論文の概要: Building the Future of Responsible AI: A Reference Architecture for
Designing Large Language Model based Agents
- arxiv url: http://arxiv.org/abs/2311.13148v2
- Date: Tue, 28 Nov 2023 04:03:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-30 09:59:24.319376
- Title: Building the Future of Responsible AI: A Reference Architecture for
Designing Large Language Model based Agents
- Title(参考訳): 責任あるaiの未来の構築 - 大規模言語モデルに基づくエージェント設計のためのリファレンスアーキテクチャ
- Authors: Qinghua Lu, Liming Zhu, Xiwei Xu, Zhenchang Xing, Stefan Harrer, Jon
Whittle
- Abstract要約: 本稿では,基礎モデルに基づく自律エージェントのアーキテクチャ設計ガイダンスとして機能するパターン指向参照アーキテクチャを提案する。
2つの実世界のエージェントのアーキテクチャにマッピングすることで,提案する参照アーキテクチャの完全性と有用性を評価する。
- 参考スコア(独自算出の注目度): 30.099968752186758
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) have been widely recognised as transformative
artificial generative intelligence (AGI) technologies due to their capabilities
to understand and generate content, including plans with reasoning
capabilities. Foundation model based agents derive their autonomy from the
capabilities of foundation models, which enable them to autonomously break down
a given goal into a set of manageable tasks and orchestrate task execution to
meet the goal. Despite the huge efforts put into building foundation model
based autonomous agents, the architecture design of the agents has not yet been
systematically explored. Also, while there are significant benefits of using
autonomous agents for planning and execution, there are serious considerations
regarding responsible AI related software quality attributes, such as security
and accountability. Therefore, this paper presents a pattern-oriented reference
architecture that serves as architecture design guidance and enables
responsible-AI-by-design when designing foundation model based autonomous
agents. We evaluate the completeness and utility of the proposed reference
architecture by mapping it to the architecture of two real-world agents.
- Abstract(参考訳): 大規模言語モデル(llm)は,推論能力を備えた計画を含むコンテンツの理解と生成能力から,トランスフォーメーション型人工生成知能(agi)技術として広く認識されている。
ファンデーションモデルに基づくエージェントは、ファンデーションモデルの能力から自主性を導き、与えられた目標を自律的に管理可能なタスクのセットに分解し、目標を達成するためにタスク実行を編成することを可能にする。
基礎モデルに基づく自律エージェントの構築に対する多大な努力にもかかわらず、エージェントのアーキテクチャ設計はまだ体系的に検討されていない。
また、自律エージェントを計画と実行に使用するという大きなメリットもあるが、セキュリティや説明責任など、AI関連のソフトウェア品質特性の責任については、深刻な考慮がある。
そこで本稿では,基盤モデルに基づく自律エージェントの設計において,アーキテクチャ設計指針として機能するパターン指向参照アーキテクチャを提案する。
2つの実世界のエージェントのアーキテクチャにマッピングすることで,提案する参照アーキテクチャの完全性と有用性を評価する。
関連論文リスト
- From Requirements to Architecture: An AI-Based Journey to
Semi-Automatically Generate Software Architectures [2.4150871564195007]
本稿では,人工知能技術を用いた要件に基づくソフトウェアアーキテクチャ候補生成手法を提案する。
さらに、生成したアーキテクチャ候補の自動評価とトレードオフ分析を計画する。
