Aumento de modelos de lenguaje grandes con modelos de razonamiento causal basados en principios psicológicos para la...

Área de la Ciencia:

• Inteligencia Artificial
• Ciencia Cognitiva

Sus antecedentes:

• Los modelos de lenguaje grandes (LLM) se destacan en el reconocimiento de patrones, pero tienen dificultades con la toma de decisiones en condiciones de incertidumbre.
• El razonamiento humano utiliza modelos causales explícitos para una mejor explicación, generación de hipótesis y extrapolación en situaciones inciertas.

Objetivo del estudio:

• Investigar la integración estratégica de modelos causales humanos con LLM.
• Mejorar los resultados de planificación para tareas de ensamblaje de objetos y resolución de problemas modeladas como Procesos de Decisión de Markov Parcialmente Observables (POMDP).

Principales métodos:

• Desarrolló un agente LLM interactivo para planificar acciones dentro de un marco POMDP para tareas específicas.
• Introdujo un marco de razonamiento híbrido que combina las puntuaciones de confianza de LLM con los conocimientos del modelo causal humano para la selección final de acciones.

Principales resultados:

• Demostró mejoras significativas en la recompensa de planificación de tareas en tres LLM de última generación.
• Mostró la eficacia de aumentar los planificadores LLM de referencia con modelos causales humanos a través de simulaciones detalladas.

Conclusiones:

• Los marcos de razonamiento híbrido que integran modelos causales humanos ofrecen una dirección prometedora para mejorar el rendimiento de LLM en escenarios de planificación inciertos.
• El enfoque propuesto mejora la solidez de la toma de decisiones y las tasas de éxito de las tareas para los agentes de IA.