আরো ভালো AI ট্রেনিং ডেটাসেট তৈরি করা মাল্টি-এজেন্ট সিমুলেশন দিয়ে

TL;DR

•একক-এজেন্ট ডেটা জেনারেশন একটি ভয়েসে একত্রিত হয়; স্বতন্ত্র ব্যক্তিত্বের মধ্যে বহু-এজেন্ট বিতর্ক বাস্তব ডেটাসেটের প্রয়োজনীয় বৈচিত্র্য এবং দ্বন্দ্ব তৈরি করে
•চারটি কৌশল: শত্রুতামূলক সংলাপ, সহযোগিতামূলক সমস্যা সমাধান, ব্যক্তিত্ব-ভিত্তিক বৈচিত্র্য, এবং বৃদ্ধি দৃশ্যকল্প
•বাস্তবায়ন একটি ৫-ধাপের লুপ — ব্যক্তিত্ব সংজ্ঞায়িত করুন, বিতর্কযোগ্য দৃশ্যকল্প ফ্রেম, বৈচিত্র্যময় বিতর্ক চালান, কাঠামোগত লিপিবদ্ধ পর্যালোচনা করুন, রফতানি এবং ফিল্টার — বৈচিত্র্য, সঙ্গতি, সামঞ্জস্য এবং কভারেজ দ্বারা পরিমাপ করা হয়

Please provide the text you would like to have translated.

সিন্থেটিক ডেটা পাইপলাইনে একটি নীরব ব্যর্থতা মোড রয়েছে: একটি একক জেনারেটর এজেন্ট দ্বারা নির্মিত AI প্রশিক্ষণ ডেটাসেটগুলি সবই একই ব্যক্তির মতো শোনায়। একটি মডেলকে দশ হাজার গ্রাহক কথোপকথন তৈরি করতে বললে আপনি তার সবচেয়ে সম্ভাব্য গ্রাহকের দশ হাজার ভিন্নতা পাবেন — একই ভদ্রতা রেজিস্টার, একই আপত্তির প্যাটার্ন, একই পরিপাটি সমাধান। সেই ডেটার উপর প্রশিক্ষিত মডেলগুলি এমন ডেটায় চমৎকারভাবে কাজ করে যা তার মতো দেখায়, তারপর বাস্তব ব্যবহারকারীদের উপর stumble করে, যারা যেকোনো একক এজেন্টের কল্পনার চেয়ে বেশি বিশৃঙ্খল, রাগান্বিত, বিভ্রান্ত এবং বৈচিত্র্যময়।

মাল্টি-এজেন্ট সিমুলেশন সমস্যাটিকে এর মূল থেকে সমাধান করে। একটি এজেন্টের পরিবর্তে, যে উভয় পক্ষের একটি ইন্টারঅ্যাকশন তৈরি করে, একাধিক AI ব্যক্তিত্বের সাথে সত্যিকারভাবে ভিন্ন বৈশিষ্ট্য — একজন সন্দেহবাদী, একজন আশাবাদী, একজন বাস্তববাদী, একজন শয়তানের সমর্থক — একে অপরের সাথে যোগাযোগ করে, বিতর্ক করে এবং আলোচনা করে। ফলস্বরূপ ডেটা বাস্তব বিশ্বের AI সিস্টেমগুলির জন্য যা শেখার প্রয়োজন তা বহন করে: অমিল, প্ররোচনা, হতাশা, মেরামত এবং সেই হাজারো ছোট ছোট সংঘর্ষ যা মানুষের মধ্যে ঘটে যারা একটি স্ক্রিপ্ট শেয়ার করে না।

এই গাইডটি ব্যাখ্যা করে কেন মাল্টি-এজেন্ট জেনারেশন সিঙ্গল-এজেন্টের চেয়ে ভালো, চারটি মূল সিমুলেশন কৌশল, ArgumenTroupe-এর সাথে একটি ধাপে ধাপে বাস্তবায়ন এবং সেই গুণমানের মেট্রিকগুলি যা আপনাকে জানায় আপনার সিন্থেটিক ডেটাসেটটি প্রশিক্ষণের জন্য মূল্যবান কিনা।

প্রশিক্ষণ ডেটার জন্য মাল্টি-এজেন্ট কেন?

