मल्टी-एजेंट सिम्युलेशनसह विकसित करा AI प्रशिक्षण डेटासेट

TL;DR

•एकल-एजंट डेटा उत्पादन एकाच आवाजावर एकत्रित होते; विविध व्यक्तिमत्त्वांमधील बहु-एजंट चर्चा वास्तविक डेटासेट्सना आवश्यक असलेली विविधता आणि संघर्ष निर्माण करते.
•चार तंत्र: प्रतिस्पर्धात्मक संवाद, सहकारी समस्या सोडवणे, व्यक्तिमत्वावर आधारित विविधता, आणि वाढीच्या परिस्थिती
•अंमलबजावणी ही ५-चरणांची लूप आहे — व्यक्तिमत्त्वे निश्चित करा, वादग्रस्त परिस्थितींचा आराखडा तयार करा, विविध चर्चांचे आयोजन करा, संरचित ट्रान्सक्रिप्ट्सची पुनरावलोकन करा, निर्यात करा आणि गाळा — विविधता, सुसंगतता, सुसंगती, आणि कव्हरेजद्वारे मोजली जाते.

Please provide the text you would like to have translated.

सिंथेटिक डेटा पाईपलाइन्समध्ये एक शांत अपयश मोड आहे: एकाच जनरेटर एजंटने तयार केलेले AI प्रशिक्षण डेटासेट सर्व एकाच व्यक्तीसारखेच वाटतात. एका मॉडेलला दहा हजार ग्राहक संवाद तयार करण्यास प्रवृत्त करा आणि तुम्हाला त्याच्या सर्वात संभाव्य ग्राहकाचे दहा हजार भिन्नता मिळेल - समान शिष्टाचार, समान विरोधाचे नमुने, समान स्वच्छ निराकरणे. त्या डेटावर प्रशिक्षित मॉडेल्स त्या सारख्या दिसणाऱ्या डेटावर सुंदर काम करतात, नंतर वास्तविक वापरकर्त्यांवर अडखळतात, जे कोणत्याही एकल एजंटच्या कल्पनेपेक्षा अधिक गोंधळलेले, रागावलेले, गोंधळलेले आणि विविध आहेत.

मल्टी-एजंट सिम्युलेशन समस्येवर तिच्या मूळात हल्ला करतो. एकाच एजंटने संवादाच्या दोन्ही बाजू निर्माण करण्याऐवजी, अनेक AI व्यक्तिमत्त्वे ज्यामध्ये खरोखरच भिन्न वैशिष्ट्ये आहेत — एक संशयवादी, एक आशावादी, एक व्यावहारिक, एक शैतानाचा वकील — एकमेकांशी संवाद साधतात, वादविवाद करतात आणि चर्चा करतात. परिणामी डेटा वास्तविक जगातील AI प्रणालींना शिकण्यासाठी आवश्यक असलेले घटक समाविष्ट करतो: असहमतता, मनवळणे, निराशा, दुरुस्ती, आणि त्या हजार लहान ताणतणावांचे जे मानवांनी एकाच स्क्रिप्टवर सामायिक केलेले नाहीत.

हा मार्गदर्शक मल्टी-एजंट जनरेशन एकल-एजंटपेक्षा का उत्कृष्ट आहे, चार मुख्य सिम्युलेशन तंत्रे, ArgumenTroupe सह चरण-दर-चरण अंमलबजावणी आणि गुणवत्ता मेट्रिक्स जे तुम्हाला सांगतात की तुमचा सिंथेटिक डेटासेट प्रशिक्षणासाठी योग्य आहे का.

प्रशिक्षण डेटासाठी मल्टी-एजंट का?

संश्लेषित डेटा बदल आता केवळ तात्त्विक नाही — गार्टनरने अंदाज वर्तवला आहे की 2026 पर्यंत 75% उद्योजक कृत्रिम बुद्धिमत्तेसाठी संश्लेषित डेटा वापरणार आहेत, आणि संश्लेषित डेटा संशोधन आता एक मानक शास्त्र आहे. खुला प्रश्न हा नाही की डेटा तयार करायचा की नाही, तर डेटा कसा तयार करायचा जो उपयुक्त असण्यासाठी पुरेसा विविध असावा.

