En el mundo de la inteligencia artificial, los Grandes Modelos de Lenguaje (LLM, por sus siglas en inglés) a menudo enfrentan dificultades en tareas de razonamiento y planificación. Para abordar este problema, se han desarrollado diversas técnicas de estimulación, como la Cadena de Pensamiento (CoT). Sin embargo, la capacidad de razonamiento de los LLM ha sido cuestionada en diversas ocasiones. La inteligencia artificial para empresas es un área en constante evolución, donde la mejora de la capacidad de razonamiento de los modelos de lenguaje es fundamental.
En este contexto, surge el marco de trabajo de Tarea-Método-Conocimiento (TMK), el cual ha demostrado éxito en aplicaciones educativas. Este marco se enfoca en capturar estructuras de razonamiento causales, teleológicas y jerárquicas, ofreciendo mecanismos explícitos de descomposición de tareas. A diferencia de otros marcos jerárquicos, como HTN y BDI, TMK proporciona representaciones explícitas no solo de qué hacer y cómo hacerlo, sino también del por qué se realizan ciertas acciones.
Los resultados de un estudio llevado a cabo en el benchmark PlanBench, con énfasis en el dominio Blocksworld para evaluar capacidades de razonamiento y planificación, sugieren que la estructuración de instrucciones según TMK puede ayudar a los modelos de lenguaje a descomponer problemas complejos en subtareas manejables. Esto se traduce en un aumento significativo del rendimiento en modelos de razonamiento, con la posibilidad de alcanzar una precisión del 97.3% en tareas simbólicas opacas, donde anteriormente fallaban en un 31.5%.
Estos hallazgos indican que el marco de trabajo TMK no solo sirve como contexto, sino también como un mecanismo que orienta a los modelos de razonamiento hacia caminos formales y de ejecución de código, lo que puede ser fundamental en aplicaciones de inteligencia artificial y desarrollo de software a medida para abordar desafíos complejos de planificación y razonamiento.
.jpg)
.jpg)