সিন্থেটিক ডেটা শিফট আর অনুমানমূলক নয় — গার্টনার পূর্বাভাস দিয়েছে যে ২০২৬ সালের মধ্যে ৭৫% প্রতিষ্ঠান AI-এর জন্য সিন্থেটিক ডেটা ব্যবহার করবে, এবং সিন্থেটিক ডেটা গবেষণা এখন একটি মানক শৃঙ্খলা। খোলা প্রশ্নটি হল ডেটা তৈরি করা উচিত কি না, বরং কিভাবে এমন ডেটা তৈরি করা যায় যা যথেষ্ট বৈচিত্র্যময় এবং উপকারী।

বৈচিত্র্য সমস্যা

একক-এজেন্ট উৎপাদনের একটি কাঠামোগত সীমা রয়েছে। একটি মডেল, যাই হোক না কেন, একটি বিতরণ থেকে নমুনা নেয়:

✗একরূপ পরিবর্তন — একই মৌলিক কথোপকথনের পৃষ্ঠতল স্তরের প্যারাফ্রেজ, সত্যিকার অর্থে ভিন্ন যোগাযোগ নয়
✗বহু-পার্শ্বীয় কাঠামোর অভাব — বাস্তব কথোপকথনে বিভিন্ন লক্ষ্য, জ্ঞান এবং মেজাজের সাথে পক্ষগুলি জড়িত থাকে; একটি একক এজেন্ট উভয় পক্ষের ভূমিকা পালন করলে একটি বিশ্বদৃষ্টি উভয় দিকে ফাঁস হয়।
✗কোন সংঘাত বা আলোচনা প্যাটার্ন নেই — জেনারেটর খুব সহযোগিতামূলকভাবে চাপ সমাধান করে, তাই প্রশিক্ষিত মডেল কখনোই এমন ব্যবহারকারীকে পরিচালনা করতে শিখে না যিনি শান্ত হতে চান না
✗অল্পপ্রতিনিধিত্বশীল প্রান্তের কেসগুলি — অপ্রত্যাশিত কিন্তু গুরুত্বপূর্ণ ইন্টারঅ্যাকশনগুলি আউটপুটে অপ্রত্যাশিতই থাকে, ঠিক সেখানেই মডেলগুলি উৎপাদনে ব্যর্থ হয়

মাল্টি-এজেন্ট সুবিধাসমূহ

প্রতিটি দুর্বলতাকে উল্টে দেয় প্রকৃত যোগাযোগে স্বতন্ত্র ব্যক্তিত্বগুলি রাখা:

✓বিভিন্ন ব্যক্তিত্বের প্রাকৃতিক বৈচিত্র্য — একজন সন্দেহবাদী এবং একজন আশাবাদী একই পরিস্থিতিতে প্রতিক্রিয়া জানালে তারা গঠনগতভাবে ভিন্ন ভাষা তৈরি করে, পুনরাবৃত্তি নয়
✓বাস্তবসম্মত সংলাপের গতিশীলতা — বাধা, ভুল বোঝাবুঝি, স্পষ্টীকরণ, এবং বিষয়ের পরিবর্তন এই আন্তঃক্রিয়ার মাধ্যমে উদ্ভূত হয়, স্ক্রিপ্ট করা নয়
✓উদ্ভূত আচরণ এবং প্যাটার্ন — আলোচনা, জোটের পরিবর্তন এবং ছাড়গুলি দেখা দেয় যা কেউ উত্সাহিত করেনি, কারণ এগুলি বিরোধী লক্ষ্য থেকে উদ্ভূত হয়।
✓পদ্ধতিগত প্রান্ত কেস কভারেজ — একটি ব্যক্তিত্ব নির্ধারণ করুন যিনি কঠিন কেস (রাগান্বিত গ্রাহক, বিভ্রান্ত নবীন) এবং প্রান্ত কেসগুলি একটি কনফিগারেশন প্যারামিটার হয়ে যায় পরিবর্তে একটি সৌভাগ্যের দুর্ঘটনা।

