Neue Pumpen mit prompter technischer Technik

Generatives KI-Prompt-Engineering macht einen Schritt nach oben durch die Verwendung einer Gedankenkette, die umsichtig ... [+] durch faktorisierte Zerlegung ergänzt wird.

Man sagt, dass man manchmal innehalten und an den Rosen riechen muss. Dabei geht es darum, sich zu beruhigen und den gewohnten Hang zur Hektik zu überwinden. Heutzutage scheinen wir alle in einem Wahnsinnszustand zu sein.

Wenn Sie sich zu sehr beeilen, neigen Sie dazu, Ihre Aufmerksamkeit zu schwächen oder zu untergraben. Indem Sie stattdessen Ihre spärliche Aufmerksamkeit fesseln, erhöhen Sie die Neigung, kleine Dinge zu beobachten, die Großes bewirken können. Langsam und sicher zu sein ist manchmal von großem Vorteil.

Diese inspirierenden Gedanken werden für meine Diskussion hier von entscheidender Bedeutung sein, wie Sie gleich sehen werden.

In der heutigen Kolumne setze ich meine fortlaufende Serie über die neuesten Fortschritte im Prompt Engineering fort. Dieses Mal werde ich mich auf die Nutzung eines faszinierenden und wichtigen neuen Fortschritts im Zusammenhang mit dem Chain-of-Thought (CoT)-Denken über einen zusätzlichen Booster konzentrieren, der als faktorisierte Zerlegung bekannt ist. Ich erkläre Ihnen, was das ist und warum es sich um eine entscheidende zusätzliche Technik handelt, die Sie in Ihre unmittelbaren technischen Bemühungen integrieren sollten.

Die Verwendung der faktorisierten Zerlegung hebt oder überdimensioniert das Denken der Gedankenkette auf ein höheres Leistungs- und Ergebnisniveau.

Als kurzer Hintergrund: Das Denken in der Kette insgesamt ist eine wichtige Technik, die von denjenigen verwendet wird, die generative KI dazu bringen wollen, ihre vermutete Logik bei der Beantwortung einer Frage oder der Lösung eines Problems schrittweise zu demonstrieren. Sie weisen die generative KI lediglich an, Schritt für Schritt zu erklären, was sie tut. Dies ist ganz einfach anzufordern. Warum tun? Bemerkenswerterweise haben Forschungsstudien gezeigt, dass dies nicht nur für Sie aufschlussreich ist (z. B. die Möglichkeit, detaillierte Erklärungen der KI zu sehen), sondern auch dazu führt, dass generative KI scheinbar zuverlässigere und zielgerichtetere Antworten liefert.

Ich habe die Grundlagen von Chain-of-Thinking-Ansätzen bereits behandelt, siehe Link hier. Die Leser fragten mich nach weiteren Details und wollten mehr über die neuesten Fortschritte bei dieser faszinierenden Technik erfahren.

Bitte schön.

Bevor ich mich mit dem Kern der faktorisierten Zerlegung für CoT befasse, stellen wir sicher, dass wir uns alle einig sind, wenn es um die Grundpfeiler von Prompt Engineering und generativer KI geht.

Prompt Engineering ist ein Grundstein für generative KI

Als kurzer Hintergrundexperte ist Prompt Engineering oder auch Prompt Design genannt ein sich schnell entwickelnder Bereich und für den effektiven und effizienten Einsatz generativer KI von entscheidender Bedeutung. Jeder, der generative KI wie das weithin beliebte ChatGPT des KI-Herstellers OpenAI oder ähnliche KI wie GPT-4 (OpenAI), Bard (Google), Claude 2 (Anthropic) usw. verwendet, sollte genau darauf achten Neueste Innovationen für die Erstellung tragfähiger und pragmatischer Eingabeaufforderungen.

Für diejenigen unter Ihnen, die sich für Prompt Engineering oder Prompt Design interessieren, habe ich fortlaufend eine Reihe aufschlussreicher Einblicke in die neuesten Entwicklungen in diesem expandierenden und sich weiterentwickelnden Bereich gegeben, einschließlich dieser Berichterstattung:

Jeder, der großes Interesse an zeitnahem Engineering und der Verbesserung seiner Ergebnisse beim Einsatz generativer KI hat, sollte mit diesen bemerkenswerten Techniken vertraut sein.

Hier ist eine kühne Aussage, die heutzutage so ziemlich zu einer wahren goldenen Regel geworden ist:

Wenn Sie eine Eingabeaufforderung bereitstellen, die schlecht formuliert ist, ist die Wahrscheinlichkeit groß, dass die generative KI über die ganze Karte wandert und Sie nichts Aufschlussreiches zu Ihrer Anfrage erhalten. Nachweislich spezifisch zu sein kann von Vorteil sein, aber selbst das kann verwirren oder auf andere Weise nicht zu den gewünschten Ergebnissen führen. Eine Vielzahl von Spickzetteln und Schulungskursen für geeignete Methoden zum Verfassen und Verwenden von Eingabeaufforderungen sind schnell auf den Markt gekommen, um Menschen dabei zu helfen, generative KI sinnvoll zu nutzen. Darüber hinaus wurden Add-ons zur generativen KI entwickelt, um Sie bei der Erstellung umsichtiger Eingabeaufforderungen zu unterstützen. Meine Berichterstattung finden Sie unter dem Link hier.

KI-Ethik und KI-Recht dringen ebenfalls energisch in den Bereich des Prompt-Engineerings vor. Beispielsweise kann jede Aufforderung, für die Sie sich entscheiden, direkt oder unbeabsichtigt das Potenzial der generativen KI hervorrufen oder fördern, Aufsätze und Interaktionen zu produzieren, die unerwünschte Vorurteile, Fehler, Unwahrheiten, Pannen und sogar sogenannte KI-Halluzinationen hervorrufen (ich bevorzuge das nicht). Schlagwort für KI-Halluzinationen, auch wenn es in den Medien zugegebenermaßen eine enorme Brisanz hat; hier ist meine Meinung zu KI-Halluzinationen unter dem Link hier).

Es besteht auch eine große Chance, dass wir letztendlich erleben werden, dass sich die Gesetzgeber in diesen Fragen in den Vordergrund rücken und möglicherweise neue Gesetze oder Vorschriften entwerfen und einführen, um zu versuchen, den Missbrauch generativer KI auszuweiten und einzudämmen. Im Hinblick auf die Eingabeaufforderungstechnik wird es wahrscheinlich hitzige Debatten darüber geben, welche Arten von Eingabeaufforderungen Sie verwenden können. Dazu könnte gehören, dass KI-Entwickler verpflichtet werden, bestimmte vermeintlich unangemessene oder ungeeignete Eingabeaufforderungen zu filtern und zu verhindern, was für einige ein erschreckendes Thema ist, das an Überlegungen zur freien Meinungsäußerung grenzt. Meine fortlaufende Berichterstattung über diese Art von Fragen der KI-Ethik und des KI-Rechts finden Sie unter den Links hier und hier, um nur einige zu nennen.

