From Prompts to Context: An Ontology-Driven Framework for Human-Generative AI Collaboration
Dieser Beitrag stellt „From Prompts to Context" vor, ein ontologiebasiertes Framework, das Vertrauen, Nachvollziehbarkeit und Verantwortlichkeit in der Zusammenarbeit zwischen Mensch und generativer KI verbessert, indem es flüchtige Prompt-Antwort-Interaktionen durch die Contextual Collaboration AI Ontology (CCAI) in strukturierte, abfragbare Kollaborationsspuren verwandelt.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das Problem: Das „Black Box"-Gespräch
Stellen Sie sich vor, Sie bitten einen sehr talentierten, aber leicht vergesslichen Assistenten, eine Geschichte zu schreiben. Sie geben ihm eine kurze Notiz: „Schreibe eine Geschichte über einen Drachen." Er reicht Ihnen eine fertige Geschichte zurück.
Das Problem? Sie wissen nicht, warum er sie so geschrieben hat. Hat er angenommen, der Drache sei freundlich oder gruselig? Hat er eine bestimmte Karte verwendet, die Sie zuvor erwähnt haben? Hat er eine Regel ignoriert, die Sie festgelegt hatten? In der Welt der Generativen KI (wie den Modellen, die Code oder Text schreiben) passiert genau das. Menschen geben einen kurzen „Prompt" (Eingabeaufforderung), und die KI liefert eine „Ausgabe". Alles dazwischen – der Kontext, die Regeln, die spezifische Aufgabe, die die KI bearbeitete – verschwindet in der Luft.
Dieses Paper argumentiert, dass dieser „Verschwindungsakt" es schwierig macht, der KI zu vertrauen, Fehler zu beheben oder zu wissen, wer wofür verantwortlich ist.
Die Lösung: Der „gemeinsame Bauplan" (die Ontologie)
Um dies zu beheben, haben die Autoren einen gemeinsamen Bauplan namens CCAI-Ontologie entwickelt.
Stellen Sie sich diese Ontologie als digitalen Aktenschrank mit einem strengen Beschriftungssystem vor. Anstatt nur mit vagen Sätzen mit der KI zu sprechen, zwingt das System alle Beteiligten (Menschen und KI), sich bevor die Arbeit beginnt, auf die Details zu einigen.
Der Bauplan organisiert vier Schlüsselelemente:
- Wer führt die Arbeit aus? (Der Agent: Ist es ein menschlicher Entwickler oder ein KI-Assistent?)
- Was ist die Aufgabe? (Die Aufgabe: Geht es um das Schreiben von Code, das Prüfen auf Bugs oder das Entwerfen eines Logos?)
- Welche Werkzeuge stehen zur Verfügung? (Die Ressourcen: Haben wir eine bestimmte Datenbank, einen Stil-Leitfaden oder eine Liste von Regeln?)
- Was sind die Regeln? (Die Einschränkungen: Gibt es ein Budget? Eine Frist? Eine Sicherheitsgrenze?)
Wie es funktioniert: Die „Bibliothekar"-Analogie
Im vom Paper vorgeschlagenen System rät die KI nicht einfach, was Sie wollen. Sie agiert wie ein Super-Bibliothekar, der den Aktenschrank überprüft, bevor er ein einziges Wort schreibt.
- Die Anfrage: Ein Mensch sagt: „Ich benötige Code für die Funktion 'Ansicht und Aktualisierung von Kompetenzprofilen'."
- Die Prüfung: Das System sendet diesen Satz nicht einfach an die KI. Es führt zunächst eine „Suchanfrage" (genannt SPARQL) gegen den gemeinsamen Bauplan aus.
- Die Abrufung: Das System holt die spezifische Datei für diese Funktion heraus. Es findet:
- Wer daran arbeitet: „Carol (Mensch) und KI-Assistent."
- Welche Werkzeuge zu verwenden sind: „Die Kompetenzdatenbank und der Stil-Leitfaden."
- Der Kontext: „Dies ist für Sprint 1 des Projekts."
