Domina el Chain-of-Thought Prompting

Hemos visto cómo los Large Language Models (LLMs) son capaces de generar textos asombrosos, pero a veces, cuando les presentamos problemas complejos, sus respuestas pueden parecer directas y carentes de la lógica interna que esperaríamos de un razonamiento humano. Aquí es donde entra en juego una técnica revolucionaria: el CoT, o Inducción de la Cadena de Pensamiento.

Imagina intentar resolver un acertijo complejo. ¿Simplemente adivinarías la respuesta? Probablemente no. Desglosarías el problema en pasos más pequeños, analizarías la información disponible, considerarías diferentes posibilidades y, gradualmente, construirías un camino lógico hacia la solución. El chain-of-thought prompting busca emular este proceso de razonamiento dentro de los LLMs.

¿Qué es el Chain-of-Thought Prompting?

Es una técnica en la que se invita al modelo de lenguaje a razonar de forma secuencial, expresando cada paso de su pensamiento antes de llegar a la respuesta final. En lugar de pedir solo una solución, se solicita que el modelo explique su proceso: identificando datos relevantes, aplicando fórmulas o principios, y conectando las ideas de manera lógica. De este modo, se obtiene no solo el resultado, sino también una visión de cómo se alcanzó la respuesta, lo que es especialmente útil en problemas que requieren razonamiento complejo o varios pasos para resolverse.

¿Cómo Funciona el CoT?

En esencia, en lugar de pedirle directamente al LLM la respuesta a un problema complejo, le pedimos que muestre su proceso de pensamiento. Le solicitamos que explique los pasos intermedios, las consideraciones y la lógica que lo llevan a su conclusión. Al hacerlo, desbloqueamos una capacidad de razonamiento mucho más profunda y confiable en el modelo.

Consideremos un ejemplo simplificado:

• Prompt Tradicional: ¿Qué número viene después de 2, 4, 8?
• Respuesta del LLM (potencialmente directa): 16

Si bien la respuesta es correcta, no obtenemos ninguna información sobre cómo llegó a esa conclusión.

• Prompt con Chain-of-Thought: Explica tu razonamiento paso a paso para determinar qué número viene después de 2, 4, 8.
• Respuesta del LLM (con Chain-of-Thought): El primer número es 2. El segundo número es 4, que es 2 multiplicado por 2. El tercer número es 8, que es 4 multiplicado por 2 (o 2 multiplicado por 2 multiplicado por 2). Por lo tanto, la secuencia parece estar multiplicando el número anterior por 2. Siguiendo esta lógica, el siguiente número debería ser 8 multiplicado por 2, que es 16.

¡La diferencia es notable! Con el CoT, no solo obtenemos la respuesta, sino también la justificación detrás de ella. Esto nos permite evaluar si el razonamiento del LLM es correcto y comprender mejor cómo aborda el problema.

Técnicas para Inducir la Cadena de Pensamiento

Existen varias maneras de implementar el chain-of-thought prompting:

• Let’s think step by step: Esta frase simple pero poderosa al inicio del prompt a menudo es suficiente para alentar al LLM a explicitar su razonamiento.
• Preguntas Guía: Podemos intercalar preguntas que guíen el proceso de pensamiento del modelo. Por ejemplo, ante un problema de inferencia, podríamos preguntar “¿Qué información clave se nos proporciona?”, “¿Qué podemos inferir de esta información?”, “¿Cómo se relacionan estas inferencias para llegar a una conclusión?”.
• Few-Shot Prompting con CoT: Proporcionar ejemplos en el prompt donde se muestre explícitamente la cadena de pensamiento para problemas similares puede enseñar al LLM a razonar de la misma manera. Estos ejemplos actúan como un “entrenamiento” dentro del propio prompt.
• Descomposición del Problema: Si el problema es complejo, podemos pedirle al LLM que lo descomponga en subproblemas más pequeños y que resuelva cada uno paso a paso antes de llegar a la solución final.

¿Por qué es tan Importante el Chain-of-Thought?

El CoT ofrece múltiples beneficios:

• Mejora la Precisión en Tareas Complejas: Para problemas que requieren lógica, inferencia o planificación, el CoT puede aumentar significativamente la exactitud de las respuestas.
• Mayor Interpretabilidad: Al ver el proceso de pensamiento del LLM, podemos entender mejor cómo llega a sus conclusiones, lo que aumenta la transparencia y la confianza en sus resultados.
• Depuración y Corrección de Errores: Si la respuesta final es incorrecta, analizar la cadena de pensamiento puede ayudarnos a identificar dónde falló el razonamiento y a ajustar el prompt para guiarlo mejor.
• Fomenta un Razonamiento Más “Humano”: Al emular el proceso de pensamiento paso a paso, los LLMs pueden generar respuestas que se sienten más intuitivas y lógicas para nosotros. Desglosar el problema en pasos evita errores de cálculo o deducción, ya que se pueden detectar y corregir posibles fallos en cada etapa.
• Transparencia: Permite que el usuario entienda el proceso interno de la IA, lo que aporta confianza y la posibilidad de afinar el prompting para problemas específicos.
• Versatilidad: Esta técnica es aplicable a tareas de matemáticas, lógica, toma de decisiones y más, ya que optimiza la claridad y coherencia en respuestas complejas.

