論文の概要: ChatPipe: Orchestrating Data Preparation Program by Optimizing
Human-ChatGPT Interactions
- arxiv url: http://arxiv.org/abs/2304.03540v1
- Date: Fri, 7 Apr 2023 08:33:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-10 12:34:39.798015
- Title: ChatPipe: Orchestrating Data Preparation Program by Optimizing
Human-ChatGPT Interactions
- Title（参考訳）: ChatPipe:人間-ChatGPTインタラクションの最適化によるデータ準備プログラムのオーケストレーション
- Authors: Sibei Chen, Hanbing Liu, Weiting Jin, Xiangyu Sun, Xiaoyao Feng, Ju
Fan, Xiaoyong Du, Nan Tang
- Abstract要約: ChatPipeは、ユーザとChatGPT間のシームレスなインタラクションを容易にするように設計された、新しいシステムである。
ChatPipeは、次のデータ準備操作に対して効果的なレコメンデーションを提供し、ChatGPTをガイドしてオペレーションのプログラムを生成する。
われわれはChatPipe用のWebアプリケーションを開発し、Kaggleから現実のMLタスクを複数用意した。
- 参考スコア（独自算出の注目度）: 17.730203129078255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Orchestrating a high-quality data preparation program is essential for
successful machine learning (ML), but it is known to be time and effort
consuming. Despite the impressive capabilities of large language models like
ChatGPT in generating programs by interacting with users through natural
language prompts, there are still limitations. Specifically, a user must
provide specific prompts to iteratively guide ChatGPT in improving data
preparation programs, which requires a certain level of expertise in
programming, the dataset used and the ML task. Moreover, once a program has
been generated, it is non-trivial to revisit a previous version or make changes
to the program without starting the process over again. In this paper, we
present ChatPipe, a novel system designed to facilitate seamless interaction
between users and ChatGPT. ChatPipe provides users with effective
recommendation on next data preparation operations, and guides ChatGPT to
generate program for the operations. Also, ChatPipe enables users to easily
roll back to previous versions of the program, which facilitates more efficient
experimentation and testing. We have developed a web application for ChatPipe
and prepared several real-world ML tasks from Kaggle. These tasks can showcase
the capabilities of ChatPipe and enable VLDB attendees to easily experiment
with our novel features to rapidly orchestrate a high-quality data preparation
program.
- Abstract（参考訳）: 機械学習(ML)の成功には高品質なデータ準備プログラムのオーケストレーションが不可欠だが、時間と労力がかかることが知られている。
chatgptのような大規模言語モデルの自然言語プロンプトによるユーザとのインタラクションによるプログラム生成能力は印象的なものだが,それでも制限がある。
具体的には、プログラミング、使用するデータセット、mlタスクにある程度の専門知識を必要とするデータ準備プログラムの改善において、ユーザーがchatgptを反復的にガイドするための具体的なプロンプトを提供する必要がある。
さらに、一度プログラムが生成されると、前バージョンを再検討したり、再びプロセスを開始せずにプログラムに変更を加えることは自明ではない。
本稿では,ChatGPTとユーザ間のシームレスな対話を支援する新システムChatPipeを提案する。
ChatPipeは、次のデータ準備操作に対して効果的なレコメンデーションを提供し、ChatGPTをガイドしてオペレーションのプログラムを生成する。
また、chatpipeでは、ユーザーはプログラムの以前のバージョンに簡単にロールバックできるので、より効率的な実験とテストが容易になる。
我々はChatPipe用のWebアプリケーションを開発し、Kaggleから現実のMLタスクを複数用意した。
これらのタスクはChatPipeの機能を示し、VLDB参加者が私たちの新しい機能を簡単に実験し、高品質のデータ準備プログラムを迅速にオーケストレーションすることを可能にする。
関連論文リスト