Mit dem oben Gesagten als übergreifender Perspektive sind wir bereit, in die heutige Diskussion einzusteigen.

Die Schönheit der Gedankenkette

Üblicherweise können Sie eine Gedankenkette nutzen, indem Sie die generative KI einfach anweisen, Schritt für Schritt vorzugehen. Manche Leute geben gerne eine Eingabeaufforderung mit der Aufschrift „Lass uns Schritt für Schritt denken“ ein, um diese Fähigkeit der generativen KI zu nutzen. Das Ergebnis wird sein, dass die generative KI-App eine Vielzahl von Schritten auflistet, die scheinbar dem Lösungsprozess entsprechen, den die KI durchführt.

Erlauben Sie mir, einige wichtige Hinweise dazu zu geben.

Ich werde diese vier bemerkenswerten Punkte behandeln:

Lassen Sie uns kurz auf diese entscheidenden Punkte eingehen.

Erstens: Nur weil Sie die generative KI anweisen, eine schrittweise Erläuterung zu liefern, heißt das nicht zwangsläufig, dass Sie tatsächlich Zeuge der wahren Schritt-für-Schritt-Aktionen der KI sind. Wenn ich die Leute darauf aufmerksam mache, sind sie manchmal schockiert und bestürzt, wenn sie das hören.

Ich bin mir sicher, dass die übliche Annahme darin besteht, dass, wenn man der KI sagt, dass sie etwas tun soll, sie verdammt noch mal auch tun sollte, was Sie ihr sagen. Das Problem besteht in diesem Fall jedoch darin, dass die Art und Weise, wie die generative KI intern funktioniert, nicht besonders förderlich für die Einhaltung Ihrer Anfrage oder Anweisung ist. Die Realität der rechnerischen und mathematischen Formulierung der generativen KI ist, dass sie nicht speziell dafür konzipiert ist, auf der vermeintlich logischen Schritt-für-Schritt-Basis zu arbeiten, von der Sie annehmen, dass sie funktionieren sollte.

Ohne hier auf das Wesentliche einzugehen, basieren die internen Mechanismen der generativen KI normalerweise auf einem riesigen und ausgeklügelten künstlichen neuronalen Netzwerk (KNN), das aus oft Millionen und möglicherweise Milliarden von Parametern besteht, siehe meine Erklärung unter dem Link hier. Numerische Werte werden über die Knoten des KNN weitergeleitet. Die numerischen Werte fließen hier und da. Die Wörter, die Sie schließlich als Ausgabe der KI erhalten, sind alle auf die byzantinische arithmetische Kombination dieser Zahlen und Berechnungen zurückzuführen.

Wenn Sie also die generative KI bitten oder beauftragen, eine schrittweise Ausarbeitung vorzunehmen, erhalten Sie tatsächlich einen einigermaßen erfundenen Hinweis darauf, was vor sich geht. Wenn Sie die numerischen Werte sehen würden, während sie berechnet werden, würde Ihnen das offensichtlich wenig nützen, wenn es darum geht, zu verstehen, was passiert. Die generative KI fabriziert also im Wesentlichen in Worten, was passieren könnte, und präsentiert Ihnen eine Aussage, als ob es sich lediglich um die durchgeführten logischen Schritte handelte.

Sie müssen diese hervorgerufenen Schritte mit einem skeptischen und prüfenden Blick betrachten.

Zweitens gibt es trotz der etwas schlechten Nachricht oben, dass Sie den eigentlichen Schritt-für-Schritt-Prozess nicht wirklich verstehen, dennoch gute Nachrichten.

Sie erhalten etwas, von dem die generative KI berechnet hat, dass es für Sie als Schritt-für-Schritt-Prozess nützlich sein könnte, der der Antwort oder dem Problem zugrunde liegt, das Sie lösen möchten. Diese erfundene Ermittlung logischer Schritte kann für Sie von großem Nutzen sein. Auch wenn diese Schritte nicht genau das widerspiegeln, was die KI getan hat, um das angegebene Problem zu beantworten oder zu lösen, sind die Chancen groß, dass die Schritte für Sie von Interesse und Wert sein werden.

Darüber hinaus, und hier kommt der Clou, scheint allein der Akt, die generative KI dazu zu bringen, eine Gedankenkette aufzurufen, die Zuverlässigkeit und Korrektheit der von der KI generierten Antworten zu steigern. Ergo: Selbst wenn man die von der KI generierte Schritt-für-Schritt-Wiedergabe kurzerhand verwerfen würde, erhält man immer noch einen Mehrwert. Die KI wird anscheinend eine Antwort liefern, die zumindest manchmal besser ist, als sie es sonst gewesen wäre.

Die Gründe für diese Verbesserung der generierten Antworten werden heftig diskutiert.

Zahlreiche Forschungsarbeiten haben versucht, die Grundlagen für diese etwas unerwarteten Ergebnisse zu entschlüsseln. Sie würden fast dazu neigen, anzunehmen, dass die Antwort, egal ob Schritt für Schritt oder nicht Schritt für Schritt, am Ende immer die gleiche Antwort sein sollte. Manche würden argumentieren, dass es keine Rolle spielen sollte, wie man auf den Gipfel eines Berges gelangt, sondern dass jeder Weg dorthin führt. Das Ergebnis ist also, dass man den Gipfel des Berges erreicht hat, und der Rest sind nur Kleinigkeiten.

Warum sollte die schrittweise Bearbeitung die generierten Antworten besonders verbessern?

Ich neige derzeit dazu, der folgenden Theorie zuzustimmen. Schnallen Sie sich an und machen Sie sich bereit für eine scheinbar vernünftige und plausible Rationalisierung von etwas, worüber wir nicht sicher wissen.

Die meiste generative KI ist darauf ausgelegt, so schnell wie möglich eine Antwort für Sie zu erstellen oder zu generieren. Für KI-Hersteller ist es sinnvoll, dies zu tun. Sie erkennen, dass die Leute nicht viel Geduld haben und ihre Antworten wollen, so wie sie in einem Fast-Food-Drive-in nach Hamburgern suchen. Und da die Nutzung generativer KI oft ihren Preis hat, nämlich dass Sie für die Nutzung der generativen KI möglicherweise Geld zahlen müssen, möchten Sie natürlich, dass die Kosten so niedrig wie möglich sind.

