Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Invite guidée par DMN : un cadre pour contrôler le comportement LLM

Created by
  • Haebom

Auteur

Shaghayegh Abedi, Amin Jalali

Contour

Cet article propose un cadre d'incitation basé sur un modèle de décision et une notation (DMN), exploitant le potentiel des modèles de langage à grande échelle (MLL) pour automatiser la logique décisionnelle dans les processus à forte intensité de connaissances. Il est conçu pour décomposer une logique décisionnelle complexe en composants simples et gérables, guidant le LLM sur un chemin de décision structuré. Des expériences ont été menées pour appliquer ce cadre aux processus de soumission et de rétroaction des travaux en master, démontrant des performances supérieures à celles de l'incitation par chaîne de pensée (CdP). Les enquêtes menées auprès des étudiants ont également confirmé sa grande facilité d'utilisation.

Takeaways, Limitations

•
Takeaways:
◦
Nous présentons la possibilité d'améliorer les performances de l'automatisation de la logique de décision dans LLM grâce à des invites basées sur DMN.
◦
Résolvez les défis de la conception d’invites complexes et fournissez une interface conviviale.
◦
Validation de l’efficacité par l’application dans des environnements éducatifs réels.
◦
Avantage de performance confirmé par rapport à l'invite CoT.
◦
Confirmation de la grande satisfaction des étudiants.
•
Limitations:
◦
Une validation plus poussée de la généralisabilité est nécessaire au moyen d’études de cas dans des contextes éducatifs limités.
◦
La complexité et l’expertise requises pour concevoir des modèles DMN.
◦
Des recherches supplémentaires sont nécessaires pour déterminer la généralisabilité des différents types de logique de décision et de LLM.
◦
Manque d’expérimentation et de validation approfondies utilisant de grands ensembles de données.
👍
Made with Slashpage