Büyük dil modellerinin (LLM) karmaşık problemleri çözme konusundaki sınırlarını aşmak için yeni bir yaklaşım geliştirildi. HCoT (Heuristic Classification of Thoughts Prompting) adlı bu yöntem, yapay zeka sistemlerinin akıl yürütme süreçlerindeki iki kritik eksikliği gidermeyi amaçlıyor.
Araştırmacılar, mevcut dil modellerinin akıl yürütme süreçlerinin Bayesçi tarzda stokastik üretim sergilediğini tespit etti. Bu durumda her kelime, bağlama bağlı olasılık dağılımlarından örnekleniyor ve bu da deterministik planlama yerine doğal olarak rastgele karar yolları oluşturuyor. İkinci sorun ise, akıl yürütme ve karar alma mekanizmalarının statik olarak ayrılmış olması - dinamik olarak elde edilen alan bilgisi, temel akıl yürütme stratejisini dinamik olarak ayarlayamıyor.
Bu ikili eksiklik, başlangıç kararlarının stratejik dayanak noktasından yoksun kalmasına ve akıl yürütme zincirlerinin çoğu zaman doğru çözümlere yakınsamayamamasına neden oluyor. Stokastik üretim, sıralı akıl yürütme sırasında yörünge düzeltme veya bilgi güdümlü optimizasyon mekanizmalarından yoksun kalıyor.
HCoT yöntemi, uzman sistemlerden alınan sezgisel kuralları büyük dil modellerine entegre ederek, daha yapılandırılmış ve güvenilir akıl yürütme süreçleri oluşturmayı hedefliyor. Bu yaklaşım, yapay zekanın karar alma süreçlerini daha mantıklı ve tutarlı hale getirerek, özellikle karmaşık problem çözme gerektiren alanlarda önemli gelişmeler sağlayabilir.