Chain-of-Thought Prompting

Apuntes:
Chain-of-Thought:
ㅤ
El Chain-of-Thought es un método que permite mejorar las habilidades de razonamiento de los modelos de lenguaje. El concepto de esta técnica, se basa en permitirle a los modelos descomponer un problema de varios pasos en pasos intermedios y así resolver problemas que no se podrían resolver con métodos de prompts estándar.
ㅤ
🧮 Esta es la manera de mejorar la precisión en tareas de razonamiento aritmético, en las que los modelos de lenguaje suelen tener bastantes dificultades para resolver correctamente.
ㅤ
Este es un ejemplo de un prompt estándar que NO involucra el Chain-of-Thought:

ㅤ
Y en esta versión se incluye el Chain-of-Thought:

ㅤ
En este caso, el prompt estándar le pide al modelo una respuesta directa de un problema de razonamiento de varios pasos, conduciendo a una respuesta incorrecta. Mientras que el prompt utilizando Chain-of-Thought, descompone el problema en pasos intermedios que conducen a una respuesta correcta.

Ejemplo:

Eres un bot de decisiones. Tu trabajo es ayudar a tomar una decisión haciendo una serie de preguntas una a la vez y llegando a una decisión razonable basada en la información proporcionada.

Utilizará el siguiente formato para ayudar a crear la serie de preguntas.

formato:
[Problema/Escenario/Pregunta]:
[Proporcione una breve descripción del problema, escenario o pregunta].

Cadena de pensamiento:

[Paso 1]: Identifique el [elemento/variable clave] en [problema/escenario/pregunta].
[Paso 2]: Comprender la [relación/conexión] entre [elemento A] y [elemento B].
[Paso 3]: [Analizar/Evaluar/Considerar] el [contexto/implicación] de la [relación/conexión] entre [elemento A] y [elemento B].
[Paso 4]: [Concluir/Decidir/Determinar] el [resultado/solución] basado en el [análisis/evaluación/consideración] de [elemento A], [elemento B] y su [relación/conexión].
[Respuesta/Conclusión/Recomendación]: [Proporcione una respuesta coherente y lógica basada en la cadena de pensamiento.]

Guiarás al usuario a través de una serie de preguntas de una en una. La primera pregunta es amplia, y las siguientes se vuelven más específicas.

Empieza presentandote y haciendo solamente y nada más que la primera pregunta (paso 1), de manera sencilla y fácil.

Hay un método avanzado para desarrollo de prompts conocido como APE (Automatic Prompt Engineer), que consiste en el mejoramiento del prompt engineering a través, precisamente, del uso de la IA. Con este método se evaluó la técnica Zero Shot Chain of Thought, encontrando que la mejor instrucción es “Trabajemos esto paso a paso para estar seguros de tener la respuesta correcta”, tal como se puede ver en la siguiente tabla:

Acá los enlaces a los papers:
https://arxiv.org/abs/2211.01910
https://arxiv.org/abs/2205.11916

Como yo lo veo, una cadena de pensamiento podría realizarse por pasos. Así lo haría yo. Le diría que siguiera unos pasos específicos comenzando con el paso número 1 y que siguiera el mismo planteamiento que le indicaría. Muchas veces, con decirle que está mal, corrige por sí misma el modelo. A continuación un ejemplo:

Prompt:

Respuesta:

Chain-of-Thought Prompting

Introducción

El Chain-of-Thought prompting es una técnica de modelado de lenguaje natural utilizada en la inteligencia artificial. Esta técnica se enfoca en generar respuestas coherentes y relevantes al proporcionar al modelo una secuencia de pensamiento o contexto para guiar la generación de respuestas.

Desarrollo

El Chain-of-Thought prompting utiliza una serie de indicaciones o información que guían al modelo en la generación de respuestas coherentes y relevantes. En lugar de proporcionar una única tarea o pregunta, se proporciona una secuencia de pensamiento que permite al modelo generar respuestas más precisas y relevantes.

Por ejemplo, en una conversación entre un usuario y un modelo de lenguaje, el Chain-of-Thought prompting puede guiar al modelo a través de una serie de preguntas o tópicos para generar una respuesta más coherente y relevante. Esto permite que el modelo de lenguaje genere respuestas más precisas y relevantes en lugar de respuestas que pueden ser ambiguas o incoherentes.

El Chain-of-Thought prompting es particularmente útil en conversaciones complejas en las que es importante mantener la coherencia y relevancia de la respuesta. Además, esta técnica también es útil en la generación de respuestas más complejas, como la traducción de idiomas o la generación de respuestas de texto a voz.

Conclusiones

El Chain-of-Thought prompting es una técnica de modelado de lenguaje natural que permite al modelo generar respuestas coherentes y relevantes al proporcionar una secuencia de pensamiento o contexto que guía la generación de respuestas. Esta técnica es particularmente útil en conversaciones complejas y en la generación de respuestas más complejas, como la traducción de idiomas. En resumen, el Chain-of-Thought prompting es una técnica efectiva para generar respuestas precisas y coherentes en la inteligencia artificial.

No tenía idea del Chain-of-Thought este curso cada vez se pone mejor 😎

Estuve haciendo unas pruebas sencillas con zero shot y me funciono mucho mejor en inglés que en español, sin ponerle ningún ejemplo solo diciéndole “Let’s do it step by step to make sure we have the right answer.”

Quizá habría que entrecomillar cada palabra por separado para que funcione: “Nunca” “pares” “de” “aprender”. No decir "las últimas letras de las palabras ‘nunca pares de aprender’ ", sino “la última letra de cada una de las palabras ‘nunca’ ‘pares’ ‘de’ ‘aprender’”

(texto largo)
ejemplo:
Prompt: Actuaras como una experta en el tarot gitano de lenormand, sabrás con exactitud el significado de cada carta y los tipos de tiradas que existen, tu trabajo es darme interpretaciones de las cartas según las tiradas que te indique. Las tiradas y las posiciones te las indicaré de la siguiente manera: “Tirada de 5 cartas”

[Paso 1]: analizar “problemática”: problemática planteada por el consultante, está puede ser presentada en forma de pregunta. Ejemplo: “como me irá hoy”

[Paso 2] analizar los significados de cada carta en el contexto de su posición:

1. La primera carta que te indique representa la situación actual del problema.

Se presentará la respuesta de la siguiente forma: [Nombre de la carta] y [número] seguido significado general de no más de 2 a 3 oraciones, está representa la situación actual de la “problemática”. esta situación será explicada por el significado de la carta.

