MA-Thesis von Louis Peter Meier zum Thema KI

Quelle: Prof. Dr. Michael Häfner

MA-Absolvent Louis Peter Meier über seine Abschluss-Thesis


ChatGPT bringt sich spielerisch Wissen bei (Li et al. 2024a) und leistet als Multi-Agent-System bessere Buch-Übersetzungen als menschliche Teams (Wu et al. 2024). Je nach Perspektive sind diverse Large Language Models (LLMs) seit vergangenem Sommer – spätestens seit Herbst 2024 – in allen verbal lösbaren Tasks leistungsstärker, energieeffizienter und schneller als Menschen.

In meiner Masterarbeit in Gesellschafts- und Wirtschaftskommunikation habe ich verschiedene Prompting Paradigmen (Vanilla, ReAct, CoT, ToT, Multi-, Few- & Zero Shot) verglichen, um den besten Prompt zum Satireschreiben abzuleiten. Satire ist ein besonderer Fall für LLMs, da hier Faktizität, Kontextwissen und Implikaturen – allesamt Hürden für LLMs – inhaltlich sinnvoll zusammenzudenken sind. Hierbei konnte ich zeigen, wie unterschiedliche Prompts die Qualität von satirischen Kommentaren zu X-Beiträgen deutscher MdBs beeinflussen.

Multi-Agent-Systeme (MAS), also in spezifische Arbeitsstrukturen verschränkte LLM-Instanzen, scheinen besonders vielversprechend, um hochkomplexe Aufgaben zu lösen. Publikationen von Li et al. (2024b) Talebirad & Nadiri (2023), Guo et al. (2024), Han et al. (2024) uvm. legen nahe, dass MAS in jedem Task leistungsfähiger sind, als menschliche Experten. Insbesondere der G-Designer (vgl. Zhang et al. 2024) ist hervorzuheben, da dieser als MAS je nach Task ein spezifisches, neues MAS generiert, welches in verschiedensten Tests leistungsstärker als Menschen, Experten und spezifisch trainierte LLMs ist.


______________________
Guo et al. (2024). Large language model-based multi-agents: A survey of progress and challenges. arXiv.

Li et al. (2024a). Agent hospital: A simulacrum of hospital with evolvable medical agents. arXiv.

Li et al. (2024b). A survey on LLM-based multi-agent systems: Workflow, infrastructure, and challenges. Vicinagearth, 1(9).

Han et al. (2024). LLM multi-agent systems: Challenges and open problems. arXiv.

Talebirad, Y., & Nadiri, A. (2023). Multi-agent collaboration: Harnessing the power of intelligent LLM agents. arXiv.

Wu et al. (2024). (Perhaps) Beyond human translation: Harnessing multi-agent collaboration for translating ultra-long literary texts. arXiv.

Zhang et al. (2024). G-Designer: Architecting multi-agent communication topologies via graph neural networks. arXiv.