Anthony Patera Rohan Abeyaratne

Résumé

L’intelligence artificielle générative, et plus particulièrement les modèles GPT, peuvent produire une solution remarquable à un problème d’analyse en génie mécanique — mais parfois également une solution erronée. Par exemple, un problème élémentaire de mécanique est résolu parfaitement dans une instance de GPT, puis de manière incorrecte dans une instance suivante, avec une probabilité de succès seulement de 85 %. Cette instabilité rend l’utilisation « telle quelle » de GPT inappropriée pour des applications en éducation ou en pratique ingénierie. Nous proposons une agence GPT « N-Plus-1 » pour une analyse initiale (à faible coût) des énoncés de problèmes en génie mécanique. L’agence lance tout d’abord N instances de l’agent Solve afin d’obtenir N réalisations indépendantes de solutions proposées au problème ; elle invoque ensuite l’agent Compare pour synthétiser et comparer ces N solutions proposées, et fournir une solution recommandée. En nous appuyant sur le théorème du jury de Condorcet, nous affirmons qu’à condition que la probabilité de succès par résolution soit supérieure à 1/2 (et que N soit suffisamment grand), la solution proposée dominante (produite par l’agent Compare) correspondra, avec une forte probabilité, à une solution correcte. En outre, l’agent Compare peut également intégrer des éléments des solutions proposées secondaires (par l’agent Compare lui-même), notamment lorsque celles-ci représentent des interprétations alternatives de l’énoncé du problème — des modèles mathématiques différents — ou des procédures de résolution mathématique alternatives. Des comparaisons avec Grok Heavy, un modèle multi-agents commercial, révèlent des similitudes en matière de conception et de performance, mais également des différences importantes en termes d’accent : notre agence met l’accent sur la transparence et la valeur pédagogique.