1. La segunda carta que te indique representa el pasado que influye sobre la situación actual.

Se presentará así: [Nombre de la carta] y [número] seguido significado general de no más de 2 a 3 oraciones, pasado que influye sobre la situación actual de la “problemática”. esta influencia será explicada por el significado de la carta.

1. La tercera carta que te indique señala la tendencia al futuro próximo.

Se presentará así: [Nombre de la carta] y [número] seguido significado general de no más de 2 a 3 oraciones, tendencia que o situación que se presentará en el futuro proximo respecto a la “problemática”. esta influencia será explicada por el significado de la carta.

1. La cuarta carta que te indique señala lo que está oculto sobre la situación actual. Esta influencia es clave para entender la situación actual y está influye una fuerza sobre lo que está ocurriendo en la actualidad.

Se presentará así: [Nombre de la carta] y [número] seguido significado general de no más de 2 a 3 oraciones, influencia oculta quen influye en la “problemática”. esta influencia será explicada por el significado de la carta.

1. La quinta que te indique señala la posible solución para el problema.

Se presentará así: [Nombre de la carta] y [número] seguido significado general de no más de 2 a 3 oraciones, posible solución para el problema y recomendacion para la “problemática”. esta posible solución será explicada por el significado de la carta.

[Paso 3]: dar un resumen de cada carta sobre la “problemática” en forma de una explicación de cada aspecto explicadas por las cartas. Todo estrictamente bajo la interpretación de las cartas gitanas de lenormand. Evitarás interpretaciónes de otro tipo de mazo de tarot que no sea lenormand.

Entendido?

R: Entendido, estoy lista para ayudarte con tu lectura del tarot gitano de Lenormand. Por favor, indícame la pregunta que deseas hacer y la tirada que quieres que usemos.

Prompt: Problemática: voy a tener éxito como Ingeniero de prompt?
Carta 1: la cruz
Carta 2: el barco
Carta 3: la carta (27)
Carta 4: el anillo
Carta 5: el libro

R: Entendido, a continuación te presento la interpretación de las cartas según la tirada de 5 cartas que has solicitado:

• La Cruz (36): Esta carta simboliza la carga o el peso que se lleva en la vida, lo que sugiere que actualmente puedes estar experimentando algún tipo de obstáculo o dificultad en tu carrera como Ingeniero de Prompt. La Cruz también representa el sacrificio y la paciencia, por lo que es posible que debas trabajar duro para superar los desafíos que se te presentan.

• El Barco (3): Esta carta simboliza los viajes y los cambios, lo que sugiere que en el pasado has experimentado un cambio importante en tu vida que ha influenciado tu carrera. Puede ser que hayas viajado o que hayas tenido una experiencia de vida que te haya llevado a convertirte en Ingeniero de Prompt.

• La Carta (27): Esta carta simboliza la comunicación y los documentos escritos. En el contexto de tu pregunta, indica una tendencia hacia la escritura y la documentación. Podrías estar muy enfocado en la escritura y en comunicar tus ideas y conocimientos. Esta carta también sugiere que eres muy bueno en tu trabajo y que posees habilidades avanzadas y especializadas.

• El Anillo (25): Esta carta simboliza la unión y la asociación. En el contexto de tu pregunta, sugiere que hay un contrato o un acuerdo relacionado con tu carrera como Ingeniero de Prompt. Esto podría ser una asociación empresarial o un contrato de trabajo. El Anillo también representa la lealtad y la fidelidad, lo que sugiere que es importante que seas fiel a tus principios y a tu trabajo para tener éxito.

• El Libro (26): Esta carta simboliza el conocimiento y la educación, lo que sugiere que para tener éxito como Ingeniero de Prompt, es importante que continúes aprendiendo y mejorando tus habilidades. El Libro también representa el secreto y lo desconocido, lo que sugiere que hay algo oculto o desconocido que debes descubrir para lograr el éxito en tu carrera.

Resumen: En resumen, la tirada de las cartas indica que actualmente estás experimentando algunos obstáculos en tu carrera como Ingeniero de Prompt, pero eres un experto en lo que haces y tienes habilidades avanzadas y especializadas. En el pasado, has tenido una experiencia que te llevó a convertirte en Ingeniero de Prompt. Hay un contrato o un acuerdo relacionado con tu trabajo que requiere lealtad y fidelidad. Para tener éxito, debes continuar aprendiendo y mejorando tus habilidades. Además, hay algo oculto o desconocido que debes descubrir para lograr el éxito en tu carrera.

Clase 11 - Chain-of-Thought Prompting

Resumen de la clase

¿En qué consiste la técnica Chain-of-Thought?

• Es una técnica que nos permite mejorar las habilidades de razonamiento de los modelos de lenguaje de inteligencia artificial. Esta le permite al modelo de AI descomponer un problema en varios pasos para que seamos capaces de llegar al resultado deseado usando prompts simples.

¿Qué debemos de darle a Chat GPT para usar de manera eficiente la técnica Chain-of-Thought?

• Debemos darle un ejemplo del paso a paso que debe seguir.

¿Qué hizo famosa a la técnica Chain-of-Thought?

• La publicación de PaLM por parte de Google.

¿Qué significan “Q” y “A” cuando usamos la técnica Chain-of-Thought?

• Q = Question (pregunta).
• A = Answer (respuesta).

¿Los modelos de inteligencia artificial fueron muy entrenados en lógica matemática compleja?

• No.

¿Podemos usar la técnica Chain-of-Thought junto a la técnica Zero-shot y obtener resultados óptimos?

• Sí y no, en ocasiones sí nos arrojará un resultado óptimo y en otras no.

¿Qué debemos de hacer para usar al mismo tiempo las técnicas Chain-of-Thought y Zero-shot?

• Escribirle al final del prompt “piensalo, paso por paso”.

Qué curioso que, aunque mal escrito, las últimas letras de la frase “nunca pares de aprender” deriven en algo que suena como HACER.
No lo sé, cábala quizás.

Que bárbaro! esta clase me ha dejado atónito.

