능력 기반 의사결정 AI 시스템에서 동적 동맹 형성과 의사소통 가격 설정

능력 기반 의사결정 인공지능 시스템

현대의 지능형 인공지능 시스템은 다양한 언어 모델 에이전트를 조합하여 무한한 능력을 갖출 수 있습니다. 그러나 대부분의 아키텍처는 미리 정해진 통신이나 전체 방송을 허용하여 활성 에이전트의 수와 통신 연결의 수에 따라 처리 비용, 지연 시간, 중복성, 오류 확산이 증가하는 등 효율성이 떨어질 수 있습니다. 이를 해결하기 위해, 우리는 에이전트 선택과 통신을 작업에 조건된 네트워크 효용으로 모델링하는 협력 게임을 제안합니다. 이 모델은 연합 단위 비용과 에이전트 활성화 비용을 분리하여 효율적인 의사결정을 가능하게 합니다. 또한, 주변 가치 활성화 규칙과 탐욕스러운 라우터를 제안하여 모델을 통신 경로의 비용을 고려하여 최적화합니다. 추정된 셰플리 가치를 사용하여 에이전트를 미리 연락할 때와 실행 중에 연락할 때 연락할 에이전트를 예측할 수 있습니다. 이러한 접근법은 부분 최적화 문제와 연결되어 두 가지 보장을 증명했습니다. 이러한 보장에는 특수한 경우에 대한 굴절된 경계와 이중 탐욕스러운 방법을 사용하여 부호가 있는 목표에 대한한 1/2 근사값이 포함됩니다. 그러나 이 보장은 주요 라우터에 직접 적용되지 않으며 경험적인 방법으로 남습니다. 또한, 우리는 셰플리-부분 최적화 경계를 증명하여 주변 가치 라우팅의 오류를 에이전트당 감소하는 수익의 양으로 연결했습니다. 이러한 연구 결과는 능력 기반 의사결정 인공지능 시스템의 효율성을 향상시키는 데 기여할 수 있습니다.

실험 결과

합성 실험에서, 탐욕스러운 라우팅은 99.5%의 완전한 최적의 효용을 달성하며 평균 1.96의 8개의 에이전트를 활성화합니다. 이는 전체 방송에 비해 38.8%의 성능 향상을 나타냅니다. 활성화 비용과 중복성 비중에 대한 성능은 강건하지만, 부분 최적화 또는 시끄러운 가치 추정의 강력한 위반 시에는 66%의 성능이 떨어집니다. 이러한 결과는 능력 기반 의사결정 인공지능 시스템의 효율성을 향상시키는 데 기여할 수 있습니다. 우리는 프레임워크를 셰플리 가격 결정, 쾌락적 연합 형성, 및 통신 그래프 가지치기와 구별하고 실제 다중 에이전트 벤치마크에 대한 평가를 제안합니다.