การสร้างชุดข้อมูลการฝึกอบรม AI ที่ดีขึ้นด้วยการจำลองแบบหลายตัวแทน

TL;DR

•การสร้างข้อมูลโดยใช้ตัวแทนเดียวจะทำให้ข้อมูลมีลักษณะเหมือนกัน การจำลองแบบหลายตัวแทนจะทำให้ข้อมูลมีความหลากหลายและความขัดแย้ง
•มีเทคนิค 4 แบบ: การอภิปรายแบบขัดแย้ง การแก้ปัญหาแบบร่วมมือ การสร้างความหลากหลายโดยใช้ตัวแทน และการสร้างสถานการณ์ที่มีความยากเพิ่มขึ้น
•การนำไปใช้จะประกอบด้วย 5 ขั้นตอน — การกำหนดตัวแทน การสร้างสถานการณ์ที่สามารถอภิปรายได้ การจัดอภิปราย การทบทวนการอภิปราย และการนำออก — และจะวัดคุณภาพโดยใช้มาตรควณความหลากหลาย ความสอดคล้อง ความสอดคล้องของตัวแทน และการวิเคราะห์การครอบคลุม

Please provide the text you would like to have translated.

มีโหมดความล้มเหลวที่เงียบในสายการผลิตข้อมูลสังเคราะห์: ชุดข้อมูลการฝึก AI ที่สร้างขึ้นด้วยตัวสร้างเพียงตัวเดียวทั้งหมดฟังดูเหมือนคนคนเดียวกัน หากคุณสั่งให้โมเดลหนึ่งสร้างการสนทนาของลูกค้าหมื่นครั้ง คุณจะได้การเปลี่ยนแปลงหมื่นแบบของลูกค้าที่น่าจะเป็นมากที่สุด — มีระดับความสุภาพเหมือนกัน รูปแบบการคัดค้านเหมือนกัน และการแก้ปัญหาที่เรียบร้อยเหมือนกัน โมเดลที่ได้รับการฝึกอบรมจากข้อมูลนั้นทำงานได้ดีมากในข้อมูลที่ดูเหมือนมัน แต่กลับสะดุดเมื่อเจอกับผู้ใช้จริง ซึ่งมีความยุ่งเหยิง โกรธมาก สับสนมาก และมีความหลากหลายมากกว่าจินตนาการของตัวแทนเพียงคนเดียว

การจำลองแบบหลายตัวแทนโจมตีปัญหาที่รากของมัน แทนที่จะมีตัวแทนเพียงตัวเดียวที่สร้างทั้งสองด้านของการมีปฏิสัมพันธ์ ตัวตนของ AI หลายตัวที่มีลักษณะที่แตกต่างกันอย่างแท้จริง — ผู้สงสัย, ผู้มองโลกในแง่ดี, ผู้ปฏิบัตินิยม, ผู้สนับสนุนฝ่ายตรงข้าม — จะมีปฏิสัมพันธ์, โต้แย้ง, และเจรจากับกัน ข้อมูลที่ได้จะบรรจุสิ่งที่ระบบ AI ในโลกจริงต้องเรียนรู้: ความไม่เห็นด้วย, การชักจูง, ความหงุดหงิด, การซ่อมแซม, และความขัดแย้งเล็กน้อยนับพันของมนุษย์ที่ไม่แชร์สคริปต์เดียวกัน

คู่มือนี้ครอบคลุมถึงเหตุผลที่การสร้างแบบหลายตัวแทนมีประสิทธิภาพดีกว่าการสร้างแบบตัวแทนเดียว เทคนิคการจำลองหลักสี่ประการ การดำเนินการทีละขั้นตอนด้วย ArgumenTroupe และมาตรวัดคุณภาพที่บอกคุณว่าชุดข้อมูลสังเคราะห์ของคุณมีค่าต่อการฝึกอบรมหรือไม่

ทำไมต้องใช้ Multi-Agent สำหรับข้อมูลการฝึกอบรม?

