PROMPT chi parla?? Alla scoperta delle tecniche di prompt engineering - Tecniche a prompt multiplo

 

Nel nostro blog dedicato agli argomenti tecnologici abbiamo trattato recentemente alcune tecniche di prompt engeneering. Se ve lo siete persi lo trovate qui.

La scorsa volta abbiamo visto come le tecniche di prompt engineering possono essere riassunte in questa mappa concettuale che prevede tre categorie principali:

1. Tecniche  a  Prompt Singolo : Tecniche che si concentrano sull'utilizzo di un unico prompt per ottenere una risposta diretta. 
2. Tecniche  a  Prompt Multiplo : Tecniche che prevedono l'uso di prompt multipli o interazioni iterative.
3. LLM con Tool esterni: Tecniche che integrano il modello linguistico (LLM, Large Language Model) con strumenti esterni, come database o calcolatori.

In questo articolo ci occuperemo di alcune tecniche a prompt Multiplo.

 

 

  

TECNICHE A PROMPT MULTIPLO

1. Tecnica prompt engineering TOT (Tree of Thoughts)

Il TOT (Tree of Thought) è una tecnica emergente nel campo dell'intelligenza artificiale e del prompt engineering, progettata per affrontare problemi complessi attraverso un approccio più ramificato rispetto alla COT (Chain of Thought). Mentre la COT si basa su un ragionamento lineare passo dopo passo, il TOT adotta una struttura ad albero per esplorare diverse possibilità o percorsi alternativi.

 

Questo tipo di prompt engeneering è caratterizzato da una Struttura ramificata dove ogni "nodo" rappresenta una decisione, un'ipotesi o un passo logico e dove le ramificazioni esplorano diverse possibilità a partire da un singolo nodo. Questo tipo di prompting consente di esplorare più opzioni contemporaneamente, analizzando i vantaggi e gli svantaggi di ciascun percorso abilitando pertanto un approccio parallelo. Dopo aver esplorato tutte le ramificazioni, si confrontano i risultati per selezionare il percorso migliore e quindi di fatto ci troviamo con un analisi comparativa, utile per situazioni in cui ci sono piu soluzioni possibili o decisioni che si influenzano reciprocamente.

---

Differenza tra COT e TOT

Aspetto	COT (Chain of Thought)	TOT (Tree of Thought)
Struttura	Lineare, passo dopo passo.	Ramificata, con percorsi alternativi.
Esempio visivo	Una catena.	Un albero con rami e nodi.
Approccio	Segue un unico percorso fino alla conclusione.	Esplora più percorsi e li confronta.
Applicazione	Problemi con un'unica soluzione lineare.	Problemi con molteplici possibilità o decisioni.
Efficienza	Più rapido e semplice.	Più complesso ma approfondito.

---

 

Vediamo ora un esempio pratico di prompt engeneering TOT. Supponiamo di avere un'azienda e di dover decidere come allocare un budget di marketing tra tre strategie:

1. Campagna sui social media.
2. Pubblicità su motori di ricerca.
3. Collaborazioni con influencer.

Prompt engeneering secondo la tecnica TOT:

Un'azienda ha un budget di 10.000€ e deve scegliere tra tre strategie di marketing:
1. Campagna sui social media.
2. Pubblicità su motori di ricerca.
3. Collaborazioni con influencer.

Per ciascuna strategia:
- Analizza i potenziali benefici.
- Stima i costi e il ritorno sull'investimento (ROI).
- Valuta i rischi.

Rappresenta ogni opzione come un ramo di un albero decisionale, confronta i risultati e raccomanda la strategia migliore.


 

 

Risultato possibile:

Conclusione: La strategia sui motori di ricerca è la scelta più vantaggiosa.

 

Per impostare  un prompt secondo la tecnica TOT il prompt dovrà essere esplicitato così:

"Hai un problema da risolvere o una decisione da prendere. Analizza il problema considerando più percorsi o opzioni possibili. Per ciascun percorso:

1. Descrivi i potenziali benefici.

2. Stima i rischi e le difficoltà.

3. Fornisci una conclusione per quel percorso.

Alla fine, confronta tutti i percorsi analizzati e fornisci una raccomandazione basata sui dati raccolti."

