Multi-Hop-resonnering

Hva er Multi-Hop-resonnering?

Multi-hop-resonnering er en prosess innen kunstig intelligens, spesielt innen naturlig språkprosessering (NLP) og kunnskapsgrafer, hvor et AI-system lager logiske forbindelser på tvers av flere informasjonsbiter for å komme frem til et svar eller ta en beslutning. I stedet for å stole på én enkel kilde eller et direkte informasjonsfragment, krever multi-hop-resonnering at AI navigerer gjennom en kjede av sammenkoblede datapunkter, eller “hopp”, for å syntetisere et helhetlig svar.

I bunn og grunn speiler multi-hop-resonnering menneskets evne til å kombinere ulike kunnskapsfragmenter fra forskjellige kontekster for å løse komplekse problemer eller svare på innviklede spørsmål. Denne tilnærmingen går utover enkel faktaopphenting, og krever at AI-systemet forstår relasjoner, trekker slutninger og integrerer mangfoldig informasjon fordelt på dokumenter, databaser eller kunnskapsgrafer.

Nøkkelkomponenter

• Flere informasjonskilder: Resonneringsprosessen involverer data fra ulike dokumenter, kunnskapsbaser eller systemer.
• Logiske forbindelser: Etablering av relasjoner mellom ulike informasjonsbiter.
• Slutning og integrasjon: Trekke konklusjoner ved å syntetisere sammenkoblede datapunkter.
• Sekvensielle resonnementssteg (hopp): Hvert hopp representerer et steg i resonnementskjeden, nærmere det endelige svaret.

Hvordan brukes Multi-Hop-resonnering?

Multi-hop-resonnering benyttes i flere AI-applikasjoner for å forbedre dybden og nøyaktigheten i informasjonsinnhenting og beslutningsprosesser.

Naturlig språkprosessering (NLP) og spørsmålbesvarelse

Innen NLP er multi-hop-resonnering avgjørende for avanserte spørsmålbesvarende systemer. Disse systemene må forstå og behandle komplekse spørsmål som ikke kan besvares ved å se på én enkelt setning eller avsnitt.

Eksempel:

Spørsmål:
“Hvilken forfatter, født i Frankrike, vant Nobelprisen i litteratur i 1957 og skrev ‘Den fremmede’?”

For å svare på dette må AI-en:

1. Identifisere forfattere født i Frankrike.
2. Finne ut hvem av dem som vant Nobelprisen i litteratur i 1957.
3. Sjekke hvem av dem som skrev ‘Den fremmede’.

Ved å koble sammen disse informasjonsbitene fra forskjellige datapunkter, konkluderer AI-en med at svaret er Albert Camus.

Resonnering i kunnskapsgrafer

Kunnskapsgrafer representerer enheter (noder) og relasjoner (kanter) i et strukturert format. Multi-hop-resonnering gjør det mulig for AI-agenter å traversere disse grafene, og gjøre sekvensielle slutninger for å oppdage nye relasjoner eller hente svar som ikke er eksplisitt oppgitt.

Brukstilfelle: Utfylling av kunnskapsgraf

AI-systemer kan forutsi manglende koblinger eller fakta i en kunnskapsgraf ved å resonnere over eksisterende forbindelser. For eksempel, hvis en kunnskapsgraf inneholder:

• Person A er forelder til Person B.
• Person B er forelder til Person C.

AI-en kan utlede at Person A er besteforelder til Person C gjennom multi-hop-resonnering.

Forsterkende læring i ufullstendige miljøer

I miljøer med ufullstendig informasjon, som delvise kunnskapsgrafer, bruker agenter multi-hop-resonnering for å navigere i usikkerhet. Forsterkende læringsalgoritmer gjør det mulig for agenter å ta sekvensielle beslutninger, og motta belønning for handlinger som leder nærmere målet.

Eksempel:

En AI-agent starter ved et konseptnode i en kunnskapsgraf og velger sekvensielt kanter (relasjoner) for å nå et målkontsept. Agenten belønnes for vellykket navigering, selv om den direkte veien ikke er tilgjengelig på grunn av ufullstendige data.

AI-automatisering og chatboter

For AI-drevne chatboter forbedrer multi-hop-resonnering samtaleevnene ved at boten kan gi detaljerte og kontekstavhengige svar.