การเปลี่ยนแปลงข้อมูลสังเคราะห์ไม่ใช่เรื่องที่คาดเดาอีกต่อไป — Gartner คาดการณ์ว่า 75% ขององค์กรจะใช้ข้อมูลสังเคราะห์สำหรับ AI ภายในปี 2026 และ การวิจัยข้อมูลสังเคราะห์ ตอนนี้กลายเป็นสาขามาตรฐาน คำถามที่ยังเปิดอยู่ไม่ใช่ว่าจะสร้างหรือไม่ แต่เป็นว่าจะสร้างข้อมูลที่หลากหลายพอที่จะมีประโยชน์ได้อย่างไร

ปัญหาความหลากหลาย

การสร้างแบบตัวแทนเดี่ยวมีเพดานโครงสร้าง โมเดลหนึ่ง ไม่ว่าจะมีความสามารถเพียงใด ก็จะสุ่มจากการแจกแจงเดียวเท่านั้น:

✗ความแปรผันที่เหมือนกัน — การพาราฟเรสในระดับผิวที่มีเนื้อหาพื้นฐานเดียวกัน ไม่ใช่การโต้ตอบที่แตกต่างกันอย่างแท้จริง
✗ขาดโครงสร้างหลายมุมมอง — การสนทนาที่แท้จริงเกี่ยวข้องกับฝ่ายที่มีเป้าหมาย ความรู้ และอารมณ์ที่แตกต่างกัน; ตัวแทนเพียงคนเดียวที่เล่นทั้งสองฝ่ายจะทำให้มุมมองเดียวรั่วไหลเข้าสู่ทั้งสองฝ่าย
✗ไม่มีรูปแบบความขัดแย้งหรือการเจรจา — เครื่องกำเนิดไฟฟ้าจัดการความตึงเครียดอย่างร่วมมือมากเกินไป ดังนั้นโมเดลที่ฝึกฝนมาไม่เคยเรียนรู้ที่จะจัดการกับผู้ใช้ที่ไม่ยอมให้ปลอบใจ
✗กรณีขอบที่มีการแสดงออกน้อย — การโต้ตอบที่ไม่น่าจะเกิดขึ้นแต่สำคัญยังคงไม่น่าจะเกิดขึ้นในผลลัพธ์ ซึ่งเป็นจุดที่โมเดลล้มเหลวในสภาพแวดล้อมการผลิต

ข้อดีของหลายตัวแทน

การนำบุคลิกที่แตกต่างกันมาใช้ในการมีปฏิสัมพันธ์ที่แท้จริงจะพลิกข้อบกพร่องแต่ละอย่าง:

✓ความแปรผันตามธรรมชาติจากบุคลิกที่แตกต่างกัน — ผู้ที่มีทัศนคติที่สงสัยและผู้ที่มองโลกในแง่ดีตอบสนองต่อสถานการณ์เดียวกันจะใช้ภาษาที่มีโครงสร้างแตกต่างกัน ไม่ใช่การพูดซ้ำ
✓พลศาสตร์การสนทนาที่สมจริง — การขัดจังหวะ, ความเข้าใจผิด, การชี้แจง, และการเปลี่ยนหัวข้อเกิดขึ้นจากการมีปฏิสัมพันธ์แทนที่จะถูกเขียนไว้ล่วงหน้า
✓พฤติกรรมและรูปแบบที่เกิดขึ้นใหม่ — การเจรจา, การเปลี่ยนแปลงพันธมิตร, และการยอม concessions ปรากฏขึ้นโดยที่ไม่มีใครกระตุ้น เพราะมันเกิดจากเป้าหมายที่ขัดแย้งกัน
✓การครอบคลุมกรณีขอบที่เป็นระบบ — กำหนดบุคลิกภาพให้เป็นกรณีที่ยาก (ลูกค้าที่โกรธ, มือใหม่ที่สับสน) และกรณีขอบจะกลายเป็นพารามิเตอร์การกำหนดค่าแทนที่จะเป็นอุบัติเหตุที่โชคดี

