DifícilMúltipla escolha

Questão de prática de AI-900

O que é 'chain-of-thought prompting' e quando ele é mais eficaz?

Escolha a melhor resposta.

Resposta correta

  • BSolicitar ao modelo que mostre etapas de raciocínio explícitas antes de dar uma resposta final

Explicação

O chain-of-thought prompting instrui o modelo a decompor um problema complexo em etapas de raciocínio intermediárias antes de produzir a resposta final. Essa técnica melhora a precisão em tarefas que exigem lógica de várias etapas, como aritmética, raciocínio de senso comum ou manipulação simbólica, ao tornar explícito o raciocínio interno do modelo e reduzir erros decorrentes de respostas diretas.

Por que cada alternativa está certa ou errada

A

Incorreta

Vincular múltiplos modelos de IA em um pipeline onde a saída de cada modelo alimenta o próximo

O chain-of-thought prompting é uma técnica de raciocínio de modelo único que provoca etapas intermediárias dentro de um único prompt; ele não orquestra modelos separados. Encadear modelos em sequência descreve um pipeline de IA ou fluxo de trabalho de agente, que é o design correto quando capacidades ou ferramentas distintas precisam ser compostas em várias etapas.

B

Correta

Solicitar ao modelo que mostre etapas de raciocínio explícitas antes de dar uma resposta final

O chain-of-thought prompting instrui o modelo a gerar etapas de raciocínio intermediárias antes de sua resposta final, melhorando a precisão em tarefas aritméticas, lógicas e de senso comum de várias etapas. Ele satisfaz o critério de eficácia do enunciado: os ganhos aparecem quando os problemas exigem dedução sequencial, não para a simples recuperação de fatos onde o raciocínio extra adiciona custo sem benefício.

C

Incorreta

Treinar um modelo em uma sequência de documentos relacionados para construir conhecimento contextual

O chain-of-thought prompting molda como um modelo raciocina durante a inferência; não é um procedimento de treinamento sobre sequências de documentos. É tentador porque o treinamento sequencial de documentos descreve a geração aumentada por recuperação ou o fine-tuning, que constroem conhecimento contextual, mas não estão relacionados à técnica de prompting.

D

Incorreta

Um método para conectar turnos de conversação de chatbot para manter a memória de longo prazo

O chain-of-thought prompting provoca etapas de raciocínio intermediárias dentro de um único prompt para melhorar a precisão em tarefas de várias etapas; ele não persiste o estado entre turnos. É tentador porque a memória de conversação é uma preocupação real, abordada em vez disso passando os turnos anteriores no contexto.

Para se aprofundar

O chain-of-thought prompting instrui um modelo a externalizar etapas de raciocínio intermediárias antes de produzir uma resposta final, o que melhora a precisão em tarefas que exigem aritmética, lógica de várias etapas ou raciocínio composicional. Internamente, os modelos transformer geram tokens de forma autorregressiva, de modo que cada token de raciocínio se torna um contexto que condiciona os tokens subsequentes, efetivamente dando ao modelo mais poder computacional e memória de trabalho por problema. Uma sutileza: o chain-of-thought pode prejudicar o desempenho na recuperação de fatos simples e aumenta o custo de tokens e a latência, e alguns modelos mais novos ajustados para raciocínio realizam isso internamente sem prompting explícito. Isso é importante na prática ao criar assistentes de IA para tarefas como diagnosticar uma falha a partir de sintomas ou resolver problemas matemáticos, onde pedir um raciocínio passo a passo aumenta mensuravelmente a correção em comparação com exigir uma resposta imediata.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AI-900 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.