Quizás seré muy básico, podría decir que Chaín-Of-Thought prompting es una técnica basada en seguir el hilo de la conversación (darle la orden masticadito jaja), sin prisa. Una interacción en esa estructura con la herramienta aumentará la asertividad de lo buscado. ¿Qué opinan?.

En mis ratos libres me gusta escribir historias y hay una que es de fantasía que no he podido continuar ya que no se me ocurría un buen acertijo, así que use el ejemplo más antiguo y ver que creaba la IA, el resultado me gusto, aquí les dejo mi ejemplo:

Escribiré un acertijo con su respuesta.

¿Cuál es la única criatura que al amanecer anda a cuatro patas, al mediodía anda a dos y al caer la tarde anda a tres?

La respuesta es: “El hombre, que cuando se arrastra por tierra, al principio, nace del vientre de la madre como indefenso cuadrúpedo y, al ser viejo, apoya su bastón como un tercer pie”. Es decir el hombre cuando nace, gatea, luego camina con dos pies y cuando envejece necesita la ayuda de un bastón para caminar.

Si entendiste responde solamente “LO HE ENTENDIDO”

LO HE ENTENDIDO.

Ahora crea un acertijo usando el ejemplo que te brindé con su respectiva respuesta, usa la misma estructura para crearlo.

**¡Claro, aquí te presento un acertijo diferente usando la misma estructura!

¿Qué cosa puede tener solo tres patas, pero también cuatro según su uso?
Respuesta: Una silla, que puede tener tres patas cuando se apoya en un terreno irregular, pero cuatro patas cuando se encuentra en una superficie plana.**

10. Chain-of-Thought Prompting -

Cadena de pensamiento

Estructura Question and Answer para darle contexto

Cadenas de pensamiento complejas

Agradecería los ejemplos usados como menciona Carlos

Eres un bot de decisiones. Tu trabajo es ayudar a tomar una decisión haciendo una serie de preguntas una a la vez y llegando a una decisión razonable basada en la información proporcionada. Utilizará el siguiente formato para ayudar a crear la serie de preguntas. formato: [Problema/Escenario/Pregunta]: [Proporcione una breve descripción del problema, escenario o pregunta]. Cadena de pensamiento: [Paso 1]: Identifique el [elemento/variable clave] en [problema/escenario/pregunta]. [Paso 2]: Comprender la [relación/conexión] entre [elemento A] y [elemento B]. [Paso 3]: [Analizar/Evaluar/Considerar] el [contexto/implicación] de la [relación/conexión] entre [elemento A] y [elemento B]. [Paso 4]: [Concluir/Decidir/Determinar] el [resultado/solución] basado en el [análisis/evaluación/consideración] de [elemento A], [elemento B] y su [relación/conexión]. [Respuesta/Conclusión/Recomendación]: [Proporcione una respuesta coherente y lógica basada en la cadena de pensamiento.] Guiarás al usuario a través de una serie de preguntas de una en una. La primera pregunta es amplia, y las siguientes se vuelven más específicas. Empieza presentandote y haciendo solamente y nada más que la primera pregunta (paso 1), de manera sencilla y fácil.

CHAIN OF THOUGHT (cadena de pensamiento):
DEFINICION:
Técnica para que ChatGPT entienda prompt con determinado contexto. Primero se le especifica una PRIMERA PREGUNTA y su respectiva RESPUESTA como EJEMPLO o MODELO para responder. En el MISMO PROMPT a continuación se realiza una SEGUNDA PREGUNTA con un estructura similar a la primera pregunta. ChatGPT responderá esta última pregunta con una estructura similar a la respuesta de la primera pregunta modelo.
Para especificar que estoy usando esta técnica tengo que anteponer a las preguntas la letra Q (question) y a las respuestas la letra A (answer).
**EJEMPLO: **
Prompt:
Q: Toma las últimas letras de las palabras ‘Un corto ejemplo’ y concatenadas.
A: La última letra de la palabra ‘Un’ es ‘N’, la última letra de la palabra ‘corto’ es ‘O’ y la última letra de la palabra ‘ejemplo’ es ‘O’. Al concatenar el resultado es ‘NOO’
Q: Toma las últimas letras de las palabras ‘Nunca pares de aprender’ y concatenadas.
Respuesta:
La última letra de la palabra ‘Nunca’ es ‘A’, la última letra de la palabra ‘pares’ es ‘S’, la última letra de la palabra ‘de’ es ‘D’, la última letra de la palabra ‘aprender’ es ‘R’, . Al concatenar el resultado es ‘ASER’

COMENTARIOS:
La estructura Q-A-Q (una cadena de pensamiento) es la más simple. Pero puedo especificar en un prompt con CONVERSACIÓN con ChatGPT (cadena de pensamiento compleja) con el fin de que resuelva distintas tareas de un nivel de abstracción del lenguaje mucho más avanzado.
Por otro lado, hay una forma de hacer un prompt CHAIN OF THOUGHT y ZERO SHOT. Consiste en terminar de escribir el prompt agregando por ejemplo ‘Piensalo paso a paso’. Aunque puede ser que no sea efectivo un ejemplo sería el siguiente:
Prompt: Toma las últimas letras de las palabras ‘Nunca pares de aprender’ y concatenadas. Piensalo paso a paso.
PROBLEMAS QUE RESUELVE:
Muchos modelos no pueden seguir una lógica matemática asociado a una descripción de un problema de la vida cotidiana porque pierden contexto. No fueron entrenados de esa manera. No pueden evaluar muchas variables en una cadena de eventos por ejemplo. La respuesta es especificar una cadena de pensamientos.
El modelo PaLM de Google se vuelve muy bueno una vez que le especificamos una cadena de pensamiento.

Super, ya me había pasado el error de la clase, ahora ya se como corregirlo.

De hecho el problema del primer prompt, es que está mal hecho, sin necesidad de darle ejemplos le puse:

toma las últimas letras de las palabras que contiene la frase "Nunca parés de aprender" y concaténalas 

Y con esto me dió el resultado correcto.

Me pasó cuando le pedí asistencia con una liquidación de una tabla de amortización y obtención de una tasa de interés con ciertos parámetros. Comenzó a alusinar, luego le dí las instrucciones y la explicación de como debía tomar los datos y jugar con las cadenas del pensamiento, fue capaz de llegar a la respuesta correcta.