เทคนิคการจำลองแบบหลายตัวแทน

เทคนิคสี่อย่างครอบคลุมความต้องการข้อมูลการฝึกอบรมส่วนใหญ่ พวกมันประกอบกัน — ท่อส่งที่มีความเป็นผู้ใหญ่จะทำงานหลายอย่างพร้อมกันกับห้องสมุดสถานการณ์เดียวกัน

เทคนิคที่ 1: การสนทนาที่เป็นปฏิปักษ์

ตัวแทนคนหนึ่งเสนอ; ตัวแทนคนที่สองวิจารณ์ ผู้เสนอจะต้องปกป้อง ปรับปรุง หรือยอมแพ้ และการแลกเปลี่ยนแต่ละครั้งจะสร้างชุดข้อเสนอ-การคัดค้าน-การตอบสนอง นี่คือแหล่งข้อมูลการจัดการการคัดค้านที่อุดมสมบูรณ์ที่สุด — รูปแบบที่ต้องการมากที่สุดสำหรับการเผชิญหน้ากับลูกค้าและการให้คำปรึกษา แต่ชุดข้อมูลเชิงออร์แกนิกมีน้อยที่สุด เนื่องจากนักวิจารณ์ถูกตั้งค่าให้ไม่หยุดยั้ง ข้อมูลจึงครอบคลุมห่วงโซ่การโต้แย้งที่ลึกซึ้งกว่าการสนทนาของมนุษย์ที่สุภาพที่เคยบันทึกไว้ ชุดข้อมูลที่สร้างขึ้นในลักษณะนี้สอนโมเดลไม่เพียงแค่สิ่งที่ต้องพูด แต่ยังสอนวิธียืนหยัดในตำแหน่งภายใต้แรงกดดันและเมื่อใดควรยอมแพ้

เทคนิคที่ 2: การแก้ปัญหาร่วมกัน

หลายตัวแทนทำงานเพื่อเป้าหมายร่วมกัน — การวางแผนโครงการ, การวินิจฉัยข้อบกพร่อง, การร่างเอกสาร การมีปฏิสัมพันธ์นี้จับภาพภาษาการประสานงาน: การเสนอขั้นตอนถัดไป, การจัดสรรงานย่อย, การตรวจสอบความเข้าใจ, การสร้างจากคำตอบบางส่วน นอกจากนี้ยังจำลองการผลัดกันพูดที่สมจริงและความไม่สมดุลในการมีส่วนร่วม เนื่องจากกลุ่มที่มีการกำหนดค่าที่ดีจะรวมถึงเสียงที่โดดเด่น, ผู้สรุปที่รอบคอบ, และสมาชิกที่เงียบซึ่งต้องถูกดึงออกมา โมเดลผู้ช่วยที่ฝึกด้วยข้อมูลนี้จัดการกับเธรดหลายฝ่ายและงานที่ดำเนินการยาวนานได้ดีกว่าชัดเจนเมื่อเปรียบเทียบกับโมเดลที่ฝึกเฉพาะในการแลกเปลี่ยนแบบตัวต่อตัว

