Unlocking Reliable Generations Through Chain-of-Verification: A Leap In Prompt Engineering

প্লেটো দ্বারা প্রকাশিত

অনুসরণকারী: 0

চেইন-অফ-ভেরিফিকেশনের মাধ্যমে নির্ভরযোগ্য প্রজন্মকে আনলক করা: প্রম্পট ইঞ্জিনিয়ারিংয়ে একটি লাফ
ছবি মিডজার্নি দিয়ে লেখক তৈরি করেছেন

চেইন-অফ-থট (CoVe) প্রম্পট ইঞ্জিনিয়ারিং পদ্ধতিটি এলএলএম-এ হ্যালুসিনেশন কমানোর জন্য ডিজাইন করা হয়েছে, যা বিশ্বাসযোগ্য কিন্তু ভুল বাস্তব তথ্যের প্রজন্মকে সম্বোধন করে
একটি চার-পদক্ষেপ প্রক্রিয়ার মাধ্যমে, CoVe LLM-গুলিকে খসড়া, যাচাইকরণ এবং প্রতিক্রিয়াগুলিকে পরিমার্জিত করতে সক্ষম করে, একটি স্ব-যাচাইকরণ প্রক্রিয়াকে উৎসাহিত করে যা সঠিকতা, স্ট্রাকচার্ড সেলফ-ভেরিফিকেশন বাড়ায়
CoVe বিভিন্ন কাজে উন্নত কর্মক্ষমতা প্রদর্শন করেছে যেমন তালিকা-ভিত্তিক প্রশ্ন এবং দীর্ঘ আকারের পাঠ্য তৈরি করা, হ্যালুসিনেশন কমাতে এবং AI-উত্পাদিত পাঠ্যের সঠিকতাকে শক্তিশালী করার সম্ভাব্যতা প্রদর্শন করে

আমরা ভাষা মডেলের ক্ষমতা অধ্যয়ন করি যাতে তারা তাদের ভুলগুলি সংশোধন করার জন্য তারা যে প্রতিক্রিয়াগুলি দেয় সেগুলির উপর ইচ্ছাকৃতভাবে।

আর্টিফিশিয়াল ইন্টেলিজেন্স (AI) এর ক্ষেত্রে নির্ভুলতা এবং নির্ভরযোগ্যতার নিরলস সাধনা প্রম্পট ইঞ্জিনিয়ারিংয়ে যুগান্তকারী কৌশলগুলির সূচনা করেছে। এই কৌশলগুলি অগণিত প্রশ্নের সুনির্দিষ্ট এবং অর্থপূর্ণ প্রতিক্রিয়া প্রদানের জন্য জেনারেটিভ মডেলগুলিকে গাইড করতে একটি গুরুত্বপূর্ণ ভূমিকা পালন করে। এর সাম্প্রতিক আবির্ভাব চেইন-অফ-ভেরিফিকেশন (CoVe) পদ্ধতি এই অনুসন্ধানে একটি উল্লেখযোগ্য মাইলফলক চিহ্নিত করে। এই উদ্ভাবনী কৌশলটি বৃহৎ ভাষার মডেলে (LLMs)-এর একটি কুখ্যাত সমস্যাকে মোকাবেলা করার লক্ষ্য রাখে — প্রশংসনীয় অথচ ভুল তথ্যভিত্তিক তথ্যের প্রজন্ম, যা কথার ভাষায় হ্যালুসিনেশন নামে পরিচিত। মডেলগুলিকে তাদের প্রতিক্রিয়াগুলির বিষয়ে ইচ্ছাকৃতভাবে এবং একটি স্ব-যাচাই প্রক্রিয়ার মধ্য দিয়ে যেতে সক্ষম করে, CoVe তৈরি করা পাঠ্যের নির্ভরযোগ্যতা বাড়ানোর ক্ষেত্রে একটি প্রতিশ্রুতিশীল নজির স্থাপন করে।

LLM-এর ক্রমবর্ধমান ইকোসিস্টেম, ডকুমেন্টের বিশাল কর্পোরার উপর ভিত্তি করে টেক্সট তৈরি এবং প্রক্রিয়া করার ক্ষমতা সহ, বিভিন্ন কাজে অসাধারণ দক্ষতা প্রদর্শন করেছে। যাইহোক, একটি দীর্ঘস্থায়ী উদ্বেগ রয়ে গেছে - হ্যালুসিনেটেড তথ্য তৈরি করার প্রবণতা, বিশেষত কম পরিচিত বা বিরল বিষয়গুলিতে। চেইন-অফ-ভেরিফিকেশন পদ্ধতি এই চ্যালেঞ্জগুলির মধ্যে আশার আলোকবর্তিকা হিসাবে আবির্ভূত হয়, যা হ্যালুসিনেশন কমানোর জন্য একটি কাঠামোগত পদ্ধতির প্রস্তাব করে এবং উত্পন্ন প্রতিক্রিয়াগুলির সঠিকতা উন্নত করে।

