DifícilOpción múltiple

Pregunta de práctica de AI-900

¿Qué es el 'chain-of-thought prompting' y cuándo es más efectivo?

Elige la mejor respuesta.

Respuesta correcta

  • BPedir al modelo que muestre pasos de razonamiento explícitos antes de dar una respuesta final

Explicación

El chain-of-thought prompting instruye al modelo para que descomponga un problema complejo en pasos de razonamiento intermedios antes de producir la respuesta final. Esta técnica mejora la precisión en tareas que requieren lógica de varios pasos, como aritmética, razonamiento de sentido común o manipulación simbólica, al hacer explícito el razonamiento interno del modelo y reducir los errores derivados de respuestas directas.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Vincular múltiples modelos de IA en una canalización donde la salida de cada modelo alimenta al siguiente

El chain-of-thought prompting es una técnica de razonamiento de un solo modelo que provoca pasos intermedios dentro de un mismo prompt; no orquesta modelos separados. Encadenar modelos en secuencia describe una canalización de IA o un flujo de trabajo de agentes, que es el diseño correcto cuando se deben componer capacidades o herramientas distintas a través de etapas.

B

Correcta

Pedir al modelo que muestre pasos de razonamiento explícitos antes de dar una respuesta final

El chain-of-thought prompting instruye al modelo para que genere pasos de razonamiento intermedios antes de su respuesta final, mejorando la precisión en tareas aritméticas, lógicas y de sentido común de varios pasos. Satisface el criterio de efectividad del enunciado: las ganancias aparecen cuando los problemas requieren deducción secuencial, no para la simple recuperación de hechos donde el razonamiento adicional añade coste sin beneficio.

C

Incorrecta

Entrenar a un modelo en una secuencia de documentos relacionados para construir conocimiento contextual

El chain-of-thought prompting moldea cómo razona un modelo durante la inferencia; no es un procedimiento de entrenamiento sobre secuencias de documentos. Es tentador porque el entrenamiento secuencial de documentos describe la generación aumentada por recuperación o el ajuste fino, que construyen conocimiento contextual pero no están relacionados con la técnica de prompting.

D

Incorrecta

Un método para conectar turnos de conversación de chatbot para mantener la memoria a largo plazo

El chain-of-thought prompting provoca pasos de razonamiento intermedios dentro de un solo prompt para mejorar la precisión en tareas de varios pasos; no persiste el estado a través de los turnos. Es tentador porque la memoria de conversación es una preocupación real, abordada en su lugar pasando los turnos anteriores en el contexto.

Para profundizar

El chain-of-thought prompting instruye a un modelo para que externalice los pasos de razonamiento intermedios antes de producir una respuesta final, lo que mejora la precisión en tareas que requieren aritmética, lógica de varios pasos o razonamiento composicional. Internamente, los modelos transformer generan tokens de forma autorregresiva, por lo que cada token de razonamiento se convierte en contexto que condiciona a los tokens subsiguientes, proporcionando efectivamente al modelo más capacidad de cómputo y memoria de trabajo por problema. Un matiz: el chain-of-thought puede perjudicar el rendimiento en la recuperación de hechos simples y aumenta el coste y la latencia de los tokens, y algunos modelos nuevos ajustados para el razonamiento realizan esto internamente sin necesidad de prompts explícitos. Esto es importante en la práctica al crear asistentes de IA para tareas como diagnosticar un fallo a partir de síntomas o resolver problemas matemáticos, donde pedir un razonamiento paso a paso aumenta notablemente la precisión en comparación con exigir una respuesta inmediata.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AI-900 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.