PROMAS: Proaktive Fehlervorhersage in Multi-Agent-Systemen mit Markov-Übergängen

Die Integration großer Sprachmodelle in Multi-Agenten-Systeme (MAS) hat die Lösung komplexer, langfristiger Aufgaben durch kollaboratives Denken ermöglicht. Diese kollektive Intelligenz ist jedoch anfällig: Ein einziger logischer Fehler kann sich rasch ausbreiten und das gesamte System zum Absturz bringen. Bisher konzentriert sich die Forschung überwiegend auf nachträgliche Fehleranalysen, was Echtzeitinterventionen erschwert.

Mit dem neuen Rahmenwerk PROMAS wird dieses Problem angegangen. Das System nutzt Markov-Übergänge, um Fehler frühzeitig vorherzusagen. Zunächst werden sogenannte Causal Delta Features extrahiert, die semantische Verschiebungen erfassen. Diese Features werden in einen quantisierten Vektor-Markov-Raum abgebildet, wodurch das Denken als probabilistische Übergänge modelliert wird.

Ein proaktiver Vorhersagekopf kombiniert mit Sprungdetektion ermöglicht es, Fehler durch Beschleunigung des Risikos zu lokalisieren, anstatt auf statische Schwellenwerte zu setzen. Auf dem Who&When-Benchmark erreicht PROMAS eine Schrittgenauigkeit von 22,97 % und verarbeitet dabei lediglich 27 % der Logdaten. Damit übertrifft es reaktive Monitore wie MASC, reduziert die Datenlast um 73 % und verkürzt die Interventionslatenz erheblich – ein entscheidender Gewinn für autonome Entscheidungsprozesse.