Новый фреймворк повышает надежность LLM-сгенерированных процедур для виртуальных лабораторий
Образовательные виртуальные лаборатории становятся всё более востребованными, позволяя студентам отрабатывать экспериментальные навыки без доступа к физическому оборудованию. Однако создание реалистичных симуляций — дорогостоящий и трудоёмкий процесс: преподавателям нужно описывать оборудование, определять взаимодействия инструментов и реагентов, а также задавать корректные последовательности действий для выполнения виртуальных экспериментов.
Для упрощения авторства процедур исследователи обратились к большим языковым моделям (LLM), которые способны генерировать детальные инструкции. Но, как показала практика, такие модели могут пропускать обязательные шаги, нарушать порядок операций или выдавать логически неверные указания, несовместимые с доступным оборудованием.
Представленный в недавней научной работе прототип фреймворка направлен на управление неопределённостью в процедурных знаниях, сгенерированных LLM для планирования в виртуальной лаборатории. В основе подхода лежит использование структурированных доменных представлений и неопределённых выборок переходов между состояниями, полученных от модели.
Из этих выборок извлекаются потенциальные процедурные правила, которые затем преобразуются в явные и проверяемые ограничения. С их помощью фреймворк автоматически исправляет ненадёжные шаги, повышая корректность итогового плана.
Хотя работа выполнена на примере образовательных виртуальных лабораторий, авторы отмечают, что проблема более общая: управление неопределёнными процедурными знаниями актуально для любых структурированных интерактивных сред, где требуется планирование действий.
Разработка снижает барьеры для внедрения ИИ в образование, делая создание виртуальных лабораторий более быстрым и доступным. При этом сохраняется контроль преподавателя за корректностью процедур, так как фреймворк преобразует скрытые «знания» LLM в наглядные ограничения, поддающиеся ручной проверке.
