Комбинирование логических рассуждений и LLM на пути к созданию мультиагентных систем умного дома

Стремительное развитие технологий искусственного интеллекта, в частности больших языковых моделей (LLM), вызвало интерес к их интеграции в мультиагентные системы (МАС). Это открывает широкие перспективы в том числе для приложений умного дома, где они могут значительно улучшить пользовательский опыт за счет комфорта, энергоэффективности и безопасности. Несмотря на потенциальные преимущества, реализация МАС на основе LLM сталкивается с рядом проблем, включая риск возникновения галлюцинаций, проблемы масштабируемости и опасения по поводу надежности этих систем в реальных приложениях. В данном исследовании рассматривается разработка МАС, включающих LLM, с акцентом на уменьшение галлюцинаций путем интеграции формальных логических моделей для представления знаний и принятия решений, а также методов машинного обучения. Чтобы продемонстрировать эффективность этого подхода, были проведены эксперименты с симуляцией системы ухода за растениями в контексте умного дома. Результаты показали, что наш подход позволяет значительно уменьшить количество галлюцинаций и повысить общую надежность системы. Дальнейшие исследования будут направлены на доработку этих методов с целью повышения адаптивности и масштабируемости для обеспечения функциональности системы в реальных условиях.

1. Janbi N., Katib I., Mehmood R. Distributed artificial intelligence: Taxonomy, review, framework, and reference architecture. Intelligent Systems with Applications, vol. 18, 2023, p. 200231. DOI: 10.1016/j.iswa.2023.200231.

2. Guo T., Chen X., Wang Y., Chang R., Pei S., Chawla N.V., Wiest O., Zhang X.N. Large language model based multi-agents: A survey of progress and challenges. arXiv preprint, 2024. DOI: 10.24963/ijcai.2024/890.

3. Christman J., Mele A.R. Autonomous agents: From self-control to autonomy. The Journal of Philosophy, vol. 96, no. 2, 1999, pp. 95–100. DOI: 10.2307/2564674.

4. Wei J., Wang X., Schuurmans D., Bosma M., Ichter B., Xia F., Chi E., Le Q.V., Zhou D. Chain-of-thought prompting elicits reasoning in large language models. arXiv preprint, vol. arXiv:2201.11903, 2023. Available at: https://arxiv.org/abs/2201.11903.

5. Wang H., Du X., Yu W., Chen Q., Zhu K., Chu Z., Yan L., Guan Y. Learning to break: Knowledge-enhanced reasoning in multi-agent debate system. Neurocomputing, vol. 618, 2025, p. 129063. Available at: https://www.sciencedirect.com/science/article/pii/S0925231224018344.

6. Jiang Y.-H., Li R., Zhou Y., Qi C., Hu H., Wei et al. AI agent for education: von Neumann multi-agent system framework. In Proc. of the 28th Global Chinese Conference on Computers in Education, 2024.

7. Nezhurina M., Cipolina-Kun L., Cherti M., Jitsev J. Alice in Wonderland: Simple tasks showing complete reasoning breakdown in state-of-the-art large language models. arXiv preprint, vol. arXiv:2406.02061, 2024. Available at: https://arxiv.org/abs/2406.02061.

8. Zeng Y., Rajasekharan A., Basu K., Wang H., Arias J., Gupta G. A reliable common-sense reasoning socialbot built using LLMs and goal-directed ASP. Theory and Practice of Logic Programming, vol. 24, no. 4, 2024. DOI: 10.1017/S147106842400022X.

9. OpenAI. GPT-4 Technical Report. arXiv preprint, vol. arXiv:2303.08774, 2024. Available at: https://arxiv.org/abs/2303.08774.

10. Wang Z., Liu J., Bao Q., Rong H., Zhang J. ChatLogic: Integrating logic programming with large language models for multi-step reasoning. arXiv preprint, vol. arXiv:2407.10162, 2024. Available at: https://arxiv.org/abs/2407.10162.

11. Lewis P.S.H., Perez E., Piktus A., Petroni F., Karpukhin V., Goyal N., Kuttler H., Lewis M., Yih W.-T., Rocktäschel T., Riedel S., Kiela D. Retrieval-augmented generation for knowledge-intensive NLP tasks. arXiv preprint, vol. arXiv:2005.11401, 2020. Available at: https://arxiv.org/abs/2005.11401.

12. Chen J., Hu P., Jiménez-Ruiz E., Holter O.M., Antonyrajah D., Horrocks I. OWL2Vec*: Embedding of OWL ontologies. arXiv preprint, vol. arXiv:2009.14654, 2020. Available at: https://arxiv.org/abs/2009.14654.

13. Modgil S., Fox J. A guardian agent approach to safety in medical multi-agent systems. In Safety and Security in Multiagent Systems, 2009.

14. Nimis J., Lockemann P.C. Robust multi-agent systems: The transactional conversation approach? 2004.

15. Cabalar P., Fabiano F., Gebser M., Gupta G., Swift T. Proceedings of the 40th International Conference on Logic Programming (ICLP 2024). In Electronic Proceedings in Theoretical Computer Science (EPTCS), University of Texas at Dallas, Dallas, TX, USA, Oct. 2024, pp. 69–77.

16. Lifschitz V. What is Answer Set Programming? In Proceedings of the National Conference on Artificial Intelligence, vol. 3, 2008, pp. 1594–1597.

17. Lin X., Wu Y.-C., Yang H., Zhang Y., Zhang Y., Ji J. CLMASP: Coupling large language models with answer set programming for robotic task planning. arXiv preprint, vol. arXiv:2406.03367, 2024. Available at: https://arxiv.org/abs/2406.03367.

18. Yang Z., Ishay A., Lee J. Coupling large language models with logic programming for robust and general reasoning from text. arXiv preprint, vol. arXiv:2307.07696, 2023. Available at: https://arxiv.org/abs/2307.07696.