মাল্টি-এজেন্ট সিমুলেশন প্রযুক্তি

চারটি কৌশল বেশিরভাগ প্রশিক্ষণ-ডেটার প্রয়োজনীয়তা পূরণ করে। এগুলি গঠন করে — একটি পরিণত পাইপলাইন সাধারণত একই দৃশ্যপট লাইব্রেরির বিরুদ্ধে কয়েকটি চালায়।

প্রযুক্তি ১: প্রতিকূল সংলাপ

একজন এজেন্ট প্রস্তাব করে; দ্বিতীয় এজেন্ট সমালোচনা করে। প্রস্তাবককে প্রতিরক্ষা করতে হবে, পরিশীলিত করতে হবে, অথবা স্বীকার করতে হবে, এবং প্রতিটি বিনিময় একটি প্রস্তাব-অবজেকশন-প্রতিক্রিয়া ত্রয়ী তৈরি করে। এটি আপত্তি পরিচালনার তথ্যের সবচেয়ে সমৃদ্ধ উৎস — গ্রাহক-মুখী এবং পরামর্শমূলক মডেলগুলির জন্য সবচেয়ে প্রয়োজনীয় এবং জৈব ডেটাসেটগুলিতে সবচেয়ে কম থাকে। কারণ সমালোচককে নিরলস হতে কনফিগার করা হয়েছে, তথ্যটি বিতর্কের শৃঙ্খলগুলি এমন গভীরতায় কভার করে যা বিনীত মানব কথোপকথন কখনও রেকর্ড করে না। এইভাবে নির্মিত একটি ডেটাসেট একটি মডেলকে শুধু কী বলতে হয় তা শেখায় না, বরং চাপের মধ্যে একটি অবস্থান ধরে রাখতে এবং কখন ছাড় দিতে হয় তা শেখায়।

প্রযুক্তি ২: সহযোগী সমস্যা সমাধান

একাধিক এজেন্ট একটি সাধারণ লক্ষ্য অর্জনের জন্য কাজ করে — একটি প্রকল্প পরিকল্পনা করা, একটি ত্রুটি নির্ণয় করা, একটি নথি খসড়া করা। এই আন্তঃক্রিয়া সমন্বয় ভাষাকে ধারণ করে: পরবর্তী পদক্ষেপ প্রস্তাব করা, উপ-কার্য বরাদ্দ করা, বোঝাপড়া পরীক্ষা করা, একটি আংশিক উত্তরের উপর ভিত্তি করে কাজ করা। এটি বাস্তবসম্মত পালা নেওয়া এবং অবদান অসমতা মডেল করে, যেহেতু একটি ভাল কনফিগার করা দলে একটি প্রাধান্যশীল কণ্ঠস্বর, একটি যত্নশীল সারসংক্ষেপকারী এবং একটি চুপচাপ সদস্য থাকে যাকে বের করে আনতে হয়। এই ডেটা দিয়ে প্রশিক্ষিত সহকারী মডেলগুলি বহু-পার্টি থ্রেড এবং দীর্ঘমেয়াদী কাজগুলি একক বিনিময়ের উপর ভিত্তি করে প্রশিক্ষিত মডেলগুলির তুলনায় উল্লেখযোগ্যভাবে ভালোভাবে পরিচালনা করে।

