Ovaj tekst je nastao u okviru projekta Preduzmi ideju koji finansira USAID.
Zamislite da sedite u coworking prostoru, okruženi belim tablama ispisanim idejama i šoljama hladne kafe. Već danima pokušavate da rešite ključni problem vašeg startapa – kako povećati retenciju korisnika. Zamislite da u toj situaciji dobijete pomoć AI asistenta koji ne samo da nudi rešenja, već i objašnjava svoj proces razmišljanja:
“Analizirajmo podatke o korišćenju vaše aplikacije”, “Primećujem da 40% korisnika odustaje nakon drugog logovanja. Hajde da razmotrimo zašto: Prvo, onboarding proces traje predugo. Drugo, ključne funkcije nisu intuitivne. Treće…”
AI nastavlja, vodeći vas kroz složenu mrežu podataka, korisničkog ponašanja i potencijalnih rešenja, objašnjavajući svaki korak svog rezonovanja.
Ovo je postalo moguće sa uvođenjem “Lanca razmišljanja” (Chain of Thought – CoT) u velikim jezičkim modelima.
Šta je lanac razmišljanja u LLM-ovima?
Lanac razmišljanja se odnosi na sposobnost LLM-ova da rezonuju kroz probleme korak po korak. Za razliku od tradicionalnih modela koji često daju direktne odgovore na upite, modeli sa omogućenim CoT-om simuliraju proces logičkog rezonovanja da bi došli do rešenja.
Ovaj pristup im omogućava da se uhvate u koštac sa složenim zadacima poput rešavanja problema u više koraka, rezonovanja kroz dvosmislene scenarije ili izvlačenja uvida iz nijansiranih podataka.
Na primer, ako pitate osnovni LLM, “Koliko narandži ostaje ako počnete sa 12, poklonite 5 i kupite još 3?” on bi mogao direktno da da odgovor (10). LLM sa omogućenim CoT-om bi, međutim, to raščlanio:
- Počnite sa 12 narandži.
- Oduzmite 5 narandži (poklon).
- Dodajte 3 narandže (kupovina).
- Konačan broj: 10 narandži.
Ova sposobnost simuliranja rezonovanja je razlog zašto je CoT tako transformativan.
Chain of Thought (CoT) u AI modelima ima dve ključne komponente:
Interno “razmišljanje”: AI model prolazi kroz niz logičkih koraka da bi došao do zaključka ili rešenja. Ovo je unutrašnji proces modela.
Eksternalizacija procesa: Model ne samo da interno prolazi kroz ove korake, već ih i eksplicitno prikazuje korisniku.
Zahvaljujući eksternalizaciji, korisnik ima uvid u to kako je AI došao do određenog zaključka što olakšava uočavanje eventualnih grešaka i nelogičnosti, kao i dodatno učenje iz logike koju je upotrebio model.
Zašto bi ovo trebalo da zanima osnivače?
CoT mogućnosti otključavaju potencijal za startape u različitim industrijama omogućavajući sofisticiranije interakcije i automatizaciju. Ako vaše poslovanje uključuje procese koji zahtevaju rezonovanje, dedukciju ili nijansiranu odluku, LLM-ovi sa omogućenim CoT-om mogu vam pomoći da se brže razvijate, pružite bolje korisničko iskustvo i diferencirate svoju ponudu na prebukiranim tržištima.
Hipotetički slučajevi upotrebe za startape
Da bismo ilustrovali kako CoT može transformisati poslovanje, istražimo neke hipotetičke scenarije startapa:
- EdTech startap: Personalizovane putanje učenja
Zamislite da gradite EdTech platformu koja pruža personalizovano učenje za studente. LLM sa omogućenim CoT-om mogao bi generisati prilagođene planove učenja rezonovanjem kroz snage, slabosti i ciljeve učenika. Na primer:
– Unos: “Student se muči sa algebrom, ali je izvrstan u geometriji. Treba da se pripremi za prijemni ispit za 3 meseca.”
– CoT proces:
- Identifikujte ključne teme iz algebre potrebne za prijemni.
- Dodelite više vremena algebri uz održavanje prakse za geometriju.
- Sekvencirajte teme na osnovu težine i zavisnosti.
– Rezultat: Prilagođeni tromesečni plan učenja.
- Healthcare SaaS: Optimizacija planova nege pacijenata
SaaS platforma za pružaoce zdravstvene zaštite mogla bi koristiti CoT za generisanje personalizovanih planova nege za upravljanje hroničnim bolestima. Na primer:
– Unos: “Pacijent sa dijabetesom tipa 2, 50 godina, sedentarni način života, nedavno dobijanje na težini.”
– CoT proces:
- Analizirajte kliničke smernice i istoriju pacijenta.
- Sekvencirajte intervencije: promene u ishrani, preporuke za vežbanje i prilagođavanje lekova.
- Predložite raspored praćenja i metrike za praćenje napretka.
– Rezultat: Detaljan plan nege prilagođen pacijentu.
- Platforma za optimizaciju lanca snabdevanja
Logistički startup mogao bi iskoristiti CoT za poboljšanje planiranja ruta i upravljanja zalihama. Na primer:
– Unos: “Skladište A ima 20 jedinica, skladište B ima 50 jedinica. Narudžbine klijenata zahtevaju 60 jedinica na 3 lokacije.”
– CoT proces:
- Odredite najbrže rute za isporuku jedinica iz oba skladišta.
- Optimizujte raspored isporuke na osnovu dostupnosti vozila.
- Uravnotežite zalihe da biste održali zalihe za buduće narudžbine.
– Rezultat: Plan izvršenja korak po korak.
Kako početi
Ako ste zainteresovani za korišćenje Lanca razmišljanja u vašem startapu, evo tri koraka za početak:
- Identifikujte oblasti u vašem poslovanju koje zahtevaju višekoračno rezonovanje ili složeno donošenje odluka. CoT se ne odnosi samo na odgovaranje na pitanja; radi se o simuliranju procesa.
- Eksperimentišite sa LLM API-jima: Mnogi najsavremeniji LLM-ovi nude CoT mogućnosti. Eksperimentišite sa API-jima poput OpenAI-jevog GPT-4 ili Claude-a da biste napravili prototip vašeg slučaja upotrebe.
- Nađite mentore: Izgradnja robusnih funkcija sa omogućenim CoT-om često zahteva fine tuning modela. Probajte da nađete druge osnivače ili AI entuzijaste/stručnjake iz ekosistema sa kojima ćete moći da podelite deo tog puta.
*Izrada ovog teksta omogućena je uz podršku američkog naroda putem Američke agencije za međunarodni razvoj (USAID). Sadržaj ovog teksta je isključivo odgovornost Udruženja SEE ICT i ne predstavlja nužno stavove USAID-a ili Vlade SAD.