विविधतेचा प्रश्न

एकल-एजंट उत्पादनाला एक संरचनात्मक मर्यादा आहे. एक मॉडेल, कितीही सक्षम असो, एकच वितरणातून नमुने घेतो:

✗समानांतर बदल — समान अंतर्निहित संवादाचे पृष्ठभाग स्तरावरील पुनरुक्ती, खरेतर भिन्न संवाद नाहीत
✗अनेक दृष्टिकोनांची रचना गहाळ — वास्तविक संवादांमध्ये विविध उद्दिष्टे, ज्ञान आणि मनस्थिती असलेल्या पक्षांचा समावेश असतो; एकटा एजंट दोन्ही बाजू खेळताना एकच जगदृष्टी दोन्हीमध्ये गळती देतो
✗कोणतीही संघर्ष किंवा वाटाघाटीचे नमुने नाहीत — जनरेटर ताणाला खूप सहकार्याने सोडवतो, त्यामुळे प्रशिक्षित मॉडेल कधीही त्या वापरकर्त्याला हाताळायला शिकत नाही जो शांत होणार नाही.
✗अल्पसंख्यांकित कडवट प्रकरणे — अशक्य पण महत्त्वाच्या संवादांची शक्यता उत्पादनात तिथेच कमी राहते, जिथे मॉडेल्स अपयशी ठरतात.

बहु-एजंट फायदे

विभिन्न व्यक्तिमत्त्वांना वास्तविक संवादात ठेवणे प्रत्येक कमकुवतपणाला उलटवते:

✓विभिन्न व्यक्तिमत्त्वांमधील नैसर्गिक भिन्नता — एक संशयवादी आणि एक आशावादी समान परिस्थितीला प्रतिसाद देताना संरचनात्मकदृष्ट्या भिन्न भाषा तयार करतात, पुनःलेखन नाही.
✓वास्तविक संवाद गती — व्यत्यय, गैरसमज, स्पष्टता, आणि विषय बदलणे हे संवादातून उगम पावतात, न की स्क्रिप्ट केलेले असतात
✓उद्भवणारे वर्तन आणि नमुने — वाटाघाट्या, आघाडीतील बदल, आणि तडजोडी दिसून येतात ज्या कोणालाही प्रेरित केलेले नाहीत, कारण हे संघर्षरत उद्दिष्टांमुळे उद्भवतात.
✓संविधानात्मक कडवट प्रकरण कव्हरेज — एक व्यक्तिमत्व नियुक्त करा जे कठीण प्रकरण असेल (रागावलेला ग्राहक, गोंधळलेला नवशिक्या) आणि कडवट प्रकरणे एक कॉन्फिगरेशन पॅरामीटर बनतात, नशीबाच्या अपघाताऐवजी.

बहु-एजंट सिम्युलेशन तंत्रे

चार तंत्रे बहुतेक प्रशिक्षण-डेटा गरजा पूर्ण करतात. ती एकत्रितपणे — एक प्रगल्भ पाइपलाइन सहसा समान परिस्थितीच्या लायब्ररीवर अनेक चालवते.

तंत्र 1: विरोधात्मक संवाद

एक एजंट प्रस्ताव ठेवतो; दुसरा एजंट टीका करतो. प्रस्तावकाने बचाव करावा, सुधारणा करावी किंवा मान्य करावे लागते, आणि प्रत्येक विनिमय एक प्रस्ताव-आपत्ती-प्रतिक्रिया त्रिकूट तयार करतो. हे आपत्ती हाताळण्याच्या डेटाचा सर्वात समृद्ध स्रोत आहे — ग्राहक-समोर आणि सल्लागार मॉडेल्सना सर्वाधिक आवश्यक असलेला पॅटर्न आणि जैविक डेटासेटमध्ये सर्वात कमी असलेला. कारण टीकाकाराला थांबविण्यासाठी तयार केले जाते, डेटा पुनरुत्तरण साखळ्या अशा गडदपणे कव्हर करतो जसे शिष्ट मानव संवाद कधीही नोंदवत नाहीत. या पद्धतीने तयार केलेला डेटासेट एका मॉडेलला फक्त काय सांगायचे हे शिकवत नाही, तर ताणाखाली एक स्थान कसे धरणे आणि केव्हा मान्य करणे हे देखील शिकवतो.