 

VANTAGGI E SVANTAGGI DEL TOT

Il Tree of Thought (TOT) rappresenta una potente evoluzione del Chain of Thought (COT) per risolvere problemi complessi che richiedono esplorazioni parallele e analisi comparativa. Sebbene sia più complesso, offre maggiore profondità e versatilità, rendendolo adatto a scenari decisionali, brainstorming e ottimizzazioni multi-obiettivo.

 

2. Tecnica prompt engineering Reflexion

Il Reflexion è una tecnica avanzata di prompt engineering nel campo dell'intelligenza artificiale progettata per migliorare iterativamente la qualità delle risposte attraverso la riflessione e l'auto-correzione. A differenza di altre tecniche come il Chain of Thought (COT) o il Tree of Thought (TOT), il Reflexion incorpora una fase esplicita di autoanalisi, in cui il modello valuta la qualità delle sue risposte, identifica errori o lacune e genera una versione migliorata. Questo approccio mira a ottenere risposte più accurate, complete e coerenti, specialmente in situazioni complesse o con informazioni incomplete.

Struttura e Funzionamento del Reflexion

Il Reflexion si basa su un ciclo iterativo che include tre fasi principali:

1. Generazione della Risposta Iniziale: Il modello fornisce una risposta iniziale basata sul prompt.
2. Auto-Valutazione: Il modello riflette sulla risposta generata e identifica eventuali errori, lacune o miglioramenti possibili.
3. Correzione e Miglioramento: Il modello produce una nuova risposta migliorata basandosi sull'analisi effettuata nella fase precedente.

Questa struttura permette di iterare fino a ottenere un risultato ottimale o soddisfacente

DIFFERENZA TRA REFLEXION e COT/TOT

Prompt engeneering secondo la tecnica REFLEXION:

Problema:

Un ricercatore vuole ottenere una spiegazione accurata di un concetto complesso (es. meccanismo della fotosintesi) e garantire che la risposta sia priva di errori.

strutturazione Prompt:

1. Fase 1: Generazione della risposta iniziale

   • "Spiega il processo di fotosintesi."
   • Risposta iniziale:
     "La fotosintesi è il processo attraverso il quale le piante assorbono ossigeno per produrre glucosio ed energia."
     (Questa risposta contiene errori: le piante non assorbono ossigeno durante la fotosintesi, ma producono ossigeno.)

2. Fase 2: Auto-Valutazione

   • Prompt:
     "Rifletti sulla tua risposta. Controlla se ci sono errori o inesattezze e correggili. Spiega il motivo delle modifiche."
   • Risposta riflessiva:
     "Ho commesso un errore. La fotosintesi non implica l'assorbimento di ossigeno. È il processo in cui le piante assorbono anidride carbonica, luce solare e acqua per produrre glucosio e rilasciare ossigeno come sottoprodotto."

3. Fase 3: Correzione

   • Risposta migliorata:
     "La fotosintesi è il processo in cui le piante convertono anidride carbonica, acqua e luce solare in glucosio ed energia chimica, rilasciando ossigeno come sottoprodotto. Questo processo avviene nei cloroplasti, che contengono clorofilla, una molecola che cattura l'energia luminosa."

4. Iterazioni aggiuntive (opzionali):

   • Il processo può essere ripetuto per aggiungere ulteriori dettagli o per rispondere a richieste più specifiche, come le reazioni chimiche coinvolte.

Per impostare  un prompt secondo la tecnica REFLEXION il prompt dovrà essere esplicitato così:

 

Un esempio di prompt Reflexion potrebbe essere: "Rispondi alla seguente domanda. Dopo aver fornito la risposta, analizzala per identificare eventuali errori, lacune o punti deboli. Correggi la risposta, migliorala e fornisci una spiegazione dettagliata delle modifiche effettuate."

Questa tecnica ha chiaramente dei plus e minus, tra i plus vediamo

✅Accuratezza migliorata: Le iterazioni riducono gli errori.

✅Adatto a problemi complessi: Permette una comprensione più profonda del contesto.

✅Apprendimento iterativo: Simula il modo in cui un essere umano riflette e apprende dai propri errori.

 

Svantaggi:

 

❌Più lento: Richiede più tempo a causa delle iterazioni.
❌Richiede risorse: Modelli complessi possono consumare più calcoli.
❌Non sempre necessario: Per problemi semplici, Reflexion potrebbe essere eccessivo.