เทคนิคที่ 3: การเปลี่ยนแปลงตามบุคลิกภาพ

สถานการณ์เดียวกันนี้เกิดขึ้นซ้ำแล้วซ้ำเล่าด้วยนักแสดงบุคลิกที่แตกต่างกัน คำขอคืนเงินที่จัดการโดยผู้เกษียณอายุที่มีความอดทน ผู้บริหารที่พูดสั้น และผู้ซื้อครั้งแรกที่วิตกกังวล จะสร้างการสนทนาที่มีโครงสร้างแตกต่างกันสามแบบจากการกำหนดสถานการณ์เดียว — ความหลากหลายทางประชากรและสไตล์ที่มีต้นทุนการเขียนเพิ่มเติมเกือบเป็นศูนย์ นี่คือเทคนิคหลักสำหรับการครอบคลุม: กำหนดห้องสมุดสถานการณ์ของคุณเพียงครั้งเดียว จากนั้นนำไปใช้กับแมทริกซ์บุคลิกที่สร้างจากโปรไฟล์ AI persona ที่แท้จริง นอกจากนี้ยังเป็นวิธีที่ซื่อสัตย์ในการทดสอบว่าโมเดลนั้นให้บริการผู้ใช้ทุกคนของคุณ ไม่ใช่แค่ผู้ใช้เฉลี่ยเท่านั้น

เทคนิคที่ 4: สถานการณ์การเพิ่มระดับ

ความยากลำบากและความขัดแย้งเพิ่มขึ้นอย่างตั้งใจในระหว่างการโต้ตอบ — คำถามเล็กน้อยกลายเป็นการร้องเรียน กลายเป็นการข่มขู่ที่จะเปลี่ยนแปลง กลายเป็นการเรียกร้องให้มีผู้จัดการ การเพิ่มระดับความตึงเครียดจะบันทึกรูปแบบการปรับตัว (วิธีที่ภาษาปรับเปลี่ยนเมื่อความเสี่ยงเพิ่มขึ้น) และกลยุทธ์การแก้ไข (สิ่งใดที่ทำให้ลดความตึงเครียด สิ่งใดที่ทำให้เกิดความรุนแรง) บันทึกจริงมีอาร์คการเพิ่มระดับความตึงเครียดที่สมบูรณ์น้อยมากเพราะการสนทนาส่วนใหญ่สิ้นสุดลงก่อนเวลา; การจำลองสามารถสร้างอาร์คที่สมบูรณ์ได้ทุกครั้ง รวมถึงการฟื้นฟู สำหรับโมเดลที่มีความสำคัญต่อความปลอดภัยและการสนับสนุน เทคนิคนี้ผลิตตัวอย่างการฝึกอบรมที่สำคัญที่สุดต่อแต่ละโทเค็น

คู่มือการใช้งาน: การสร้างข้อมูลหลายตัวแทนด้วย ArgumenTroupe

ArgumenTroupe ถูกสร้างขึ้นสำหรับการอภิปรายหลายบุคลิก ซึ่งทำให้มันเป็นเครื่องมือสร้างที่เป็นธรรมชาติ: คุณรวบรวมกลุ่มบุคลิก, ให้พวกเขามีเรื่องที่ไม่เห็นด้วย และเก็บเกี่ยวการอภิปรายที่มีโครงสร้าง ไม่จำเป็นต้องมีการเขียนสคริปต์ — ทั้งหมดทำงานผ่านการกำหนดค่า นี่คือกระบวนการทำงานตั้งแต่ต้นจนจบ

กำหนดกลุ่มบุคลิกของคุณ

เริ่มจากบทบาทพื้นฐาน — ผู้สงสัย, ผู้มองโลกในแง่ดี, ผู้มีเหตุผล, ผู้ที่ตั้งคำถาม — และขยายด้วยโปรไฟล์ที่ชุดข้อมูลของคุณต้องการ: ลูกค้าที่รู้สึกผิดหวังมานาน, มือใหม่ที่ไม่เชี่ยวชาญด้านเทคนิค, ผู้จัดการที่ใส่ใจเรื่องการปฏิบัติตามกฎระเบียบ สำหรับแต่ละบุคลิกคุณจะระบุชื่อ, ลักษณะบางประการ (ใจร้อน, ใส่ใจรายละเอียด, ไม่ชอบความเสี่ยง), และบรรทัดบริบทที่ยึดโยงสถานการณ์ของพวกเขา ความแตกต่างคือจุดประสงค์ทั้งหมด: หากบุคลิกสองตัวพูดสิ่งเดียวกัน ให้รวมพวกเขาและเพิ่มบุคลิกที่ไม่พูดสิ่งนั้น.