Ejemplos Prácticos

A continuación, se muestran dos ejemplos que ilustran cómo usar chain-of-thought prompting utilizando la API de OpenAI.

• Ejemplo Problema Matemático Simple En este primer ejemplo, se solicita al modelo que resuelva un problema matemático detallando cada paso del proceso.

import openai

# Configurar la clave API
openai.api_key = "TU_API_KEY"
# Definición del prompt con instrucciones de chain-of-thought
prompt = (
    "Resuelve el siguiente problema matemático explicando paso a paso tu razonamiento:\n"
    "Problema: Un tren recorre 300 kilómetros en 3 horas. ¿Cuál es la velocidad promedio del tren?\n\n"
    "Instrucciones:\n"
    "1. Identifica la fórmula para calcular la velocidad promedio.\n"
    "2. Sustituye los valores correspondientes en la fórmula.\n"
    "3. Realiza el cálculo y explica el resultado obtenido.\n"
    "Respuesta:"
)
response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[
        {"role": "system", "content": "Eres un experto en matemáticas y en explicar procesos de razonamiento paso a paso."},
        {"role": "user", "content": prompt}
    ]
)
print(response.choices[0].message.content)Lenguaje del código: PHP (php)

Explicación: 

Se configura el mensaje inicial indicando al modelo que actúe como un experto en matemáticas y que detalle su razonamiento. El prompt está estructurado para guiar al modelo a identificar la fórmula (velocidad = distancia/tiempo), aplicar los datos y detallar cada paso. Al obtener la respuesta, se visualizará la cadena de pensamiento, donde el modelo explica cómo llega al resultado final (en este caso, una velocidad de 100 km/h).

• Ejemplo Problema Complejo con Múltiples Pasos y Datos Mixtos: En situaciones donde se debe abordar problemas más complejos, es muy útil incluir ejemplos que muestren cómo se debe estructurar el razonamiento.

import openai

openai.api_key = "TU_API_KEY"
messages = [
    {"role": "system", "content": (
        "Eres un experto en resolución de problemas complejos. Utiliza la técnica chain-of-thought para "
        "explicar cada etapa de tu razonamiento de forma clara y detallada."
    )},
    {"role": "user", "content": (
        "Ejemplo demostrativo:\n"
        "Supón la siguiente situación: Una empresa tiene diferentes departamentos que presentan distintos "
        "resultados trimestrales. Se requiere analizar cómo el incremento del presupuesto en marketing "
        "está afectando las ventas totales.\n\n"
        "Pasos sugeridos:\n"
        "1. Identificar los departments y sus datos de ventas.\n"
        "2. Relacionar el gasto en marketing con las variaciones en ventas.\n"
        "3. Evaluar si existe correlación entre el incremento del presupuesto y el aumento de las ventas.\n\n"
        "Ahora, resuelve el siguiente problema utilizando chain-of-thought:\n"
        "Problema: En una campaña publicitaria, se invirtieron 5000 USD, lo que se tradujo en un aumento de 150 unidades "
        "vendidas, cada una a 20 USD. Explica cómo estimar el retorno de inversión (ROI) de esta acción, detallando cada paso."
    )}
]
response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=messages
)
print(response.choices[0].message.content)Lenguaje del código: JavaScript (javascript)

Explicación:

Se inicia indicando un contexto amplio para que el modelo actúe como experto en análisis de datos y resolución de problemas. El usuario presenta un ejemplo detallado y luego plantea un nuevo problema. El prompt especifica que se explique el proceso de cálculo del ROI, lo cual fuerza al modelo a desglosar la respuesta en pasos (por ejemplo, definición de ROI, cálculo de beneficios y comparación con la inversión). La respuesta detallada ayudará a visualizar cómo el modelo enlaza cada paso para llegar a la conclusión final.

Mejores Prácticas para Aplicar Chain-of-Thought

Para lograr los mejores resultados al utilizar chain-of-thought prompting, ten en cuenta estas recomendaciones:

1. Sé Específico: Define claramente los pasos que esperas que el modelo siga. Esto ayuda a evitar respuestas resumidas o inexactas.
2. Proporciona Ejemplos: Utiliza un enfoque few-shot donde incluyas ejemplos claros de cómo debe estructurarse el razonamiento.
3. Establece un Contexto Adecuado: Asegúrate de que el mensaje de sistema posicione al modelo en el rol adecuado, de modo que interprete correctamente la solicitud.
4. Itera y Refinar: No dudes en ajustar y probar múltiples versiones del prompt hasta lograr la respuesta deseada.

El Futuro del Razonamiento en la IA

El chain-of-thought prompting representa un avance crucial en nuestra interacción con los LLMs. Nos movemos de simplemente obtener respuestas a comprender el proceso detrás de ellas. A medida que esta técnica continúa desarrollándose, podemos esperar que los LLMs se vuelvan aún más hábiles para abordar problemas complejos, explicar sus decisiones y colaborar con nosotros de maneras más significativas y transparentes.

El chain-of-thought prompting abre un abanico de posibilidades en la interacción con los modelos de lenguaje. Al obligar al modelo a desplegar su razonamiento paso a paso, se mejora la precisión en tareas complejas y se incrementa la transparencia en el proceso de generación de respuestas. Ya sea para resolver problemas matemáticos o analizar datos complejos, esta técnica fomenta un diálogo más profundo y preciso con la inteligencia artificial.