প্রযুক্তি ৩: পার্সোনা-ভিত্তিক পরিবর্তন

একই পরিস্থিতি বিভিন্ন ব্যক্তিত্বের কাস্টের সাথে বারবার চলে। একটি ফেরত অনুরোধ একটি ধৈর্যশীল অবসরপ্রাপ্ত, একটি সংক্ষিপ্ত নির্বাহী, এবং একটি উদ্বিগ্ন প্রথমবারের ক্রেতার দ্বারা পরিচালিত হলে একটি পরিস্থিতি সংজ্ঞা থেকে তিনটি কাঠামোগতভাবে ভিন্ন কথোপকথন তৈরি হয় — জনসংখ্যাগত এবং শৈলীর বৈচিত্র্য প্রায় শূন্য মার্জিনাল লেখার খরচে। এটি কভারেজের জন্য কাজের ঘোড়া কৌশল: একবার আপনার পরিস্থিতির লাইব্রেরি সংজ্ঞায়িত করুন, তারপর এটি একটি ব্যক্তিত্বের ম্যাট্রিক্সে ছড়িয়ে দিন যা বাস্তব AI ব্যক্তিত্ব প্রোফাইল থেকে তৈরি। এটি পরীক্ষার একটি সৎ উপায়ও যে একটি মডেল আপনার সমস্ত ব্যবহারকারীর জন্য কাজ করে, কেবল গড় ব্যবহারকারীর জন্য নয়।

প্রযুক্তি ৪: উত্থান পরিস্থিতি

মুশকিল এবং সংঘাত ইচ্ছাকৃতভাবে আন্তঃক্রিয়ার মধ্যে বৃদ্ধি পায় — একটি হালকা প্রশ্ন অভিযোগে পরিণত হয়, অভিযোগটি চুর্ণের হুমকিতে পরিণত হয়, যা একটি ব্যবস্থাপকের জন্য দাবি হয়ে দাঁড়ায়। উত্থান রানের মাধ্যমে অভিযোজনের প্যাটার্নগুলি ধারণ করে (যখন stakes বৃদ্ধি পায় তখন ভাষা কিভাবে পরিবর্তিত হয়) এবং সমাধানের কৌশলগুলি (কীভাবে অবনমন ঘটে, কীভাবে উত্তেজনা বৃদ্ধি পায়)। বাস্তব লগগুলিতে সম্পূর্ণ উত্থান অর্কের সংখ্যা কম থাকে কারণ বেশিরভাগ কথোপকথন দ্রুত শেষ হয়; সিমুলেশন প্রতিবার সম্পূর্ণ অর্ক তৈরি করতে পারে, পুনরুদ্ধার সহ। নিরাপত্তা-সমালোচনামূলক এবং সমর্থন মডেলের জন্য, এই কৌশলটি প্রতিটি টোকেনের জন্য সবচেয়ে গুরুত্বপূর্ণ প্রশিক্ষণ উদাহরণগুলি তৈরি করে।

বাস্তবায়ন গাইড: আর্গুমেনট্রুপের সাথে মাল্টি-এজেন্ট ডেটা উৎপাদন

ArgumenTroupe বহু-পার্সোনা আলোচনা করার জন্য তৈরি করা হয়েছে, যা এটিকে একটি প্রাকৃতিক প্রজন্মের ইঞ্জিন করে তোলে: আপনি একটি পার্সোনার দলে জড়ো করেন, তাদের কিছু বিষয়ে অমিল করতে দেন, এবং গঠনমূলক বিতর্ক সংগ্রহ করেন। কোন স্ক্রিপ্টিংয়ের প্রয়োজন নেই — পুরো পাইপলাইন কনফিগারেশনের মাধ্যমে চলে। এখানে সম্পূর্ণ কাজের প্রবাহ রয়েছে।

আপনার ব্যক্তিত্বের দল সংজ্ঞায়িত করুন

স্টক ভূমিকা থেকে শুরু করুন — সন্দেহবাদী, আশাবাদী, বাস্তববাদী, শয়তানের আইনজীবী — এবং আপনার ডেটাসেটের প্রয়োজনীয় প্রোফাইলগুলির সাথে এগুলি সম্প্রসারিত করুন: একটি হতাশ দীর্ঘমেয়াদী গ্রাহক, একটি অ-প্রযুক্তিগত নবীন, একটি নিয়ম মেনে চলার মনোভাবাপন্ন ব্যবস্থাপক। প্রতিটি ব্যক্তিত্বের জন্য আপনি একটি নাম, কয়েকটি বৈশিষ্ট্য (অসহিষ্ণু, বিস্তারিত-মনস্ক, ঝুঁকি-এড়ানো) এবং একটি প্রেক্ষাপট লাইন নির্দিষ্ট করেন যা তাদের পরিস্থিতিকে ভিত্তি করে। স্বাতন্ত্র্যই পুরো বিষয়: যদি দুটি ব্যক্তিত্ব একই কথা বলে, তবে সেগুলি একত্রিত করুন এবং একটি যোগ করুন যা বলবে না।