กำหนดสถานการณ์เป็นคำถามที่สามารถถกเถียงได้

ข้อมูลหลายตัวแทนมีความหลากหลายเท่ากับความตึงเครียดในคำสั่ง เปลี่ยนแต่ละสถานการณ์ในห้องสมุดของคุณให้เป็นสิ่งที่ตัวละครสามารถไม่เห็นด้วยกันได้อย่างแท้จริง — ไม่ใช่ "พูดคุยเกี่ยวกับนโยบายการคืนเงินของเรา" แต่เป็น "ควรอนุมัติการคืนเงินที่อยู่ในขอบเขตนี้หรือไม่?" ตั้งค่าพารามิเตอร์ต่อการทำงาน: ตัวละครใดเข้าร่วม, จำนวนรอบการแลกเปลี่ยนโดยประมาณ, และกรณีขอบใดบ้างที่ต้องปรากฏ (การขัดจังหวะ, การแก้ไขข้อเท็จจริง, การสิ้นสุดที่ไม่สามารถแก้ไขได้).

จัดการอภิปรายและเปลี่ยนแปลงการตั้งค่า

เริ่มการจำลองและให้กลุ่มแสดงการโต้เถียง จากนั้นให้รันสถานการณ์เดียวกันอีกครั้งโดยสลับนักแสดง (การเปลี่ยนแปลงตามบุคลิก) โดยเพิ่มนักวิจารณ์ (การสนทนาเชิงโต้แย้ง) หรือเพิ่มความเสี่ยง (การเพิ่มระดับ) ทุกการกำหนดค่าคือข้อมูลใหม่จากการลงทุนในสถานการณ์เดียวกัน ติดแท็กทุกการรันด้วยสถานการณ์, รายชื่อนักแสดงบุคลิก, และผลลัพธ์ที่ตั้งใจไว้ในขณะที่คุณทำ — เมตาดาต้าที่เพิ่มในช่วงเวลาการสร้างนั้นแทบจะไม่มีค่าใช้จ่าย และการสร้างมันขึ้นมาใหม่ในภายหลังไม่เคยฟรีเลย

ตรวจสอบการถอดความที่มีโครงสร้าง

นี่คือที่ที่แพลตฟอร์มการอภิปรายมีความสำคัญมากกว่ารูปแบบดิบ ArgumenTroupe บันทึกแต่ละเซสชันเป็นทรานสคริปต์การโต้แย้งที่มีโครงสร้าง — ใครพูดอะไร ตอบสนองต่อจุดไหน และเข้าข้างฝ่ายไหน — แทนที่จะเป็นข้อความที่ไม่แยกแยะ Skim เซสชันในระดับการโต้แย้ง: ตรวจสอบว่าตัวละครยังคงอยู่ในบทบาท ว่ามีการไม่เห็นด้วยเกิดขึ้นจริง และว่าการสนทนาจบลงในหลากหลายวิธี ทิ้งหรือทำเครื่องหมายการวิ่งที่กลุ่มตกลงกันเร็วเกินไป — ความเห็นพ้องต้องกันคือโหมดความล้มเหลวของความหลากหลายสังเคราะห์