- Die Zusammenstellung: Das System kombiniert die Anfrage des Menschen mit allen abgerufenen Fakten zu einer einzigen, detaillierten Anweisung.
- Das Ergebnis: Die KI erhält einen Prompt, der lautet: „Carol und der KI-Assistent arbeiten an Sprint 1. Sie müssen die Kompetenzdatenbank unter Verwendung des Stil-Leitfadens aktualisieren. Bitte schreiben Sie Code für diese spezifische Funktion."
Da die KI diesen vollständigen „Bauplan" hat, muss sie nicht raten. Sie weiß genau, welche Werkzeuge sie verwenden und welche Regeln sie befolgen muss.
Die Fallstudie: Aufbau eines „Fertigkeitstrackers"
Die Autoren testeten diese Idee mit einem Software-Team, das ein Bildungstool zur Verfolgung von Schülerfertigkeiten (Kompetenzen) entwickelte.
- Ohne das System: Ein Entwickler könnte die KI bitten, die „Login-Seite zu reparieren". Die KI könnte Code schreiben, der für einen generischen Login funktioniert, aber scheitert, weil sie nichts über die spezifische „Fertigkeitsdatenbank" dieses Projekts weiß. Der Entwickler muss dann Zeit verschwenden, um es zu beheben.
- Mit dem System: Der Entwickler bittet das System um Hilfe. Das System holt automatisch die Details über die „Fertigkeitsdatenbank", die „Login-Aufgabe" und die „Design-Regeln" aus dem Bauplan. Es speist dies in die KI ein. Die KI schreibt Code, der perfekt passt, weil ihr der vollständige Kontext gegeben wurde.
Die Ergebnisse: Eine klarere Spur
Das Paper behauptet, dass die Verwendung dieses „Bauplan"-Ansatzes zu drei Hauptvorteilen führt:
- Kein Raten mehr: Der Kontext ist nicht mehr verborgen. Jeder weiß genau, was der KI aufgetragen wurde und welche Regeln sie befolgte.
- Nachverfolgbarkeit (die „Papierspur"): Wenn etwas schiefgeht, können Sie den Bauplan einsehen und genau sehen, welcher Mensch und welcher KI-Agent verantwortlich waren, welche Ressourcen sie verwendeten und was die ursprüngliche Aufgabe war. Es ist wie eine GPS-Verlaufsgeschichte des Projekts anstelle eines bloßen Zielpunkts.
- Verantwortlichkeit: Da das „Wer, Was und Wie" aufgezeichnet ist, ist es einfacher, die Arbeit zu überprüfen und sicherzustellen, dass sie ethischen und Qualitätsstandards entspricht.
Was das Paper nicht behauptet
Es ist wichtig zu beachten, was dieses Paper nicht sagt:
- Es behauptet nicht, dass dieses System Menschen schneller arbeiten lässt oder Geld spart. Der Fokus liegt strikt darauf, die Arbeit klarer und transparenter zu machen.
- Es behauptet nicht, dass die KI niemals Fehler macht. Die KI kann immer noch falsch liegen, aber jetzt wissen wir genau, warum sie diesen Fehler machte, weil wir den Kontext sehen können, mit dem sie arbeitete.
- Es behauptet nicht, dass dies eine magische Lösung für alle KI-Probleme ist. Es ist ein spezifisches Werkzeug zur Verwaltung der Zusammenarbeit zwischen Menschen und KI in komplexen Projekten.
Das Fazit
Dieses Paper schlägt vor, dass wir, um gut mit Generativer KI zu arbeiten, aufhören müssen, sie wie einen magischen 8-Ball zu behandeln, bei dem wir eine Frage stellen und eine zufällige Antwort erhalten. Stattdessen sollten wir sie wie ein Teammitglied behandeln, das eine klare Stellenbeschreibung, eine Werkzeugliste und einen Satz von Regeln benötigt. Indem wir einen „gemeinsamen Bauplan" (die Ontologie) erstellen, um diese Details zu verwalten, können wir die KI-Zusammenarbeit ehrlicher, nachverfolgbarer und zuverlässiger machen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.