বিবেচনাযোগ্য প্রশ্ন হিসেবে পরিস্থিতিগুলো ফ্রেম করুন

মাল্টি-এজেন্ট ডেটা শুধুমাত্র প্রম্পটে থাকা টেনশনের সমৃদ্ধি অনুযায়ী। আপনার লাইব্রেরির প্রতিটি দৃশ্যকে এমন কিছুতে রূপান্তর করুন যা ব্যক্তিত্বগুলি সত্যিই অমিল করতে পারে — "আমাদের রিফান্ড নীতির আলোচনা করুন" নয় বরং "এই সীমান্ত রিফান্ডটি দেওয়া উচিত কি?" প্রতি রান অনুযায়ী প্যারামিটার সেট করুন: কোন কোন ব্যক্তিত্ব অংশগ্রহণ করে, মোট কতটি বিনিময় রাউন্ড হবে, এবং কোন কোন প্রান্তিক কেস উপস্থিত থাকতে হবে (একটি বিঘ্ন, একটি তথ্যগত সংশোধন, একটি অমীমাংসিত সমাপ্তি)।

বিতর্ক পরিচালনা করুন এবং কনফিগারেশন পরিবর্তন করুন

সিমুলেশনটি চালু করুন এবং দলে বিতর্ক করতে দিন। তারপর একই পরিস্থিতি পুনরায় চালান পরিবর্তিত কাস্ট (পার্সোনা-ভিত্তিক পরিবর্তন), একটি সমালোচক যোগ করে (বিরোধী সংলাপ), অথবা বাড়তে থাকা ঝুঁকির সাথে (উত্তেজনা)। প্রতিটি কনফিগারেশন আপনার ডেটাসেটের একটি নতুন অংশ একই পরিস্থিতির বিনিয়োগ থেকে। প্রতিটি রানকে তার পরিস্থিতি, পার্সোনা লাইনআপ এবং উদ্দেশ্য ফলাফলের সাথে ট্যাগ করুন — উৎপাদনের সময় যোগ করা মেটাডেটা প্রায় বিনামূল্যে, এবং পরে এটি পুনর্গঠন করা কখনই হয় না।

গঠনমূলক ট্রান্সক্রিপ্টগুলি পর্যালোচনা করুন

এটি একটি আলোচনা প্ল্যাটফর্মের জন্য একটি কাঁচা মডেল লুপের তুলনায় উপার্জন করার স্থান। ArgumenTroupe প্রতিটি সেশনকে একটি কাঠামোবদ্ধ যুক্তি ট্রান্সক্রিপ্ট হিসেবে রেকর্ড করে — কে কী বলেছে, কোন পয়েন্টের প্রতিক্রিয়া হিসেবে, কোন পক্ষ নিয়েছে — একটি অ Differentiated টেক্সটের দেয়ালের পরিবর্তে। যুক্তির স্তরে সেশনগুলি স্কিম করুন: নিশ্চিত করুন যে চরিত্রগুলি তাদের চরিত্রে ছিল, যে মতবিরোধ সত্যিই ঘটেছিল, এবং যে কথোপকথনগুলি বিভিন্ন উপায়ে শেষ হয়েছে। সেগুলি বাতিল করুন বা চিহ্নিত করুন যেখানে দলে খুব তাড়াতাড়ি একমত হয়ে গেছে — সম্মতি হল সিন্থেটিক বৈচিত্র্যের ব্যর্থতা মোড।

