Yapay zeka sohbet botlarına karmaşık bir soru sorduğunuzda bazen mantıklı görünen ama yanlış bir cevap aldığınız olmuştur. Bunun nedenlerinden biri, modelin soruyu okur okumaz doğrudan sonuca atlamaya çalışmasıdır. Chain of thought, yani "düşünce zinciri" tekniği, tam olarak bu sorunu azaltmak için kullanılan basit ama etkili bir prompt yazma yaklaşımıdır.
Bir bakışta
- Chain of thought, modelin cevaba adım adım ulaşmasını sağlayarak hataları azaltan bir prompt tekniğidir.
- Komutlara adım adım düşün ifadesi eklemek veya few-shot örnekler vermek modelin akıl yürütmesini iyileştirir.
- Basit ve tek adımlı sorularda bu teknik gereksiz ve yorucu cevaplar üretebileceğinden dikkatli kullanılmalıdır.
Chain of Thought (Düşünce Zinciri) Nedir?
Chain of thought, modelin bir soruya doğrudan cevap üretmek yerine, o cevaba nasıl ulaştığını adım adım açıklayarak ilerlemesini sağlayan bir tekniktir. Yani model önce "ne yapmam gerekiyor" sorusunu kendi kendine cevaplar, ardından bu ara adımları takip ederek nihai sonuca varır.
Günlük hayattan bir benzetmeyle düşünelim: Karmaşık bir matematik problemini kafanızdan, hiçbir şey yazmadan çözmeye çalıştığınızda hata yapma ihtimaliniz yüksektir. Ama aynı problemi kağıt üzerinde adım adım yazarak çözerseniz, her adımı görebilir, kontrol edebilir ve hataları daha kolay fark edebilirsiniz. Chain of thought tekniği de yapay zeka modeline tam olarak bu "kağıda dökme" alışkanlığını kazandırmaya çalışır.
Bu yaklaşım, prompt mühendisliği başlığı altında önemli bir araç olarak kabul edilir çünkü modelin iç mantığını değiştirmeden, sadece komutun yapısını değiştirerek daha tutarlı sonuçlar almayı mümkün kılar. Yani model mimarisine dokunmadan, sadece nasıl soru sorduğunuzu değiştirerek fark yaratabilirsiniz.
Neden Adım Adım Düşünmek Daha İsabetli Sonuçlar Verir?
Bir modelden doğrudan "cevap nedir" diye sorduğunuzda, model bütün akıl yürütmeyi tek bir adımda, görünmeyen bir şekilde yapmaya çalışır. Bu durumda özellikle çok adımlı problemlerde bir yerde mantık hatası yapma ihtimali artar; çünkü ara sonuçlar hiçbir yerde açıkça ifade edilmediği için kontrol edilemez.
Modelden ara adımları da üretmesini istediğinizde iki avantaj elde edersiniz:
- Model, kendi ürettiği ilk adımı bir sonraki adımı üretirken "girdi" olarak kullanır. Bu da bir nevi kendi çıktısını kontrol etme fırsatı yaratır.
- Siz de bu ara adımları okuyarak modelin nerede yanlış bir varsayımda bulunduğunu görebilirsiniz.
Özellikle birden fazla bilginin bir araya getirilmesi gereken, sıralı işlem gerektiren sorularda tek seferde doğru cevaba ulaşmak zordur. Adım adım ilerlemek, bu tür soruları küçük ve yönetilebilir parçalara böler.
Komutlara "Adım Adım Düşün" İfadesini Ekleme
Bu tekniği uygulamanın en basit yolu, komutunuzun sonuna kısa bir tetikleyici ifade eklemektir. Sık kullanılan bazı kalıplar şunlardır:
- "Adım adım düşün ve sonra cevabı ver."
- "Önce problemi analiz et, sonra sonuca var."
- "Cevaba geçmeden önce akıl yürütme sürecini açıkla."
Bu ifadeler genellikle komutun en sonuna, asıl soru veya görev tanımlandıktan hemen sonra eklenir. Böylece model, önce "nasıl düşünmesi gerektiği" konusunda bir yönlendirme almış olur.
Örnek olarak şu iki komutu karşılaştıralım:
Öncesi: "Bir mağazada 3 elma 15 TL, 5 elma kaç TL eder?"
