GPT-in-the-Loop: Supporting Adaptation in Multiagent Systems
Notice bibliographique
Résumé
This paper introduces the ‘GPT-in-the-loop’ approach, which seeks to investigate the reasoning capabilities of Large Language Models (LLMs) like Generative Pre-trained Transformers (GPT) within multiagent systems (MAS). Moving beyond traditional adaptive approaches that generally require long training processes, our framework employs GPT-4 to enhance problem-solving and explanation skills. To explore this approach, we apply it to a smart streetlight application in the Internet of Things (IoT) context, wherein each streetlight is controlled by an autonomous agent equipped with sensors and actuators, tasked with creating an energy-efficient lighting system. With the integration of GPT-4, these agents have shown enhanced decision-making and adaptability, without necessitating prolonged training. We compare this approach with both conventional neuroevolutionary methods and manually crafted solutions by software engineers, underscoring the potential of GPT-driven behavior in multiagent systems. It is important to note that these comparisons are preliminary, and further, more extensive testing is critical to determine the approach’s applicability across a wider range of MAS scenarios. Structurally, the paper delineates the incorporation of GPT into the agent-driven Framework for the Internet of Things (FIoT), details our proposed GPT-in-the-loop approach, presents comparative results within the IoT setting, and concludes with insights and prospective future directions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».