Forskere har udviklet en ny metode, LUCID, der bruger store sprogmodeller (LLM'er) til at opdage fællesskaber i komplekse netværk – uden behov for mærkede data eller træning. Metoden, beskrevet i et nyt paper på arXiv, er inspireret af faseovergange i naturen og består af fire trin, hvor LLM'en inducerer formelle regler, der oversætter implicit viden til eksplicitte og fortolkbare logiske strukturer.
Det centrale gennembrud er, at LUCID er både fortolkbar og træningsfri. Hvor klassiske dybe læringsmetoder ofte er 'sorte bokse' og kræver store datasæt, og traditionelle objektiv-drevne metoder kæmper med komplekse strukturer, kombinerer LUCID LLM'ernes ræsonnement og verdensviden med en struktureret pipeline: lokal initialisering, multi-faktor sammenlægning, multi-grain forfining og global udvælgelse. Eksperimenter på virkelige datasæt viser, at LUCID som uovervåget metode opnår state-of-the-art resultater og konsekvent overgår førende uovervågede og semi-overvågede baseline-metoder.
For beslutningstagere er værdien ikke kun teknisk. Evnen til at finde grupper i netværk – fx kundesegmenter, risikogrupper eller samarbejdsmønstre – uden at skulle investere i mærkning og træning, og med regler man kan forstå og forklare, gør metoden attraktiv i regulerede brancher som finans og sundhed. Her er forklarlighed ofte et krav, ikke en luksus. Samtidig åbner den træningsfri tilgang for hurtigere implementering og lavere omkostninger, da man ikke skal bygge og vedligeholde store modeller.
Metoden er dog stadig på forskningsstadiet, og det er uvist, hvor godt den skalerer til meget store netværk eller hvor robust den er over for støj i data. Men retningen er klar: Kombinationen af LLM'ers fleksibilitet og formelle regler kan blive en ny standard for netværksanalyse, hvor forklarlighed og effektivitet går hånd i hånd.