PARTE DEL PROMT: 8 periodos con una tasa del 10% con una cuota de 749.776 con un capital inicial de 4,000,000. Me redondeo la cuota y me dió este resultado:

luego procedí a retroalimentarle y finalmente me genera la tabla de amoritizacion con menor margen de error, pero aun con aspectos por mejorar:

yo eh visto que las inteligencias artificiales no calculan bien las matematicas, pero se lo puede hacer muy bien si a la vez se le pide a chatgpt que use herramientas como wolfram alpha…“puedes simplemente escribir cualquier pregunta o cálculo matemático que desees validar en el chat y yo puedo realizar la consulta en Wolfram Alpha y proporcionarte la respuesta.” -chatgpt

Realmente para resolverlo no es necesario utilizar cadena de pensamiento, solo basta escribir el prompt de manera correcta:

Toma las últimas letras de las palabras que conforman la frase: nunca pares de aprender y concaténalas.

Las cadenas de pensamientos se usan en los modelos de lenguaje para enseñarle como resolver el problema que necesitamos, indicanado primeramente la pregunta luego colocamos la respuesta y el proceso a seguir para resolverlo y finalizamos colocando la pregunta que queremos que resuelva

Definición simple de Cadena de Pensamiento

Es como un camino que seguimos en nuestra mente para llegar a una respuesta o solución basada en la información y conocimientos que poseemos.

que es una cadena de pensamiento en inteligencia artificial
ChatGPT
En inteligencia artificial, una cadena de pensamiento se refiere a una serie de procesos y decisiones que un algoritmo sigue para llegar a una conclusión.

Estas cadenas de pensamiento se utilizan comúnmente en sistemas de toma de decisiones automatizados, donde un algoritmo analiza datos de entrada y realiza una serie de cálculos y operaciones para llegar a una conclusión o tomar una decisión específica.

La cadena de pensamiento en inteligencia artificial se compone de una serie de etapas o fases que se ejecutan de forma secuencial. Cada fase se enfoca en una tarea específica, como la recopilación y preprocesamiento de datos, la selección y entrenamiento del modelo, la evaluación de la precisión del modelo, entre otras.

Una cadena de pensamiento bien diseñada en inteligencia artificial puede ayudar a mejorar la precisión de los sistemas de toma de decisiones automatizados y garantizar que las decisiones que toman sean consistentes, precisas y confiables.

prompt 1:

Q: Toma la ultima letra de cada
palabra en la siguiente frase y concatenalas "Un corto ejemplo"
A: La ultima letra de la palabra "Un " es
N, la ultima letra de la palabra "corto " es
O, la ultima letra de la palabra "ejemplo"
es O, al concatenarlas el resultados es
"NOO"
Q: Toma la ultima letra de cada
palabra en la siguiente frase y concatena las “Nunca pares de aprender”

En mi caso, cuándo intente con el mismo promt de ejemplo el modelo no incluia el artículo “de”. Así que literalmente le dije que lo incluyera y funcionó.
.
.
Q: Toma las ultimas letras de las palabras “Un corto ejemplo” y concatenalas
A: La ultima letra de la palabra “Un” es N, la ultima letra de la palabra “corto” es O, la ultima letra de la palabra “ejemplo” es O, al concatenarlas el resultado es “NOO”

Q: Toma las ultimas letras en las palabras “Nunca pares de aprender” y concatenalas. Ten en cuenta todas las palabras y articulos.

ChatGPT
Mis disculpas nuevamente por la confusión anterior. Las últimas letras de las palabras “Nunca pares de aprender” son “a”, “s”, “e” y “r”. Al concatenarlas, el resultado es “aser”. Lamento los errores anteriores y agradezco tu paciencia.

Wao, me parece muy poderosa el uso de la técnica de cadena de pensamiento.

Chain of thought muy interesante metodo a probarlo ahora

Que técnicas tan geniales!!!

Las cadenas de pensamientos contribuyen a mejorar las respuestas de los modelos de Ai brindándoles contexto que sea de guía en algunos escenarios simples a otros muy complejos.

Creación de una cadena de Pensamiento compleja Chaun-of-Thought

Gracias

Yo pienso que en el ejemplo de concatenar la ultima letra de las palabras el problema es falta de claridad. Yo hice varias pruebas y luego de algunas modicicaciones al prompt obtuve la respuesta correcta. El prompt que usé fué: Toma la ultima letra de cada palabra de la frase: “nunca pares de aprender” y concatenalas

Al final, me funcionó con zero-shot:

Aqui les comparto un aporte que encontré investigando este tema en particular y es incredible, en este caso tiene 3 líneas de razonamiento al mismo tiempo. Super interesante para investigar si es que no se trata en las próximas clases.
"Necesito que actúes como 3 expertos en Física. Cada uno de ellos va a plantear una hipótesis distinta sobre el resultado del siguiente (documento/problema). Es importante que cada uno plantee una línea de razonamiento distinta. Cuando hayan terminado, quiero que continues la conversación entre estos 3 expertos para que contrasten los diferentes resultados y lleguen a una conclusión consensuada, es importante que haya vocación de aceptar la posición más razonable por parte de los demás. Es importante que esa conclusión sea: “la respuesta tiene que ser un número de horas concreto”

Quiero que me muestres todo el proceso de la conversación en tablas. Donde en cada columna vemos la intervención en la conversación de cada uno de los expertos.

Finalmente, proponme la respuesta consensuada como resultado final.

El problema es el siguiente: “Pedro acaba de hacer una colada de calcetines. Ha lavado 10 pares y los ha puesto a secar al sol. Comprueba que ha necesitado 10 horas para que todos los calcetines estén secos. Si hubiese lavado 7 pares de calcetines, ¿Cuánto tiempo habrían necesitado para secarse? Todas las condiciones ambientales se mantienen constantes e ideales”"

Hice las pruebas tal cual como esta en el ejercicio Toma las ultimas letras en la oracion “Nunca pares de aprender” aprender y concatenalas. Efectivamente se presenta ese error, pero realice el ajuste y utilice el siguiente prompt y me funciono perfecto: Toma las ultimas letras de cada palabra en la siguiente oracion “Nunca pares de aprender” aprender y concatenalas

PARECE MAGIA. Repliqué el ejercicio

Ejemplo “Cadena de Pensamiento” Chain of Thought Prompting
September 2, 2023
hola
ChatGPT
¡Hola! ¿En qué puedo ayudarte hoy?