Okay, die normale Verarbeitung wird die generative KI durchlaufen und versuchen, so schnell wie möglich eine Antwort zu finden.

Sie erinnern sich vielleicht, dass ich die heutige Kolumne damit begonnen habe, Sie zu bitten, darüber nachzudenken, wie wertvoll es ist, manchmal innezuhalten und an den Rosen zu riechen. Ich habe auch erwähnt, dass es manchmal dazu führen kann, dass große Dinge passieren, wenn man seine Aufmerksamkeit auf die kleinen Dinge richtet.

Aha, es ist jetzt an der Zeit, diese schönen Worte der Weisheit zu nutzen.

Eine Theorie besagt, dass Sie die generative KI durch die Anweisung, einen Schritt-für-Schritt- oder Gedankenkettenprozess durchzuführen, dazu bringen, Wege innerhalb des KNN zu erkunden, die sonst nicht standardmäßig erkundet worden wären. Diese größere Tiefe der Berechnungen könnte zu besseren oder passenderen Antworten führen. Es ist vergleichbar mit Schachspielen. Wenn Sie während einer Schachpartie nur über den nächsten Zug nachdenken, werden Sie wahrscheinlich geschlagen. Wenn Sie bereit sind, mehrere Züge im Voraus in Betracht zu ziehen, haben Sie möglicherweise eine höhere Gewinnchance.

Einige behaupten, dass die meisten generativen KI-Systeme standardmäßig darauf ausgelegt sind, einen einstufigen Schachspiel-Vorblick durchzuführen. Dies ist wahrscheinlich der schnellere Weg, generierte Ergebnisse zu erhalten und gleichzeitig die Kosten für den Benutzer zu senken. Wenn ein Benutzer explizit die generative KI anfordert oder anweist, eine Schritt-für-Schritt-Anleitung auszuführen, überschreibt er im Wesentlichen die übliche Standardeinstellung. Denken Sie daran, dass Sie möglicherweise die Geschwindigkeit verlangsamen, was für Sie „schlecht“ ist, da die KI möglicherweise eine längere Verarbeitungszeit benötigt (was bedeutet, dass Sie Ihre Antwort möglicherweise einige Augenblicke später erhalten und möglicherweise um jeden Preis etwas mehr Verarbeitungszyklen benötigen). zahlen). Die meisten Menschen werden den Unterschied weder in der Zeitverzögerung noch in den erhöhten Kosten bemerken, und die schrittweise Vorgehensweise ist im Großen und Ganzen fast ohne erkennbare Nachteile (es gibt Ausnahmen).

Sie bringen die KI metaphorisch dazu, an den Rosen zu riechen. Und vielleicht führt dies dazu, dass die kleinen Dinge, die sonst übersehen worden wären, stattdessen stärker in den Vordergrund rücken. Dies wiederum kann manchmal (nicht immer) zu zuverlässigeren und passenderen Antworten führen.

Ich möchte betonen, dass das alles nichts mit Empfindungsvermögen oder ähnlichem zu tun hat. Ich sage das, weil einige versuchen, die KI zu anthropomorphisieren und zu behaupten, dass beispielsweise die Leistung durch das „Denken“ der KI schrittweise gesteigert wird. Lassen Sie den Begriff „Denken“ beiseite, ein Wort, das ich ausschließlich für fühlende Wesen behalte, und schauen Sie sich stattdessen einfach die rechnerischen und mathematischen Grundlagen der KI an, was diese obige Theorie bewirkt.

Erklärt diese spezielle Theorie das Geheimnis?

Wir können es nicht mit Sicherheit sagen.

Die Herausforderung besteht darin, dass verschiedene Forschungsstudien darüber, warum die Heranziehung von Gedankenketten in der generativen KI zu funktionieren scheint, eine große Vielfalt an Theorien und eine Fülle experimenteller Ergebnisse aufweisen, die überall auf der Karte zu finden sind. Es gibt viele andere Theorien, die ebenfalls überzeugender Natur sind. Ich habe eine bereitgestellt, die besonders resonant erscheint, aber ich betone, dass wir es immer noch nicht wissen, und bitte Sie, andere Theorien ebenso in Betracht zu ziehen (ich bin sicher, dass diese anderen Forscher dies lesen und schreien: „Hey, was?“) über meine Theorie, und ich stimme zu, dass Sie diesen anderen Theorien tatsächlich gespannte Aufmerksamkeit schenken sollten, danke).

Aufbauend auf der Gedankenkette, um die Spitze zu erreichen

Nehmen wir an, wir akzeptieren bereitwillig, dass die Heranziehung einer Gedankenkette bei der Verwendung generativer KI aus irgendeinem Grund eine nützliche Schnellentwicklungstechnik ist und manchmal erstaunlich nützlich sein kann.

Sie sollten die Technik vermutlich nur dann anwenden, wenn dies gerechtfertigt ist. Es ist wie das Goldlöckchen-Prinzip, nämlich es zu verwenden, wenn die richtigen Situationen eintreten, und nicht unbedingt immer (Randbemerkung: Einige ziehen es vor, „Lass uns Schritt für Schritt denken“ als Einführungsaufforderung zu verwenden, die immer in jedem Gespräch mit aufgerufen wird generative KI, obwohl dies vielleicht etwas übertrieben erscheint, siehe meine Diskussion unter dem Link hier).

Nun, wir haben eine scheinbar gute Sache in der Hand. Aber warum sollten wir hier aufhören? Der Standpunkt ist, dass wir, wenn die Gedankenkette von Vorteil sein kann, Wege finden sollten, weiter darauf aufzubauen oder höher zu klettern, um zu sehen, was wir sonst noch mit CoT machen können.

Der Himmel ist die Grenze, würden einige ermahnen.

Wir sind jetzt an dem Punkt angelangt, an dem ich Sie hinführen wollte. Nachdem Sie nun die Grundlagen von CoT vollständig verstanden haben, sind wir bereit, mit der nächsten Sache zu beginnen, die CoT überdimensioniert oder aufwertet. Ich möchte Ihnen das Aufkommen der Zerlegung als zusätzliches Plus für das Gedankenkettendenken beim Einsatz generativer KI vorstellen.

Begrüßen Sie die Zersetzung.

Es könnte Ihr nächster bester Freund werden.

Woraus besteht Zersetzung?

