Please provide the text you would like to have translated.

یک حالت شکست خاموش در خطوط تولید داده‌های مصنوعی وجود دارد: مجموعه‌های داده‌های آموزشی هوش مصنوعی که با یک عامل تولیدکننده واحد ساخته شده‌اند، همه مانند یک شخص به نظر می‌رسند. اگر از یک مدل بخواهید ده هزار مکالمه مشتری تولید کند، ده هزار واریانت از محتمل‌ترین مشتری خود را دریافت می‌کنید — همان سطح ادب، همان الگوهای اعتراض، همان راه‌حل‌های مرتب. مدل‌هایی که بر اساس آن داده‌ها آموزش دیده‌اند، در داده‌هایی که شبیه به آن هستند به خوبی عمل می‌کنند، اما در مواجهه با کاربران واقعی که نامنظم‌تر، عصبانی‌تر، گیج‌تر و متنوع‌تر از هر تصوری از یک عامل واحد هستند، دچار مشکل می‌شوند.

شبیه‌سازی چندعامله به ریشه مشکل حمله می‌کند. به جای اینکه یک عامل هر دو طرف یک تعامل را تولید کند، چندین شخصیت هوش مصنوعی با ویژگی‌های واقعاً متمایز — یک شکاک، یک خوش‌بین، یک عمل‌گرا، یک وکیل شیطان — با یکدیگر تعامل، بحث و مذاکره می‌کنند. داده‌های حاصل آنچه را که سیستم‌های هوش مصنوعی واقعی واقعاً نیاز دارند تا یاد بگیرند، به همراه دارد: عدم توافق، اقناع، ناامیدی، تعمیر و هزاران اصطکاک کوچک انسان‌ها که یک متن را به اشتراک نمی‌گذارند.

این راهنما به بررسی این موضوع می‌پردازد که چرا تولید چندعامله از تولید تک‌عامله بهتر است، چهار تکنیک اصلی شبیه‌سازی، یک پیاده‌سازی مرحله به مرحله با ArgumenTroupe و معیارهای کیفیتی که به شما می‌گویند آیا مجموعه داده‌های مصنوعی شما ارزش آموزش دارد یا خیر.

چرا چندعاملی برای داده‌های آموزشی؟

شیفت داده‌های مصنوعی دیگر فرضی نیست — گارتنر پیش‌بینی کرده است که ۷۵٪ از شرکت‌ها تا سال ۲۰۲۶ از داده‌های مصنوعی برای هوش مصنوعی استفاده خواهند کرد و تحقیقات داده‌های مصنوعی اکنون یک رشته استاندارد است. سوال باز این نیست که آیا باید داده تولید کرد، بلکه این است که چگونه داده‌ای تولید کنیم که به اندازه کافی متنوع باشد تا مفید باشد.

تکنیک‌های شبیه‌سازی چندعامله

چهار تکنیک نیازهای بیشتر داده‌های آموزشی را پوشش می‌دهند. آنها ترکیب می‌شوند - یک خط لوله بالغ معمولاً چندین مورد را در برابر همان کتابخانه سناریو اجرا می‌کند.

راهنمای پیاده‌سازی: تولید داده‌های چندعاملی با ArgumenTroupe

ArgumenTroupe برای بحث و گفت‌وگوی چندشخصیتی ساخته شده است، که آن را به یک موتور تولید طبیعی تبدیل می‌کند: شما یک گروه از شخصیت‌ها را جمع‌آوری می‌کنید، موضوعی برای اختلاف نظر به آن‌ها می‌دهید و بحث ساختار یافته را برداشت می‌کنید. نیازی به نوشتن اسکریپت نیست — کل فرآیند از طریق پیکربندی انجام می‌شود. در اینجا روند کار از ابتدا تا انتها آمده است.

معیارهای کیفیت برای داده‌های چندعاملی

تولید ارزان است؛ دانستن اینکه چه چیزی تولید کرده‌اید، انضباط است. چهار خانواده متریک داده‌های چندعاملی را پوشش می‌دهند:

مطالعه موردی: آموزش ربات خدمات مشتری

یک مثال نماینده (ترکیبی) را در نظر بگیرید: یک تیم که در حال ساخت یک دستیار خدمات مشتری برای یک محصول اشتراکی است. مجموعه آموزشی اولیه آن‌ها به‌طور تک‌عاملی تولید شده بود — یک مدل که هم نقش مشتری و هم نقش عامل را در هزاران تیکت ایفا می‌کرد. ربات در داخل سازمان به خوبی آزمایش شد و سپس با مشتریان واقعی عملکرد ضعیفی داشت، در یک الگوی قابل توجه: درخواست‌های مودبانه و خوب شکل‌گرفته را به خوبی مدیریت می‌کرد و زمانی که مشتریان عصبانی، مبهم یا به پاسخ اول آن اعتراض می‌کردند، از هم می‌پاشید. داده‌های آموزشی تقریباً هیچ اعتراضی واقعی را شامل نمی‌شد، زیرا یک عامل واحد که هر دو طرف را بازی می‌کند، تیکت‌های خود را به‌طور همکاری حل می‌کند.

بازسازی از شبیه‌سازی چندعاملی استفاده کرد. یک گروه پرسونای کاربر — کاربر قدرت‌طلب ناامید، تازه‌وارد گیج، شکارچی تخفیف، مشتری که قبلاً دو بار با پشتیبانی تماس گرفته بود — در برابر یک پرسونای عامل در همان کتابخانه سناریو اجرا شد، با پیکربندی‌های خصمانه و تشدیدی که بر روی آن اضافه شده بود. مجموعه داده جدید شامل ساختارهای گمشده بود: زنجیره‌های اعتراض چندنوبتی، تشدیدها، تعمیرات پس از یک پاسخ نادرست، و مکالماتی که بدون نتیجه به پایان رسیدند.

پس از آموزش مجدد بر روی مجموعه داده‌های چندعاملی، رفتار ربات دقیقاً در جاهایی که داده‌ها تغییر کرده بودند، تغییر کرد: این ربات از تکرار اولین پاسخ خود به مشتریان ناراضی دست کشید، یاد گرفت که قبل از حل مشکل، ناامیدی را تأیید کند و در لحظات منطقی‌تری به انسان‌ها ارجاع داد. درس کلی فراتر از ربات‌های پشتیبانی قابل انتقال است: مدل‌ها الگوهای تعامل موجود در داده‌های خود را یاد می‌گیرند و شبیه‌سازی چندعاملی در حال حاضر قابل کنترل‌ترین روش برای وارد کردن الگوهای سخت است. برای روش‌شناسی تولید گسترده‌تر، به راهنمای ما در تولید داده‌های مکالمه مصنوعی مراجعه کنید.

سوالات متداول

مقالات مرتبط