В МИФИ обучили ИИ "анализировать собственное мышление"
Ученые из Национального исследовательского ядерного университета "МИФИ" разработали метод, позволяющий искусственному интеллекту "анализировать собственное мышление". Новый подход, как сообщили в университете, продемонстрировал улучшение на 28% по сравнению с традиционными методами. Об этом пишет портал ТАСС.
Созданная в МИФИ архитектура для работы с большими языковыми моделями дает возможность ИИ глубже анализировать человеческие диалоги, что значительно превосходит существующие подходы, утверждают исследователи.
Современные нейросети, такие как GigaChat и GPT, хорошо справляются с пересказом текстов. Однако при необходимости глубокого анализа диалогов, включая выявление скрытых мотивов, причин конфликтов или когнитивных искажений, стандартные методы часто оказываются неэффективными. Обычный "прямой промптинг", при котором модели задают вопрос "проанализируй этот разговор", может приводить к галлюцинациям и поверхностным выводам, не учитывающим психологические аспекты общения.
Российские ученые предложили метод, имитирующий рефлексивный процесс человеческого эксперта. Вместо одного запроса система проходит четыре уровня когнитивной обработки: структурный анализ (выделение фактов, участников и тем); процессуальный анализ (определение стратегий аргументации и конфликтных точек); глубинная аналитика (поиск скрытых мотиваций и когнитивных искажений) и синтез, в ходе которого формируются практические рекомендации. Ключевой особенностью архитектуры является передача контекста между уровнями, что позволяет модели сохранять последовательность и снижает риск ошибок. "Структурированная декомпозиция задачи критически важна для повышения качества аналитических выводов ИИ. Мы не просто обучаем модель отвечать, мы учим ее анализировать собственное мышление", - отметили авторы.
Эксперимент проводился на модели GigaChat-Pro с выборкой из 10 разнообразных диалогов, охватывающих темы от маркетинга до медицины. Результаты оказались впечатляющими: точность выявления инсайтов возросла на 28%, полнота анализа увеличилась на 18,1%, а качество выявления скрытых паттернов выросло более чем вдвое. Метод оказался универсальным и не требовал дообучения под конкретные темы, показывая стабильные результаты во всех областях. Ученые планируют масштабировать исследование на выборке из 500 диалогов.