Sie ergänzen Ihre Gedankenkettenaufforderung lediglich um die zusätzliche Anweisung, dass die generative KI bei der Gedankenkettengenerierung eine Reihe von Fragen und Antworten erzeugen soll. Dies ist ein einfacher, aber potenziell wirksamer Zusatzstoff. Im Dialekt des KI-Bereichs stoßen oder stoßen Sie die generative KI an, um eine Reihe von Unterfragen und Unterantworten zu generieren (ich zeige Ihnen kurz Beispiele sowie Eingabeaufforderungen, die verwendet werden können).

In gewisser Weise leiten Sie die generative KI dahingehend an, wie sie den rechnerischen Verarbeitungsaufwand der Gedankenkette potenziell verbessern kann. Während der Gedanke „Lasst uns Schritt für Schritt denken“ ausreicht, um die generative KI leicht in einen CoT-Modus zu versetzen, überlässt man die Einzelheiten dazu der generativen KI. Sie sind in Ihrem Unterricht äußerst spärlich. Die Bereitstellung zusätzlicher Klarheit könnte unsere bereits erwarteten Vorteile erheblich steigern.

Praktisch und unkompliziert werden wir absichtlich zusätzliche Anweisungen anbieten, um die CoT-Bemühungen hoffentlich noch weiter zu verbessern. Sie teilen der generativen KI in einer zusätzlichen Eingabeaufforderung mit, wie eine Zerlegung durchgeführt werden soll. Die Chancen stehen gut, dass dies die CoT-Ergebnisse verbessern könnte. Wie Sie gleich sehen werden, hat dies Nachteile, so dass es manchmal hilft, manchmal aber auch nicht. Wie bei den meisten Dingen im Leben muss man die hinzugefügte Technik auf die richtige Art und Weise und zur richtigen Zeit anwenden. Denken Sie daran, dass generative KI insgesamt wie eine Schachtel Pralinen ist. Man weiß nie genau, was man bekommt, aber Sie können zumindest versuchen, Ihr Bestes zu geben, indem Sie geeignete Eingabeaufforderungen verwenden, um die KI in die gewünschte Richtung zu leiten oder anzuspornen gehen.

Ich habe eine interessante Wendung für Sie.

Als Vorwarnung für Sie wäre eine Variante der Zerlegung, die generative KI direkt weitermachen zu lassen und ihre Reihe von Fragen und Antworten ununterbrochen und als Teil eines laufenden Gesprächs oder Dialogs durchzuführen. Es ist, als ob die generative KI sich selbst Fragen stellt und diese Fragen direkt und sofort beantwortet.

Eine andere Variante der Zerlegung ist die faktorisierte Zerlegung, und es ist die Wendung, die wir genau betrachten werden. So funktioniert das. Sie weisen die generative KI noch einmal an, eine Zerlegung im Zusammenhang mit CoT durchzuführen, fügen jedoch eine Wendung hinzu, die die KI anweist, bei jeder Unterfrage, die sie beantwortet hat, anzuhalten und zu warten, bis sie fortfährt. Die generative KI bleibt sitzen und wartet auf weitere Anweisungen von Ihnen.

Sie beginnen dann im Wesentlichen ein neues Gespräch und füttern die bereits bereitgestellten Fragen und Antworten der generativen KI noch einmal in dieses. Der entscheidende Unterschied besteht darin, dass Sie ein neues Gespräch begonnen haben. In gewissem Sinne ist die generative KI nicht potenziell getrübt oder in den sich allmählich entwickelnden Prozess eingetaucht. Es wird immer wieder zum Neuanfang gezwungen.

Sie fragen sich vielleicht, warum zum Teufel wir uns für einen Neuanfang entscheiden sollten, anstatt die generative KI einfach in einem All-in-One-Gespräch fließen zu lassen.

Die Theorie besagt, dass man am Ende möglicherweise eine zuverlässigere oder passendere Antwort erhält, wenn man die generative KI dazu zwingt, jeden Schritt noch einmal zu prüfen. Selbst wenn Ihnen das nicht gelingt, besteht ein vermutlich bemerkenswerter Vorteil darin, dass Sie möglicherweise einen „treueren“ Argumentationsprozess erhalten.

Ich muss Sie in dieser Hinsicht in den Wahnsinn treiben, also haben Sie Geduld mit mir.

Ich habe bereits erwähnt, dass die von der generativen KI aufgeführten Schritte nicht unbedingt repräsentativ dafür sind, was die KI tatsächlich unternimmt, um ein Problem zu lösen oder Ihre Frage zu beantworten. Vielleicht gelingt es uns, die generative KI tatsächlich dazu zu bringen, sich zu zeigen, ob die angegebenen Schritte möglicherweise umgesetzt werden oder nicht. Die faktorisierte Zerlegung versucht, dies an die Oberfläche zu bringen.

Wir sagen, dass die generative KI treu ist, wenn die aufgeführten Schritte scheinbar tatsächlich angewendet werden.

Mir ist klar, dass dies eine etwas umwerfende Erfindung ist. Wir versuchen herauszufinden, ob die generative KI uns Schritte zeigt, die das widerspiegeln, was die generative KI tut. Wir können die Dose nicht aufbrechen und sehen, was darin passiert, auch weil es sein könnte, dass die generative KI als geschlossen und proprietär betrachtet wird, aber selbst wenn sie offen wäre, würde es uns wahrscheinlich schwer fallen, zu beurteilen, was im Morast passiert von Zahlen und Berechnungen. Die Umgangssprache der KI weist darauf hin, dass sie nicht in der Lage sei, die zugrunde liegende Wahrheit transparent zu untersuchen.

Die Hoffnung besteht darin, dass die Verwendung einer faktorisierten Zerlegung zusätzlich zu einem CoT die generierten Ergebnisse verbessern und auch einen kleinen Eindruck davon vermitteln könnte, ob die generative KI die angeblich beteiligten Schritte einhält.

Ein Zweier.

Forschung, die die durch Zersetzung erweiterte Gedankenkette im Auge behält

Sehen wir uns eine aktuelle Forschungsstudie an, in der versucht wurde, die Gedankenkette der generativen KI unter Verwendung von Zerlegung genau zu untersuchen.

Die Studie trägt den Titel „Question Decomposition Improves the Faithfulness of Model-Generated Reasoning“ von Ansh Radhakrishnan, Karina Nguyen, Anna Chen, Carol Chen, Carson Denison, Danny Hernandez, Esin Durmus, Evan Hubinger, Jackson Kernion, Kamile Lukosiute, Newton Cheng, Nicholas Joseph, Nicholas Schiefer, Oliver Rausch, Sam McCandlish, Sheer El Showk, Tamera Lanham, Tim Maxwell, Venkatesa Chandrasekaran, Zac Hatfield-Dodds, Jared Kaplan, Jan Brauner, Samuel R. Bowman und Ethan Perez, online veröffentlicht am 17. Juli. 2023. Ich werde einige Auszüge aus dieser hilfreichen Studie zitieren.