 

3. Tecnica prompt engineering Self Consistency

 

La tecnica di Self-Consistency è una metodologia avanzata nel prompt engineering che mira a migliorare la qualità e la robustezza delle risposte generate da un modello di linguaggio. A differenza della tecnica Tree of Thoughts (TOT), che esplora un problema attraverso una struttura ramificata con percorsi interconnessi, la Self-Consistency si basa sull'idea di generare più risposte indipendenti per lo stesso prompt. Tra queste risposte, viene selezionata quella più coerente o frequente, riducendo così l'incidenza di errori casuali e aumentando l'affidabilità del risultato. Questo approccio si concentra su una valutazione statistica e comparativa delle risposte, evitando la complessità strutturale del TOT e garantendo soluzioni precise in meno passaggi. E' un approccio ideale per contesti in cui la qualità della risposta è critica, come consulenze strategiche, analisi decisionali e problem-solving multi-opzione.

 

Struttura e Funzionamento della Self-Consistency

1. Generazione di Risposte Multiple:

   • Il modello genera diverse risposte indipendenti a partire dallo stesso prompt. Ogni risposta esplora possibili varianti o percorsi logici.

2. Confronto delle Risposte:

   • Si analizzano le risposte generate per identificare quella più frequente, coerente o appropriata rispetto al contesto.

3. Selezione della Risposta Migliore:

   • Viene selezionata la risposta più rappresentativa (ad esempio, quella scelta dalla maggioranza o quella con maggiore senso logico).

4. Output Finale:

   • La risposta selezionata viene fornita come output finale, aumentando la probabilità che sia corretta e affidabile

Differenza con le altre tecniche

Esempio Pratico di Prompt Engineering Self-Consistency

Problema:

Un team deve decidere il miglior approccio per risolvere un problema complesso: quale strategia di crescita utilizzare per una startup in espansione.

Prompt Self-Consistency:

"Una startup in espansione deve decidere il modo migliore per scalare il proprio business. Genera diverse strategie possibili. Per ciascuna strategia, considera i seguenti aspetti: potenziale di crescita, costi, rischi e facilità di implementazione. Alla fine, scegli l'opzione più coerente o vantaggiosa in base alle risposte."

1. Fase 1: Generazione di risposte multiple

   • Risposta 1: "Focalizzarsi sull'espansione geografica per raggiungere nuovi mercati internazionali."
   • Risposta 2: "Investire nello sviluppo del prodotto per migliorare la qualità e attrarre più clienti."
   • Risposta 3: "Collaborare con aziende complementari per creare nuove opportunità di business."

2. Fase 2: Confronto

   • Analisi delle risposte:
     • Espansione geografica: Alto potenziale, ma costi elevati e rischi.
     • Sviluppo del prodotto: Buon equilibrio tra costi e crescita.
     • Collaborazione: Opportunità moderate, ma rischi limitati.

3. Fase 3: Selezione della strategia migliore

   • Risposta coerente: "Investire nello sviluppo del prodotto è l'opzione più vantaggiosa perché offre un buon bilanciamento tra costi, rischi e potenziale di crescita."

Prompt per Applicare Self-Consistency

Un esempio di prompt specifico per utilizzare la Self-Consistency potrebbe essere: "Genera più risposte indipendenti per la seguente domanda. Per ogni risposta, analizza i vantaggi, i rischi e le potenziali difficoltà. Dopo aver generato tutte le risposte, seleziona quella che è più coerente o ricorrente tra le opzioni generate."

Vantaggi e Svantaggi della Self-Consistency

Vantaggi:

Svantaggi:

4. Tecnica prompt engineering Least to Most

La tecnica di Least-to-Most è un approccio avanzato nel prompt engineering che si concentra sulla risoluzione di problemi complessi attraverso una progressione graduale, partendo da sottocompiti più semplici fino a raggiungere il problema principale. A differenza della tecnica Tree of Thoughts (TOT), che esplora diverse opzioni in parallelo attraverso una struttura ramificata, il Least-to-Most adotta un approccio sequenziale e incrementale. L'idea principale è quella di suddividere il problema complesso in parti più gestibili, risolverle in ordine di difficoltà crescente e utilizzare le soluzioni intermedie come base per affrontare compiti più complessi. Questo metodo è particolarmente utile per mantenere il modello focalizzato, minimizzando il rischio di errori e migliorando la qualità complessiva delle risposte. E' utile in situazioni complesse che richiedono un approccio a step, come Lanciare una nuova campagna di marketing per un'azienda, o imparare un nuova competenza.

