Tree Search Prompting – (Ağaç Arama İstemleme)

Ağaç Arama İstemleme, yapay zekânın bir problemi çözerken tek bir çözüm yoluna hemen bağlanması yerine, birden fazla olası çözüm dalı oluşturmasını, bu dalları değerlendirmesini, umut vadedenleri genişletmesini ve zayıf yolları elemesini sağlayan arama temelli bir prompting yaklaşımıdır.

Temel mantığı: Problem → Alternatif yollar oluştur → Dalları değerlendir → En güçlü dalları genişlet → Zayıf dalları ele → Gerekirse geri dön → En iyi çözümü seç

Örneğin bir işletme için satış düşüşü analiz ediliyorsa doğrudan: “Satışların neden düştüğünü analiz et.” yerine şu yapı kullanılabilir: “Satış düşüşünün olası nedenleri için birbirinden farklı çözüm dalları oluştur. Her dalın mevcut verilerle uyumunu değerlendir. En güçlü görünen dalları alt nedenlere ayırarak derinleştir. Kanıtlarla desteklenmeyen dalları ele. Gerekirse önceki aşamaya dönerek alternatif bir dalı incele. Sonunda en güçlü açıklamayı ve alternatif açıklamaları gerekçeleriyle sun.” Böylece model ilk aklına gelen açıklamayı nihai cevap olarak kabul etmek yerine alternatif hipotezler arasında arama yapar.

Ağaç yapısı nasıl oluşur?

Örneğin satışların azalmasının nedenleri araştırılıyorsa:

Model daha sonra her dalı değerlendirebilir. Örneğin:

• Fiyat dalı → güçlü kanıt
• Rekabet dalı → orta düzey kanıt
• Müşteri memnuniyeti → zayıf kanıt

Böylece araştırma daha güçlü dallar üzerinden devam ettirilebilir.

Akademik kullanım örneği

Bir araştırmanın beklenmedik bulgusunu açıklamak için oldukça kullanışlıdır: “Araştırmada X değişkeninin Y üzerinde beklenen pozitif etkisi istatistiksel olarak anlamlı bulunmamıştır. Bu sonucu açıklayabilecek en az beş alternatif teorik açıklama oluştur. Her açıklamayı ayrı bir araştırma dalı olarak değerlendir. Her dal için kuramsal tutarlılığı, alternatif açıklamaları, yöntemsel olasılıkları ve gerekli ek kanıtları incele. En güçlü üç dalı daha ayrıntılı geliştir ve sonunda hangi açıklamanın mevcut bulgularla daha uyumlu olduğunu belirt.” Bu yaklaşım özellikle tartışma bölümü yazarken değerlidir; çünkü araştırmacının yalnızca kendisine en uygun açıklamaya yönelmesini azaltarak alternatif yorumların değerlendirilmesini teşvik eder.

Hakemlik örneği

“Makaledeki temel metodolojik sorunu değerlendirmek için alternatif değerlendirme yolları oluştur. Örneklem, ölçüm, araştırma tasarımı, istatistiksel analiz ve nedensel çıkarım sorunlarını ayrı dallar olarak incele. Her dalın makalenin sonuçlarını ne ölçüde etkileyebileceğini değerlendir. En ciddi sorunları önceliklendir ve editöre verilecek kararı bu değerlendirmeye dayandır.”

Tree Search ile Chain-of-Thought arasındaki fark

• Chain-of-Thought: Problem → A → B → C → Sonuç. Esasen doğrusal bir çözüm ilerleyişidir.
• Tree Search: Problem → A / B / C → A1 / A2 / B1 / B2… → değerlendirme → seçim → sonuç. Burada model birden fazla olası yolu araştırabilir.

Tree of Thoughts ile ilişkisi

Tree Search Prompting ile Tree of Thoughts (ToT) çok yakından ilişkilidir; ancak bunları her durumda iki tamamen bağımsız teknikmiş gibi sunmak doğru olmaz. Tree of Thoughts yaklaşımında problem çözme süreci, ara “thought” durumlarının bir ağaç üzerinde oluşturulması ve değerlendirilmesi şeklinde formüle edilir. Ardından breadth-first search (BFS) veya depth-first search (DFS) gibi arama stratejileri kullanılarak umut vadeden düşünce yolları araştırılabilir. Dolayısıyla:

• Tree of Thoughts → düşüncelerin ağaç biçiminde temsil edildiği muhakeme çerçevesi
• Tree Search → bu alternatif dallar arasında sistematik arama yapılması fikri/stratejisi

şeklinde düşünmek daha doğru olur.

En önemli avantajı: Geri dönebilme

Doğrusal prompting tekniklerinde model yanlış bir çözüm yoluna girdikten sonra o yol üzerinde ilerlemeye devam edebilir. Tree Search yaklaşımında ise: Dal oluştur → değerlendir → başarısızsa ele → önceki düğüme dön → başka dalı dene mantığı vardır. Bu özellik özellikle tek bir açık çözüm yolu bulunmayan problemlerde önemlidir.

Örnek gelişmiş prompt

“Aşağıdaki problemi ağaç arama yaklaşımıyla analiz et. İlk aşamada birbirinden anlamlı biçimde farklı beş olası çözüm yolu oluştur. Her yolu uygulanabilirlik, kanıt desteği ve beklenen sonuç açısından değerlendir. En güçlü üç yolu seçerek her biri için yeni alt dallar oluştur. Çelişkili veya zayıf dalları ele. Bir dal çıkmaza girerse önceki aşamaya dön ve alternatif yolu değerlendir. Son aşamada en güçlü çözümü seç; ancak ciddi alternatifler varsa bunları da belirt.”

Hangi görevlerde kullanışlıdır?

Tree Search Prompting özellikle karmaşık problem çözme, stratejik karar verme, planlama, matematiksel muhakeme, akademik hipotez geliştirme, alternatif açıklamaları değerlendirme, senaryo analizi ve çok kriterli karar problemlerinde yararlı olabilir. Basit bir bilgi sorusunda ise gereksizdir. Örneğin “Türkiye’nin başkenti neresidir?” sorusunu ağaç aramasıyla çözmenin anlamlı bir avantajı yoktur.

En kısa tanımı

Tree Search Prompting = “Tek bir çözüm yoluna bağlanma; alternatif yollar oluştur, dalları değerlendir, güçlü olanları derinleştir, başarısız olanlardan geri dön ve en iyi yolu seç.” Bu yaklaşımın teorik temeli özellikle Tree of Thoughts çalışmalarındaki arama tabanlı muhakeme anlayışıyla ilişkilidir.

Temel kaynak: Yao, S., Yu, D., Zhao, J., Shafran, I., Griffiths, T. L., Cao, Y., & Narasimhan, K. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. Advances in Neural Information Processing Systems (NeurIPS), 36.