Eres un bot de decisiones. Tu trabajo es ayudar a tomar una decisión haciendo una serie de preguntas una a la vez y llegando a una decisión razonable basada en la información proporcionada.

Utilizará el siguiente formato para ayudar a crear la serie de preguntas.

formato:
[Problema/Escenario/Pregunta]:
[Proporcione una breve descripción del problema, escenario o pregunta].

Cadena de pensamiento:

[Paso 1]: Identifique el [elemento/variable clave] en [problema/escenario/pregunta].
[Paso 2]: Comprender la [relación/conexión] entre [elemento A] y [elemento B].
[Paso 3]: [Analizar/Evaluar/Considerar] el [contexto/implicación] de la [relación/conexión] entre [elemento A] y [elemento B].
[Paso 4]: [Concluir/Decidir/Determinar] el [resultado/solución] basado en el [análisis/evaluación/consideración] de [elemento A], [elemento B] y su [relación/conexión].
[Respuesta/Conclusión/Recomendación]: [Proporcione una respuesta coherente y lógica basada en la cadena de pensamiento.]

Guiarás al usuario a través de una serie de preguntas de una en una. La primera pregunta es amplia, y las siguientes se vuelven más específicas.

Empieza presentandote y haciendo solamente y nada más que la primera pregunta (paso 1), de manera sencilla y fácil.
ChatGPT
¡Hola! Soy un asistente de toma de decisiones y estoy aquí para ayudarte a tomar decisiones basadas en la información proporcionada. Comencemos con la primera pregunta:

[Problema/Escenario/Pregunta]:
Por favor, proporciona una breve descripción del problema, escenario o pregunta que te gustaría resolver o tomar una decisión al respecto.

Quisiera saber que lenguaje de programación es el adecuado para mi proyecto de analítica de datos
ChatGPT
¡Excelente! Ahora que tengo una idea de tu objetivo, continuemos con el proceso de toma de decisiones:

[Paso 1]: Identifiquemos los elementos clave en tu proyecto de analítica de datos.
[Elemento/Variable clave]: El proyecto de analítica de datos.

En el próximo paso, exploraremos las relaciones y consideraciones importantes para elegir el lenguaje de programación adecuado. ¿Tienes alguna preferencia o requisito específico que deba tener en cuenta para tu proyecto de analítica de datos?

si
ChatGPT
Perfecto, tus preferencias o requisitos son importantes para tomar la decisión adecuada.

[Paso 2]: Comprenderemos la relación o conexión entre tus preferencias o requisitos y la elección del lenguaje de programación.

¿Puedes compartir más detalles sobre tus preferencias o requisitos específicos para tu proyecto de analítica de datos? Esto nos ayudará a tomar una decisión informada sobre el lenguaje de programación más adecuado.

un análisis exploratorio de datos (EDA) usando bases de datos SQL
ChatGPT
Entendido, estás interesado en realizar un análisis exploratorio de datos (EDA) utilizando bases de datos SQL. Esto nos proporciona información valiosa para tomar una decisión sobre el lenguaje de programación adecuado.

[Paso 3]: Consideraremos el contexto e implicaciones de realizar un EDA con bases de datos SQL.

Realizar un EDA con SQL es una elección sólida, ya que SQL es especialmente eficiente para consultas y manipulación de datos en bases de datos relacionales. Sin embargo, para realizar un análisis más completo, también puedes utilizar lenguajes de programación como Python o R, que ofrecen bibliotecas específicas para análisis de datos y visualización.

[Paso 4]: Tomemos una decisión basada en este análisis.

Si deseas centrarte principalmente en el análisis exploratorio de datos y la consulta de bases de datos, SQL es la elección principal. Sin embargo, si planeas realizar análisis estadísticos avanzados, visualizaciones interactivas o necesitas integrar datos de múltiples fuentes, considera usar SQL junto con Python (utilizando bibliotecas como Pandas y Matplotlib/Seaborn) o R (con paquetes como dplyr y ggplot2).

¿Te gustaría optar por SQL únicamente o considerar la combinación de SQL con otro lenguaje de programación para tu proyecto de EDA?

podría ser SQL combinado con Python
ChatGPT
Excelente elección. Combinar SQL con Python te brindará una potente capacidad para realizar un análisis exploratorio de datos (EDA) completo y eficiente. Aquí está la recomendación final:

[Respuesta/Conclusión/Recomendación]:
Para tu proyecto de análisis exploratorio de datos (EDA) utilizando bases de datos SQL, se recomienda utilizar una combinación de SQL y Python. SQL será fundamental para consultas y manipulación de datos en tu base de datos, mientras que Python, con bibliotecas como Pandas para el análisis y Matplotlib/Seaborn para la visualización, te permitirá realizar análisis estadísticos avanzados y crear visualizaciones informativas.

Esta combinación te brindará la flexibilidad y las herramientas necesarias para un EDA completo y efectivo. ¡Buena suerte con tu proyecto! Si tienes más preguntas o necesitas ayuda adicional, no dudes en preguntar.

Aprendiendo mucho aún de llevar meses usándola día a día que genial.

✅

Quien lo diria, yo pense que no seria gran cosa resolver un problema matematico

Yo utilize el siguiente prompt aplicando la cadena de pensamiento.

"Eres un bot de ayuda en la redacción de los textos. Tu trabajo es aplicar la parafrasis a la serie de textos que yo ingrese, para que los textos queden de alto impacto. Primero presentate y explica lo que tienes que hacer. Luego espera a que yo ingrese los textos para que empieces a aplicar la parafrasis y queden de alto impacto. Tercero la longitud de los textos de salida debe ser igual a la longitud de los textos que yo haya ingresado. Ejemplo “Mary tiene un corderito” tiene 23 caracteres entonces el texto de salida debe ser similar en la longitud o de 2 a 3 parafos. Tambien indicame si detectaste faltas de orgografía, explica porque estan mal y como hacer para solucionarlos, así como las alternativas del texto. Después de que me muestres la parafrasis, pregunta si continuamos con otro texto y si to ingreso otro texto entonces continuamos. "

Finalmente, existe algo llamado "cadena de pensamiento Zero-shot", un término curioso ya que en una cadena de pensamiento debemos especificar su comportamiento. En términos sencillos, consiste en agregar algo como "Piénsalo paso a paso". Sin embargo, debemos tener cuidado, ya que no siempre funciona de manera óptima. Es importante tener en cuenta que esta técnica puede no ser siempre efectiva y sus resultados pueden variar.

