Olá pessoal! Tudo bem?
Acabei de concluir a atividade sobre Chain-of-Thought (Cadeia de Pensamentos) e essa técnica é, sem dúvidas, uma das mais essenciais para nós que lidamos com lógicas complexas, scripts e matemática no dia a dia. Forçar o modelo a "pensar em voz alta" antes de entregar a resposta final muda completamente o jogo, evitando aquelas alucinações em que a IA inventa valores do nada.
Fiz os testes propostos na aula e divido aqui as minhas impressões:
- O Desafio do Carraristão (Few-Shot CoT)
Para colocar a teoria à prova, utilizei os dados da planilha "Alura - GPT - Soma de colunas.xlsx". Nela, o desafio consistia em analisar os rendimentos de 10 indivíduos e calcular uma alíquota de 30% que incidia apenas sobre a soma dos rendimentos maiores que R$ 40.000,00.
Se jogarmos os dados na IA sem nenhum direcionamento, ela pode facilmente se perder nas contas. No entanto, utilizando o modelo de Few-Shot Chain-of-Thought sugerido na aba de Prompt (onde damos um pequeno exemplo resolvido passo a passo), o resultado do modelo generativo cravou os valores de conferência:
O modelo identificou corretamente o total de 10 indivíduos.
Ele filtrou e indicou que apenas 5 indivíduos tinham rendimentos superiores a R$ 40.000,00.
A IA explicitou a matemática, realizando a soma desses rendimentos que totalizou R$ 435.000,00.
Por fim, calculou os 30% sobre essa soma, extraindo perfeitamente o valor final do imposto a ser arrecadado: R$ 130.500,00.
- Zero-Shot CoT no Dia a Dia (Debug e Código)
Aproveitei para testar o Zero-Shot CoT (quando não damos exemplos, mas obrigamos a IA a raciocinar em etapas) em um problema real de engenharia de software.
Em vez de jogar um erro de código no prompt e pedir "Corrija esse script", modifiquei o comando para:
"Analise a função Python abaixo. Explique passo a passo a lógica de iteração dos dados, identifique em qual linha ocorre o gargalo de performance e, apenas depois de mapear o problema estruturalmente, sugira uma refatoração."
O simples fato de incluir palavras como "explique passo a passo" ativa a cadeia de pensamentos. A IA não "cuspiu" uma resposta pronta de imediato; ela desenhou toda a linha de raciocínio lógico. Quando a resposta final chegou (a refatoração do código), a assertividade e a clareza técnica foram muito superiores.
Vocês já tentaram aplicar o Chain-of-Thought para fazer debug ou otimizar consultas complexas no dia a dia? Compartilhem como foi a experiência!
Um abraço e bons estudos para todos!
