Stellen Sie sich vor, Sie bitten verschiedene Experten um ihre Meinung zu einer komplexen Frage. Ein Arzt könnte sich auf die gesundheitlichen Folgen konzentrieren, ein Wirtschaftswissenschaftler auf die finanziellen Auswirkungen und ein Soziologe auf die sozialen Folgen. Jede Perspektive bringt wertvolle Erkenntnisse und führt zu einem umfassenderen Verständnis. Was wäre, wenn wir KI-Systeme auf die gleiche Weise funktionieren lassen könnten?
Genau das haben Forscher der National University of Singapore und anderer Einrichtungen mit ihrem Ansatz namens „Multi-expert Prompting“ erreicht. Diese innovative Technik, die vor kurzem in einem Papier veröffentlicht wurde, verspricht, KI-Systeme wie ChatGPT zuverlässiger, sicherer und nützlicher zu machen, indem sie die Zusammenarbeit mehrerer Experten simuliert.
Das Problem mit den derzeitigen KI-Systemen
Moderne KI-Systeme sind zwar beeindruckend leistungsfähig, stoßen aber oft an ihre Grenzen, wenn sie Antworten aus einer einzigen Perspektive liefern. Genauso wie die Befragung eines einzigen Experten zu einer engen Sichtweise auf ein komplexes Thema führen kann, können herkömmliche KI-Ansätze wichtige Nuancen oder alternative Standpunkte übersehen.
Außerdem haben diese Systeme manchmal mit Zuverlässigkeitsproblemen zu kämpfen - sie können falsche Informationen oder potenziell schädliche Antworten liefern. Stellen Sie sich vor, Sie erhalten Ratschläge von jemandem, der zwar sachkundig ist, aber möglicherweise blinde Flecken oder Vorurteile hat.
Multi-Expert Prompting
Die Lösung der Forscher ist elegant einfach und dennoch leistungsstark: Anstatt das KI-System als eine einzige Einheit reagieren zu lassen, lassen sie es mehrere Experten simulieren, von denen jeder seine eigene Perspektive einbringt. Aber wie genau funktioniert das?
Schritt 1: Zusammenstellung des Expertengremiums
Wenn eine Frage gestellt wird, generiert die KI zunächst drei verschiedene Expertenidentitäten, die für das Thema relevant sind. Wenn sie zum Beispiel nach der Ethik des Fleischessens gefragt wird, könnte sie diese erstellen:
- Eine Ernährungsberaterin zur Erörterung gesundheitlicher Aspekte
- Ein Ethiker soll moralische Überlegungen untersuchen
- Ein Umweltschützer zur Untersuchung der ökologischen Auswirkungen
Jeder Experte gibt seine Sicht der Dinge unabhängig voneinander ab, so wie auch echte Experten ihre ersten Gutachten separat erstellen würden.
You are provided an information. Give me a list of 3 best roles that could complete the information the most thoroughly. Question: {question}
Only give me the answer as a dictionary of roles in the Python programming format with a short description for each role. Strictly follow the answer format below:
Answer: {"[role 1]": "[description 1]", "[role 2]": "[description 2]", "[role 3]": "[description 3]"}From now on, you are an excellent {role} described as {roles_description}. Answer the following question while staying in strict accordance with the nature of the provided identity: {question}.
Schritt 2: Die Weisheit der Vielen
Und hier wird es interessant. Anstatt diese verschiedenen Standpunkte einfach nur darzustellen, verwendet das System einen strukturierten Ansatz, die so genannte Nominal Group Technique (NGT), um diese Perspektiven intelligent zu kombinieren. Es:
- Identifiziert Punkte, in denen sich Experten einig sind
- Unterstreicht Konflikten und Lösungen zwischen verschiedenen Standpunkten
- Bewahrt Einblicke von einzelnen Experten
- Fasst alles zu einer umfassenden endgültigen Antwort zusammen
Given the following question: {question}, you have obtained three answers from three experts with different expertise:
###
expert_1_answer
###
expert_2_answer
###
expert_3_answer
###Your task is to aggregate the experts’ answers above, follwing the subtasks below.
Step 1: Which are the facts that more than half of the answers have?
Facts that more than half of the answers have (Agreed Facts):...
Step 2: Which are the facts of the answers above that conflict?
Conflicted facts among the answers (Conficted Facts):...
Step 3: Now you need to resolve the conflicted facts from Step 2. The facts that more people agree are likely to be true.
Resolved facts from Step 2:...
Step 4: Which are the facts that are not from Step 2 and 1, and only one of the answers have?
Facts that are excluded from Step 2 and 1 and only one of the answers have:...
Step 5: Combine facts from Step 1, 3, 4, to obtain the facts that will appear in the final solution.
Facts from Step 1, 3, 4:...
Step 6: Generate a final answer consisting of facts in Step 5, in a newline.
Combined answer:...
Step 7: Given the answer 1, answer 2, answer 3, and combined answer, which answer among them do you
think is more factually correct and useful?
Best answer choice: Answer 1/Answer 2/Answer 3/Combined answer
Explanation: [Explanation to your choice of the best answer]
Final answer: [Only output the full chosen answer content. Output the exact answer, do not modify or trim the answer.]
Die Ergebnisse sind beeindruckend
Die Forscher stellten ihr System auf die Probe, und die Ergebnisse waren bemerkenswert. Im Vergleich zu herkömmlichen Ansätzen zeigte das Multi-expert Prompting in allen Bereichen deutliche Verbesserungen:
- Wahrheitsgetreuer: Das System lieferte genauere Informationen
- Sicherer: Es erzeugt weniger problematische Inhalte
- Nützlicher: Die Antworten waren informativer und umfassender
- Ausgewogener: Mehrere Perspektiven führten zu weniger voreingenommenen Ergebnissen
Warum das wichtig ist
Dieser Fortschritt ist nicht nur akademisch, sondern hat auch praktische Auswirkungen darauf, wie wir KI effektiver nutzen können. Denken Sie an Anwendungen in:
- Gesundheitswesen: Umfassendere medizinische Informationen
- Bildung: Komplexe Themen aus mehreren Blickwinkeln verstehen
- Unternehmerische Entscheidungsfindung: Analyse von Problemen aus verschiedenen Perspektiven
- Richtlinien Entwicklung: Berücksichtigung der Standpunkte der verschiedenen Interessengruppen
Ausblick
Multi-Expert Prompting ist ein Ansatz, um KI-Systeme zuverlässiger und nützlicher zu machen. Indem sie nachahmt, wie Menschen oft an komplexe Probleme herangehen - indem sie mehrere Expertenmeinungen einholt - macht diese Technik die KI-Ergebnisse vertrauenswürdiger und umfassender.
Die Forscher räumen ein, dass ihr Ansatz nicht für jede Anwendung geeignet ist. Er eignet sich am besten für komplexe Fragen, die von mehreren Perspektiven profitieren, und könnte für einfache Abfragen zu aufwendig sein. Für wichtige Entscheidungen, bei denen es auf Genauigkeit und Vollständigkeit ankommt, ist dieser Ansatz jedoch sehr vielversprechend.
Hier ist ein Jupyter-Notebook mit einer Umsetzung des Konzepts. Es verwendet etwas andere Prompts (Dank an Claude :-)).
Gestalten Sie die Zukunft Ihres Unternehmens mit KI
Tauchen Sie ein in unsere spannenden Workshops und rüsten Sie Ihr Team mit den Werkzeugen und dem Wissen aus, um im Zeitalter der KI führend zu sein.