Brukstilfelle: Kundestøtte-chatbot

En chatbot som hjelper brukere med tekniske problemer må kanskje:

1. Identifisere brukerens enhetstype fra tidligere interaksjoner.
2. Hente kjente problemer relatert til den enheten fra en kunnskapsbase.
3. Gi feilsøkingstrinn basert på det spesifikke problemet som er rapportert.

Ved å resonnere over flere informasjonsbiter gir chatboter et presist og nyttig svar.

Klar til å vokse bedriften din?

Start din gratis prøveperiode i dag og se resultater i løpet av få dager.

Be om demo Logg inn

Eksempler og brukstilfeller

Multi-hop spørsmålbesvarende systemer

Helsevesenet:

Spørsmål:
“Hvilket medikament kan foreskrives til en pasient som er allergisk mot penicillin, men trenger behandling for en bakteriell infeksjon?”

Resonneringssteg:

1. Identifisere medisiner som brukes mot bakterieinfeksjoner.
2. Ekskludere medisiner som inneholder penicillin eller beslektede forbindelser.
3. Foreslå alternative antibiotika som er trygge for pasienter med penicillinallergi.

AI-systemet syntetiserer medisinsk kunnskap for å foreslå trygge behandlingsalternativer.

Resonnering i kunnskapsgrafer med belønningsforming

Innen forsterkende læring endrer belønningsforming belønningsfunksjonen for å lede læringsagenten mer effektivt, spesielt i miljøer med sparsomme eller villedende belønninger.

Brukstilfelle:

En AI-agent som er satt til å finne en forbindelse mellom to enheter i en kunnskapsgraf, kan motta mellomliggende belønninger for hvert korrekt hopp, noe som oppmuntrer til oppdagelse av multi-hop-stier selv i ufullstendige grafer.

Multi-hop-resonnering i chatboter

Personlig assistent-chatbot:

Scenario:
En bruker spør: “Minn meg på å kjøpe ingrediensene til oppskriften fra gårsdagens matlagingsprogram.”

AI-resonnering:

1. Finne ut hvilket matlagingsprogram brukeren så på i går.
2. Hente oppskriften som ble vist i programmet.
3. Ekstrahere listen over ingredienser.
4. Sette en påminnelse med listen.

Chatboten kobler kalendere, eksternt innhold og brukerpreferanser for å oppfylle forespørselen.

Håndtering av ufullstendige kunnskapsgrafer

AI-agenter opererer ofte på kunnskapsgrafer som mangler visse fakta (ufullstendige miljøer). Multi-hop-resonnering gjør det mulig for agenten å utlede manglende informasjon ved å utforske indirekte stier.

Eksempel:

Hvis den direkte relasjonen mellom to konsepter mangler, kan agenten finne en sti via mellomliggende konsepter, og dermed fylle kunnskapshull.

Forsterkende læringsformulering

Multi-hop-resonneringsoppgaver kan formuleres som forsterkende læringsproblemer, der en agent utfører handlinger i et miljø for å maksimere kumulative belønninger.

Komponenter:

• Tilstand: Nåværende posisjon i kunnskapsgrafen eller kontekst.
• Handling: Mulige hopp til neste node eller informasjonsbit.
• Belønning: Tilbakemelding for vellykkede resonnementssteg.
• Policy: Strategi som styrer agentens handlinger.

Eksempel:

En agent har som mål å besvare et spørsmål ved sekvensielt å velge relasjoner i en kunnskapsgraf, og mottar belønninger for hvert korrekt hopp som leder nærmere svaret.

Bli med i vårt nyhetsbrev

Få de siste tipsene, trendene og tilbudene gratis.

E-postadresse

Abonner

Multi-Hop-resonnering i naturlig språkprosessering

I NLP forbedrer multi-hop-resonnering maskinell leseforståelse ved å gjøre det mulig for modeller å forstå og behandle tekster som krever kobling av flere informasjonsbiter.

Bruksområder:

• Leseforståelsestester: Modeller svarer på spørsmål som krever informasjon fra ulike deler av en tekst.
• Oppsummering: Lage sammendrag som fanger essensen av tekster som spenner over flere tema eller argumenter.
• Koreferanseoppløsning: Identifisere når ulike uttrykk viser til samme enhet på tvers av setninger.

