Neue Methode nutzt große Sprachmodelle zur Erstellung umfassender Kausalmodelle

Wissenschaftler haben ein neues Paradigma vorgestellt, das große Sprachmodelle (LLMs) nutzt, um umfangreiche Kausalmodelle (LCMs) zu bauen. Das System, genannt DEMOCRITUS – Decentralized Extraction of Manifold Ontologies of Causal Relations Integrating Topos Universal Slices – sammelt, strukturiert und visualisiert kausale Beziehungen aus unterschiedlichen Fachgebieten, die über gezielte Textanfragen an LLMs extrahiert werden.

Im Gegensatz zu herkömmlichen kausalen Inferenzmethoden, die sich auf experimentelle Daten beschränken, schlägt ein hochqualitatives LLM Themen vor, generiert kausale Fragestellungen und zieht plausible kausale Aussagen aus einer breiten Palette von Texten. Die Herausforderung besteht darin, diese fragmentierten, manchmal widersprüchlichen Behauptungen zu einem zusammenhängenden Modell zu verweben. Dazu werden die Aussagen in relationale Kausaltripel umgewandelt und in ein LCM eingebettet.

Um diese Aufgabe zu bewältigen, wurden neue kategoriale Machine‑Learning‑Methoden entwickelt, die in der Systemarchitektur von DEMOCRITUS integriert sind. Die Implementierung umfasst sechs Module, deren Zusammenspiel und Rechenaufwand analysiert wurden, um Engpässe bei der Skalierung zu identifizieren. Erste Tests zeigen, dass DEMOCRITUS in einer Vielzahl von Domänen funktioniert und damit einen vielversprechenden Ansatz für die automatisierte Erstellung von Kausalmodellen bietet.