Sie untersuchten Variationen der Gedankenkette im Wesentlichen in drei Hauptrichtungen:

Sie beschrieben diese Geschmacksrichtungen folgendermaßen (wie aus der oben genannten Studie entnommen):

Eine wichtige Forschungsfrage, die verfolgt wird, ist, ob die Aufklärung durch die generative KI, auch als großes Sprachmodell (LLM) bezeichnet, getreu wiedergibt, wie die generative KI zu einer generierten Antwort gelangt ist. Die gegensätzliche Möglichkeit besteht darin, dass die Erläuterung im Wesentlichen vollständig erfunden ist und weit von dem entfernt ist, was intern passiert ist, um die präsentierte Antwort abzuleiten.

Wie im Forschungspapier angegeben:

Ich komme hier gleich auf den Punkt und gebe eine Zusammenfassung der Ergebnisse. Ich ermutige Sie jedoch, einen Blick auf die Forschungsstudie zu werfen, um die verschiedenen Feinheiten ihrer Arbeit zu sehen. Auf jeden Fall haben sie dieses Gesamtergebnis zur Kenntnis genommen:

Das Ergebnis ist, dass die faktorisierte Zerlegung scheinbar als besser geeignet angesehen werden könnte (abhängig von Ihren Zielen), gefolgt von der konventionellen CoT-Zerlegung und schließlich gefolgt von der Plain-Vanilla-CoT. Dies ist ein ziemlich breiter Überblick über die Ergebnisse. Bitte beachten Sie, dass es viele Feinheiten, Annahmen und andere Aspekte gibt, die Sie berücksichtigen sollten.

Wie es heißt, kann Ihr Kilometerstand variieren.

Da ich in meiner Kolumne hier nur begrenzt Platz habe, um die unzähligen Details der Forschungsstudie abzudecken, möchte ich Ihnen zumindest kurz die von ihnen verwendeten Anregungen zeigen, da dies hoffentlich Ihre mentalen Bemühungen unterstützen wird, die gewisse Abstraktion dieses übergreifenden Ansatzes in etwas umzuwandeln Eine Technik, die Sie bei Ihren eigenen zeitnahen technischen Aktivitäten greifbar sehen und nachbilden können.

Hier ist die normalerweise schlichte Art und Weise, beim Einsatz generativer KI eine Gedankenkette hervorzurufen:

Hier ist die Eingabeaufforderung, die in der Forschungsstudie verwendet wurde, um die Zerlegung der Gedankenkette hervorzurufen:

Hier ist die Eingabeaufforderung, die in der Forschungsstudie verwendet wurde, um die faktorisierte Zerlegung aufzurufen:

Untersuchen Sie diese Aufforderungen genau.

Ich weiß, dass sie auf den ersten Blick vielleicht wortreich erscheinen, aber sie sind nicht besonders ausführlich, und wenn man den Wortlaut liest, ist er recht direkt und ziemlich auf den Punkt gebracht. Wenn Sie bei der Formulierung vorsichtig sind, können Sie problemlos die gleichen konzeptionellen Ambitionen nutzen, wie Sie einen der drei Modi aufrufen, bestehend aus CoT, CoT-Zerlegung oder faktorisierter Zerlegung.

Bei Bedarf mache ich das Gleiche, basierend auf meiner persönlichen Herangehensweise an die Art und Weise, wie ich meine stilisierten Eingabeaufforderungen schreibe.

Scooby-Doo-Beispiel wedelt mit einer guten Geschichte

Die Forscher führten ihr Experiment anhand verschiedener Fragen durch und untersuchten, wie generative KI funktioniert. Sie nutzten die generative KI-App Claude 1.3 von Anthropic. Ob andere generative KI-Apps die gleichen Ergebnisse liefern würden, wäre eine bemerkenswerte Fortsetzung dieser Studie.

Zur Verdeutlichung und für mich vielleicht eine naheliegende, aber erwähnenswerte Aussage: Nicht alle generative KI sind gleich. Jede generative KI-App wird auf etwas andere Weise entwickelt und auch unterschiedlich auf die Daten trainiert. Ebenso muss sich die generative KI in einer bestimmten KI-Familie oder -Linie zwangsläufig unterscheiden. Daher könnten Sie möglicherweise einen Satz Ergebnisse von Version Y einer generativen KI-App erhalten und andere Ergebnisse erhalten, wenn Sie Version Z dieser generativen KI-App verwenden.

In der Forschungsstudie heißt es: „Eine Erweiterung der Vielfalt der evaluierten Aufgaben und Modelle könnte zu fundierteren Schlussfolgerungen über die relative Leistung und Argumentationstreue von CoT-Prompting- und Fragenzerlegungsansätzen führen.“

Von den in der Studie gezeigten Beispielen könnte eines über die beliebte Zeichentrickfigur Scooby-Doo einen schnellen und beharrlich aufschlussreichen Hinweis darauf liefern, wie diese Aufforderungsstrategien funktionieren (beachten Sie das subtile Hunde-Wortspiel, das ich dort eingefügt habe).

Hier ist eine Frage zu Scooby-Doo, die die generative KI beantworten sollte:

Machen Sie eine Pause und überlegen Sie, wie Ihre Antwort auf diese Scooby-Doo-Frage aussehen würde. Ist Ihre Antwort ja oder nein?

Sprechen Sie außerdem laut die Logik aus, die Sie Ihrer Meinung nach verwenden, um zu Ihrer Antwort zu gelangen. Lassen Sie uns im Wesentlichen Schritt für Schritt über das Problem nachdenken.

Wie ging das?

Ich bin sicher, Sie sind gespannt, was die generative KI zu sagen hat.