तंत्र २: सहकारी समस्या सोडवणे

अनेक एजंट एकत्रित उद्दिष्ट साध्य करण्यासाठी काम करतात — प्रकल्पाची योजना बनवणे, दोषाचे निदान करणे, दस्तऐवज तयार करणे. संवाद समन्वय भाषेला पकडतो: पुढील पायऱ्या सुचवणे, उपकार्यांचे वितरण करणे, समजून घेणे तपासणे, अंशतः उत्तरावर आधारित काम करणे. हे वास्तववादी वळण घेणे आणि योगदान असममितता देखील मॉडेल करते, कारण चांगल्या प्रकारे कॉन्फिगर केलेल्या गटात एक प्रमुख आवाज, एक काळजीपूर्वक संक्षेप करणारा, आणि एक शांत सदस्य असतो ज्याला बाहेर काढणे आवश्यक असते. या डेटासह प्रशिक्षित सहाय्यक मॉडेल्स बहुपक्षीय थ्रेड्स आणि दीर्घकालीन कार्ये स्पष्टपणे चांगल्या प्रकारे हाताळतात, जे एक-एक संवादावर केवळ प्रशिक्षित केलेल्या मॉडेल्सच्या तुलनेत.

तंत्र 3: व्यक्तिमत्वावर आधारित विविधता

समान परिस्थिती वेगवेगळ्या व्यक्तिमत्वांच्या कास्टसह पुनरावृत्तीने चालते. एक धीरधरणारा निवृत्त व्यक्ती, एक थोडक्यात कार्यकारी, आणि एक चिंताग्रस्त पहिल्यांदाच खरेदी करणारा यांच्याकडून हाताळलेला परतावा मागणी एकाच परिस्थितीच्या व्याख्येतून तीन संरचनात्मकदृष्ट्या भिन्न संवाद निर्माण करतो — मूलभूतपणे शून्य सीमांत लेखन खर्चात लोकसंख्याशास्त्रीय आणि शैलीगत विविधता. कव्हरेजसाठी हे कार्यक्षम तंत्र आहे: तुमच्या परिस्थितींच्या लायब्ररीची व्याख्या एकदा करा, नंतर ती वास्तविक AI व्यक्तिमत्व प्रोफाइलवर आधारित व्यक्तिमत्व मॅट्रिक्सवर पसरवा. हे तुमच्या सर्व वापरकर्त्यांना, फक्त सरासरी वापरकर्त्याला नाही, सेवा देणारे मॉडेल आहे की नाही हे चाचणी घेण्याचा प्रामाणिक मार्ग देखील आहे.

तंत्र ४: वाढीचे परिस्थिती

परस्परसंवादात अडचण आणि संघर्ष यांचा वाढ deliberately होते — एक सौम्य प्रश्न तक्रारीत बदलतो, जी चुरचुरीला धमकी बनते, जी व्यवस्थापकाची मागणी बनते. वाढीचा प्रवास अनुकूलन पॅटर्न (जसे की दांव वाढल्यावर भाषा कशी बदलते) आणि निराकरण धोरणे (काय कमी करते, काय भडकवते) यांना पकडतो. वास्तविक लॉगमध्ये कमी पूर्ण वाढीचे वक्र असतात कारण बहुतेक संवाद लवकर संपतात; अनुकरण प्रत्येक वेळी पूर्ण वक्र तयार करू शकते, पुनर्प्राप्ती समाविष्ट करून. सुरक्षा-आधारित आणि समर्थन मॉडेलसाठी, ही तंत्रज्ञान सर्वात महत्त्वाचे प्रशिक्षण उदाहरणे तयार करते.

