1. Tree of Thoughts (ToT)

Utilizza una struttura ad albero per guidare l'AI attraverso una serie logica di passaggi, assicurando che non vengano persi passaggi critici.

Hulbert (2023) Ha proposto il "Tree-of-Thought Prompting," che applica il concetto principale dei framework ToT come una tecnica di prompting semplice, facendo sì che l'LLM valuti pensieri intermedi in un unico prompt. Un esempio di prompt ToT è:

Immagina che tre esperti diversi stiano rispondendo a questa domanda. Tutti gli esperti annoteranno un passo del loro ragionamento, poi lo condivideranno con il gruppo. Successivamente, tutti gli esperti procederanno al passo successivo, e così via. Se un esperto si accorge di aver commesso un errore in qualsiasi momento, allora si ritira. La domanda è...

Sun (2023) ha valutato il "Tree-of-Thought Prompting" con esperimenti su larga scala e ha introdotto PanelGPT, un'idea di prompting che prevede discussioni tra panel di LLM.

1. Descrizione del Funzionamento

• Tree-of-Thought Prompting (ToT) utilizza una struttura ad albero per guidare l’AI attraverso passaggi logici successivi, verificando che ogni passaggio sia coerente con il precedente. Questo approccio è particolarmente utile per risolvere problemi complessi e ridurre gli errori logici, permettendo all’AI di esplorare vari percorsi di ragionamento prima di convergere su una soluzione finale.
• Hulbert (2023) ha proposto l’idea di ToT come una tecnica per valutare pensieri intermedi, assicurando che l’AI possa analizzare ogni passaggio in modo iterativo, mantenendo una visione d’insieme dei passaggi critici.

2. Benefici Pratici del Tree-of-Thought Prompting

• Riduzione degli Errori di Logica: Utilizzando una struttura ad albero, l’AI può rilevare errori in tempo reale e correggere i passaggi precedenti, garantendo che la logica resti solida fino alla risposta finale.
• Ragionamento Collaborativo: L’idea di simulare una conversazione tra esperti consente all’AI di esplorare prospettive diverse, aumentando la profondità del ragionamento e migliorando la qualità della risposta.
• Applicazioni in Situazioni di Problem Solving: In ambiti come la diagnosi medica, il supporto decisionale, o l’analisi di dati complessi, il Tree-of-Thought Prompting consente di esplorare ipotesi diverse e valutarne la validità a ogni livello dell’“albero” decisionale.

3. Esempio di Applicazione Clinica Immagina un medico che si avvale dell’AI per analizzare vari percorsi diagnostici. Tree-of-Thought Prompting permette all’AI di simulare il ragionamento di più esperti per arrivare a una diagnosi solida attraverso una struttura ad albero.

Esempio di Prompt: Il medico vuole una valutazione dettagliata di una condizione complessa basata su sintomi insoliti.

Prompt:

<aside> 💡

Immagina che tre esperti di diverse specialità stiano analizzando i sintomi di un paziente. Ognuno scriverà il proprio pensiero e condividerà le proprie ipotesi, valutando se altri esperti possano riscontrare errori nel ragionamento. Se un esperto individua un errore, si ritirerà. L'obiettivo è arrivare a una diagnosi che tenga conto di ogni passaggio logico verificato. La domanda è: quali potrebbero essere le cause sottostanti a questi sintomi?

</aside>

ToT Setup: L’AI eseguirà il prompting utilizzando una struttura ad albero, partendo da ipotesi di base e scendendo a livelli successivi per esplorare cause più specifiche. Ogni “esperto” simulerà una specialità medica diversa (ad esempio, neurologia, medicina interna e infettivologia) e valuterà ogni passo del ragionamento. In caso di errore o incongruenza, quell’ipotesi verrà eliminata.

4. Confronto di Risultati: Risposte con e senza Tree-of-Thought

Per chiarire i vantaggi di ToT, puoi confrontare i risultati ottenuti: