Eine innovative Technik namens “implizite Code-Ausführung” (implicit code execution) stärkt Bard’s Fähigkeiten in mathematischen Problemen, Programmieraufgaben und String-Verarbeitung. Zudem hat Bard nun eine Exportfunktion für Google Sheets integriert.
Heute stellen wir zwei bedeutende Verbesserungen für Bard vor. Zum einen hat Bard seine Fähigkeiten in der Bewältigung von mathematischen Problemen, Programmieraufgaben und String-Manipulationen ausgebaut. Zum anderen bietet Bard nun eine neue Exportfunktion für Google Sheets. Wenn Bard eine Tabelle in seiner Antwort erstellt – beispielsweise auf die Bitte hin, eine Tabelle für die Registrierungen von Freiwilligen in einem Tierheim zu generieren – kannst du diese nun direkt nach Sheets exportieren.
Erweiterte Fähigkeiten für anspruchsvolles logisches Denken und mathematische Eingabeaufforderungen Die Technik der “impliziten Codeausführung” ermöglicht es Bard, Rechenaufgaben zu erkennen, im Hintergrund Code auszuführen und so präziser auf mathematische Probleme, Programmieraufgaben und String-Manipulationsanforderungen zu reagieren. Dadurch kann Bard beispielsweise folgende Anfragen effizienter beantworten:
Was sind die Primfaktoren von 15683615? Berechne die Wachstumsrate meiner Ersparnisse Kehre das Wort “Lollipop” für mich um
Lassen Sie uns einen Blick auf diese erweiterte Fähigkeit werfen und sehen, wie sie Bard dabei hilft, seine Antworten zu optimieren.
Ausgefeilte Logik- und Argumentationsfähigkeiten Große Sprachmodelle (Large Language Models, LLMs) agieren wie Vorhersagemaschinen: Sie erzeugen eine Antwort auf eine Anfrage, indem sie prognostizieren, welche Wörter wahrscheinlich als nächstes folgen. Diese Methode hat sich besonders bei sprachlichen und kreativen Aufgaben als äußerst effektiv erwiesen, jedoch waren LLMs in Bereichen wie logischem Denken und Mathematik weniger stark. Um komplexere Probleme mit anspruchsvollen logischen Fähigkeiten zu lösen, reicht es nicht aus, sich ausschließlich auf die Ergebnisse der LLMs zu stützen.
Unsere innovative Methode ermöglicht es Bard, Code zu erstellen und auszuführen, um seine logischen und mathematischen Fähigkeiten zu optimieren. Diese Methode basiert auf der etablierten Zweiteilung der menschlichen Intelligenz, wie sie etwa in Daniel Kahnemans Buch “Thinking, Fast and Slow” dargestellt wird – die Unterscheidung zwischen “System 1” und “System 2”.
System 1 bezieht sich auf schnelles, intuitives und müheloses Denken. Ein Jazzmusiker, der spontan improvisiert, oder ein Tastschreiber, der ein Wort tippt und zusieht, wie es auf dem Bildschirm erscheint, bedient sich dieses Systems. System 2 hingegen steht für langsames, überlegtes und anstrengendes Denken. Wenn man eine komplexe Division durchführt oder ein Instrument erlernt, nutzt man System # I will continue from where I left off in the previous message. quote(“System 2 hingegen steht für langsames,”, “komplexe Division durchführt oder ein Instrument erlernt, nutzt man System 2.”) quote(“In dieser Analogie kann man sich”, “erste Antwort ausspucken, die einem in den Sinn kommt.)”) quote(“Herkömmliches Rechnen ist eng mit dem”, “System-2-Denken verknüpft: Es ist formelhaft und unflexibel, aber die richtige Abfolge von Schritten kann zu beeindruckenden Ergebnissen führen, wie z. B. Lösungen für lange Divisionen.”) quote(“Mit dieser neuesten Aktualisierung haben wir”, “genauere Antwort zu erzeugen. Bislang konnten wir feststellen, dass diese Methode die Genauigkeit der Antworten von Bard auf rechenbasierte Wort- und Mathematikaufgaben in unseren internen Challenge-Datensätzen um etwa 30 % verbessert.”) quote(“Auch mit diesen Verbesserungen wird Bard”, “mit strukturierten, logikgesteuerten Funktionen zu antworten, ein wichtiger Schritt, um Bard noch hilfreicher zu machen.”)
Finished browsing
- Wenn man eine komplexe Division durchführt oder ein Instrument erlernt, nutzt man System 2. In diesem Zusammenhang kann man sich vorstellen, dass LLMs hauptsächlich mit System 1 arbeiten – sie generieren Text schnell, allerdings ohne tiefgründige Überlegungen. Dies ermöglicht einige beeindruckende Fähigkeiten, kann aber auch in überraschender Weise Grenzen aufzeigen. (Stell dir vor, du versuchst, ein mathematisches Problem nur mit System 1 zu lösen: Du kannst nicht innehalten und rechnen, sondern musst einfach die erste Antwort ausspucken, die dir einfällt.)
Traditionelle Berechnungen sind eng mit dem System-2-Denken verknüpft: Sie sind formelhaft und unflexibel, aber die korrekte Abfolge von Schritten kann zu beeindruckenden Ergebnissen führen, wie beispielsweise Lösungen für lange Divisionen.
Mit unserem neuesten Update haben wir die Fähigkeiten von LLMs (System 1) und traditionellem Code (System 2) vereint, um die Genauigkeit von Bards Antworten zu steigern. Durch die implizite Codeausführung erkennt Bard Anfragen, die von logischem Code profitieren könnten, formuliert diesen “hinter den Kulissen”, führt ihn aus und nutzt das Ergebnis, um eine genauere Antwort zu generieren. Bisher konnten wir feststellen, dass diese Methode die Genauigkeit von Bards Antworten auf rechenbasierte Wörter und Mathematikaufgaben in unseren internen Challenge-Datensätzen um etwa 30% verbessert hat.
Trotz dieser Verbesserungen wird Bard nicht immer korrekt sein – es könnte beispielsweise vorkommen, dass Bard keinen Code generiert, um die Antwort auf die Anfrage zu unterstützen, dass der generierte Code falsch ist, oder dass Bard den ausgeführten Code nicht in seine Antwort einbezieht. Dennoch stellt diese erweiterte Fähigkeit, mit strukturierten, logikgetriebenen Funktionen zu antworten, einen wichtigen Schritt dar, um Bard noch nützlicher zu machen.