Anthony Patera Rohan Abeyaratne

Abstract

Generative KI, und insbesondere GPT, kann eine bemerkenswerte Lösung für ein Problem der Maschinenbauanalyse liefern – doch gelegentlich auch eine fehlerhafte. So wird beispielsweise eine elementare Mechanikaufgabe in einer GPT-Instanz fehlerfrei gelöst, in einer nachfolgenden Instanz jedoch falsch, wobei die Erfolgswahrscheinlichkeit lediglich 85 % beträgt. Diese Unzuverlässigkeit macht „out-of-the-box“-GPT für den Einsatz in der Lehre oder in der ingenieurwissenschaftlichen Praxis ungeeignet. Wir stellen eine „N-Plus-1“-GPT-Agentur für die initiale (kostengünstige) Analyse von Aufgabenstellungen im Maschinenbau vor. Zunächst startet die Agentur N Instanzen des Agents Solve, um N unabhängige vorgeschlagene Lösungsrealisierungen zu erzeugen; anschließend ruft die Agentur den Agenten Compare auf, um die N vorgeschlagenen Lösungsrealisierungen zusammenzufassen, miteinander zu vergleichen und eine empfohlene Lösung vorzuschlagen. Ausgehend von der Jury-Theorie von Condorcet argumentieren wir, dass bei einer Aufgabenstellung mit einer pro-Solve-Erfolgswahrscheinlichkeit größer als 1/2 (und ausreichend großem N) die dominante (durch Agent Compare ermittelte) vorgeschlagene Lösung mit hoher Wahrscheinlichkeit der korrekten Lösung entspricht. Zudem kann Agent Compare auch Aspekte sekundärer (durch Agent Compare erzeugter) Lösungsvorschläge einbeziehen, insbesondere dann, wenn diese alternative Interpretationen der Aufgabenstellung – verschiedene mathematische Modelle oder alternative Lösungsverfahren – repräsentieren. Vergleiche mit Grok Heavy, einem kommerziellen Multi-Agenten-Modell, zeigen Ähnlichkeiten in Design und Leistung, weisen jedoch auch wesentliche Unterschiede im Fokus auf: Unser Agenturkonzept legt besonderen Wert auf Transparenz und pädagogischen Nutzen.