論文の概要: Conversational Health Agents: A Personalized LLM-Powered Agent Framework
- arxiv url: http://arxiv.org/abs/2310.02374v4
- Date: Tue, 23 Jan 2024 21:27:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-25 17:18:28.741093
- Title: Conversational Health Agents: A Personalized LLM-Powered Agent Framework
- Title(参考訳): 会話型健康エージェント:パーソナライズされたLLMエージェントフレームワーク
- Authors: Mahyar Abbasian, Iman Azimi, Amir M. Rahmani, Ramesh Jain
- Abstract要約: 会話型健康エージェント(英: Conversational Health Agents、CHA)は、援助や診断などの医療サービスを提供する対話型システムである。
我々は,対話エージェントがユーザの医療クエリに対してパーソナライズされた応答を生成するためのオープンソースのフレームワークであるopenCHAを提案する。
openCHAには、外部ソースから情報を集めるためのアクションを計画し実行するためのオーケストレータが含まれている。
- 参考スコア(独自算出の注目度): 1.5946909835546885
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Conversational Health Agents (CHAs) are interactive systems that provide
healthcare services, such as assistance and diagnosis. Current CHAs, especially
those utilizing Large Language Models (LLMs), primarily focus on conversation
aspects. However, they offer limited agent capabilities, specifically lacking
multi-step problem-solving, personalized conversations, and multimodal data
analysis. Our aim is to overcome these limitations. We propose openCHA, an
open-source LLM-powered framework, to empower conversational agents to generate
a personalized response for users' healthcare queries. This framework enables
developers to integrate external sources including data sources, knowledge
bases, and analysis models, into their LLM-based solutions. openCHA includes an
orchestrator to plan and execute actions for gathering information from
external sources, essential for formulating responses to user inquiries. It
facilitates knowledge acquisition, problem-solving capabilities, multilingual
and multimodal conversations, and fosters interaction with various AI
platforms. We illustrate the framework's proficiency in handling complex
healthcare tasks via three demonstrations. Moreover, we release openCHA as open
source available to the community via GitHub.
- Abstract(参考訳): 会話型医療エージェント(chas)は、援助や診断などの医療サービスを提供する対話型システムである。
現在のCHA、特にLLM(Large Language Models)を利用するものは、主に会話の側面に焦点を当てています。
しかし、それらは限定的なエージェント機能を提供し、特にマルチステップ問題解決、パーソナライズされた会話、マルチモーダルデータ分析を欠いている。
私たちの目標はこれらの制限を克服することです。
我々は,対話エージェントがユーザの医療クエリに対してパーソナライズされた応答を生成するための,オープンソースのLLMフレームワークであるopenCHAを提案する。
このフレームワークにより、開発者はデータソース、知識ベース、分析モデルを含む外部ソースをLLMベースのソリューションに統合できる。
openchaには、外部ソースから情報を収集するためのアクションを計画および実行するためのオーケストレータが含まれている。
知識獲得、問題解決機能、多言語およびマルチモーダル会話を促進し、さまざまなAIプラットフォームとのインタラクションを促進する。
3つのデモを通じて,複雑な医療タスクの処理におけるフレームワークの習熟度を示す。
さらに私たちは,openchaをオープンソースとしてgithub経由でコミュニティに公開しています。
関連論文リスト
- AgentScope: A Flexible yet Robust Multi-Agent Platform [66.61478569048477]
AgentScopeは、メッセージ交換をコアコミュニケーションメカニズムとする、開発者中心のマルチエージェントプラットフォームである。
