Year: 2025
Type: dissertation
Abstract: LLM-agenter är ett nytt paradigm inom artificiell intelligens som kan ses som en förening av klassiska symboliska arkitekturer med stora språkmodeller. LLM-agenterna ämnar lösa problemen kring tolkbarhet, förklarlighet och transparens, vilka drabbar stora språkmodeller i hög grad, jämfört med klassiska symboliska arkitekturer som ACT-R och Soar. Klassiska symboliska arkitekturer är även modulära, alltså är minnet uppdelat i moduler. Uppdelningen underlättar förståelsen i hur arkitekturerna resonerat, då stegen kan följas tack vare produktionsregler. Problemen kring stora språkmodeller handlar om att det inte lätt går att direkt se hur modellerna resonerar och kommer fram till en viss slutsats. Detta sker därför att LLM:er är baserade på neurala nätverk, som kan innehålla otaliga antal dolda lager, alltså är aktiveringarna i lagren inte nödvändigtvis enkelt tolkbara eller förklarliga ur ett mänskligt perspektiv. Detta kandidatarbete klarlägger genom litteraturstudier såväl utmaningarna med stora språkmodeller, som tillämpningsmöjligheterna vilka LLM-agenterna hämtar med sig tack vare föreningen av paradigmen. Kandidatarbetet besvarar forskningsfrågorna genom en jämförelse av LLM-agenters tolkbarhet, förklarlighet och transparens, samt allmän prestationsförmåga mot rena LLM:er och klassiska symboliska arkitekturer. Arkitekturernas styrkor respektive svagheter belyses och nyttan av ovannämnda faktorer för modeller vilka liknar mänsklig kognition klargörs. Kandidatarbetet utför även en kort teoretisk genomgång av dessa teknologier. Åtskilliga vetenskapliga studier visar att dessa LLM-agenter som skapas har ökad tolkbarhet, förklarlighet och transparens, och kan förbättras ytterligare med hjälp av utnyttjandet av diverse sökalgoritmer såsom tankekedja-resonemang. RAG-metoden eller deklarativt minne kopplat från en klassisk symbolisk arkitektur kan också användas för att jorda en LLM-agent till konkret världskunskap. LLM-agenter visar lovande resultat vad gäller konstruktionen av mera användbara och sofistikerade kognitiva modeller, vilka banar väg för framgångsrik modellering och förståelse av mänsklig kognition.
Source: Aaltodoc (Aalto University)
Author: Janson, Nicolas
Language: Swedish
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W6983143985