ProMAS: Un approccio proattivo all'analisi degli errori in sistemi multi-agente

L'integrazione di modelli linguistici di grandi dimensioni (LLM) nei sistemi multi-agente (MAS) ha permesso di risolvere compiti complessi tramite ragionamento collaborativo. Tuttavia, questa intelligenza collettiva è fragile, poiché un singolo errore logico può propagarsi rapidamente e portare al fallimento dell'intero sistema.

La ricerca attuale si basa principalmente sull'analisi degli errori post-hoc, ostacolando l'intervento in tempo reale. Per risolvere questo problema, è stato proposto PROMAS, un framework proattivo che utilizza le transizioni di Markov per l'analisi predittiva degli errori.

PROMAS estrae le Causal Delta Features per catturare lo spostamento semantico, mappandole in uno spazio vettoriale di Markov quantizzato per modellare il ragionamento come transizioni probabilistiche. Integrando un Proactive Prediction Head con il Jump Detection, il metodo localizza gli errori tramite l'accelerazione del rischio piuttosto che soglie statiche.

Sul benchmark Who&When, PROMAS raggiunge una precisione del 22,97% a livello di step elaborando solo il 27% dei log di ragionamento. Queste performance rivaleggiano con i monitor reattivi come MASC, riducendo al contempo l'overhead dei dati del 73%. Sebbene questa strategia comporti un compromesso in termini di precisione rispetto ai metodi post-hoc, migliora significativamente la latenza di intervento, bilanciando la precisione diagnostica con le esigenze in tempo reale del ragionamento autonomo.