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.
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.