Kombinere LLM og kunnskapsgrafer

Store språkmodeller (LLM), som GPT-4, kan integreres med kunnskapsgrafer for å forbedre multi-hop-resonneringsevner.

Fordeler:

• Forbedret kontekstforståelse: LLM prosesserer ustrukturert tekst, mens kunnskapsgrafer gir strukturert data.
• Bedre svarnøyaktighet: Ved å kombinere begge deler får man nøyaktige og kontekstrike svar.
• Skalerbarhet: LLM håndterer store mengder data, noe som er essensielt for komplekse multi-hop-resonneringsoppgaver.

Brukstilfelle:

I biomedisinsk forskning besvarer et AI-system komplekse spørsmål ved å integrere LLMs språkforståelse med kunnskapsgrafens strukturerte medisinske data.

Bruksområder i AI-automatisering

AI-drevet kundestøtte

Multi-hop-resonnering gjør det mulig for AI-agenter å håndtere komplekse kundehenvendelser ved å:

• Hente kundehistorikk.
• Forstå retningslinjer og regler.
• Gi skreddersydde løsninger som tar hensyn til flere faktorer.

Optimalisering av forsyningskjede

AI-systemer analyserer salgsdata, lagerstatus og logistikkbegrensninger for å:

• Forutsi etterspørselssvingninger.
• Identifisere potensielle forstyrrelser i forsyningskjeden.
• Anbefale justeringer i innkjøps- og distribusjonsstrategier.

Svindeldeteksjon

Ved å resonnere over transaksjonshistorikk, brukeradferd og nettverksrelasjoner, kan AI-systemer oppdage svindelaktiviteter som enkel faktor-analyse ikke fanger opp.

Forbedre chatbot-interaksjoner

Multi-hop-resonnering gjør det mulig for chatboter å føre mer naturlige og meningsfulle samtaler.

Egenskaper:

• Kontekstbevissthet: Husker tidligere interaksjoner for å informere nåværende svar.
• Håndtering av komplekse spørsmål: Behandler sammensatte spørsmål som krever syntese av informasjon.
• Personalisering: Skreddersyr svar basert på brukerens preferanser og historikk.

Eksempel:

En chatbot som gir reiseanbefalinger tar hensyn til brukerens tidligere reiser, nåværende plassering og kommende arrangementer for å foreslå destinasjoner.

Forskning på multi-hop-resonnering

1. Improving LLM Reasoning with Multi-Agent Tree-of-Thought Validator Agent
   Denne artikkelen utforsker hvordan resonnementevene til store språkmodeller (LLM) kan forbedres ved hjelp av en multi-agent tilnærming som tildeler spesialiserte roller i problemløsning. Den introduserer en Tree of Thoughts (ToT)-basert Reasoner kombinert med en Thought Validator-agent for å granske resonnementsstier. Metoden forbedrer resonnementet ved å forkaste feilaktige stier, noe som gir en mer robust stemmestrategi. Tilnærmingen overgikk standard ToT-strategier med i gjennomsnitt 5,6 % på GSM8K-datasettet. Les mer
2. Graph-constrained Reasoning: Faithful Reasoning on Knowledge Graphs with Large Language Models
   Denne studien tar for seg resonnementutfordringer i LLM, som hallusinasjoner, ved å integrere kunnskapsgrafer (KG). Den introduserer grafbegrenset resonnement (GCR), som integrerer KG-struktur i LLM ved hjelp av en KG-Trie-indeks. Denne metoden begrenser LLMs dekodingsprosess for å sikre pålitelig resonnement og eliminerer hallusinasjoner. GCR oppnådde toppresultater på KGQA-benchmarker og viste sterk zero-shot-generaliserbarhet. Les mer
3. Hypothesis Testing Prompting Improves Deductive Reasoning in Large Language Models
   Artikkelen diskuterer forbedring av deduktiv resonnement ved å kombinere ulike promptteknikker med LLM. Hypothesis Testing Prompting introduseres, som innlemmer konklusjonsantakelser, baklengs resonnement og fakta-verifisering. Denne tilnærmingen adresserer problemer som ugyldige og oppdiktede resonnementsstier, og forbedrer påliteligheten til resonnementoppgaver. Les mer