প্রশিক্ষণের জন্য রপ্তানি এবং ফিল্টার করুন

অনুমোদিত ট্রান্সক্রিপ্টগুলি তাদের মেটাডেটা সহ রপ্তানি করুন, তারপর মানক হাইজিন পাস প্রয়োগ করুন: খালি, পুনরাবৃত্তিমূলক, বা নীতির বাইরে থাকা বিষয়বস্তু জন্য স্বয়ংক্রিয় ফিল্টার; প্রায় অভিন্ন রানগুলির মধ্যে ডিডুপ্লিকেশন; একটি র্যান্ডম নমুনার মানব পর্যালোচনা। প্রশিক্ষণ, বৈধতা, এবং পরীক্ষার সেটে বিভক্ত করুন — এবং চূড়ান্ত মূল্যায়নের জন্য বাস্তব, মানব-উৎপন্ন ডেটা সংরক্ষণ করুন, যাতে আপনি মডেলটিকে বাস্তবতার বিরুদ্ধে পরিমাপ করেন, আরও সিন্থেটিক ডেটার বিরুদ্ধে নয়। একই পাইপলাইনটি আমাদের <a href="/use-cases/training-data-generation">প্রশিক্ষণ ডেটা উৎপাদন ব্যবহারের ক্ষেত্রে</a> পণ্য দিক থেকে বর্ণনা করা হয়েছে।

মাল্টি-এজেন্ট ডেটার জন্য গুণমান মেট্রিক্স

উৎপাদন সস্তা; আপনি কী উৎপাদন করেছেন তা জানা হলো শৃঙ্খলা। চারটি মেট্রিক পরিবার বহু-এজেন্ট ডেটাসেটকে কভার করে:

•বৈচিত্র্য স্কোর — কর্পাস জুড়ে শব্দগত এবং অর্থগত বিস্তার। যদি আপনার কথোপকথনের এম্বেডিংগুলি ঘনিষ্ঠভাবে ক্লাস্টার হয়, তবে আপনার ব্যক্তিত্বগুলি একটি কণ্ঠে সংকুচিত হচ্ছে এবং বহু-এজেন্ট প্রিমিয়াম চলে গেছে।
•সঙ্গতি মেট্রিক্স — প্রতিটি পালা কি পূর্ববর্তীটির প্রতি প্রতিক্রিয়া জানায়? বহু-এজেন্ট চলাচল সমান্তরাল মনোলগে চলে যেতে পারে; সঙ্গতি পরীক্ষা সেই ট্রান্সক্রিপ্টগুলি ধরতে পারে যেখানে এজেন্টরা একে অপরকে উপেক্ষা করে কথা বলেছে।
•পার্সোনা ধারাবাহিকতা — সন্দেহবাদীকে টার্ন 2-এ সন্দেহবাদী হতে হবে এবং টার্ন 20-এও একই থাকতে হবে। অসঙ্গত পার্সোনাগুলি নিম্নগামী মডেলকে শেখায় যে বক্তার পরিচয় অর্থহীন, যা ঠিক সেই সংকেতকে বিকৃত করে যার জন্য আপনি ডেটা তৈরি করেছিলেন।
•কভারেজ বিশ্লেষণ — আপনার পরিস্থিতি-প্রতি-পার্সোনা ম্যাট্রিক্স এবং আপনার প্রয়োজনীয় প্রান্তের কেসগুলির বিরুদ্ধে তৈরি করা মানচিত্র চালনা করে। ম্যাট্রিক্সে ফাঁকগুলি নীরব থাকে যতক্ষণ না একটি উৎপাদন মডেল সেই সেলে পৌঁছায় যা আপনি কখনও তৈরি করেননি।

