Cette étude examine pourquoi les LLM hallucinent lors du raisonnement sur des connaissances structurées linéarisées. Elle révèle que les hallucinations proviennent de dynamiques internes systématiques, telles que l'attention se concentrant sur des indices raccourcis et l'incapacité des couches feed-forward à ancrer les connaissances fournies.
Cet article soutient que la réduction des désaccords dans les systèmes multi-agents est insuffisante pour les tâches à forte valeur, proposant une couche de représentation des connaissances. Cette couche abstrait les traces de raisonnement et les décisions des agents en états de désaccord symboliques, distinguant quatre types, avec application dans la modération de contenu.
Cet article analyse une méthode de factorisation de contextes formels en sous-contextes indépendants, basée sur les opérateurs de nécessité de la théorie des possibilités. L'étude examine les propriétés de ces factorisations et étend la méthode au cadre flou, permettant le calcul de sous-contextes indépendants dans des données floues.
Cet article examine la complexité de taille et la décidabilité de la progression du premier ordre, une méthode de mise à jour des bases de connaissances en IA. Il démontre que, pour des classes d'actions spécifiques au sein du cadre du Calcul des Situations, la progression du premier ordre croît polynomialement et maintient la décidabilité lors de l'utilisation de certains fragments de base de connaissances.
Cet article explique pourquoi l'IA générale, comme ChatGPT, échoue à répondre aux questions islamiques, car elle est entraînée sur des données internet non filtrées et ne peut pas citer de sources vérifiées comme le Coran ou les Hadith. Elle génère des réponses statistiquement probables mais invérifiables, ce qui est problématique pour une religion où la source du savoir est aussi cruciale que le savoir lui-même.
Un nouveau pipeline automatisé, SkillX, améliore les performances des agents autonomes de modèles de langage en extrayant des comportements hiérarchiques réutilisables à partir de trajectoires collectives. Cette base de connaissances à trois niveaux (compétences stratégiques, fonctionnelles et atomiques) permet aux modèles plus faibles de récupérer efficacement les expériences, surmontant les limitations des méthodes traditionnelles.
Ce guide pratique explore l'ontologie en informatique et en IA, la décrivant comme un cadre essentiel pour organiser les connaissances. Il permet aux machines d'interpréter les relations et de prendre des décisions plus précises, étant crucial pour les systèmes sémantiques et les applications d'IA de nouvelle génération. Des leaders comme Salesforce soulignent son importance pour la personnalisation et l'intelligence décisionnelle.
KARITA (Knowledge-driven Augmentation and Retrieval for Integrative Temporal Adaptation) est un système conçu pour relever les défis des décalages temporels dans les modèles d'IA, entraînés sur des données historiques mais déployés sur des données futures. Il intègre une augmentation et une récupération basées sur la connaissance pour capturer divers décalages et exploiter ces informations afin d'améliorer l'adaptation temporelle dans plusieurs domaines.
Cet article révèle le phénomène répandu de la "surutilisation d'outils" par les LLM, où les modèles emploient des outils externes inutilement. Il identifie une "illusion épistémique de la connaissance" et propose une stratégie basée sur l'optimisation des préférences directes qui réduit l'utilisation d'outils de 82,8 % tout en améliorant la précision.