O estudo investiga por que LLMs alucinam ao raciocinar sobre conhecimento estruturado linearizado. Ele revela que as alucinações surgem de dinâmicas internas sistemáticas, como atenção focada em atalhos e falhas na fundamentação semântica em camadas feed-forward.
Este artigo argumenta que o objetivo de reduzir o desacordo em sistemas multiagentes é insuficiente para tarefas com valores, propondo uma camada de representação de conhecimento. Esta camada abstrai rastros de raciocínio e decisões em estados simbólicos de desacordo, distinguindo quatro tipos, com aplicação na moderação de conteúdo.
Este artigo analisa um método para fatorizar contextos formais em subcontextos independentes, utilizando operadores de necessidade da teoria da possibilidade. O estudo investiga as propriedades das fatorizações e estende o método para contextos fuzzy, permitindo o cálculo de subcontextos independentes em dados fuzzy.
Este artigo investiga a complexidade de tamanho e a decidibilidade da progressão de primeira ordem, um método para atualizar bases de conhecimento em IA. Ele demonstra que, para classes de ações específicas dentro da estrutura do Cálculo de Situações, a progressão de primeira ordem cresce polinomialmente e mantém a decidibilidade ao usar certos fragmentos de base de conhecimento.
Este artigo explica por que a IA generativa, como o ChatGPT, falha ao responder perguntas islâmicas, pois é treinada em dados não filtrados da internet e não consegue citar fontes verificadas como o Alcorão ou Hadith. A IA gera respostas estatisticamente prováveis, mas não verificáveis, o que é problemático para uma religião onde a fonte do conhecimento é crucial.
Uma nova pipeline automatizada, SkillX, melhora o desempenho de agentes autônomos de modelos de linguagem ao extrair comportamentos hierárquicos reutilizáveis de trajetórias coletivas. Essa base de conhecimento de três níveis (habilidades estratégicas, funcionais e atômicas) permite que modelos mais fracos recuperem experiências de forma eficiente, superando as limitações dos métodos tradicionais.
Este guia prático explora a ontologia na ciência da computação e IA, descrevendo-a como uma estrutura essencial para organizar o conhecimento. Ele permite que as máquinas interpretem relações e tomem decisões mais precisas, sendo crucial para sistemas semânticos e aplicações de IA de próxima geração. Líderes como a Salesforce destacam sua importância para personalização e inteligência de decisão.
O KARITA (Knowledge-driven Augmentation and Retrieval for Integrative Temporal Adaptation) é um sistema desenvolvido para enfrentar os desafios das mudanças temporais em modelos de IA, que são treinados com dados históricos mas implantados em dados futuros. Ele integra aumento e recuperação impulsionados pelo conhecimento para capturar diversas mudanças e aproveitar insights para uma adaptação temporal aprimorada em múltiplos domínios.
Este artigo revela o fenômeno generalizado do "uso excessivo de ferramentas" em LLMs, onde os modelos empregam ferramentas externas desnecessariamente. Ele identifica uma "ilusão epistêmica de conhecimento" e propõe uma estratégia baseada em otimização de preferência direta que reduz o uso de ferramentas em 82,8% e melhora a precisão.