CoVe এলএলএম-এ হ্যালুসিনেশন প্রশমিত করার জন্য একটি চার-পদক্ষেপের প্রক্রিয়া প্রকাশ করে:

একটি প্রাথমিক প্রতিক্রিয়া খসড়া
খসড়াটির সত্যতা যাচাই করার জন্য পরিকল্পনা যাচাইকরণ প্রশ্ন
পক্ষপাত এড়াতে স্বাধীনভাবে এই প্রশ্নগুলোর উত্তর দেওয়া
উত্তরগুলির উপর ভিত্তি করে একটি চূড়ান্ত যাচাইকৃত প্রতিক্রিয়া তৈরি করা হচ্ছে

এই পদ্ধতিগত পদ্ধতিটি শুধুমাত্র হ্যালুসিনেশনের উদ্বেগকে মোকাবেলা করে না বরং একটি স্ব-যাচাইকরণ প্রক্রিয়াকে অন্তর্ভুক্ত করে যা উত্পন্ন পাঠ্যের সঠিকতাকে উন্নত করে। পদ্ধতির কার্যকারিতা তালিকা-ভিত্তিক প্রশ্ন, বন্ধ বই QA, এবং দীর্ঘ-ফর্মের পাঠ্য তৈরি সহ বিভিন্ন কাজ জুড়ে প্রদর্শিত হয়েছে, যা হ্যালুসিনেশন হ্রাস এবং কর্মক্ষমতার উন্নতি প্রদর্শন করে।

CoVe গ্রহণের সাথে LLM-এর কর্মপ্রবাহে এর চার-পদক্ষেপ প্রক্রিয়াকে একীভূত করা জড়িত। উদাহরণস্বরূপ, যখন ঐতিহাসিক ঘটনাগুলির একটি তালিকা তৈরি করার দায়িত্ব দেওয়া হয়, CoVe নিয়োগকারী একজন এলএলএম প্রাথমিকভাবে একটি প্রতিক্রিয়ার খসড়া তৈরি করবে, প্রতিটি ইভেন্টের সত্যতা যাচাই করার জন্য যাচাইকরণের প্রশ্নগুলির পরিকল্পনা করবে, স্বাধীনভাবে সেই প্রশ্নগুলির উত্তর দেবে এবং অবশেষে, প্রাপ্ত বৈধতার উপর ভিত্তি করে একটি যাচাইকৃত তালিকা তৈরি করবে। .

CoVe-এর অন্তর্নিহিত কঠোর যাচাইকরণ প্রক্রিয়া উত্পন্ন প্রতিক্রিয়াগুলিতে উচ্চতর মাত্রার নির্ভুলতা এবং নির্ভরযোগ্যতা নিশ্চিত করে। যাচাইকরণের দিকে এই সুশৃঙ্খল দৃষ্টিভঙ্গি শুধুমাত্র তথ্যের গুণমানকে সমৃদ্ধ করে না বরং এআই জেনারেশন প্রক্রিয়ার মধ্যে জবাবদিহিতার সংস্কৃতিকে উত্সাহিত করে, আরও নির্ভরযোগ্য এআই-উত্পাদিত পাঠ্য অর্জনের দিকে একটি উল্লেখযোগ্য অগ্রগতি চিহ্নিত করে।

উদাহরণ 1

প্রশ্ন: 20 শতকের উল্লেখযোগ্য আবিষ্কারের তালিকা করুন।
প্রাথমিক খসড়া: ইন্টারনেট, কোয়ান্টাম মেকানিক্স, ডিএনএ স্ট্রাকচার আবিষ্কার
যাচাইকরণ প্রশ্ন: ইন্টারনেট কি 20 শতকে আবিষ্কৃত হয়েছিল? কোয়ান্টাম মেকানিক্স কি 20 শতকে বিকশিত হয়েছিল? ডিএনএর গঠন কি 20 শতকে আবিষ্কৃত হয়েছিল?
চূড়ান্ত যাচাই প্রতিক্রিয়া: ইন্টারনেট, পেনিসিলিন আবিষ্কার, ডিএনএ স্ট্রাকচার আবিষ্কার

