Chain Of Thought Reasoning : Définition et Exemples

Le Chain of Thought Reasoning (raisonnement en chaîne de pensée) est une approche fondamentale en prompt engineering qui reproduit le processus de réflexion humain étape par étape. Plutôt que de demander à un modèle de langage de produire directement une réponse, on l'incite à expliciter chaque étape de son raisonnement, créant ainsi une chaîne logique traçable du problème à la solution.

Cette technique a été formalisée par les chercheurs de Google en 2022 dans l'article "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models" de Jason Wei et al. L'étude a démontré que le simple fait d'ajouter des exemples de raisonnement étape par étape dans un prompt améliore considérablement les performances des grands modèles de langage sur des tâches de raisonnement arithmétique, logique et de bon sens.

Le principe est remarquablement simple : au lieu de poser une question et d'attendre une réponse directe, on guide le modèle pour qu'il « réfléchisse à voix haute ». Cela peut se faire en ajoutant une instruction comme « Raisonne étape par étape » (zero-shot CoT) ou en fournissant des exemples de raisonnement décomposé (few-shot CoT). Le modèle produit alors une séquence d'étapes intermédiaires qui mènent logiquement à la conclusion.

L'efficacité du Chain of Thought s'explique par plusieurs mécanismes : il force le modèle à allouer plus de capacité de calcul au problème, il réduit les erreurs en rendant chaque étape vérifiable, et il permet d'identifier précisément où un raisonnement déraille. Cette transparence en fait un outil précieux non seulement pour obtenir de meilleures réponses, mais aussi pour comprendre et auditer le processus décisionnel de l'IA.