अंमलबजावणी मार्गदर्शक: आर्गुमेनट्रूपसह मल्टी-एजंट डेटा निर्माण

ArgumenTroupe बहु-व्यक्तिमत्व चर्चेसाठी तयार करण्यात आले आहे, ज्यामुळे हे एक नैसर्गिक जनरेशन इंजिन बनते: तुम्ही व्यक्तिमत्वांचा एक समूह तयार करता, त्यांना वाद करण्यासाठी काहीतरी देता, आणि संरचित चर्चेचा फायदा घेतात. कोणत्याही स्क्रिप्टिंगची आवश्यकता नाही — संपूर्ण पाइपलाइन कॉन्फिगरेशनद्वारे चालते. येथे कार्यप्रवाह सुरूवातीपासून शेवटपर्यंत आहे.

तुमचा व्यक्तिमत्व गट परिभाषित करा

स्टॉक भूमिकांपासून प्रारंभ करा — संशयवादी, आशावादी, व्यावहारिक, शैतानाचा वकील — आणि आपल्या डेटासेटला आवश्यक असलेल्या प्रोफाइल्ससह त्यांना विस्तारित करा: एक निराश दीर्घकालीन ग्राहक, एक गैर-तांत्रिक नवशिक्या, एक अनुपालन-मनाशी संबंधित व्यवस्थापक. प्रत्येक व्यक्तिमत्त्वासाठी आपण एक नाव, काही गुणधर्म (अविचार, तपशील-केन्द्रित, जोखमीपासून दूर) आणि एक संदर्भ ओळ निर्दिष्ट करता जी त्यांच्या परिस्थितीला आधार देते. वेगळेपण हे संपूर्ण मुद्दा आहे: जर दोन व्यक्तिमत्त्वे एकच गोष्ट म्हणत असतील, तर त्यांना एकत्र करा आणि एक असे जोडा जो असे म्हणणार नाही.

चर्चेसाठी प्रश्न म्हणून परिस्थितींचे रूपांतर करा

मल्टी-एजंट डेटा फक्त प्रॉम्प्टमधील ताणाच्या समृद्धतेसारखा असतो. आपल्या लायब्ररीतील प्रत्येक परिस्थितीला असे काहीतरी रूपांतरित करा ज्यावर व्यक्ती खरोखरच असहमत होऊ शकतात — "आमच्या परताव्याच्या धोरणावर चर्चा करा" नाही तर "या सीमारेषेवरील परतावा मंजूर केला पाहिजे का?" प्रत्येक धावणीसाठी पॅरामीटर्स सेट करा: कोणत्या व्यक्ती सहभागी होतात, अंदाजे किती विनिमय फेऱ्या होतात, आणि कोणते कडवट प्रकरणे दिसली पाहिजेत (एक व्यत्यय, एक तथ्यात्मक सुधारणा, एक अनिर्णीत समाप्ती).

चर्चा चालवा आणि संरचना बदलवा

सिम्युलेशन सुरू करा आणि तुकडीला वाद घालू द्या. नंतर स्वप्नातील पात्रे बदलून (व्यक्तिमत्वावर आधारित भिन्नता) त्याच परिस्थितीचे पुनरुत्पादन करा, एक समालोचक जोडून (विरोधात्मक संवाद), किंवा वाढत्या जोखमीसह (वाढ). प्रत्येक कॉन्फिगरेशन तुमच्या डेटासेटचा एक नवीन तुकडा आहे जो त्याच परिस्थितीच्या गुंतवणुकीतून आहे. प्रत्येक धावणीला त्याच्या परिस्थिती, व्यक्तिमत्वाची यादी, आणि अपेक्षित परिणामासह टॅग करा — निर्मितीच्या वेळी जोडलेले मेटाडेटा जवळजवळ मोफत आहे, आणि नंतर ते पुन्हा तयार करणे कधीही नाही.