উদাহরণ 2

প্রশ্ন: আফ্রিকার দেশগুলির একটি তালিকা দিন।
প্রাথমিক খসড়া: নাইজেরিয়া, ইথিওপিয়া, মিশর, দক্ষিণ আফ্রিকা, সুদান
যাচাইকরণ প্রশ্ন: নাইজেরিয়া কি আফ্রিকায়? ইথিওপিয়া কি আফ্রিকায়? মিশর কি আফ্রিকায়? দক্ষিণ আফ্রিকা কি আফ্রিকায়? সুদান কি আফ্রিকায়?
চূড়ান্ত যাচাই প্রতিক্রিয়া: নাইজেরিয়া, ইথিওপিয়া, মিশর, দক্ষিণ আফ্রিকা, সুদান

চেইন-অফ-ভেরিফিকেশন প্রক্রিয়া
চিত্র 1: চেইন-অফ-ভেরিফিকেশন সরলীকৃত প্রক্রিয়া (লেখকের ছবি)

পদ্ধতিতে LLM-এর জন্য প্রশ্ন সহ প্রাসঙ্গিক উদাহরণের প্রয়োজন হবে, অথবা এই পদ্ধতিতে প্রতিটি প্রশ্নের কাছে যাওয়ার জন্য একটি LLM CoVe উদাহরণগুলিতে সুন্দর করা যেতে পারে, এটি যদি ইচ্ছা হয়।

চেইন-অফ-ভেরিফিকেশন পদ্ধতির আবির্ভাব নির্ভরযোগ্য এবং নির্ভুল এআই-উত্পাদিত পাঠ্য অর্জনের দিকে প্রম্পট ইঞ্জিনিয়ারিংয়ে অগ্রগতির একটি প্রমাণ। হ্যালুসিনেশন সমস্যাটি মাথায় রেখে, CoVe একটি শক্তিশালী সমাধান অফার করে যা LLM দ্বারা উত্পন্ন তথ্যের গুণমানকে উন্নত করে। পদ্ধতির কাঠামোগত পদ্ধতি, এর স্ব-যাচাই পদ্ধতির সাথে মিলিত, আরও নির্ভরযোগ্য এবং বাস্তবসম্মত এআই প্রজন্মের প্রক্রিয়াকে উত্সাহিত করার দিকে একটি উল্লেখযোগ্য লাফ দেয়।

CoVe-এর বাস্তবায়ন অনুশীলনকারীদের এবং গবেষকদের জন্য একইভাবে প্রম্পট ইঞ্জিনিয়ারিংয়ে কৌশলগুলি অন্বেষণ এবং পরিমার্জন চালিয়ে যাওয়ার জন্য একটি স্পষ্ট আহ্বান। এই ধরনের উদ্ভাবনী পদ্ধতিগুলিকে আলিঙ্গন করা বৃহৎ ভাষার মডেলগুলির সম্পূর্ণ সম্ভাবনাকে আনলক করতে সহায়ক হবে, একটি ভবিষ্যতের প্রতিশ্রুতি দেবে যেখানে AI-উত্পাদিত পাঠ্যের নির্ভরযোগ্যতা কেবল একটি আকাঙ্ক্ষা নয়, একটি বাস্তবতা।

ম্যাথু মায়ো (@mattmayo13) কম্পিউটার বিজ্ঞানে স্নাতকোত্তর ডিগ্রি এবং ডেটা মাইনিংয়ে স্নাতক ডিপ্লোমা রয়েছে। KDnuggets-এর এডিটর-ইন-চীফ হিসাবে, ম্যাথিউ জটিল ডেটা সায়েন্স ধারণাগুলিকে অ্যাক্সেসযোগ্য করে তোলার লক্ষ্য রাখেন। তার পেশাগত আগ্রহের মধ্যে রয়েছে প্রাকৃতিক ভাষা প্রক্রিয়াকরণ, মেশিন লার্নিং অ্যালগরিদম এবং উদীয়মান এআই অন্বেষণ। তিনি ডেটা সায়েন্স সম্প্রদায়ের জ্ঞানকে গণতন্ত্রীকরণের একটি মিশন দ্বারা চালিত। ম্যাথিউ 6 বছর বয়স থেকে কোডিং করছেন।