Cadeias de IA: Interação Humano-IA Transparente e Controlável por Encadeamento de Prompts de Grandes Modelos de Linguagem

Embora grandes modelos de linguagem (LLMs) tenham demonstrado um potencial impressionante em tarefas simples, sua amplitude de escopo, falta de transparência e controle insuficiente podem torná-los menos eficazes ao auxiliar humanos em tarefas mais complexas. Em resposta, introduzimos o conceito de Encadeamento de etapas de LLM, onde a saída de uma etapa torna-se a entrada para a próxima, agregando assim os ganhos a cada etapa. Primeiro definimos um conjunto de operações primitivas de LLM úteis para a construção de Cadeias, então apresentamos um sistema interativo onde usuários podem modificar essas Cadeias, junto com seus resultados intermediários, de forma modular. Em um estudo com 20 usuários, descobrimos que o Encadeamento não apenas melhorou a qualidade dos resultados das tarefas, mas também aumentou significativamente a transparência do sistema, o controle e a sensação de colaboração. Além disso, observamos que os usuários desenvolveram novas formas de interagir com LLMs através das Cadeias: eles aproveitaram sub-tarefas para calibrar as expectativas do modelo, compararam e contrastaram estratégias alternativas observando efeitos paralelos subsequentes e depuraram saídas inesperadas do modelo testando em "unidade" subcomponentes da Cadeia. Em dois estudos de caso, exploramos ainda como Cadeias de LLM podem ser usadas em aplicações futuras.