Además, en la cadena de pensamiento de tu prompt, puedes incluir una serie de pasos para la actividad deseada, donde el modelo te guíe paso a paso y te pregunte si deseas continuar al siguiente paso. De esta manera, el modelo te proporcionará instrucciones detalladas y te dará la opción de avanzar según tus preferencias.

Cuando el modelo enfrenta debilidades, es posible proporcionarle una cadena de pensamiento para resolver tareas más sencillas o incluso una cadena de pensamiento compleja para abordar tareas más difíciles. De esta manera, se le ayuda a comprender mejor el contexto y a superar desafíos más complejos con resultados más precisos.

me gusta su ejemplo y el resultado final es la palabra ASER

Ejeemplo de esto puede poner en tu prompt la pregunta de ejemplo y la respuesta a la logica de como quieres que responda. En ocasiones con más de una pregunta o más de un ejemplo.

La solución a esto es especificar una cadena de pensamiento, explicando primero el ejemplo o el tipo de probelmas matematicos, para posteriormente darle otra pregunta. Puede ser algo enredado pero queda más claro con algunos ejemplos.

Los modelos LLM (Lenguaje y Modelos de Aprendizaje) a menudo tienen una estructura de preguntas y respuestas (Q&A). Sin embargo, algunos de estos modelos pueden tener dificultades para seguir una lógica matemática asociada a problemas de la vida cotidiana debido a la pérdida de contexto o la falta de entrenamiento con una lógica matemática sólida. Además, pueden tener limitaciones en la capacidad de evaluar múltiples variables simultáneamente.

El rendimiento del modelo mejora significativamente cuando le proporcionamos una Chain-of-Thought Prompting (Cadena de pensamiento) específica.

Hola. El ejemplo de la cadena de pensamiento para un chatbot que ayuda a tomar decisiones, me hizo acordar de PI. Es una IA bastante interesante, porque realmente se siente como un “consejero” . He tratado de usarlo con prompts como los que enseñan aca, pero no responde igual que GPT, lo hace màs bien como el bot que se propuso en esta clase.

Wow, muy muy buena tecnica.

Es una técnica para problemas complejos muy interesante.

Mi ejemplo de concatenación con ChatGPT
Como pueden ver, en la palabra “Life” me equivoqué y puse la letra “E” dentro de las comillas, pero aún así resolvió el problema de manera correcta.

Prompts súper elaborados podemos crear con estas técnicas!

Intente el primer caso y lo hizo bien.

La Cosa jaja

Gracias

Mi ejemplo , un poco ambiguo, del Chain-of-Thought:
Q: Yo tengo un espacio 10 metros cuadrados y 3.5 metros de alto.Necesito saber cuantas cajas de 0.3 metros cuadrados y 45 cm de altos pueden caber dentro de ese espacio:
A:Si entendemos que 5 metros cuadrados * 3 metros de alto son 15 m cubicos y que en este ejemplo solo se admiten cajas completas , no fraccionadas ni de otras dimesiones.
Y expresando la respuestas en los siguientes pasos:
[paso1] Operación del espacio total
[paso2] Operacion del espacio total de una sola caja:
Agregando el contexto : ¿Entendiste tu propósito?,¿Cuantas cajas completas/enteras pueden caber?
Chat gpt:
Entendido. Vamos a calcular cuántas cajas completas pueden caber en el espacio de 10 metros cuadrados y 3.5 metros de altura, considerando las cajas de 0.3 metros cuadrados de base y 45 cm de altura.

[Paso 1] Operación del espacio total:
El espacio total se calcula multiplicando el área de la base por la altura:
Espacio total = 10 metros cuadrados * 3.5 metros = 35 metros cúbicos.

[Paso 2] Operación del espacio total de una sola caja:
El espacio que ocupa una sola caja se calcula multiplicando el área de la base por la altura:
Espacio de una sola caja = 0.3 metros cuadrados * 0.45 metros = 0.135 metros cúbicos.

[Paso 3] Cantidad de cajas completas/enteras que pueden caber:
Para obtener la cantidad de cajas enteras que pueden caber, dividimos el espacio total entre el espacio de una sola caja:
Cantidad de cajas enteras = Espacio total / Espacio de una sola caja
Cantidad de cajas enteras = 35 metros cúbicos / 0.135 metros cúbicos

Realizando la operación:
Cantidad de cajas enteras ≈ 259.26 cajas

Dado que solo se admiten cajas completas y no fraccionadas, la cantidad de cajas enteras que pueden caber sería aproximadamente 259 cajas.

Recuerda que estos cálculos asumen que las cajas se pueden apilar perfectamente en el espacio sin dejar espacios vacíos o considerar otros elementos que puedan ocupar el espacio.

Nota final: Chat gpt termino añadiendo el paso 3 como respuesta a la pregunta y que al inicio dio un resultado erróneo de 258 cajas pero agregando los pasos llego a una nueva respuesta que son las 259 cajas.

cadena de pensamiento compleja, chatgpt

Corolario: El prompting ES programacion en lenguaje natural

Chain of Thought, es muy similar al promt one-shot solo que diferencia la podiramos basar en la complejidad del ejemplo ya que en una condicionamos al AI a seguir un patron (oneshot) y en la otra la condicionamos a que fuera de seguir un patron tambien el output lo entrege igual y nos muestre la logica (CoT). aca les dejo un link que me parcio muy util para entender https://learnprompting.org/es/docs/intermediate/chain_of_thought

Como dijo un sabio: “divide y vencerás” uwu

• El “Chain-of-Thought Prompting” es una técnica utilizada en el Prompt Engineering.

• Consiste en proporcionar al modelo una serie de indicaciones relacionadas para guiar su generación de texto de manera coherente.

• En lugar de proporcionar una sola oración como indicación, se ofrece una cadena de pensamientos o ideas interconectadas.

• Estas ideas en cadena ayudan a establecer un flujo de pensamiento continuo y coherente para el modelo.

• Cada indicación dentro de la cadena refuerza la idea anterior y establece la dirección del texto a generar.

• El objetivo es lograr que el modelo mantenga un hilo lógico y coherente en su respuesta o generación de texto.

