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:
In questo articolo ci occuperemo di alcune tecniche a prompt Multiplo.
TECNICHE A PROMPT MULTIPLO
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.
| 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:
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.
Il Reflexion si basa su un ciclo iterativo che include tre fasi principali:
Questa struttura permette di iterare fino a ottenere un risultato ottimale o soddisfacente
DIFFERENZA TRA REFLEXION e COT/TOT
Un ricercatore vuole ottenere una spiegazione accurata di un concetto complesso (es. meccanismo della fotosintesi) e garantire che la risposta sia priva di errori.
Fase 1: Generazione della risposta iniziale
Fase 2: Auto-Valutazione
Fase 3: Correzione
Iterazioni aggiuntive (opzionali):
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."
Generazione di Risposte Multiple:
Confronto delle Risposte:
Selezione della Risposta Migliore:
Output Finale:
Differenza con le altre tecniche
Un team deve decidere il miglior approccio per risolvere un problema complesso: quale strategia di crescita utilizzare per una startup in espansione.
"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."
Fase 1: Generazione di risposte multiple
Fase 2: Confronto
Fase 3: Selezione della strategia migliore
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."
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.
Questa tecnica si basa su un approccio sequenziale suddiviso in passaggi progressivi:
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
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.
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:
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.
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."
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:
"Alla fine, fornisci una soluzione completa basata sulle risposte intermedie."
✅ 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.
❌ 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.
Questa tecnica si basa su un processo in due fasi:
Generazione della Conoscenza
Utilizzo della Conoscenza per Risolvere il Problema
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.
"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:"
Il modello, grazie alla conoscenza generata nel primo passaggio, sarà in grado di rispondere in modo più dettagliato e informato.
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."
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:
"Assicurati che la risposta finale sia basata sulle informazioni contestuali precedentemente generate."
✅ 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.
❌ 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.