Chain of Thought est une capacité des
modèles d'IA à résoudre les problèmes étape par étape, en montrant leur
raisonnement de manière séquentielle. Elle peut être activée par des techniques de
prompting ou intégrée directement dans le modèle comme fonction native.
Cette capacité fonctionne en décomposant les problèmes complexes en étapes intermédiaires plus simples, similaire à la façon dont un étudiant montre son travail lors d'un examen. Par exemple, en appliquant CoT, face à un problème mathématique, au lieu de donner seulement le résultat final, ils montrent : "D'abord je multiplie 8 x 3 = 24, puis j'ajoute 15, obtenant 24 + 15 = 39". Cette méthodologie est particulièrement efficace dans le
raisonnement logique, les mathématiques, l'analyse de texte complexe et la prise de décision multi-étapes.
Les modèles peuvent implémenter CoT de diverses façons : par des techniques de
prompting (en demandant explicitement de montrer le
raisonnement) ou comme fonction intégrée qui s'active manuellement ou automatiquement dans les tâches complexes.
CoT est principalement utilisé dans les grands
modèles de langage et son impact est notable : il améliore les performances jusqu'à 50% ou plus dans les tâches de
raisonnement. Cette capacité a révolutionné l'IA, rendant les réponses plus transparentes, vérifiables et fiables, permettant d'identifier les erreurs dans le processus de
raisonnement.