In der modernen digitalen Landschaft werden Systeme der künstlichen Intelligenz zunehmend damit beauftragt, Antworten zu finden, indem sie auf ein weitreichendes Netzwerk externer Ressourcen zugreifen. Stellen Sie sich vor, ein Forscher bittet einen Computer, die spezifischen Eigenschaften eines neuen Materials, die chemische Zusammensetzung einer Verbindung oder die neuesten Erkenntnisse in einer wissenschaftlichen Fachzeitschrift zu finden. Um dies zu tun, agiert der Computer als Agent, der sich mit verschiedenen Datenbanken, Bibliotheken und Werkzeugen verbindet, von denen jedes ein Puzzleteil besitzt. Diese Werkzeuge sind wie spezialisierte Bibliotheken, von denen jede ihr eigenes einzigartiges Set an Büchern und Regeln für die Abfrage von Informationen besitzt. Die Herausforderung für den Computer besteht nicht nur darin, zu wissen, welche Bibliothek er besuchen muss, sondern auch genau zu wissen, welches Buch er aus dem Regal ziehen und welche Seite lesen muss. Wenn er zu viele Informationen anfordert, wird das System langsam und teuer und ertrinkt in unnötigen Daten. Wenn er zu wenig anfordert, übersieht er die entscheidenden Fakten, die nötig sind, um eine korrekte Antwort zu geben. Dieser Balanceakt zwischen Effizienz und Vollständigkeit ist das zentrale Problem, das Forscher zu lösen versuchen.

Ein Forscher hat eine neue Methode namens SchemaRouter entwickelt, um dieses komplexe Geflecht aus Informationsquellen zu navigieren. Anstatt blind jedes mögliche Werkzeug für jedes mögliche Stück Daten abzufragen oder sich auf das Raten eines Computers zu verlassen, um ähnliche Wörter zu finden, nutzt SchemaRouter eine strukturierte Karte der verfügbaren Werkzeuge. Diese Karte, oder dieses Schema, beschreibt nicht nur, welche Werkzeuge existieren, sondern auch die spezifischen Datenfelder, die sie enthalten, die verwendeten Maßeinheiten und die rechtlichen Berechtigungen, die für den Zugriff erforderlich sind. Wenn ein Nutzer eine Frage stellt, nutzt das System zunächst einen kleinen, fokussierten Schritt, um die Kernabsicht und die beteiligten spezifischen Konzepte zu verstehen. Es konsultiert dann seine Karte, um nur die präzisen Werkzeuge und die exakten Datenfelder auszuwählen, die benötigt werden, um diese spezifische Frage zu beantworten. Dieser Prozess ist deterministisch, was bedeutet, dass er einem strengen Satz von Regeln basierend auf der Karte folgt, anstatt zu raten; dies stellt sicher, dass der von ihm erstellte Plan gültig ist und alle notwendigen Details enthält, wie etwa die Herkunft der Daten und wer die Rechte daran besitzt.

Der Forscher testete diesen Ansatz anhand eines Benchmarks von einhundertzehn Fragen aus den Materialwissenschaften, einem Bereich, der stark auf genaue Daten aus vielen verschiedenen Quellen angewiesen ist. Er verglich seine neue Methode mit mehreren bestehenden Strategien. Eine gängige Strategie besteht darin, die gesamte Liste der Werkzeuge und deren Beschreibungen für jede einzelne Frage in den Speicher des Computers einzuspeisen, während eine andere darauf basiert, Werkzeuge zu finden, die klanglich ähnlich zur Frage sind, unter Verwendung von Wortabgleich-Technologie. Die Ergebnisse zeigten, dass SchemaRouter eine hohe Genauigkeit bei den endgültigen Antworten erreichte und die Leistung der Methode erreichte, die alles abfragt, jedoch mit einem Bruchteil der Daten. Konkret rief die neue Methode nur 227 Wörter an Kontext ab, um eine Antwortgenauigkeit von 0,71 zu erreichen, während die Methode, die alles abruft, über 2.000 Wörter an Kontext benötigte, um ein ähnliches Genauigkeitsniveau zu erreichen. Diese Reduzierung des Datenvolumens führte auch zu einer signifikanten Geschwindigkeitsverbesserung, wobei das neue System Aufgaben etwa 2,7-mal schneller abschloss als der Ansatz, der alle verfügbaren Informationen lädt.