संरचित ट्रान्सक्रिप्ट्सची पुनरावलोकन करा

हे ठिकाण आहे जिथे एक विचारविमर्श मंच कच्च्या मॉडेल लूपच्या तुलनेत आपली किंमत मिळवतो. ArgumenTroupe प्रत्येक सत्राचे संरचित तर्क ट्रान्सक्रिप्ट म्हणून रेकॉर्ड करते — कोणाने काय म्हटले, कोणत्या मुद्द्यावर प्रतिसाद दिला, कोणत्या बाजू घेतल्या — हे एकसारख्या मजकुराच्या भिंतीऐवजी. तर्क स्तरावर सत्रांचे आढावा घ्या: व्यक्तिमत्त्वे त्यांच्या पात्रात राहिली का, खरोखरच असहमतता झाली का, आणि संवाद विविध मार्गांनी संपले का हे तपासा. जिथे तुकडी लवकरच सहमतीत आली तिथे चालना काढा किंवा झेंडा ठेवा — सहमती ही कृत्रिम विविधतेची अपयश मोड आहे.

प्रशिक्षणासाठी निर्यात आणि गाळणी

मान्यताप्राप्त ट्रान्सक्रिप्ट्स त्यांच्या मेटाडेटासह निर्यात करा, नंतर मानक स्वच्छता पास लागू करा: रिक्त, पुनरावृत्ती करणारे, किंवा धोरणानुसार नसलेले सामग्रीसाठी स्वयंचलित फिल्टर्स; जवळजवळ समान धावांमध्ये डुप्लिकेशन काढा; यादृच्छिक नमुन्याची मानवी पुनरावलोकन. प्रशिक्षण, मान्यता, आणि चाचणी संचांमध्ये विभाजित करा — आणि अंतिम मूल्यांकनासाठी वास्तविक, मानवी-निर्मित डेटा राखून ठेवा, त्यामुळे तुम्ही मॉडेलला वास्तवाच्या विरुद्ध मोजता, अधिक कृत्रिम डेटाच्या विरुद्ध नाही. उत्पादन बाजूने समान पाइपलाइन आमच्या <a href="/use-cases/training-data-generation">प्रशिक्षण डेटा निर्मिती वापर प्रकरण</a> मध्ये वर्णन केले आहे.

मल्टी-एजंट डेटासाठी गुणवत्ता मेट्रिक्स

उत्पादन स्वस्त आहे; तुम्ही काय उत्पादन केले हे जाणून घेणे ही शिस्त आहे. चार मेट्रिक कुटुंबे बहु-एजंट डेटासेट्सचे कव्हर करतात:

•विविधता गुणांक — कॉर्पसमध्ये शब्दकोशीय आणि अर्थात्मक पसरलेपणा. जर तुमच्या संवादांचे एम्बेडिंग घट्ट गटबद्ध झाले, तर तुमचे व्यक्तिमत्त्व एकाच आवाजात एकत्रित होत आहे आणि बहु-एजंट प्रीमियम गेला आहे.
•सुसंगतता मेट्रिक्स — प्रत्येक वळणाने त्याच्या आधीच्या वळणाला प्रतिसाद दिला का? मल्टी-एजंट चालना समांतर एकल संवादात बदलू शकतात; सुसंगतता तपासणी त्या ट्रान्सक्रिप्ट्सला पकडते जिथे एजंट एकमेकांना न पाहता बोलले.
•व्यक्तिमत्व सुसंगतता — संशयवादीने टर्न 2 मध्ये असलेले संशयवादी टर्न 20 मध्ये देखील असावे. असंगत व्यक्तिमत्वे खालील मॉडेलला शिकवतात की बोलणाऱ्याची ओळख अर्थहीन आहे, जे तुमच्या डेटा निर्माण करण्यासाठी तयार केलेल्या सिग्नलला बिघडवते.
•कव्हरेज विश्लेषण — तुमच्या व्यक्ती-आधारित मॅट्रिक्स आणि आवश्यक काठाच्या प्रकरणांवर चाललेल्या नकाशाची निर्मिती. मॅट्रिक्समधील गॅप्स शांत राहतात जोपर्यंत उत्पादन मॉडेल तुम्ही कधीही तयार केलेल्या सेलला भेटत नाही.