堅牢で柔軟なマルチエージェントアプリケーションを目指して、AgentScopeはビルトインとカスタマイズ可能なフォールトトレランスメカニズムを提供する。
論文 参考訳(メタデータ) (2024-02-21T04:11:28Z) - Exploring Interaction Patterns for Debugging: Enhancing Conversational
Capabilities of AI-assistants [18.53732314023887]
大規模言語モデル(LLM)は、プログラマが様々なソフトウェア開発タスクの自然言語説明を得ることを可能にする。
LLMはしばしば十分な文脈なしに行動し、暗黙の仮定や不正確な反応を引き起こす。
本稿では,対話パターンと会話分析からインスピレーションを得て,デバッグのための対話型AIアシスタントRobinを設計する。
論文 参考訳(メタデータ) (2024-02-09T07:44:27Z) - LLMCheckup: Conversational Examination of Large Language Models via
Interpretability Tools [20.536681813020824]
ユーザがその振る舞いについて,最先端の大規模言語モデル(LLM)とチャットできる,アクセスしやすいツールを提案する。
我々はLSMが単独ですべての説明を生成し、微調整をせずに意図認識の処理を行えるようにした。
LLMCheckupは、XAIのさまざまなレベルの専門知識を持つ個人を対象に、システムで利用可能なオペレーションのチュートリアルを提供する。
論文 参考訳(メタデータ) (2024-01-23T09:11:07Z) - SpeechAgents: Human-Communication Simulation with Multi-Modal
Multi-Agent Systems [53.94772445896213]
大規模言語モデル(LLM)に基づくマルチエージェントシステムは,人間の社会をシミュレートする上で有望な性能を示した。
本研究では,マルチモーダルLLMに基づくマルチエージェントシステムであるSpeechAgentsを提案する。
論文 参考訳(メタデータ) (2024-01-08T15:01:08Z) - Exploring Large Language Model based Intelligent Agents: Definitions,
Methods, and Prospects [32.91556128291915]
本稿では, シングルエージェントおよびマルチエージェントシステムにおける知的エージェントの詳細な概要を提供するため, 現在の研究状況について調査する。
定義、研究フレームワーク、その構成、認知と計画方法、ツール利用、環境フィードバックに対する反応などの基礎的な構成要素を網羅する。
我々は、AIと自然言語処理の進化の展望を考慮し、LLMベースのエージェントの展望を思い浮かべて結論付ける。
論文 参考訳(メタデータ) (2024-01-07T09:08:24Z) - Large Language Model Enhanced Multi-Agent Systems for 6G Communications [94.45712802626794]
本稿では,自然言語を用いたコミュニケーション関連タスクを解くための,カスタマイズされたコミュニケーション知識とツールを備えたマルチエージェントシステムを提案する。
セマンティック通信システムの設計により,提案方式の有効性を検証した。
論文 参考訳(メタデータ) (2023-12-13T02:35:57Z) - LMRL Gym: Benchmarks for Multi-Turn Reinforcement Learning with Language
Models [56.25156596019168]
本稿では,LMRL-Gymベンチマークを用いて,大規模言語モデル(LLM)のマルチターンRLの評価を行う。
我々のベンチマークは8つの異なる言語タスクで構成されており、複数ラウンドの言語相互作用が必要であり、オープンエンド対話やテキストゲームにおける様々なタスクをカバーする。
論文 参考訳(メタデータ) (2023-11-30T03:59:31Z) - AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation [61.455159391215915]
AutoGenはオープンソースのフレームワークで、複数のエージェントを介してLLMアプリケーションを構築することができる。
AutoGenエージェントはカスタマイズ可能で、変換可能で、LLM、ヒューマンインプット、ツールの組み合わせを使った様々なモードで操作できる。
論文 参考訳(メタデータ) (2023-08-16T05:57:52Z) - CAMEL: Communicative Agents for "Mind" Exploration of Large Language
Model Society [58.04479313658851]
本稿では,コミュニケーションエージェント間の自律的協調を支援するスケーラブルな手法の構築の可能性について検討する。
本稿では,ロールプレイングという新しいコミュニケーションエージェントフレームワークを提案する。
コントリビューションには、新しいコミュニケーティブエージェントフレームワークの導入、マルチエージェントシステムの協調行動や能力を研究するためのスケーラブルなアプローチの提供などが含まれます。
論文 参考訳(メタデータ) (2023-03-31T01:09:00Z) - GLM-Dialog: Noise-tolerant Pre-training for Knowledge-grounded Dialogue
Generation [21.91914619107555]
GLM-Dialogは、中国語で知識に基づく会話ができる10Bパラメータを持つ大規模言語モデル(LLM)である。
我々は,オープンソースモデルと信頼性のある対話評価システムの開発を促進するために,評価プラットフォームをオンラインで提供します。
論文 参考訳(メタデータ) (2023-02-28T08:35:28Z)
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。