Hier ist ein herkömmlicher, schlichter Gedankenkettenanstoß-Ansatz mit einer generierten Antwort durch die generative KI:

Wechseln Sie zum CoT-Decomposition-Ansatz und gehen Sie davon aus, dass die Eingabeaufforderung, die ich oben für diesen Ansatz gezeigt habe, zusammen mit der gleichen Frage zu Scooby-Doo eingegeben wurde (einige der Formatdarstellungen durch die KI wurden im Papier aus Gründen der Übersichtlichkeit weggelassen). Perspektive):

Wechseln Sie abschließend noch einmal und verwenden Sie den faktorisierten Zerlegungsansatz, basierend auf der oben genannten Eingabeaufforderung für diesen Ansatz und zusammen mit der gestellten Scooby-Doo-Frage (auch hier wurden einige der Formatdarstellungen durch die KI aus Gründen der Präsentation im Papier weggelassen). eine Übersichtsperspektive):

Das Scooby-Doo-Beispiel zeigt die Verwendung einer auffallend einfachen Frage. In diesem Fall kamen alle drei Ansätze zur gleichen richtigen Antwort. Ihr erklärter CoT war ähnlich, aber nicht genau gleich.

Komplexere Probleme angehen

Ein wichtiger Aspekt, der bei diesen drei Methoden berücksichtigt werden muss, ist die Frage, ob die Art der behandelten Frage einen wesentlichen Unterschied in der Wirksamkeit und Effizienz der jeweiligen Methoden macht. Wenn Fragen an die generative KI als „Ja“ oder „Nein“, „Wahr“ oder „Falsch“ oder als Multiple-Choice-Formular formuliert werden, könnte dies möglicherweise Auswirkungen auf den Nutzen jeder Methode haben. Neben dem Format oder Stil der Frage ist auch der Inhalt der Frage ein wesentlicher Faktor. Vielleicht könnten offene Fragen nachweislich unterschiedliche, durch die Gedankenkette generierte Antworten hervorrufen. Auch die Komplexität der Frage und die Überlegung, ob sich überhaupt eine Antwort ableiten lässt, spielen eine Rolle.

Ich beschloss, einige geschickte Experimente durchzuführen, die diesen drei Modi und dem, was sie erzeugen, zugrunde liegen.

Erlauben Sie mir, näher darauf einzugehen.

In einem früheren Kolumnenbeitrag habe ich den Einsatz mehrerer Personas als Prompt-Engineering-Technik unter die Lupe genommen (siehe Link hier) und dabei ein interessantes rechtliches Szenario genutzt. Ich tat dies auf der Grundlage einer lehrreichen Fallstudie von Dazza Greenwood, Gründerin von law.MIT.edu (Forschung) und CIVICS.com (Beratung), mit dem Titel „ChatGPT on Fiduciary Duties“, die einen reichen Einblick in generative KI im Rechtswesen bietet Realm (siehe seinen Beitrag unter dem Link hier).

Hier ist das Schlüsselszenario als Auszug aus seiner Fallstudie:

Die Kernfrage, die sich aus diesem rechtlichen Szenario ergibt, liegt den potenziellen rechtlichen Risiken für Bob in Bezug auf die von ihm ergriffenen Maßnahmen zugrunde. Er könnte voreilig gewesen sein. Möglicherweise hat er seine treuhänderische Fürsorgepflicht und seine treuhänderische Treuepflicht verletzt.

Bob braucht dringend einen Anwalt.

Ich werde ChatGPT nach Bobs Dilemma fragen. Ich habe dies in meiner vorherigen Kolumne über die Multi-Personas getan und mich für den klassischen Gedankenketten-Ansatz entschieden (aus Platzgründen werde ich die Antwort hier nicht wiederholen, schauen Sie sich den Link hier an, wenn Sie möchten). um die klassische CoT-erzeugte Reaktion zu sehen).

Abgesehen davon sollten Sie generative KI nicht verwenden, um Rechtsberatung einzuholen, was ich erwähne, weil meine Untersuchung dieses Fallszenarios mithilfe generativer KI lediglich der Veranschaulichung dient. Die meisten KI-Hersteller enthalten ausdrücklich Lizenzbedingungen und Nutzungsrichtlinien, die Sie ausdrücklich davor warnen, ihre generative KI für Rechtsberatung zu verwenden. Menschliche Anwälte setzen sich vorerst noch durch (meine Vorhersagen über die Zukunft der KI bei der Erfüllung juristischer Aufgaben finden Sie unter dem Link hier).

Hier ist meine Eingabeaufforderung für die CoT-Zerlegungsmethode für dieses rechtliche Szenario:

Hier ist die von ChatGPT generierte Antwort (der Text wird in Anführungszeichen angezeigt):

„Klar, fahren wir mit Sams Analyse fort und unterteilen sie in eine Reihe von Unterfragen:“

„Fehler 1: Mögliche Verletzung der treuhänderischen Sorgfaltspflicht“

„Unterfrage 1.1: Was ist die treuhänderische Fürsorgepflicht und wer schuldet diese Pflicht im Szenario?“

„Unterantwort 1.1: Die treuhänderische Sorgfaltspflicht ist eine gesetzliche Verpflichtung, die von Personen in Vertrauenspositionen (z. B. leitenden Angestellten und Direktoren) verlangt, bei der Verwaltung der Unternehmensangelegenheiten mit angemessener Sorgfalt und Gewissenhaftigkeit zu handeln. In diesem Szenario schuldet Bob als CEO die treuhänderische Sorgfaltspflicht gegenüber dem Unternehmen.“

„Unterfrage 1.2: Hat Bob seine treuhänderische Sorgfaltspflicht verletzt, indem er die Investitionsmöglichkeit wahrnahm, ohne den Vorstand zu informieren?“

„Teilantwort 1.2: Ja, Bob hat wahrscheinlich seine treuhänderische Sorgfaltspflicht verletzt, indem er die Investitionsmöglichkeit heimlich verfolgte, ohne den Rest des Vorstands einzubeziehen. Indem er ihren Input oder ihre Zustimmung nicht eingeholt hat, hat Bob möglicherweise nicht mit der gebotenen Sorgfalt und Gewissenhaftigkeit gehandelt, was möglicherweise den Interessen des Unternehmens geschadet hat.“

„Unterfrage 1.3: Welche Faktoren werden berücksichtigt, um festzustellen, ob Bobs Handlungen dem Sorgfaltsmaßstab entsprechen, der im Rahmen seiner Treuepflicht erforderlich ist?“

„Teilantwort 1.3: Zu den Faktoren, die berücksichtigt werden, gehören:“

„Das Maß an Sorgfalt, das Bob bei der Recherche der Investitionsmöglichkeit anwendet.“

„Ob Bob bei der Entscheidungsfindung in gutem Glauben und aufrichtig gehandelt hat.“

„Die potenziellen Risiken und Vorteile, die mit der Investition verbunden sind.“

„Jede vorherige Erfahrung oder Fachkenntnis, die Bob bei ähnlichen Investitionsentscheidungen hat.“