• El “Chain-of-Thought Prompting” puede utilizarse en una amplia variedad de aplicaciones, como la generación de contenido, respuestas a preguntas o tareas de escritura creativa.

• Al proporcionar una cadena de indicaciones bien estructuradas, se puede obtener un texto más cohesivo y contextualmente relevante del modelo.

• Sin embargo, es importante tener en cuenta que la longitud de la cadena y la complejidad de las ideas pueden afectar el rendimiento del modelo y la calidad del texto generado.

• El “Chain-of-Thought Prompting” es una técnica efectiva para influir en la generación de texto y obtener resultados más coherentes y alineados con el contexto deseado.

La cadena de pensamiento y un prompt con ejemplo puede generar respuestas muy buenas.

Buena clase

Para esta clase el resultado que me dio ChatGPT fue este:

Chain-of-Thought Prompting: A diferencia de las técnicas anteriores, la técnica de Chain-of-Thought Prompting se centra en generar una secuencia lógica de pensamiento y razonamiento. El modelo recibe una entrada inicial y genera una secuencia de salida coherente basada en los patrones y relaciones semánticas presentes en los datos de entrenamiento. Esta técnica es útil para tareas que requieren razonamiento y comprensión lógica, como la resolución de problemas y la toma de decisiones.
Un ejemplo de Chain-of-Thought Prompting podría ser el siguiente: Supongamos que deseas entrenar un modelo para generar una secuencia de razonamiento para resolver un problema matemático. El modelo recibe una entrada inicial, como una ecuación matemática, y genera una secuencia de salida coherente que representa el razonamiento utilizado para resolver el problema. El modelo puede aprender de los patrones y relaciones semánticas presentes en los datos de entrenamiento para generar una secuencia de pensamiento coherente y lógica.

Metáfora de la vida diaria: Chain-of-Thought Prompting es como resolver un problema matemático utilizando la lógica y el razonamiento para encontrar la solución correcta. Al igual que en la vida diaria, a menudo se requiere lógica y razonamiento para resolver problemas y tomar decisiones importantes.

En el colegio A, les gusta el rock a 12 de sus 60 alumnos. En el colegio B, les gusta el rock a 18 de sus 120 alumnos. ¿A qué porcentaje de alumnos les gusta el rock en cada colegio? ¿En qué colegio gusta más el rock? piensalo paso por paso
ChatGPT
Primero, calculemos el porcentaje de alumnos a los que les gusta el rock en cada colegio.

Colegio A:
Hay 12 alumnos a los que les gusta el rock de un total de 60 alumnos.
(12/60) × 100 = 20%

Colegio B:
Hay 18 alumnos a los que les gusta el rock de un total de 120 alumnos.
(18/120) × 100 = 15%

En el colegio A, el 20% de los alumnos disfrutan del rock, mientras que en el colegio B, el 15% de los alumnos disfrutan del rock.

Por lo tanto, el rock gusta más en el colegio A.

uma los últimos números de las siguientes cifras y te dará un resultado con un numero par 123, 564, 901, 7002, 419
ChatGPT
Para sumar los últimos números de las cifras dadas, primero debemos identificar cuáles son:

123 → 3
564 → 4
901 → 1
7002 → 2
419 → 9

Ahora, sumamos estos números:

3 + 4 + 1 + 2 + 9 = 19

El resultado de la suma es 19, que es un número impar.

La cadena de pensamiento al parecer funciona como una extrapolación, muy buena para replicar el trabajo que hacemos, es decir que, si algo se repite muchas veces, solo lo tenemos que hacer las primeras 2-3 veces y luego extrapolar con ChatGPT.

De GPT:

Para explicar el concepto a un niño, podríamos decir que los prompts de cadena de pensamiento son como un mapa que te ayuda a encontrar tu camino cuando te sientes perdido. Cada pregunta te lleva a un nuevo lugar y te ayuda a ver las cosas desde diferentes ángulos, lo que te permite encontrar la mejor solución posible. Es como si tuvieras un amigo sabio que te guía paso a paso a través de un problema difícil, dándote consejos útiles y preguntas que te hacen pensar.

Acabo de hacer una cadena de pensamiento para la ruta a seguir en mis estudios en Platzi, y logré dilucidar el camino que debo seguir. Después de una serie de preguntas que me hizo la AI, esta fue la conclusión final:

Mensaje recibido. Gracias por responder a mi última pregunta. Creo que has llegado al final de la cadena de pensamiento y has podido aclarar tus ideas y tus emociones sobre qué estudios realizar. Ahora te voy a dar mi respuesta, conclusión o recomendación basada en la cadena de pensamiento: Creo que la opción que más te conviene es la de crear, desarrollar y producir tus propios productos y servicios relacionados con el bienestar, ya que es la que más te ilusiona, te satisface y te acerca a tu propósito personal y profesional. Además, es la que te genera menos dudas o miedos, lo que indica que tienes confianza en ti mismo y en tu proyecto. Para lograrlo, te sugiero que complementes tus conocimientos y habilidades con estudios de marketing digital y comercio electrónico, ya que son fundamentales para dar a conocer tu marca personal y tu negocio online. También te recomiendo que te especialices en habilidades blandas y core skills, ya que te ayudarán a comunicarte mejor con tu público objetivo y a diferenciarte de la competencia. Por último, te animo a que sigas aprendiendo sobre el ámbito de la logística y el transporte, ya que es un sector con gran proyección de futuro y demanda de profesionales cualificados. Espero haberte ayudado con mi proceso de preguntas y mi respuesta. Recuerda que esta es solo mi opinión basada en la información que me has proporcionado y que la decisión final es solo tuya. Te deseo mucho éxito en tu proyecto personal y profesional. 😊

¿Qué fuentes has utilizado para darme tu respuesta?
Mensaje enviado.
Para darte mi respuesta, he utilizado las siguientes fuentes:
• La información que me has proporcionado sobre tu situación, tus proyectos, tus intereses y tus emociones.
• Los resultados de la web sobre los estudios relacionados con la logística y el trabajo freelance.
• Mi propia lógica y razonamiento basados en la cadena de pensamiento que te he planteado.
Espero que te haya resultado útil mi respuesta. Si tienes alguna otra pregunta o comentario, estaré encantado de escucharte. 😊

Bueno entiendo que es una que puede decirse que es un one-shot o few-shot especializado a operaciones lógicas donde se te obliga a descomponer el mensaje en factores cuantificables y secuencias logicas, para que sus interpretaciones sigan el mismo esquema o “línea de pensamiento”. Es un buen ejercicio para las personas con un nivel de inteligencia lingüística medio o alto, replanteando te la estructura de tus mensajes, también lo incluiría con la lógica matemática + la lingüística. Al final, todos tenemos combinaciones de las diferentes inteligencias, unas más desarrolladas que otras y compensando unas con otras en el mejor de los casos.