論文 参考訳(メタデータ) (2024-01-25T10:56:58Z) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳(メタデータ) (2023-12-22T17:57:57Z) - Toward General-Purpose Robots via Foundation Models: A Survey and
Meta-Analysis [73.89558418030418]
既存のロボットシステムは、特定のタスクのために設計され、特定のデータセットに基づいて訓練され、特定の環境にデプロイされている。
ウェブスケールで大規模で大容量の事前学習型モデルの優れたオープンセット性能とコンテンツ生成能力に感銘を受けて,我々は,基礎モデルをロボット工学に適用する方法を探究した。
論文 参考訳(メタデータ) (2023-12-14T10:02:55Z) - Balancing Autonomy and Alignment: A Multi-Dimensional Taxonomy for
Autonomous LLM-powered Multi-Agent Architectures [0.0]
大規模言語モデル(LLM)は、洗練された言語理解と生成能力を備えた人工知能の分野に革命をもたらした。
本稿では,LLMを用いた自律型マルチエージェントシステムが自律性とアライメントの動的相互作用をどのようにバランスさせるかを分析するために,総合的な多次元分類法を提案する。
論文 参考訳(メタデータ) (2023-10-05T16:37:29Z) - Conceptual Framework for Autonomous Cognitive Entities [0.9285295512807729]
本稿では,認知アーキテクチャの新しいフレームワークである自律認知エンティティモデルを紹介する。
このモデルは、大規模言語モデル(LLM)やマルチモーダル生成モデル(MMM)など、最新の生成AI技術の能力を活用するように設計されている。
ACEフレームワークには、障害の処理とアクションの適応のためのメカニズムも組み込まれているため、自律エージェントの堅牢性と柔軟性が向上する。
論文 参考訳(メタデータ) (2023-10-03T15:53:55Z) - Towards Responsible AI in the Era of Generative AI: A Reference
Architecture for Designing Foundation Model based Systems [30.926608852387957]
ファンデーションモデルが将来のAIシステムの基本的なビルディングブロックになる、という広いコンセンサスがある。
ファンデーションモデルの急速に成長する能力は、最終的にはAIシステムの他のコンポーネントを吸収することができる。
基礎モデルをAIシステムに組み込むことは、責任あるAIに関する重要な懸念を提起する。
本稿では,基礎モデルに基づくシステム設計のためのパターン指向参照アーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-04-13T05:01:03Z) - TaskMatrix.AI: Completing Tasks by Connecting Foundation Models with
Millions of APIs [71.7495056818522]
私たちは、基礎モデルと数百万のAPIを結合してタスク補完を行う、新しいAIエコシステムとしてTaskMatrix.AIを紹介します。
このようなエコシステムを構築するためのビジョンを示し、それぞれの重要なコンポーネントを説明し、このビジョンの実現可能性と次に取り組むべき主な課題の両方を説明するために研究ケースを使用します。
論文 参考訳(メタデータ) (2023-03-29T03:30:38Z) - On Realization of Intelligent Decision-Making in the Real World: A
Foundation Decision Model Perspective [54.38373782121503]
FDM(Foundation Decision Model)は、様々な意思決定タスクをシーケンスデコーディングタスクとして定式化することで開発することができる。
本稿では、FDMの実装であるDigitalBrain(DB1)を13億のパラメータで実証し、870のタスクで人間レベルのパフォーマンスを達成するケーススタディを提案する。
論文 参考訳(メタデータ) (2022-12-24T06:16:45Z) - Kernel Based Cognitive Architecture for Autonomous Agents [91.3755431537592]
本稿では,認知機能構築への進化的アプローチについて考察する。
本稿では,シンボル創発問題に基づくエージェントの進化を保証する認知アーキテクチャについて考察する。
論文 参考訳(メタデータ) (2022-07-02T12:41:32Z) - A Consciousness-Inspired Planning Agent for Model-Based Reinforcement
Learning [104.3643447579578]
本稿では、その状態の関連部分に動的に対応できるエンドツーエンドのモデルベース深層強化学習エージェントを提案する。
この設計により、エージェントは関連するオブジェクトに参画することで効果的に計画を学ぶことができ、配布外一般化がより良くなる。
論文 参考訳(メタデータ) (2021-06-03T19:35:19Z) - STARdom: an architecture for trusted and secure human-centered
manufacturing systems [4.093985503448998]
予測と説明可能な人工知能を統合し,ユーザのフィードバック収集をサポートし,アクティブラーニングとシミュレート現実を用いて予測を強化するアーキテクチャを提案する。
需要予測の領域向けに調整し、実世界のケーススタディで検証します。
論文 参考訳(メタデータ) (2021-04-02T11:00:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。