ส่งออกและกรองสำหรับการฝึกอบรม

ส่งออกทรานสคริปต์ที่ได้รับการอนุมัติพร้อมกับข้อมูลเมตา จากนั้นใช้การตรวจสอบมาตรฐาน: ตัวกรองอัตโนมัติสำหรับเนื้อหาที่ว่างเปล่า ซ้ำซ้อน หรือไม่เป็นไปตามนโยบาย; การลบข้อมูลซ้ำในรันที่เกือบเหมือนกัน; การตรวจสอบโดยมนุษย์ในตัวอย่างแบบสุ่ม แบ่งออกเป็นชุดฝึกอบรม ชุดการตรวจสอบ และชุดทดสอบ — และเก็บข้อมูลที่สร้างโดยมนุษย์จริงไว้สำหรับการประเมินผลสุดท้าย เพื่อให้คุณวัดโมเดลกับความเป็นจริงแทนที่จะวัดกับข้อมูลสังเคราะห์เพิ่มเติม ท่อส่งเดียวกันนี้ถูกอธิบายจากมุมมองของผลิตภัณฑ์ใน <a href="/use-cases/training-data-generation">กรณีการใช้การสร้างข้อมูลฝึกอบรม</a> ของเรา

มาตรฐานคุณภาพสำหรับข้อมูลหลายตัวแทน

การสร้างข้อมูลนั้นมีค่าใช้จ่ายต่ำ; การรู้ว่าคุณสร้างอะไรขึ้นมานั้นคือวินัย ครอบครัวเมตริกสี่กลุ่มครอบคลุมชุดข้อมูลหลายตัวแทน:

•คะแนนความหลากหลาย — การกระจายทางศัพท์และความหมายทั่วทั้งคอร์ปัส หากการฝังของการสนทนาของคุณรวมกลุ่มกันอย่างแน่นหนา บุคลิกของคุณจะรวมเป็นเสียงเดียวและพรีเมียมหลายตัวแทนจะหายไป
•มาตรการความสอดคล้อง — แต่ละการพูดตอบสนองต่อสิ่งที่เกิดขึ้นก่อนหน้านี้หรือไม่? การทำงานแบบหลายตัวแทนอาจเบี่ยงเบนไปสู่การพูดคนละเรื่อง; การตรวจสอบความสอดคล้องจะจับการถอดความที่ตัวแทนพูดข้ามกัน.
•ความสอดคล้องของบุคลิกภาพ — ผู้ที่มีความสงสัยในเทิร์นที่ 2 ต้องยังคงเป็นผู้ที่มีความสงสัยในเทิร์นที่ 20 บุคลิกภาพที่ไม่สอดคล้องกันจะสอนโมเดลในขั้นตอนถัดไปว่าตัวตนของผู้พูดไม่มีความหมาย ซึ่งจะทำให้สัญญาณที่คุณสร้างข้อมูลขึ้นมานั้นเสียหาย
•การวิเคราะห์ความครอบคลุม — แผนที่ที่สร้างขึ้นจะทำการรันตามแมทริกซ์ตามบุคลิกลักษณะและกรณีขอบที่คุณต้องการ ช่องว่างในแมทริกซ์จะเงียบจนกว่าจะมีโมเดลการผลิตที่ตรงกับเซลล์ที่คุณไม่เคยสร้างขึ้น

กรณีศึกษา: การฝึกอบรมบอทบริการลูกค้า

พิจารณาตัวอย่างที่เป็นตัวแทน (รวม) : ทีมที่กำลังสร้างผู้ช่วยบริการลูกค้าสำหรับผลิตภัณฑ์ที่สมัครสมาชิก ชุดข้อมูลการฝึกอบรมชุดแรกของพวกเขาถูกสร้างขึ้นโดยตัวแทนเดียว — โมเดลหนึ่งที่แสดงบทบาททั้งลูกค้าและตัวแทนในตั๋วหลายพันใบ บอททำงานได้ดีในระดับภายในและจากนั้นก็ทำผลงานได้ไม่ดีเมื่อเผชิญกับลูกค้าจริง ในรูปแบบที่บอกเล่า: มันจัดการกับคำขอที่สุภาพและมีรูปแบบดีได้อย่างดี แต่ล้มเหลวเมื่อมีลูกค้าโกรธ สับสน หรือไม่เห็นด้วยกับคำตอบแรกของมัน ข้อมูลการฝึกอบรมแทบไม่มีการตอบโต้ที่แท้จริงเลย เพราะตัวแทนเดียวที่เล่นทั้งสองฝ่ายจะจัดการตั๋วของตนเองอย่างร่วมมือกัน

