Feb, 2024

使用人工智能增强多准则决策分析：将层次分析法与 GPT-4 集成实现自动化决策支持

PDF
TL;DR我们的研究提出了一个新的框架，该框架结合了层次分析过程 (AHP) 和生成式预训练变压器 4 (GPT-4) 大型语言模型 (LLM)，为多准则决策 (MCDA) 的网络安全带来了新的方法。通过利用 GPT-4 自主智能体作为虚拟专家的能力，我们自动化决策过程，提高了效率和可靠性。这种新方法侧重于利用 LLM 进行复杂决策分析，突显传统决策模型与尖端人工智能技术之间的协同效应。我们的创新方法在使用 AI 驱动智能体处理复杂决策场景方面取得了重大进展，突出了 AI 在战略网络安全应用中的重要性。研究结果揭示了结合 AHP 和 LLM 的变革潜力，为网络安全及其他领域的智能决策支持系统确立了新的模式。
analytic hierarchy processgenerative pre-trained transformer 4cybersecuritymultiple-criteria decision makingai-driven agents
发现论文，激发创造
  • 运用大型语言模型通过人工智能生成科学本体朝下一代城市决策支持系统 -- 优化联运货运案例

    利用预训练的大型语言模型（LLMs）和 ChatGPT API 作为推理核心，通过自然语言处理、基于方法论的提示调整和 Transformer 技术，自动化创作基于场景的本体论文、都市数据集和模拟技术手册，生成知识图谱，以促进都市决策支持系统的发展。

    May, 2024

  • GPT 循环：多智能体系统的自适应决策

    通过融合 Generative Pre-trained Transformers (GPT) 这类大型语言模型的高级推理能力和 Multiagent (MAS) 系统，这篇论文介绍了一种新的方法，“GPT-in-the-loop”，用于增强问题解决和解释能力。结合智能街灯物联网应用背景，该方法使代理人通过传感器、执行器和神经网络创建出一个能耗更低的照明系统，并与传统神经进化方法和软件工程师提供的解决方案进行了比较，凸显了 GPT 驱动的 Multiagent 系统在物联网中的潜力。

    Aug, 2023

  • 利用大型语言模型增强决策分析：pyDecision——Python 中一套全面的多准则决策分析方法库

    研究论文通过整合多准则决策分析方法和 ChatGPT，提供了 pyDecision 库，为研究人员、实践者和决策者提供了在复杂决策问题中寻找最合适解决方案的宝贵资源。

    Apr, 2024

  • 数据科学中的 GPT：模型选择的实践探索

    利用大型语言模型 (LLMs) 管理结构化数据并增强数据科学流程的兴趣日益增长。尽管具有潜在的好处，但其整合引发了对可靠性和决策方法的重要问题，强调了模型选择过程中包括数据性质、问题类型、性能指标、计算资源、可解释性与准确性、对数据的假设以及伦理考虑等多种因素的重要性。我们的目标是阐明和表达 GPT-4 模型选择推荐背后的因素和假设。我们采用变异性模型描述这些因素，并使用玩具数据集评估模型和已确定的启发式方法的实施。通过将这些结果与其他平台的启发式方法进行对比，我们的目的是确定 GPT-4 方法的有效性和独特性。本研究致力于推进我们对人工智能决策过程的理解，特别是在数据科学中的模型选择领域。我们的努力旨在创建更加透明和可理解的人工智能系统，为数据科学实践贡献更负责任和高效的方法。

    Nov, 2023

  • 推进生成人工智能：科学教育中多模态大语言模型的变革性作用

    通过呈现示例创新的学习场景，探索了多模态大语言模型 (MLLMs) 在科学教育的核心方面的转变作用，包括文本创作、个性化学习支持、培养科学实践能力以及提供评估和反馈。同时，强调了在实施 MLLMs 时采取平衡的方法的必要性，确保技术对教育者角色的补充，以确保人工智能在科学教育中的有效和道德使用。

    Jan, 2024

  • 在线决策的自动 GPT：基准测试和额外意见

    本文介绍了一个 Auto-GPT 样式的决策制定任务的综合基准研究，比较了 GPT-4、GPT-3.5、Claude 和 Vicuna 等流行的 LLMs 的性能，并介绍了一种称为 Additional Opinions 算法的易于实现的学习方法，可显著提高在线决策基准测试的性能，包括 WebShop 和 ALFWorld。

    Jun, 2023

  • ChatGPT, 生成式人工智能和自然语言大模型用于问责报告和使用的指南的开发

    ChatGPT, Generative Artificial Intelligence, and Natural Large Language Models for Accountable Reporting and Use Guidelines (CANGARU) initiative aims to establish consensus and guidelines for the ethical use, disclosure, and reporting of Generative AI, Generative Pre-trained Transformers, and large language models in academia.

    Jul, 2023

  • 通过多模态大型语言模型实现端到端的具身决策: GPT4-Vision 及其后续探索

    通过 PCA-EVAL 基准和 HOLMES 多智能体协作框架的比较，我们发现 GPT4-Vision 模型在端到端的具体决策制定能力方面表现出色，平均决策准确率比 GPT4-HOLMES 高出 3%，但这种性能仅适用于最新的 GPT4-Vision 模型，超过开源最先进的多模态大型语言模型的 26%。我们的结果表明，像 GPT4-Vision 这样功能强大的多模态大型语言模型对具体决策有很大的潜力，为多模态大型语言模型研究开辟了新的途径。

    Oct, 2023

  • 利用大型语言模型扩展基于证据的教学设计专业知识

    本论文探讨了在教学设计中利用大型语言模型（LLMs），尤其是 GPT-4 的全面应用。我们关注以缩小理论教育研究和实际实施之间的差距为目的，通过扩大基于证据的教学设计专业知识的规模。本文讨论了 AI 驱动内容生成的益处和局限性，强调人为监督保证教育材料质量的必要性。我们通过两个详细的案例研究阐释了这一工作，其中应用 GPT-4 创建了复杂的高阶评估和不同课程的主动学习组成部分。根据我们的经验，我们提供有效使用 LLM 的最佳实践，如利用模板，微调，处理意外输出，实施 LLM 链，引用参考文献，评估输出，创建量表，评分和生成干扰项。我们还分享了我们对未来的推荐系统的愿景，该推荐系统可以根据用户的独特教育背景，定制 GPT-4 从教育研究中提取教学设计原则，并创建个性化的、具备证据支持的策略。本研究有助于理解和最大限度地利用 AI 驱动的语言模型潜力，以增强教育成果。

    May, 2023

  • GPT4AIGChip：大型语言模型用于下一代 AI 加速器设计自动化

    通过开发 GPT4AIGChip 框架，借助人类自然语言而非特定领域语言，将大型语言模型应用于自动化人工智能加速器设计，以推动下一代基于大型语言模型的设计自动化工具创新。

    Sep, 2023