О моделировании мультиагентных систем на основе больших языковых моделей

Обложка

Цитировать

Полный текст

Аннотация

В статье изучается эффективность внедрения мультиагентных систем на основе больших языковых моделей в различных сферах человеческой деятельности, анализируются их преимущества, проблемы и задачи. Результаты исследования показали, что мультиагентные системы на основе больших языковых моделей обладают значительным потенциалом и широкими возможностями в моделировании различных сред и решении различных задач.

Об авторах

Е. Ю. Щетинин

Финансовый университет при Правительстве Российской Федерации

Email: riviera-molto@mail.ru
ORCID iD: 0000-0003-3651-7629
Scopus Author ID: 16408533100
ResearcherId: O-8287-2017

Doctor of Physical and Mathematical Sciences, Lecturer of Artificial Intelligence Department

Ленинградский проспект, д. 49, Москва, 125993, Российская Федерация

Т. Р. Велиева

Российский университет дружбы народов

Email: velieva-tr@rudn.ru
ORCID iD: 0000-0003-4466-8531

Candidate of Physical and Mathematical Sciences, Senior lecturer of Department of Probability Theory and Cyber Security

ул. Миклухо-Маклая, д. 6, Москва, 117198, Российская Федерация

Л. А. Юргина

Российский университет дружбы народов

Email: yurgina_la@pfur.ru
ORCID iD: 0009-0004-4661-5059

Ph.D. of Pedagogical Sciences, Head of the Department of Mathematics and Information Technology of the Sochi branch

ул. Куйбышева, д. 32, Сочи, 354340, Российская Федерация

А. В. Демидова

Российский университет дружбы народов

Автор, ответственный за переписку.
Email: demidova-av@rudn.ru
ORCID iD: 0000-0003-1000-9650

Candidate of Physical and Mathematical Sciences, Assistant Professor of Department of Probability Theory and Cyber Security

ул. Миклухо-Маклая, д. 6, Москва, 117198, Российская Федерация

Список литературы

  1. Minsky, M. Society of mind (Simon and Schuster, 1988).
  2. Russell, S. J. Artificial intelligence a modern approach (Pearson Education, Inc., 2010).
  3. Ginsberg, M. L. Essentials of Artificial Intelligence (Morgan Kaufmann, 1993).
  4. Wooldridge, M. & Jennings, N. R. Intelligent agents: theory and practice. The Knowledge Engineering Review 10, 115-152. doi: 10.1017/S0269888900008122 (1995).
  5. Linardatos, P., Papastefanopoulos, V. & Kotsiantis, S. Explainable AI: A Review of Machine Learning Interpretability Methods. Entropy 23, 18. doi: 10.3390/e23010018 (2021).
  6. Han, S., Zhang, Q., Yao, Y., Jin, W., Xu, Z. & He, C. LLM Multi-Agent Systems: Challenges and Open Problems 2024.
  7. Wang, L. et al. A survey on large language model based autonomous agents 2023.
  8. Andreas, J. Language Models as Agent Models in Findings of the Association for Computational Linguistics: EMNLP 2022 (eds Goldberg, Y., Kozareva, Z. & Zhang, Y.) (Association for Computational Linguistics, Abu Dhabi, United Arab Emirates, Dec. 2022), 5769-5779. doi: 10.18653/v1/2022.findings-emnlp.423.
  9. Brooks, R. A. The artificial life route to artificial intelligence in. Chap. Intelligence without reason (Routledge, 2018).
  10. Openai: Introducing chatgpt. Website 2022.
  11. Thirunavukarasu, A., Ting, D., Elangovan, K., Gutierrez, L., Tan, T. & Ting, D. Large language models in medicine. Nature Medicine 29, 1930-1940. doi: 10.1038/s41591-023-02448-8 (2023).
  12. Chan, C.-M., Chen, W., Su, Y., Yu, J., Xue, W., Zhang, S., Fu, J. & Liu, Z. ChatEval: Towards Better LLM-based Evaluators through Multi-Agent Debate 2023.
  13. Cai, T., Wang, X., Ma, T., Chen, X. & Zhou, D. Large language models as tool makers 2023.
  14. Wu, T., Terry, M. & Cai, C. J. AI Chains: Transparent and Controllable Human-AI Interaction by Chaining Large Language Model Prompts in Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems (Association for Computing Machinery, New York, NY, USA, 2022), 385. doi: 10.1145/3491102.3517582.
  15. Mohtashami, A. & Jaggi, M. Landmark attention: Random-access infinite context length for transformers 2023.
  16. Bar, A., Gandelsman, Y., Darrell, T., Globerson, A. & Efros, A. Visual Prompting via Image Inpainting in Advances in Neural Information Processing Systems (eds Koyejo, S., Mohamed, S., Agarwal, A., Belgrave, D., Cho, K. & Oh, A.) 35 (Curran Associates, Inc., 2022), 25005-25017.
  17. Mustakim, M., Pratama, A. R., Ahmad, I., Arifianto, T., Sussolaikah, K. & Sepriano, S. Image classification of corn leaf diseases using CNN architecture ResNet-50 and data augmentation in 2024 International Conference on Decision Aid Sciences and Applications (DASA) (2024), 1-6.
  18. Shchetinin, E. Y. On Using Computer Linguistic Models in the Classification of Biomedical Images. Mathematical Models and Computer Simulations 2 (2024).
  19. Shchetinin, E. Y., Glushkova, A. G. & Demidova, A. V. Developing a computer system for student learning based on vision-language models. Discrete and Continuous Models and Applied Computational Science 32, 234-241 (2024).
  20. Wu, Q. et al. AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation 2023.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).