Eine kritische Erkenntnis der Studie stellt eine weit verbreitete Annahme in diesem Bereich infrage: nämlich, dass der beste Weg, Ressourcen zu sparen, darin besteht, die Anzahl der ausgewählten Datenfelder zu minimieren. Der Forscher stellte fest, dass der Versuch, übermäßig sparsam zu sein und die absolute Mindestanzahl an Feldern auszuwählen, die Qualität der endgültigen Antwort tatsächlich verschlechterte. Als sie die Auswahl auf das absolute Minimum reduzierten, sank die Genauigkeit der Antworten signifikant, obwohl sich die Token-Anzahl kaum veränderte. Der Schlüssel zum Erfolg lag nicht darin, die Anzahl der Felder zu minimieren, sondern sicherzustellen, dass die ausgewählten Felder die richtigen waren, um die Fähigkeit zur korrekten Beantwortung der Frage zu bewahren. Indem das System ein Sicherheitsnetz aus relevanten Datengruppen beibehielt, konnte es eine hohe Genauigkeit aufrechterhalten und gleichzeitig den massiven Overhead durch das Abrufen irrelevanter Informationen vermeiden. Dies deutet darauf hin, dass das Ziel nicht darin bestehen sollte, die kleinste Menge an Kontext zu erhalten, sondern den richtigen Kontext zu liefern.

Über Geschwindigkeit und Genauigkeit hinaus bietet die neue Methode einen deutlichen Vorteil in Bezug auf Vertrauenswürdigkeit. Da das System explizit die Quelle und die Lizenzierung jedes abgerufenen Datenteils verfolgt, kann es der Antwort eine klare Zitierung beifügen, die genau angibt, welche Datenbank die Information bereitgestellt hat und unter welchen Bedingungen dies geschah. In den Tests enthielt die neue Methode diese spezifischen Quellen- und Lizenzdetails in 62 Prozent der Antworten. Im Gegensatz dazu versagten die anderen Methoden, die diese Metadaten nicht modellieren, in fast keinem Fall dabei, solche Zitate bereitzustellen. Dies ist eine signifikante Verbesserung, da ein Computer diese spezifischen rechtlichen Zeichenfolgen nicht aus seinem allgemeinen Wissen erfinden kann; er muss sie direkt aus der Quelle abrufen. Diese Fähigkeit macht die Antworten verifizierbar, was für wissenschaftliche und professionelle Anwendungen, in denen das Wissen um den Ursprung eines Faktums ebenso wichtig ist wie der Fakt selbst, unerlässlich ist.

Der Forscher stellte zudem fest, dass ihr Ansatz wesentlich besser skaliert, wenn die Anzahl der verfügbaren Werkzeuge wächst. Die traditionelle Methode, alle Werkzeuge in den Speicher des Computers zu listen, wird schnell unpraktikabel; wenn die Anzahl der Werkzeuge steigt, wächst die Menge des Textes, der zur Beschreibung dieser Werkzeuge erforderlich ist, linear an und überschreitet schließlich die Speichergrenzen des Systems. Die neue Methode hingegen verwendet einen festen Instruktionssatz, der nicht mit der Anzahl der Werkzeuge wächst. Das bedeutet, dass selbst wenn sich das System von einigen Dutzend Werkzeugen auf hunderte erweitern würde, die Kosten und die Zeit, die für die Planung der Suche benötigt werden, nahezu konstant blieben. Die Studie wurde in einer simulierten Umgebung mit eingefrorenen Daten durchgeführt, um eine präzise Messung zu gewährleisten, und obwohl die Ergebnisse vielversprechend sind, räumt der Autor ein, dass weitere Tests mit unterschiedlichen Arten von Fragen und schwächeren Computermodellen notwendig sind, um die Grenzen des Ansatzes vollständig zu verstehen.

Letztendlich zeigt die Arbeit, dass ein strukturierter, feldbewusster Ansatz zur Informationssteuerung eine praktische Möglichkeit darstellt, um KI-Agenten effizienter und zuverlässiger zu machen. Indem die Auswahl von Datenfeldern als ein präziser, regelbasierter Prozess und nicht als ein Ratespiel behandelt wird, kann das System genaue Antworten schneller und mit größerer Transparenz liefern. Die Ergebnisse legen nahe, dass der effektivste Weg, diese intelligenten Systeme der Zukunft zu bauen, darin bestehen wird, sich darauf zu konzentrieren, den richtigen Kontext mit verifizierbaren Ursprüngen abzurufen, anstatt einfach nur zu versuchen, so viele Informationen wie möglich zu sammeln. Dieser Strategiewechsel ermöglicht es der Technologie, komplexe, reale Aufgaben zu bewältigen, ohne durch das schiere Volumen der verfügbaren Daten ausgebremst zu werden.