Struttura e Funzionamento della Least to Most

Questa tecnica si basa su un approccio sequenziale suddiviso in passaggi progressivi:

1. Identificazione dei sottocompiti: Scomporre il problema complesso in componenti più semplici e affrontabili.
2. Risoluzione dei problemi più semplici: Rispondere ai sottocompiti di base, raccogliendo informazioni fondamentali.
3. Utilizzo delle risposte intermedie: Integrare le soluzioni ottenute per affrontare livelli di difficoltà crescente.
4. Risoluzione del problema complesso: Con una base solida, il modello affronta la questione principale con maggiore accuratezza.

Questo processo assicura un miglioramento graduale della qualità della risposta e minimizza il rischio di generare informazioni errate o incoerenti.

Differenza con le altre tecniche

Esempio Pratico di Prompt Engineering Least-to-Most

Supponiamo di avere un'azienda che sta sviluppando un nuovo prodotto tecnologico e deve definire una strategia di lancio sul mercato. Il problema è complesso e richiede più passaggi per essere affrontato in modo efficace.

Prompt secondo la tecnica Least-to-Most

Un'azienda ha sviluppato un nuovo dispositivo tecnologico e vuole lanciarlo sul mercato. Invece di affrontare subito il problema principale, analizziamo i seguenti sottocompiti in ordine di difficoltà crescente:

1. Identificare il target di riferimento: Quali sono i segmenti di mercato più adatti?
2. Definire il posizionamento del prodotto: Quali caratteristiche differenziano il prodotto dalla concorrenza?
3. Stabilire una strategia di marketing: Quali canali pubblicitari sono più efficaci per il target scelto?
4. Calcolare il ritorno sull'investimento (ROI): Quali sono i costi previsti e il potenziale profitto?
5. Integrare tutte le informazioni per definire la strategia migliore.

Il modello risponderà a ciascun sottoproblema in sequenza, utilizzando le informazioni raccolte nei primi passaggi per raffinare le risposte successive, arrivando a una conclusione ben strutturata e motivata.

Risultato Possibile

Dopo aver analizzato progressivamente ogni fase, il modello conclude che:
"La strategia ottimale di lancio per il nuovo dispositivo è una combinazione di marketing digitale mirato e collaborazioni con influencer nel settore tecnologico, puntando su una comunicazione orientata alla qualità e all’innovazione."

Come Strutturare un Prompt Secondo la Tecnica Least-to-Most

Per applicare la tecnica Least-to-Most, il prompt deve essere formulato in modo da guidare il modello attraverso una sequenza logica e progressiva.

Struttura del prompt:
"Hai un problema complesso da risolvere. Prima di affrontarlo direttamente, analizza e risolvi i seguenti sottocompiti, partendo dai più semplici fino ai più complessi. Per ciascun sottocompito:

1. Identifica gli elementi fondamentali del problema.
2. Rispondi in modo chiaro e conciso.
3. Utilizza la risposta per affrontare il passaggio successivo.
4. Integra le informazioni ottenute per risolvere il problema principale.

"Alla fine, fornisci una soluzione completa basata sulle risposte intermedie."

Vantaggi

✅ Migliora la precisione: La suddivisione progressiva riduce il rischio di errori nel ragionamento.
✅ Adatto a problemi complessi: Funziona bene quando i problemi possono essere decomposti in passaggi più semplici.
✅ Aumenta la coerenza delle risposte: Il modello utilizza informazioni consolidate nei primi passaggi per migliorare la risposta finale.

Svantaggi

❌ Più lento rispetto ad altre tecniche: Richiede più passaggi per arrivare alla soluzione.
❌ Non sempre applicabile: Per problemi semplici o con soluzioni immediate, può risultare eccessivamente strutturato.
❌ Dipendenza dalla qualità delle risposte intermedie: Se uno dei passaggi precedenti è errato, può compromettere la soluzione finale.