Sonrası: "Bir mağazada 3 elma 15 TL, 5 elma kaç TL eder? Adım adım düşün: önce bir elmanın fiyatını bul, sonra 5 elmanın toplam fiyatını hesapla."
İkinci komutta model, önce birim fiyatı bulma adımını açıkça görür ve bu ara sonucu kullanarak devam eder. Basit örneklerde fark küçük görünse de, sayılar ve adımlar arttıkça bu yönlendirmenin etkisi daha belirgin hale gelir.
Matematik ve Mantık Sorularında Örnek Komut Kalıpları
Chain of thought tekniği özellikle matematik, mantık bulmacaları ve çok adımlı akıl yürütme gerektiren sorularda belirgin fayda sağlar. Bu tür sorularda komutu yazarken modele adeta bir yol haritası vermek işe yarar.
Örnek bir mantık sorusu komutu şöyle olabilir:
"Ali, Veli'den yaşlıdır. Veli, Ayşe'den gençtir. Ayşe, Ali'den gençtir. Bu üç kişiyi yaştan büyüğe küçüğe doğru sırala. Adım adım düşün: önce her cümleden çıkardığın karşılaştırmayı ayrı ayrı yaz, sonra bunları birleştirerek sıralamayı oluştur."
Burada dikkat edilmesi gereken nokta, komutun sadece "adım adım düşün" demekle kalmayıp, hangi adımların izlenmesi gerektiğine dair bir çerçeve de sunmasıdır: "önce şunu yap, sonra şunu bul" şeklindeki yönlendirmeler, modelin rastgele bir sıra izlemek yerine mantıklı bir çözüm yoluna girmesine yardımcı olur.
Çok adımlı bir matematik probleminde de benzer bir yaklaşım kullanılabilir: "Bu problemi çözerken önce hangi bilgilerin verildiğini listele, sonra hangi işlemi hangi sırayla yapman gerektiğini belirle, en son hesaplamaları yaparak cevaba ulaş."
Karmaşık Görevleri Alt Adımlara Bölerek Komut Yazma
Chain of thought sadece matematik sorularıyla sınırlı değildir; büyük ve çok bileşenli görevlerde de aynı mantık işe yarar. Büyük bir görevi tek bir komutla istemek yerine, o görevi küçük parçalara ayırıp her parçayı ayrı ayrı istemek genellikle daha tutarlı sonuçlar verir.
Örneğin bir rapor hazırlama görevini düşünelim. Tek bir komutla "Bana şu konuda kapsamlı bir rapor yaz" demek yerine, görevi şöyle bölebilirsiniz:
- Önce raporun ana başlıklarını bir liste halinde oluşturmasını isteyin.
- Ardından her başlık için birkaç cümlelik kısa bir açıklama yazmasını isteyin.
- Son olarak bu başlıkları ve açıklamaları birleştirerek akıcı bir metin haline getirmesini isteyin.
Bu yaklaşımda her adımın çıktısı, bir sonraki adımın girdisi olarak kullanılır. Bu hem sizin süreci kontrol etmenizi kolaylaştırır hem de modelin her adımda daha odaklı çalışmasını sağlar. Aynı mantık bir plan oluşturma, bir sunum hazırlama veya bir karar analizi yapma görevinde de uygulanabilir.
Few-Shot Yöntemiyle Düşünce Zincirini Modele Gösterme
Bazı durumlarda modele sadece "adım adım düşün" demek yeterli olmayabilir; model hangi tarzda adımlar izlemesi gerektiğini tam olarak anlamayabilir. Bu noktada few-shot (az örnekli) yaklaşım devreye girer.
Few-shot yöntemi basitçe şu anlama gelir: Modele önce çözülmüş bir örnek adım adım gösterilir, ardından benzer yapıda yeni bir soru sorulur. Model, verilen örnekteki akıl yürütme tarzını fark ederek kendi cevabını da benzer bir mantıkla oluşturmaya çalışır.
Örnek bir komut yapısı şöyle olabilir:
"Örnek: Soru: Bir otobüste 20 kişi var, 7 kişi iniyor, 5 kişi biniyor. Otobüste kaç kişi kaldı? Çözüm: Önce inenleri çıkar: 20 – 7 = 13. Sonra binenleri ekle: 13 + 5 = 18. Cevap: 18.
Şimdi aynı mantıkla şu soruyu çöz: Bir depoda 150 kutu var, 40 kutu satılıyor, 25 kutu yeni geliyor. Depoda kaç kutu kaldı? Adım adım çöz."