केस स्टडी: ग्राहक सेवा बॉट प्रशिक्षण

एक प्रतिनिधी (संमिश्र) उदाहरण विचार करा: एक टीम एक सदस्यता उत्पादनासाठी ग्राहक-सेवा सहाय्यक तयार करत आहे. त्यांचा पहिला प्रशिक्षण संच एकल-एजंट निर्मित होता - एक मॉडेल ग्राहक आणि एजंट दोन्ही भूमिका निभावत होते हजारो तिकिटांमध्ये. बॉटने अंतर्गत चांगली चाचणी घेतली आणि नंतर वास्तविक ग्राहकांसोबत कमी कामगिरी केली, एक स्पष्ट पॅटर्नमध्ये: त्याने शिष्ट, चांगल्या प्रकारे तयार केलेल्या विनंत्या चांगल्या प्रकारे हाताळल्या आणि जेव्हा ग्राहक रागावले, अस्पष्ट होते किंवा त्यांच्या पहिल्या उत्तरावर पुशबॅक करत होते तेव्हा तो कोसळला. प्रशिक्षण डेटामध्ये जवळजवळ कोणताही खरा पुशबॅक समाविष्ट नव्हता, कारण एकल एजंट दोन्ही बाजू खेळत असताना त्याच्या स्वतःच्या तिकिटांचे सहकार्याने निराकरण करतो.

पुनर्निर्माणासाठी मल्टी-एजंट सिम्युलेशनचा वापर केला गेला. एक व्यक्तिमत्व गट — निराशित पॉवर वापरकर्ता, गोंधळलेला नवागंतुक, सवलतींचा शिकार करणारा, ग्राहक जो आधीच दोन वेळा समर्थनाशी संपर्क साधला होता — याला एक एजंट व्यक्तिमत्वाच्या विरोधात समान परिस्थितीच्या लायब्ररीत चालवले गेले, ज्यात विरोधात्मक आणि वाढीव कॉन्फिगरेशन वरच्या स्तरावर ठेवले गेले. नवीन डेटासेटमध्ये गहाळ संरचना समाविष्ट होती: मल्टी-टर्न विरोधाभास साखळ्या, वाढीव समस्या, चुकीच्या उत्तरानंतर दुरुस्त्या, आणि अनिर्णीत समाप्त झालेल्या संवाद.

मल्टी-एजंट कॉर्पसवर पुन्हा प्रशिक्षित केल्यानंतर, बॉटचे वर्तन डेटा ज्या ठिकाणी बदलले होते तिथेच बदलले: त्याने असंतुष्ट ग्राहकांना त्याचे पहिले उत्तर पुन्हा देणे थांबवले, समस्यांचे समाधान करण्यापूर्वी निराशा मान्य करणे शिकले, आणि अधिक संवेदनशील क्षणांमध्ये मानवांकडे escalated केले. सामान्य धडा समर्थन बॉट्सच्या पलीकडे जातो: मॉडेल्स त्यांच्या डेटामध्ये उपस्थित संवाद पॅटर्न शिकतात, आणि मल्टी-एजंट सिम्युलेशन सध्या कठोर पॅटर्न ठेवण्याचा सर्वात नियंत्रित मार्ग आहे. विस्तृत जनरेशन पद्धतीसाठी, कृपया आमच्या सिंथेटिक संवाद डेटा तयार करण्याच्या मार्गदर्शककडे पहा.

सामान्यता विचारले जाणारे प्रश्न

मल्टी-एजंट सिम्युलेशन AI प्रशिक्षण डेटाला कसे सुधारते?