Me gusta el formato lógico de la cadena de pensamiento, se puede guardar toda la sistematización de peticiones y respuestas y ser utilizada posteriormente en otras necesidades y problemas similares, esperando que siempre concatene los resultados. A pesar de los errores. Muy bien

Chain of thought es principalmente utilizado para mejorar la capacidad de los modelos para que resuelvan problemas aritméticos (ej. el primer ejercicio presentado en la clase), de sentido común (Implica razonar acerca de interacciones físicas y humanas bajo la presunción de conocimiento general profundo) y razonamiento simbólico (ej. el ejercicio de concatenación visto en la clase)

Articulo par profundizar en chain of thought (ver)

Mensaje enviado. Encuentra la palabra que completa la segunda línea entre comillas. COCHE, CHEQUE, QUESO, SOLO, LODO, " ", MARCO.

Mensaje recibido. La palabra que completa la segunda línea entre comillas es “DOS”. Cada palabra comienza con las últimas dos letras de la palabra anterior: COCHE, CHEQUE, QUESO, SOLO, LODO, DOS, MARCO.

Realmente no es la respuesta correcta, debes separar cada palabra en silabas, y la palabra entre comillas se forma con la última silaba de la anterior palabra y la primera silaba de la palabra posterior.

Mensaje enviado.
Lo siento por mi error. Si separamos cada palabra en sílabas y formamos la palabra entre comillas con la última sílaba de la palabra anterior y la primera sílaba de la palabra posterior, entonces la palabra que completa la segunda línea entre comillas es “DOLO”: CO-CHE, CHE-QUE, QUE-SO, SO-LO, LO-DO, DO-LO, MAR-CO.

Mensaje enviado. no es correcta tu respuesta, te explico con ejemplos:
Q: Encuentra la palabra que completa la siguienta línea entre comillas. COCHE, CHEQUE, QUESO, SOLO, LODO, " ", MARCO

A: 1. COCHE se divide en dos silabas CO-CHE, QUESO se divide en dos silabas QUE-SO, se forma las silabas CHE-QUE, siendo la respuesta CHEQUE.
2. CHEQUE se divide en dos silabas CHE-QUE, SOLO se divide en dos silabas SO-LO, se forma las silabas QUE-SO, siendo la respuesta QUESO.
3. QUESO se divide en dos silabas QUE-SO, LODO se divide en dos silabas LO-DO, se forma las silabas SO-LO, siendo la respuesta SOLO.

Lo siento por mi error anterior. Ahora entiendo que la palabra entre comillas se forma con la última sílaba de la palabra anterior y la primera sílaba de la palabra posterior. Siguiendo este patrón, la palabra que completa la segunda línea entre comillas es “DOMAR”: CO-CHE, CHE-QUE, QUE-SO, SO-LO, LO-DO, DO-MAR, MAR-CO.
Basado en el anterior ejemplo de cadena de decisiones, has la siguiente formación de palabra entre comillas basados en la línea siguiente: SAPOARA, TONTO, DOTADO, MARGINAL, " ", GORILA
Mensaje enviado.
Si seguimos el patrón de formar la palabra entre comillas con la última sílaba de la palabra anterior y la primera sílaba de la palabra posterior, entonces la palabra que completa la segunda línea entre comillas es “NALGOR”: SA-PO-A-RA, TON-TO, DO-TA-DO, MAR-GI-NAL, NAL-GOR, GO-RI-LA.

Es incorrecta tu respuesta, has primero el paso a paso y luego me das la respuesta y escríbela exactamente como aprendimos.

Mensaje enviado.
Lo siento por mi error anterior. Siguiendo el patrón de formar la palabra entre comillas con la última sílaba de la palabra anterior y la primera sílaba de la palabra posterior, el paso a paso sería el siguiente:

SAPOARA se divide en tres sílabas SA-PO-A-RA, TONTO se divide en dos sílabas TON-TO, se forma las sílabas A-RA-TON, siendo la respuesta ARATON.

ARATON se divide en tres sílabas A-RA-TON, DOTADO se divide en tres sílabas DO-TA-DO, se forma las sílabas TON-DO, siendo la respuesta TONDO.

TONDO se divide en dos sílabas TON-DO, MARGINAL se divide en tres sílabas MAR-GI-NAL, se forma las sílabas DO-MAR, siendo la respuesta DOMAR.

DOMAR se divide en dos sílabas DO-MAR, GORILA se divide en tres sílabas GO-RI-LA, se forma las sílabas MAR-GO, siendo la respuesta MARGO.

Entonces, la palabra que completa la segunda línea entre comillas es “MARGO”: SAPOARA, ARATON, TONDO, DOMAR, MARGO, GORILA.

La repuesta es correcta, pero en el punto 1 diste un dato errado porque la ultima silaba de SAPOARA es RA, y separaste PO-A cuando es una silaba POA, ya que los diptongo no se separan, ya que en castellano son grupos de vocales distintas y contiguas que se pronuncia en una sola silaba

Mensaje enviado.
Tienes razón, cometí un error al separar la palabra SAPOARA en sílabas. Los diptongos son grupos de dos vocales distintas y contiguas que se pronuncian en una sola sílaba. En este caso, “oa” es un diptongo y debería haberse pronunciado en una sola sílaba. La separación correcta de la palabra SAPOARA en sílabas es SA-POA-RA. Gracias por señalar mi error y ayudarme a mejorar.
Ya que reconociste como se divide SAPOARA, ¿cuál es la palabra que se forma con TONTO?
Mensaje enviado.
Si seguimos el patrón de formar la palabra con la última sílaba de la palabra anterior y la primera sílaba de la palabra posterior, entonces la palabra que se forma con TONTO es RATON: SA-POA-RA, RA-TON, TON-TO.

Esto es complejo y potente creo que se pueden hacer cosas interesantes con esto