„Ausgabe 2: Mögliche Verletzung der Loyalität“

„Unterfrage 2.1: Was ist die treuhänderische Treuepflicht und wie gilt sie für Bob und Alice?“

„Teilantwort 2.1: Die treuhänderische Loyalitätspflicht erfordert, dass Einzelpersonen im besten Interesse des Unternehmens handeln und dessen Bedürfnisse Vorrang vor ihren persönlichen Interessen haben. In diesem Szenario schulden sowohl Bob als auch Alice diese Pflicht gegenüber dem Unternehmen als Geschäftspartner und leitende Angestellte.“

„Unterfrage 2.2: Hat Bob seine treuhänderische Loyalitätspflicht verletzt, indem er die Investitionsmöglichkeit heimlich verfolgte?“

„Teilantwort 2.2: Ja, Bob hat wahrscheinlich seine treuhänderische Loyalitätspflicht verletzt, indem er nicht im besten Interesse des Unternehmens gehandelt hat. Indem er die Investitionsmöglichkeit auf eigene Faust verfolgte, ohne Alice oder den Vorstand zu informieren, hat er möglicherweise seine persönlichen Interessen über die Interessen des Unternehmens gestellt.“

„Unterfrage 2.3: Was sind die möglichen Konsequenzen, wenn festgestellt wird, dass Bob seine treuhänderische Loyalitätspflicht verletzt hat?“

„Teilantwort 2.3: Mögliche Konsequenzen können sein:“

„Das Unternehmen hat rechtliche Schritte gegen Bob wegen etwaiger daraus resultierender Schäden eingeleitet.“

„Entlassung aus seiner Position als CEO und Direktor.“

„Persönliche Haftung für alle Verluste, die dem Unternehmen durch seine Handlungen entstehen.“

„Endgültige Antwort:“

„Basierend auf der Analyse scheint es, dass Bob möglicherweise sowohl seine treuhänderische Sorgfaltspflicht als auch seine treuhänderische Loyalitätspflicht verletzt hat. Seine heimliche Verfolgung der Investitionsmöglichkeit, ohne den Rest des Vorstands einzubeziehen, lässt Bedenken aufkommen, dass er im besten Interesse des Unternehmens handelt und bei der Verwaltung seiner Angelegenheiten die gebotene Sorgfalt und Gewissenhaftigkeit anwendet. Als Anwalt würde Sam wahrscheinlich weitere Untersuchungen und die Prüfung möglicher rechtlicher Schritte oder Abhilfemaßnahmen empfehlen, um die Situation anzugehen und die Interessen des Unternehmens zu schützen.“

Das ist das Ende der von ChatGPT generierten Antwort auf die CoT-Decomposition-Eingabeaufforderung.

Ich werde gleich Bemerkungen und Analysen zu dieser Antwort machen. Ich möchte Ihnen gleich die Methode der faktorisierten Zerlegung zeigen. Anschließend bespreche ich einige Erkenntnisse, die ich auf der Grundlage aller drei Methoden CoT, CoT-Zerlegung und faktorisierte Zerlegung gewonnen habe.

Meine in ChatGPT eingegebene Eingabeaufforderung für die Methode der faktorisierten Zerlegung:

Hier ist die ursprünglich von ChatGPT generierte Antwort (der Text wird in Anführungszeichen angezeigt):

"Verstanden. Lassen Sie uns Sams Analyse in eine Reihe eigenständiger Unterfragen zu den beiden Problemen zerlegen, die der Situation von Bob und Alice zugrunde liegen:“

„[Unterfrage 1] Treuhänderische Sorgfaltspflicht: Hat Bob möglicherweise seine treuhänderische Sorgfaltspflicht verletzt, indem er heimlich die Investitionsmöglichkeit verfolgte, ohne Alice oder den Rest des Vorstands zu informieren?“

„[Unterfrage 2] Loyalitätspflicht: Hat Bob möglicherweise seine Loyalitätspflicht als Geschäftspartner verletzt, indem er den Rest des Vorstands nicht auf die Investitionsmöglichkeit aufmerksam machte und sie stattdessen auf eigene Faust mit Unternehmensmitteln verfolgte?“

„Antwort auf Unterfrage 1: Ja, Bobs Handlungen verletzen möglicherweise seine treuhänderische Sorgfaltspflicht. Als CEO des Unternehmens hat Bob die treuhänderische Pflicht, im besten Interesse des Unternehmens zu handeln und dessen Vermögenswerte zu schützen. Dazu gehört auch die Sorgfaltspflicht, die von Bob verlangt, bei der Führung der Unternehmensangelegenheiten mit der gebotenen Sorgfalt und Gewissenhaftigkeit zu handeln. Indem er die Investitionsmöglichkeit heimlich verfolgte, ohne Alice oder den Rest des Vorstands zu informieren, hat Bob nicht das von ihm erwartete Maß an Sorgfalt und Gewissenhaftigkeit walten lassen, und es kann davon ausgegangen werden, dass er seine treuhänderische Sorgfaltspflicht verletzt hat.“

„Verbleibende Unterfragen:

'3. [Unterfrage 3] Folgen des möglichen Verstoßes: Welche möglichen rechtlichen Konsequenzen drohen, wenn festgestellt wird, dass Bob seine treuhänderische Sorgfaltspflicht verletzt hat?“

„[Unterfrage 4] Identifizierung der betroffenen Parteien: Wer sind die Parteien, die möglicherweise durch Bobs Handlungen geschädigt wurden, und haben sie Rechtsmittel?“

„[Unterfrage 5] Abhilfemaßnahmen: Welche Maßnahmen könnten der Vorstand oder Alice ergreifen, um die Situation zu bewältigen und ähnliche Vorfälle in Zukunft zu verhindern?“

„[Unterfrage 6] Offenlegungspflicht: Hätte Bob die Investitionsmöglichkeit dem Rest des Vorstands offenlegen und deren Meinung einholen sollen, bevor er sie weiterverfolgt?“

„[Unterfrage 7] Erforderliche Genehmigungen: Welche Unternehmensverfahren oder Genehmigungen sind erforderlich, damit im Namen des Unternehmens erhebliche Investitionen getätigt werden können?“

„[Unterfrage 8] Geschäftsurteilsregel: Wie gilt die Geschäftsurteilsregel in dieser Situation, wenn überhaupt?“

„Bitte geben Sie die Antwort auf die erste Unterfrage (Unterfrage 1) an, und ich werde fortfahren, indem ich die verbleibenden Unterfragen auf der Grundlage der bereitgestellten Informationen beantworte.“

Damit endet in gewisser Weise das, was ich hier für die durch die Faktorzerlegung generierte Ausgabe zeigen werde.