हे एकाच जनरेटरची जागा घेतो — जो एका वितरण आणि एका आवाजातून प्रत्येक संवादाचे नमुने घेतो — अनेक भिन्न व्यक्तिमत्त्वांसह जे खरोखर संवाद साधतात. परिणामी डेटा असहमती, वाटाघाटी, वाढ आणि लोकसंख्याशास्त्रीय विविधता समाविष्ट करतो, ज्याची एकल-एजंट जनरेशनमध्ये प्रणालीबद्धपणे कमतरता असते, जे अचूकपणे ते सामग्री आहे ज्याची वास्तविक जगातील मॉडेल्सला कठीण वापरकर्ते आणि बहुपक्षीय गती हाताळण्यासाठी आवश्यकता आहे.

एकल-एजंट आणि बहु-एजंट डेटा निर्मितीमध्ये काय फरक आहे?

एकल-एजंट उत्पादनामध्ये एक मॉडेल संवादाच्या सर्व बाजू तयार करते, त्यामुळे दोन्ही पक्ष गुप्तपणे एकच विश्वदृष्टी सामायिक करतात आणि संघर्ष अत्यंत सहकार्याने सोडवले जातात. बहु-एजंट उत्पादन प्रत्येक बाजूस वेगवेगळ्या कॉन्फिगर केलेल्या व्यक्तिमत्त्वांना नियुक्त करते — संशयवादी, आशावादी, व्यावहारिक, शैतानाचा वकील — त्यामुळे ताण, गैरसमज आणि अनुकूलन संवादाच्या स्वतःच्या प्रक्रियेतून उद्भवतात, स्क्रिप्ट केलेले नसतात.

मी मल्टी-एजंट एआयसह प्रशिक्षण डेटा कसा तयार करू?

पाच-चरणीय लूपचे पालन करा: वेगळ्या व्यक्तिमत्त्वांचा एक गट निश्चित करा, आपल्या परिस्थितींचे वादग्रस्त प्रश्न म्हणून रूपरेषा तयार करा, व्यक्तिमत्त्वांच्या कास्ट आणि संघर्षाच्या पातळ्या बदलत असताना वादविवाद चालवा, व्यक्तिमत्त्व सुसंगतता आणि खरी असहमतता यासाठी संरचित ट्रान्सक्रिप्टचे पुनरावलोकन करा, नंतर डेटा निर्यात करा, फिल्टर करा, डुप्लिकेट काढा आणि विभाजित करा. नेहमी अंतिम मॉडेलचे मूल्यांकन ठेवलेल्या वास्तविक डेटाच्या विरोधात करा, अधिक कृत्रिम डेटाच्या विरोधात नाही.

जर मी मल्टी-एजंट सिम्युलेशनचा वापर केला तर मला अजूनही वास्तविक डेटा आवश्यक आहे का?

होय. मल्टी-एजंट सिम्युलेशन हा स्केल लेयर आहे, ग्राउंड ट्रुथचा पर्याय नाही. वास्तविक डेटा दोन अपरिहार्य भूमिका बजावतो: तो व्यक्तिमत्व कॉन्फिगरेशनला वास्तविक वापरकर्ते कसे वागतात यावर आधारभूत करतो, आणि तो ठेवलेला मूल्यांकन सेट प्रदान करतो जो तुम्हाला सांगतो की कृत्रिम डेटावर प्रशिक्षण घेतल्याने वास्तविक जगातील कार्यक्षमता सुधारली का. कृत्रिम आणि वास्तविक डेटाला पूरक म्हणूनTreat करा.

प्रशिक्षण डेटा जनरेट करा जे परतवाद देते

पर्सोना ट्रूप असेंब्ल करा, संरचित डिबेट चालवा, आणि ट्रान्सक्रिप्ट्स एक्सपोर्ट करा ज्यांचा वापर तुमचे मॉडेल्स शिकू शकतात.

फ्री ट्रायल सुरू करा