การสร้างใหม่ใช้การจำลองแบบหลายตัวแทน กลุ่มบุคลิกภาพ — ผู้ใช้ที่มีความสามารถสูงที่รู้สึกหงุดหงิด, ผู้มาใหม่ที่สับสน, นักล่าคูปอง, ลูกค้าที่เคยติดต่อฝ่ายสนับสนุนไปแล้วสองครั้ง — ถูกนำมาทดสอบกับบุคลิกภาพของตัวแทนในห้องสมุดสถานการณ์เดียวกัน โดยมีการกำหนดการเผชิญหน้าและการเพิ่มระดับซ้อนทับอยู่ด้วย ชุดข้อมูลใหม่มีโครงสร้างที่ขาดหายไป: ห่วงโซ่การคัดค้านหลายรอบ, การเพิ่มระดับ, การซ่อมแซมหลังจากคำตอบที่ผิด, และการสนทนาที่จบลงโดยไม่มีการแก้ไข.

ได้รับการฝึกฝนใหม่บนคอร์ปัสหลายตัวแทน พฤติกรรมของบอทเปลี่ยนแปลงไปในจุดที่ข้อมูลได้เปลี่ยนแปลง: มันหยุดการตอบคำถามแรกซ้ำให้กับลูกค้าที่ไม่พอใจ เรียนรู้ที่จะรับรู้ความหงุดหงิดก่อนการแก้ปัญหา และส่งต่อไปยังมนุษย์ในช่วงเวลาที่เหมาะสมมากขึ้น บทเรียนทั่วไปนี้สามารถนำไปใช้ได้เกินกว่าบอทสนับสนุน: โมเดลเรียนรู้รูปแบบการโต้ตอบที่มีอยู่ในข้อมูลของพวกเขา และการจำลองหลายตัวแทนในปัจจุบันเป็นวิธีที่ควบคุมได้มากที่สุดในการใส่รูปแบบที่ยากเข้าไป สำหรับวิธีการสร้างที่กว้างขึ้น โปรดดูคู่มือของเราเกี่ยวกับ การสร้างข้อมูลการสนทนาเชิงสังเคราะห์.

คำถามที่พบบ่อย

การจำลองแบบหลายตัวแทนจะช่วยปรับปรุงข้อมูลการฝึกอบรม AI อย่างไร?

การจำลองแบบหลายตัวแทนจะช่วยแทนที่ตัวแทนเดียวด้วยตัวแทน AI ที่มีลักษณะแตกต่างกัน

ความแตกต่างระหว่างการสร้างข้อมูลโดยใช้ตัวแทนเดียวและหลายตัวแทนคืออะไร?

การสร้างข้อมูลโดยใช้ตัวแทนเดียวจะทำให้ข้อมูลมีลักษณะเหมือนกัน การจำลองแบบหลายตัวแทนจะช่วยสร้างข้อมูลที่มีความหลากหลายและสมจริง

ฉันสามารถสร้างข้อมูลการฝึกอบรม AI โดยใช้การจำลองแบบหลายตัวแทนได้อย่างไร?

ตาม 5 ขั้นตอน: กำหนดตัวแทน สร้างสถานการณ์ที่สามารถอภิปรายได้ จัดอภิปราย ทบทวนการอภิปราย และนำออก

ฉันต้องใช้ข้อมูลจริงหรือไม่หากฉันใช้การจำลองแบบหลายตัวแทน?

ใช่ ข้อมูลจริงจะช่วยให้คุณประเมินผลการฝึกอบรม AI ได้อย่างแม่นยำ

สร้างข้อมูลการฝึกอบรม AI ที่มีคุณภาพ

สร้างข้อมูลการฝึกอบรม AI ที่มีคุณภาพโดยใช้การจำลองแบบหลายตัวแทน

เริ่มต้นใช้งานฟรี