4. Tecnica prompt engineering Generated Knowledge

La tecnica di Generated Knowledge (GK) è un metodo avanzato di prompt engineering progettato per migliorare la qualità delle risposte generando informazioni contestuali prima di affrontare direttamente un problema. Il Generated Knowledge si concentra sulla creazione di conoscenza preliminare per fornire al modello un contesto più ricco e dettagliato. Questo processo consente di ottenere risposte più accurate e articolate, specialmente in scenari in cui l'accesso diretto a dati dettagliati è limitato.

Struttura della Tecnica Generated Knowledge

Questa tecnica si basa su un processo in due fasi:

1. Generazione della Conoscenza

   • Il modello viene prima guidato a generare informazioni di base pertinenti all’argomento.
   • L’obiettivo è costruire una comprensione più solida del contesto prima di affrontare direttamente la domanda o il problema principale.
     
     

2. Utilizzo della Conoscenza per Risolvere il Problema

   • Una volta generata una base informativa, il modello utilizza queste informazioni per rispondere alla domanda principale o risolvere il problema richiesto.
   • Questo processo riduce il rischio di risposte incomplete o superficiali, migliorando la profondità e l’affidabilità del risultato.

Esempio Pratico di Prompt Engineering Generated Knowledge

Supponiamo di voler analizzare l'impatto dell’intelligenza artificiale nel settore medico. Invece di chiedere direttamente una risposta, possiamo prima generare la conoscenza rilevante e poi utilizzarla per formulare un'analisi più approfondita.

Prompt secondo la tecnica Generated Knowledge

"Analizza l'impatto dell’intelligenza artificiale nel settore medico. Prima di rispondere alla domanda, genera una serie di informazioni contestuali per supportare la risposta. Segui questi passaggi:"

1. Genera una panoramica dell’intelligenza artificiale in ambito sanitario, elencando le sue principali applicazioni.
2. Descrivi i benefici principali dell’uso dell’IA nella medicina, come il miglioramento delle diagnosi e la personalizzazione delle terapie.
3. Identifica le sfide e i limiti dell’intelligenza artificiale in campo medico.
4. Utilizza queste informazioni per fornire un’analisi completa dell’impatto dell’IA nella sanità.

Il modello, grazie alla conoscenza generata nel primo passaggio, sarà in grado di rispondere in modo più dettagliato e informato.

Risultato Possibile

Dopo aver generato la conoscenza di base, il modello potrebbe rispondere così:

"L’intelligenza artificiale sta trasformando il settore medico attraverso applicazioni avanzate come la diagnostica basata su machine learning, l’analisi di immagini mediche e i sistemi di supporto alle decisioni cliniche. I principali benefici includono diagnosi più rapide e accurate, riduzione degli errori umani e trattamenti personalizzati per i pazienti. Tuttavia, permangono sfide come la gestione della privacy dei dati e la necessità di supervisione umana nelle decisioni critiche. Considerando questi fattori, l’IA ha un impatto positivo sulla medicina, ma richiede regolamentazioni e validazioni rigorose per un'integrazione sicura e affidabile."

Come Strutturare un Prompt Secondo la Tecnica Generated Knowledge

Per applicare Generated Knowledge, il prompt deve essere formulato in modo da guidare il modello nella creazione di un contesto prima di fornire la risposta principale.

Struttura del prompt:
"Per rispondere a questa domanda in modo accurato, segui questi passaggi:

1. Genera informazioni preliminari sul tema richiesto.
2. Organizza i dati raccolti in modo strutturato.
3. Utilizza la conoscenza generata per formulare una risposta completa e motivata.
4. Fornisci un’analisi finale basata sui dati elaborati."

"Assicurati che la risposta finale sia basata sulle informazioni contestuali precedentemente generate."

Vantaggi e Svantaggi del Generated Knowledge

Vantaggi

✅ Maggiore accuratezza: La risposta è supportata da un contesto ben definito.
✅ Adatto a domande complesse: Perfetto per problemi che richiedono una base informativa preliminare.
✅ Migliora la coerenza della risposta: Riduce il rischio di informazioni errate o superficiali.

Svantaggi

❌ Più tempo richiesto: Il modello deve generare conoscenza prima di fornire una risposta.
❌ Richiede maggiore capacità computazionale: Più informazioni devono essere elaborate prima della risposta finale.
❌ Non sempre necessario: Per domande dirette e semplici, questa tecnica può risultare eccessiva.