MINT: Neuro-Symbolische Bausteine für KI-Interaktion und Wissenslücken schließen

In einer neuen Studie aus dem arXiv-Repository wird MINT – Minimal Information Neuro‑Symbolic Tree – vorgestellt, ein innovatives Verfahren, das KI-Agenten dabei unterstützt, Wissenslücken in der gemeinsamen Planung mit Menschen gezielt zu schließen. Durch die Kombination von symbolischer Logik und neuronalen Planungsmodellen kann MINT die Auswirkungen fehlender Informationen auf Planungsergebnisse quantifizieren und daraus optimale Interaktionsstrategien ableiten.

Die Herausforderung besteht darin, dass offene Planungsaufgaben häufig unvollständige Daten und unbekannte Ziele enthalten. MINT erzeugt einen symbolischen Entscheidungsbaum, in dem mögliche Mensch‑KI-Interaktionen als Propositionen dargestellt werden. Ein neuronales Planungsmodell schätzt anschließend die Unsicherheit, die durch verbleibende Wissenslücken entsteht, und bewertet die potenziellen Auswirkungen jeder Interaktion.

Auf Basis dieser Analyse nutzt MINT ein Large‑Language‑Model, um den gesamten Denkprozess zu durchsuchen, zusammenzufassen und eine gezielte Liste von Fragen zu generieren. Diese Fragen dienen dazu, die KI-Agenten aktiv menschliche Eingaben einzuholen und so die Planungsergebnisse zu optimieren. Die Autoren zeigen, dass MINT in einer erweiterten Markov‑Entscheidungsumgebung mit Wissenslücken eine garantierte Rendite liefert, wenn aktive menschliche Rückmeldungen einbezogen werden.

Die Evaluation auf drei Benchmarks, die unbekannte Objekte mit zunehmender Realitätsnähe simulieren, demonstriert, dass MINT‑gestützte Planung nahezu Expertenleistungen erzielt. Dabei werden pro Aufgabe nur wenige Fragen gestellt, was zu deutlich höheren Belohnungen und Erfolgsraten führt. Die Ergebnisse deuten darauf hin, dass MINT ein vielversprechender Ansatz ist, um KI‑Systeme in komplexen, wissensintensiven Szenarien effektiver mit Menschen zusammenarbeiten zu lassen.