Large Language Models como planeadores multiagente en entornos sociales
Esta investigación explora la integración de Modelos de Lenguaje de Gran Escala (LLMs), como GPT, en la simulación de comportamientos humanos dentro de entornos sociales simulados. Inspirándonos en el trabajo ``Generative Agents" de Stanford, aplicamos LLMs como planeadores en un marco multiage...
- Autores:
-
Pinzón Roncancio, Juan Sebastian
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/73756
- Acceso en línea:
- https://hdl.handle.net/1992/73756
- Palabra clave:
- Agentes autónomos
Large Language Model
Cooperatividad
Entornos Sociales
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
| Summary: | Esta investigación explora la integración de Modelos de Lenguaje de Gran Escala (LLMs), como GPT, en la simulación de comportamientos humanos dentro de entornos sociales simulados. Inspirándonos en el trabajo ``Generative Agents" de Stanford, aplicamos LLMs como planeadores en un marco multiagente. Utilizamos la arquitectura de flujo de razonamiento propuesta por Park et al. (2023), que comprende módulos de percepción, planeación, recuperación de memorias, reflexión y actuación. El estudio se centra en entornos simulados de Melting Pot, un Framework de DeepMind para evaluar el Aprendizaje por Refuerzo Multiagente (MARL), destacando dinámicas sociales como la cooperación, competencia y reciprocidad.\\ Nuestro enfoque metodológico incluyó la adaptación de la arquitectura de razonamiento a los escenarios de Melting Pot y la definición de tres conjuntos de escenarios de prueba. Las métricas clave empleadas para evaluar el desempeño de los agentes abarcaron la recompensa por cápita y ciertos indicadores de cooperatividad definidos para el escenario. Los resultados obtenidos ofrecen una visión detallada del desempeño y comportamiento de los agentes, destacando cómo la integración de LLMs en entornos de simulación social puede superar las limitaciones de los enfoques tradicionales de MARL y proporcionar una representación más rica y realista de las interacciones sociales. |
|---|