- Improving Ontology Requirements Engineering with OntoChat and Participatory Prompting [3.3241053483599563]
OREは主に、ドメインの専門家からユーザ要求を集めるために、インタビューや共同フォーラムのような手動の手法に依存しています。
Current OntoChatは,大規模な言語モデル(LLM)を使用してプロセスを合理化するための,ORE用のフレームワークを提供する。
本研究は,ユーザストーリのペルソナ,目標,シナリオ,サンプルデータ,データリソースの作成と精錬に重点を置いた,ユーザクエリに基づく事前定義されたプロンプトテンプレートを生成する。
論文 参考訳（メタデータ） (2024-08-09T19:21:14Z) - Analyzing Chat Protocols of Novice Programmers Solving Introductory Programming Tasks with ChatGPT [0.12289361708127876]
大規模なドイツの大学の学生は、ChatGPTの助けを借りてプログラミング演習の解決に動機づけられた。
データは、プロンプト、頻度、チャットの進行状況、内容、その他の利用パターンについて分析された。
論文 参考訳（メタデータ） (2024-05-29T14:38:32Z) - ChatDev: Communicative Agents for Software Development [84.90400377131962]
ChatDevはチャットを利用したソフトウェア開発フレームワークで、特別なエージェントがコミュニケーション方法についてガイドされる。
これらのエージェントは、統一された言語ベースのコミュニケーションを通じて、設計、コーディング、テストフェーズに積極的に貢献する。
論文 参考訳（メタデータ） (2023-07-16T02:11:34Z) - InternGPT: Solving Vision-Centric Tasks by Interacting with ChatGPT
Beyond Language [82.92236977726655]
InternGPTは textbfinteraction, textbfnonverbal, textbfchatbot の略である。
InternGPT(iGPT)という対話型視覚フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-09T17:58:34Z) - Is ChatGPT the Ultimate Programming Assistant -- How far is it? [11.943927095071105]
ChatGPTは非常に注目されており、ソースコードを議論するためのボットとして使用できる。
完全自動プログラミングアシスタントとしてのChatGPTの可能性について実証的研究を行った。
論文 参考訳（メタデータ） (2023-04-24T09:20:13Z) - ChatGPT Beyond English: Towards a Comprehensive Evaluation of Large
Language Models in Multilingual Learning [70.57126720079971]
大規模言語モデル(LLM)は、自然言語処理(NLP)において最も重要なブレークスルーとして登場した。
本稿では,高,中,低,低リソースの37言語を対象として,ChatGPTを7つのタスクで評価する。
従来のモデルと比較すると,様々なNLPタスクや言語に対するChatGPTの性能は低下していた。
論文 参考訳（メタデータ） (2023-04-12T05:08:52Z) - Exploring the Feasibility of ChatGPT for Event Extraction [31.175880361951172]
イベント抽出は、自然言語処理における基本的なタスクであり、テキストで言及されたイベントに関する情報を特定し、抽出する。
ChatGPTは、タスク固有のデータセットや微調整を必要とせずに、単純なプロンプトで言語タスクを解決する機会を提供する。
また,ChatGPTは,脳波や複雑なシナリオにおけるタスク固有モデルの性能の51.04%に過ぎなかった。
論文 参考訳（メタデータ） (2023-03-07T12:03:58Z) - A Multitask, Multilingual, Multimodal Evaluation of ChatGPT on
Reasoning, Hallucination, and Interactivity [79.12003701981092]
8種類の共通NLPアプリケーションタスクをカバーする23のデータセットを用いてChatGPTの広範な技術的評価を行う。
これらのデータセットと、新たに設計されたマルチモーダルデータセットに基づいて、ChatGPTのマルチタスク、マルチリンガル、マルチモーダルの側面を評価する。
ChatGPTの精度は平均63.41%で、論理的推論、非テキスト的推論、コモンセンス推論の10の異なる推論カテゴリで正確である。
論文 参考訳（メタデータ） (2023-02-08T12:35:34Z) - Is ChatGPT a General-Purpose Natural Language Processing Task Solver? [113.22611481694825]
大規模言語モデル(LLM)は、さまざまな自然言語処理(NLP)タスクをゼロショットで実行できることを実証している。
近年、ChatGPTのデビューは自然言語処理(NLP)コミュニティから大きな注目を集めている。
ChatGPTが多くのNLPタスクをゼロショットで実行できるジェネラリストモデルとして機能するかどうかはまだ分かっていない。
論文 参考訳（メタデータ） (2023-02-08T09:44:51Z) - A Conversational Paradigm for Program Synthesis [110.94409515865867]
本稿では,大規模言語モデルを用いた対話型プログラム合成手法を提案する。
私たちは、自然言語とプログラミング言語のデータに基づいて、CodeGenと呼ばれる大規模な言語モデルのファミリーを訓練します。
本研究は,会話能力の出現と,提案した会話プログラム合成パラダイムの有効性を示すものである。
論文 参考訳（メタデータ） (2022-03-25T06:55:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。