কেস স্টাডি: গ্রাহক সেবা বট প্রশিক্ষণ

একটি প্রতিনিধিত্বমূলক (সংমিশ্রিত) উদাহরণ বিবেচনা করুন: একটি দল একটি সাবস্ক্রিপশন পণ্যের জন্য একটি গ্রাহক-সেবা সহকারী তৈরি করছে। তাদের প্রথম প্রশিক্ষণ সেটটি একক-এজেন্ট দ্বারা তৈরি করা হয়েছিল — একটি মডেল হাজার হাজার টিকিটের মধ্যে গ্রাহক এবং এজেন্ট উভয় ভূমিকায় অভিনয় করছিল। বটটি অভ্যন্তরীণভাবে ভাল পরীক্ষা করেছিল এবং পরে বাস্তব গ্রাহকদের সাথে খারাপ পারফর্ম করেছিল, একটি উল্লেখযোগ্য প্যাটার্নে: এটি বিনীত, ভাল-গঠিত অনুরোধগুলি ভালভাবে পরিচালনা করেছিল এবং যখন গ্রাহকরা রাগান্বিত, অস্পষ্ট, বা প্রথম উত্তরের বিরুদ্ধে প্রতিরোধ করেছিল তখন ভেঙে পড়েছিল। প্রশিক্ষণ ডেটাতে প্রায় কোনও প্রকৃত প্রতিরোধ ছিল না, কারণ একটি একক এজেন্ট উভয় পক্ষের ভূমিকায় অভিনয় করে তার নিজস্ব টিকিটগুলি সহযোগিতামূলকভাবে সমাধান করে।

পুনর্নির্মাণে মাল্টি-এজেন্ট সিমুলেশন ব্যবহার করা হয়েছিল। একটি পার্সোনা ট্রুপ — হতাশ শক্তি ব্যবহারকারী, বিভ্রান্ত নতুন ব্যবহারকারী, ডিসকাউন্ট-শিকারী, সেই গ্রাহক যিনি ইতিমধ্যে দুইবার সমর্থনের সাথে যোগাযোগ করেছেন — একই পরিস্থিতির লাইব্রেরির বিরুদ্ধে একটি এজেন্ট পার্সোনার বিরুদ্ধে চালানো হয়েছিল, যেখানে শত্রুতামূলক এবং উত্থান কনফিগারেশনগুলি স্তরিত ছিল। নতুন ডেটাসেটে অনুপস্থিত কাঠামোগুলি অন্তর্ভুক্ত ছিল: মাল্টি-টার্ন আপত্তি চেইন, উত্থান, ভুল উত্তরের পরে মেরামত, এবং অমীমাংসিতভাবে শেষ হওয়া কথোপকথন।

মাল্টি-এজেন্ট কর্পাসে পুনঃপ্রশিক্ষিত হওয়ার পর, বটের আচরণ ঠিক সেই জায়গাগুলিতে পরিবর্তিত হয়েছে যেখানে ডেটা পরিবর্তিত হয়েছিল: এটি অসন্তুষ্ট গ্রাহকদের কাছে তার প্রথম উত্তর পুনরাবৃত্তি করা বন্ধ করে দিয়েছে, সমস্যা সমাধানের আগে হতাশা স্বীকার করতে শিখেছে, এবং আরও যুক্তিসঙ্গত মুহূর্তে মানুষের কাছে escalated হয়েছে। সাধারণ পাঠটি সমর্থন বটের বাইরে স্থানান্তরিত হয়: মডেলগুলি তাদের ডেটাতে উপস্থিত ইন্টারঅ্যাকশন প্যাটার্নগুলি শিখে, এবং মাল্টি-এজেন্ট সিমুলেশন বর্তমানে কঠিন প্যাটার্নগুলি স্থাপন করার সবচেয়ে নিয়ন্ত্রণযোগ্য উপায়। বিস্তৃত প্রজন্মের পদ্ধতির জন্য, আমাদের সিন্থেটিক কথোপকথন ডেটা তৈরি করার গাইড দেখুন।

প্রায়শই জিজ্ঞাসা করা প্রশ্ন

বহু-এজেন্ট সিমুলেশন কীভাবে এআই প্রশিক্ষণ ডেটা উন্নত করে?