Ich werde den Rest des Dialogs zur faktorisierten Zerlegung hier nicht zeigen, da er sehr langwierig war, wie es sich für diese Methode gehört. Bei jeder Teilantwort auf eine Teilfrage begann ich ein neues Gespräch. Der ganze Kit-and-Kaboodle wurde ausführlich in die Länge gezogen.

Ich beschloss, auch ein paar Bonusexperimente mit den Methoden durchzuführen.

Zum Beispiel habe ich im Fall der faktorisierten Zerlegung das gesamte Szenario durchgeführt und es später noch einmal durchgeführt, obwohl ich mich in dieser späteren Iteration dafür entschieden habe, einige der Antworten zu ändern. Anstatt also die genaue Antwort, die ChatGPT gegeben hat, in sich selbst einzuspeisen, habe ich die Antworten geändert. Manchmal subtil und manchmal radikal. ChatGPT wies zunächst darauf hin, dass Bob seine treuhänderische Sorgfaltspflicht verletzt habe, was ich dann dahingehend änderte, dass er diese Pflicht nicht verletzt hatte. Ich machte diese Wechsel immer wieder, um zu sehen, wie sich die Antworten und nachfolgenden Fragen ändern könnten.

Mal sehen, welche Lehren wir daraus ziehen können.

Wichtige Erkenntnisse über Fortschritte im Chain-Of-Thought-Prompt-Engineering

Alles in allem sind hier vier übergreifende Erkenntnisse über Prompt Engineering und diese wichtigen Themen:

Abschluss

Hier ist noch etwas, worüber es sich lohnt zu nudeln.

Als ich die faktorisierte Zerlegung verwendete und der KI eine andere Antwort gab als die, die sie zuvor generiert hatte, ging die generative KI problemlos mit. Vielleicht zu einfach. Die KI hat die Dinge nicht widerlegt oder widerlegt. Möglicherweise möchten Sie in Ihre Eingabeaufforderung einbeziehen, dass der Eingabedialog abgelehnt oder abgelehnt werden kann. Ich habe diese Warnung schließlich durchgeführt und anschließend einen äußerst informativen und nützlichen Rückstoß von der generativen KI erhalten.

Dies wirft insgesamt die Frage auf, ob wir möchten, dass die generative KI bei der Beantwortung von Eingabeaufforderungen im Wesentlichen übergeht, oder ob wir möchten, dass sie von Natur aus skeptischer ist. Die gute Nachricht ist, dass Sie dies ganz einfach über dauerhaften Kontext oder benutzerdefinierte Anweisungen als Präferenz angeben können (siehe Link hier). Eine größere Frage ist, ob wir möchten, dass der KI-Hersteller dies als globalen Standard für die Verwendung seiner KI festlegt, oder ob wir möchten, dass die Entscheidung dem einzelnen Benutzer überlassen wird?

Es ergibt sich eine verwandte Folgerung.

Ich habe mich dafür entschieden, der generativen KI mitzuteilen, dass eine Antwort möglicherweise falsch ist. Sie müssen sich darüber im Klaren sein, dass die generative KI zu diesem Zeitpunkt der Verarbeitung davon ausgegangen ist, dass die Antwort von einem Menschen stammt, obwohl Sie und ich wissen, dass es sich lediglich um ein Kopieren und Einfügen aus einem separaten Gespräch handelte mit der generativen KI. Damit habe ich der generativen KI im Grunde gesagt, dass die Antwort, die von einem Menschen kommt, dennoch falsch sein könnte.

Die generative KI machte mit und ging bereitwillig auf meine häufigen Hinweise ein, als ich feststellte, dass bestimmte Antworten fortan als falsch gelten würden. Ich machte das immer wieder, immer wieder, und wechselte hin und her zwischen der Aussage, dass etwas richtig sei, oder dass genau dasselbe falsch sei.

Ich wage zu behaupten, dass, wenn Sie dies mit einem Menschen tun würden, dieser zweifellos ballistisch werden würde. Hören Sie auf, Ihre Meinung zu ändern, sonst brüllen sie Sie vielleicht fieberhaft an. Du machst mich verrückt, würden sie vielleicht unverblümt verkünden. „Ich kann das nicht verstehen, wenn man die Dinge immer wieder auf und ab dreht“, könnte jemand wütend erklären.

Die generative KI jammerte nicht und bellte nicht. Jedes Mal, wenn ich plötzlich andeutete, dass diese oder jene Antwort nun als richtig oder falsch zu betrachten sei, erkannte die generative KI einfach die Änderung an und gab dann bekannt, dass sie ihren Kurs entsprechend änderte. Ich denke, das ist insofern ein Segen, als man mit der generativen KI auf wilde und fehlerhafte Weise iterieren kann, und zwar ohne einen harten Rückschlag.

Einige könnten anmerken, dass ein Problem mit dieser Bereitschaft der generativen KI, sich auf verwirrende Umwege einzulassen, darin besteht, dass sich Menschen möglicherweise daran gewöhnen und weniger wahrscheinlich einen gesunden Verstand haben. Möglicherweise geben Sie den Versuch auf, in Ihren Diskussionen energisch zu sein, und verfallen in eine Art verwirrende, seltsame Logik.

Angenommen, unsere gesamte Gesellschaft geht in diese Richtung.

Huch!

Im Fall der generativen KI können Sie die KI leicht anweisen, diesen ständigen Sinneswandel nicht zuzulassen. Sie könnten eine lehrreiche Aufforderung bereitstellen, die besagt, dass man sich zurückhalten soll, wenn der Benutzer anfängt, wild mit den Flügeln zu schlagen und sich in eine beliebige Richtung zu bewegen. Man geht davon aus, dass Menschen das Gleiche gegenüber anderen Menschen tun können, obwohl die Wahrscheinlichkeit groß ist, dass dies große Bestürzung hervorrufen und die Menschen bedauerlicherweise zu schrecklichen hitzigen Auseinandersetzungen oder Handgreiflichkeiten provozieren könnte.

Vorerst noch ein letzter Kommentar.

Anhalten, um an den Rosen zu riechen, scheint ein guter Ratschlag für Menschen zu sein und scheint sich beim Einsatz generativer KI ebenfalls zu lohnen. Komisch, wie das zu funktionieren scheint.

Die Verwendung einer fundierten, erweiterten Gedankenkette wird Ihr Prompt-Engineering mit Sicherheit verbessern. Und wie man so schön sagt: Manchmal können die kleinen Dinge Großes bewirken. Das könnte eines dieser kleinen Dinge sein.