבים ולנמק את מסקנותיהם.

עם זאת, גם מודלים שלא נבנו מראש לריזונינג מעמיק יכולים להפיק תועלת מהשיטה. על ידי שימוש נכון בפרומפטים והוספת בקשות מפורשות כמו “פרק את הבעיה לשלבים” או “הסבר את הדרך בה הגעת למסקנה”, ניתן “לאלץ” את המודל לבצע תהליך חשיבה מסודר המדמה ריזונינג רב-שלבי. זהו יתרון משמעותי, כיוון שהוא מאפשר להחיל תהליכי ניתוח גם על מודלים בסיסיים יותר, וכך לקבל תשובות איכותיות יותר גם ממודלים שלא נבנו במקור למטרה זו.

איך מיישמים את זה בפועל?

השימוש בשרשרת מחשבה הוא פשוט, וכל מה שצריך לעשות זה לשנות מעט את אופן השאלות שאתם שואלים.

דוגמאות לשימוש:

1. פתרון בעיות מתמטיות

❌ שאלה רגילה: “מהו 23 כפול 17?”
✔ שאלה עם שרשרת מחשבה: “מהו 23 כפול 17? הצג את שלבי החישוב שלך.”

2. הבנה של מושגים מורכבים

❌ שאלה רגילה: “מהו תהליך האבולוציה?”
✔ שאלה עם שרשרת מחשבה: “מהו תהליך האבולוציה? פרט את השלבים המרכזיים של התהליך וההיגיון מאחוריהם.”

3. קבלת החלטות מבוססות נתונים

❌ שאלה רגילה: “איזו מניה עדיף לקנות?”
✔ שאלה עם שרשרת מחשבה: “איזו מניה עדיף לקנות? הצג את הנימוקים שלך, כולל גורמים כמו שווי שוק, טרנדים ומדדי צמיחה.”

האם זה מתאים לכל סוגי השאלות?

ברוב המקרים, כן. אבל ישנם מקרים שבהם בקשה לשרשרת מחשבה לא תועיל או תוביל לתשובות מלאכותיות:

• שאלות פשוטות מדי – אם תבקשו הסבר על “מהי עיר הבירה של צרפת?”, המודל יפרט בצורה מיותרת.
• שאלות מבוססות דעה אישית – מודלים לא “חושבים” באמת, אלא מבססים תשובות על המידע הזמין להם.
• שאלות שאין עליהן מידע רב – אם הנושא נדיר או חדש מאוד, ייתכן שהמודל יתקשה לייצר הסבר מעמיק.

הנדסת פרומפטים: כלי עוצמתי לשיפור ביצועי הצ’טבוט שלכם

שימוש נכון בפרומפטים הוא אחד הכלים החזקים ביותר לשיפור הדיוק של בינה מלאכותית. במקום להסתמך רק על המודל, אפשר לכוון אותו לתת תשובות איכותיות יותר על ידי שינוי האופן שבו אנו שואלים שאלות.

שיטת “שרשרת מחשבה” היא רק דוגמה אחת להנדסת פרומפטים – יש עוד טכניקות רבות שיכולות לשפר את תוצאות הצ’טבוטים שלכם. במאמר הבא תמצאו הרחבה לשיטות דומות נוספות, כמו “שלד המחשבה” (SOT) ועוד.

לסיכום

אם אתם רוצים לקבל תשובות איכותיות, מדויקות ומבוססות יותר מצ’טבוטים, נסו לשלב “שרשרת מחשבה” בפרומפטים שלכם. זוהי דרך פשוטה אך אפקטיבית לגרום למודל להפעיל יותר “חשיבה” לפני שהוא משיב, מה שמוביל לתוצאות מעמיקות, מבוססות ומהימנות יותר.

וזכרו – אל תסתפקו רק בתשובה, בקשו גם לראות את הדרך אליה!