এটি একটি একক জেনারেটরকে প্রতিস্থাপন করে — যা প্রতিটি কথোপকথনকে একটি বিতরণ এবং একটি কণ্ঠস্বর থেকে নমুনা করে — বহু স্বতন্ত্র ব্যক্তিত্ব দিয়ে যা প্রকৃতপক্ষে মিথস্ক্রিয়া করে। ফলাফল ডেটাটিতে অসম্মতি, আলোচনা, বৃদ্ধি এবং জনসংখ্যাগত পার্থক্য রয়েছে যা একক-এজেন্ট জেনারেশন সিস্টেমাটিকভাবে অভাব করে, যা ঠিক বাস্তব-বিশ্বের মডেলগুলির প্রয়োজন কঠিন ব্যবহারকারী এবং বহু-পক্ষীয় গতিশীলতা পরিচালনা করতে।

একক-এজেন্ট এবং বহু-এজেন্ট ডেটা জেনারেশনের মধ্যে পার্থক্য কী?

একক-এজেন্ট জেনারেশনে একটি মডেল সমস্ত মিথস্ক্রিয়ার সমস্ত দিক তৈরি করে, তাই উভয় পক্ষই গোপনে একটি বিশ্বদর্শন ভাগ করে এবং সংঘর্ষগুলি খুব সহযোগিতামূলকভাবে সমাধান করে। বহু-এজেন্ট জেনারেশন প্রতিটি পক্ষকে একটি ভিন্নভাবে কনফিগার করা ব্যক্তিত্ব — সংশয়বাদী, আশাবাদী, বাস্তববাদী, শয়তানের উকিল — তাই উত্তেজনা, ভুল বোঝাবুঝি এবং অভিযোজন নিজেই মিথস্ক্রিয়া থেকে উদ্ভূত হয়, স্ক্রিপ্ট করা হয় না।

আমি কীভাবে বহু-এজেন্ট এআই দিয়ে প্রশিক্ষণ ডেটা তৈরি করতে পারি?

একটি পাঁচ-ধাপের লুপ অনুসরণ করুন: স্বতন্ত্র ব্যক্তিত্বের একটি দল সংজ্ঞায়িত করুন, আপনার দৃশ্যকল্পগুলিকে বিতর্কিত প্রশ্ন হিসাবে ফ্রেম করুন, ব্যক্তিত্ব কাস্ট এবং সংঘাতের স্তর পরিবর্তন করে বিতর্ক চালান, ব্যক্তিত্বের সামঞ্জস্যতা এবং প্রকৃত অসম্মতির জন্য গঠনমূলক লিপিগুলি পর্যালোচনা করুন, তারপর ডেটা রফতানি, ফিল্টার, ডিডুপ্লিকেট এবং বিভক্ত করুন। প্রকৃত ডেটার বিরুদ্ধে চূড়ান্ত মডেলটি মূল্যায়ন করুন, সিন্থেটিক ডেটার বিরুদ্ধে নয়।

আমি বহু-এজেন্ট সিমুলেশন ব্যবহার করলে আমার এখনও প্রকৃত ডেটার প্রয়োজন হবে?

হ্যাঁ। বহু-এজেন্ট সিমুলেশন হল স্কেল স্তর, প্রকৃত ডেটার প্রতিস্থাপন নয়। প্রকৃত ডেটা দুটি অপ্রতিস্থাপনীয় ভূমিকা পালন করে: এটি ব্যক্তিত্ব কনফিগারেশনকে ভিত্তি করে কীভাবে আসল ব্যবহারকারীরা আচরণ করে, এবং এটি সেই হেল্ড-আউট মূল্যায়ন সেট প্রদান করে যা আপনাকে বলে যে সিন্থেটিক ডেটার উপর প্রশিক্ষণ নিলে বাস্তব-বিশ্বের কর্মক্ষমতা উন্নত হয়েছে কিনা। সিন্থেটিক এবং প্রকৃত ডেটাকে পরিপূরক হিসাবে বিবেচনা করুন।

প্রশিক্ষণ ডেটা তৈরি করুন যা বাঁধা দেয়

একটি পার্সোনা ট্রুপ তৈরি করুন, কাঠামোগত বিতর্ক চালান এবং লিপিবদ্ধ করুন যা থেকে আপনার মডেলগুলি আসলেই শিখতে পারে।

বিনামূল্যে ট্রায়াল শুরু করুন