Bu yöntem, modelin akıl yürütme tarzını taklit etmesine yardımcı olur çünkü model artık sadece "ne yapması gerektiğini" değil, "nasıl bir sırayla ve nasıl bir formatla" yapması gerektiğini de görmüş olur.
Bu Teknik Ne Zaman Gereksiz veya Zararlı Olabilir?
Chain of thought her durumda faydalı değildir. Basit, tek adımlı sorularda bu tekniği kullanmak gereksiz derecede uzun ve okunması yorucu cevaplar üretebilir. Örneğin "Türkiye'nin başkenti neresidir?" gibi bir soruya "adım adım düşün" eklemek, modelin gereksiz bir açıklama süreci üretmesine neden olabilir.
Ayrıca hızlı ve net bir cevaba ihtiyaç duyduğunuz durumlarda, ara adımların okunması zaman kaybına yol açar ve genel verimliliği düşürür. Bazı sohbet botu arayüzlerinde uzun cevaplar aynı zamanda daha fazla işlem süresi ve maliyet anlamına da gelebilir.
Basit bir ölçüt olarak şunu düşünebilirsiniz: Eğer soru tek bir bilgiye dayanıyorsa ve birden fazla mantıksal adım gerektirmiyorsa, doğrudan cevap istemek daha mantıklıdır. Ancak soru birden fazla bilgiyi birleştirmeyi, hesaplama yapmayı veya sıralı bir mantık yürütmeyi gerektiriyorsa, chain of thought tekniği devreye girmelidir.
Ara Adımları Göstererek Sonucu Kontrol Etme
Chain of thought tekniğinin bir diğer pratik faydası, sonucun doğruluğunu kontrol etme imkanı sunmasıdır. Modelden sadece nihai cevabı değil, o cevaba nasıl ulaştığını da açıklamasını istediğinizde, bu açıklamayı okuyarak mantık hatalarını fark edebilirsiniz.
Örneğin model bir hesaplamada yanlış bir sayıyı kullanmışsa, bu hata sadece nihai cevaba bakıldığında görünmeyebilir; ama ara adımlar gösterildiğinde hatanın nerede yapıldığı ortaya çıkar. Bu da size "bu cevaba güvenebilir miyim" sorusuna daha bilinçli bir cevap verme imkanı tanır.
Bu kontrol mekanizması özellikle önemli kararlarda, örneğin bir bütçe hesaplaması, bir veri analizi yorumu veya bir plan oluşturma sürecinde, modelin çıktısına duyulan güveni artırır. Ara adımları görmeden sadece sonuca güvenmek, özellikle kritik konularda riskli olabilir.
Sohbet Botu, Veri Özetleme ve Kod Komutlarında Farklı Uygulamalar
Chain of thought tekniği, kullanıldığı bağlama göre farklı şekillerde uygulanabilir.
Sohbet botu komutlarında: Bir diyalog sırasında karmaşık bir konu tartışılıyorsa, modelden önce konuyu farklı açılardan değerlendirmesini, sonra bir sonuca varmasını isteyebilirsiniz. Bu, diyalog akışını daha düşünceli ve tutarlı hale getirir; model her cevabında aynı noktaları tekrarlamak yerine önceki adımları temel alarak ilerler.
Veri özetleme görevlerinde: Uzun bir metni doğrudan özetlemek yerine, önce ana noktaları madde madde çıkarmasını, ardından bu maddeleri birleştirerek akıcı bir özet oluşturmasını isteyebilirsiniz. Bu iki adımlı yaklaşım, özetin önemli detayları atlamadan daha dengeli olmasını sağlar.
Kod yazma komutlarında: Modelden doğrudan kod üretmesini istemek yerine, önce çözümün mantığını adım adım planlamasını, hangi fonksiyonların gerekeceğini ve nasıl bir akış izleneceğini açıklamasını, ardından bu plana uygun kodu yazmasını isteyebilirsiniz. Bu yaklaşım, özellikle birden fazla adım içeren programlama görevlerinde daha az hatalı ve daha okunabilir kod üretilmesine yardımcı olur.
Her üç alanda da temel mantık aynıdır: modele düşünme sürecini görünür kılma fırsatı vermek, hem sonucun kalitesini artırır hem de o sonucu kontrol etme imkanı sunar.
