El estudio investiga por qué los LLM alucinan al razonar sobre conocimiento estructurado linealizado. Revela que las alucinaciones surgen de dinámicas internas sistemáticas, como la atención que se concentra en atajos y las capas feed-forward que no logran fundamentar el conocimiento proporcionado.
Este artículo sostiene que reducir el desacuerdo en sistemas multiagente es insuficiente para tareas cargadas de valores, proponiendo una capa de representación del conocimiento. Esta capa abstrae las trazas de razonamiento y las decisiones de los agentes en estados simbólicos de desacuerdo, distinguiendo cuatro tipos, con aplicación en la moderación de contenido.
Este artículo analiza un método para factorizar contextos formales en subcontextos independientes, basado en operadores de necesidad de la teoría de la posibilidad. Se estudian las propiedades de estas factorizaciones y se extiende el método al marco fuzzy, lo que permite el cálculo de subcontextos independientes en datos fuzzy.
Este artículo investiga la complejidad de tamaño y la decidibilidad de la progresión de primer orden, un método para actualizar bases de conocimiento en IA. Demuestra que, para clases de acciones específicas dentro del marco del Cálculo de Situaciones, la progresión de primer orden crece polinómicamente y mantiene la decidibilidad al usar ciertos fragmentos de bases de conocimiento.
Este artículo explica por qué la IA general, como ChatGPT, falla al responder preguntas islámicas, ya que se entrena con datos de internet sin filtrar y no puede citar fuentes verificadas como el Corán o los Hadith. Genera respuestas estadísticamente probables pero no verificables, lo cual es problemático para una religión donde la fuente del conocimiento es tan crucial como el conocimiento mismo.
Una nueva pipeline automatizada, SkillX, mejora el rendimiento de los agentes autónomos de modelos de lenguaje al extraer comportamientos jerárquicos reutilizables de trayectorias colectivas. Esta base de conocimiento de tres niveles (habilidades estratégicas, funcionales y atómicas) permite que los modelos más débiles recuperen experiencias de manera eficiente, superando las limitaciones de los métodos tradicionales.
Esta guía práctica explora la ontología en la informática y la IA, describiéndola como un marco esencial para organizar el conocimiento. Permite que las máquinas interpreten relaciones y tomen decisiones más precisas, siendo crucial para sistemas semánticos y aplicaciones de IA de próxima generación. Líderes como Salesforce destacan su importancia para la personalización y la inteligencia de decisión.
KARITA (Knowledge-driven Augmentation and Retrieval for Integrative Temporal Adaptation) es un sistema desarrollado para abordar los desafíos de los cambios temporales en los modelos de IA, que se entrenan con datos históricos pero se implementan en datos futuros. Integra la aumentación y recuperación basadas en el conocimiento para capturar diversos cambios y aprovechar las ideas para una adaptación temporal mejorada en múltiples dominios.
Este artículo revela el fenómeno generalizado del "uso excesivo de herramientas" en LLMs, donde los modelos emplean herramientas externas innecesariamente. Identifica una "ilusión epistémica del conocimiento" y propone una estrategia basada en la optimización de preferencia directa que reduce el uso de herramientas en un 82,8% y mejora la precisión.