論文の概要: One Agent Too Many: User Perspectives on Approaches to Multi-agent Conversational AI

• arxiv url: http://arxiv.org/abs/2401.07123v1
• Date: Sat, 13 Jan 2024 17:30:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 19:47:38.804397
• Title: One Agent Too Many: User Perspectives on Approaches to Multi-agent Conversational AI
• Title（参考訳）: エージェントが多すぎる:マルチエージェント会話型AIへのアプローチに関するユーザ視点
• Authors: Christopher Clarke, Karthik Krishnamurthy, Walter Talamonti, Yiping Kang, Lingjia Tang, Jason Mars
• Abstract要約: システムユーザビリティとシステムパフォーマンスの両方において,エージェントオーケストレーションを抽象化する上で,ユーザにとって重要な選択肢があることが示される。 人間の選択した回答の1%以内に評価された質の高い応答を提供できることを実証する。
• 参考スコア（独自算出の注目度）: 10.825570464035872
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conversational agents have been gaining increasing popularity in recent years. Influenced by the widespread adoption of task-oriented agents such as Apple Siri and Amazon Alexa, these agents are being deployed into various applications to enhance user experience. Although these agents promote "ask me anything" functionality, they are typically built to focus on a single or finite set of expertise. Given that complex tasks often require more than one expertise, this results in the users needing to learn and adopt multiple agents. One approach to alleviate this is to abstract the orchestration of agents in the background. However, this removes the option of choice and flexibility, potentially harming the ability to complete tasks. In this paper, we explore these different interaction experiences (one agent for all) vs (user choice of agents) for conversational AI. We design prototypes for each, systematically evaluating their ability to facilitate task completion. Through a series of conducted user studies, we show that users have a significant preference for abstracting agent orchestration in both system usability and system performance. Additionally, we demonstrate that this mode of interaction is able to provide quality responses that are rated within 1% of human-selected answers.
• Abstract（参考訳）: 近年,会話エージェントの人気が高まっている。 Apple SiriやAmazon Alexaといったタスク指向エージェントの普及の影響を受け、これらのエージェントはユーザエクスペリエンスを向上させるためにさまざまなアプリケーションにデプロイされている。 これらのエージェントは "Ask me anything" 機能を促進するが、通常は単一のまたは有限の専門知識にフォーカスするために構築される。 複雑なタスクは複数の専門知識を必要とすることが多いため、複数のエージェントを学び、採用する必要がある。 これを軽減する1つのアプローチは、バックグラウンドでエージェントのオーケストレーションを抽象化することだ。 しかし、これは選択と柔軟性の選択肢を取り除き、タスクを完了させる能力を損なう可能性がある。 本稿では、対話型AIにおけるこれらの異なるインタラクション体験(一人のエージェント)対(エージェントの選択)について検討する。 タスク完了を促進する能力を体系的に評価し,それぞれのプロトタイプを設計する。 一連のユーザ調査の結果,システムユーザビリティとシステムパフォーマンスの両方において,エージェントオーケストレーションを抽象化する傾向が見られた。 さらに,このインタラクションは,人間の選択した回答の1%以内に評価される品質応答を提供できることを実証する。

関連論文リスト

• Multi-Agents are Social Groups: Investigating Social Influence of Multiple Agents in Human-Agent Interactions [7.421573539569854]
  我々は,AIエージェントの集団が,ユーザに対して同意を求める社会的プレッシャーを生じさせるかどうかを検討する。 その結果、複数のエージェントと会話することで、参加者が感じた社会的プレッシャーが増すことがわかった。 本研究は, 単一エージェントプラットフォームに対するマルチエージェントシステムの潜在的利点が, 意見変化を引き起こす可能性を示唆している。
  論文  参考訳（メタデータ） (2024-11-07T10:00:46Z)
• A Survey on Complex Tasks for Goal-Directed Interactive Agents [60.53915548970061]
  この調査は、目標指向の対話エージェントを評価するための、関連するタスクと環境をコンパイルする。 関連リソースの最新のコンパイルは、プロジェクトのWebサイトにある。
  論文  参考訳（メタデータ） (2024-09-27T08:17:53Z)
• AgentGym: Evolving Large Language Model-based Agents across Diverse Environments [116.97648507802926]
  大規模言語モデル(LLM)はそのようなエージェントを構築するための有望な基盤と考えられている。 我々は、自己進化能力を備えた一般機能 LLM ベースのエージェントを構築するための第一歩を踏み出す。 我々はAgentGymを提案する。AgentGymは、幅広い、リアルタイム、ユニフォーマット、並行エージェント探索のための様々な環境とタスクを特徴とする新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-06-06T15:15:41Z)
• AgentCF: Collaborative Learning with Autonomous Language Agents for Recommender Systems [112.76941157194544]
  本稿では,エージェントベースの協調フィルタリングにより,レコメンデータシステムにおけるユーザとイテムのインタラクションをシミュレートするエージェントCFを提案する。 我々は、ユーザだけでなく、アイテムをエージェントとして、創造的に考慮し、両方のエージェントを同時に最適化する協調学習アプローチを開発します。 全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内での多様なインタラクションの振る舞いを示す。
  論文  参考訳（メタデータ） (2023-10-13T16:37:14Z)
• The Rise and Potential of Large Language Model Based Agents: A Survey [91.71061158000953]
  大規模言語モデル(LLM)は、人工知能(AGI)の潜在的な火花と見なされる まず、エージェントの概念を哲学的起源からAI開発まで追跡し、LLMがエージェントに適した基盤である理由を説明します。 単一エージェントシナリオ,マルチエージェントシナリオ,ヒューマンエージェント協調の3つの側面において,LLMベースのエージェントの広範な応用について検討する。
  論文  参考訳（メタデータ） (2023-09-14T17:12:03Z)
• Conveying Autonomous Robot Capabilities through Contrasting Behaviour Summaries [8.413049356622201]
  比較行動要約を効率的に生成する適応探索法を提案する。 この結果から,適応探索により,人間がより優れたエージェントを正確に選択できる情報コントラストのシナリオを効果的に特定できることが示唆された。
  論文  参考訳（メタデータ） (2023-04-01T18:20:59Z)
• Multi-agent Deep Covering Skill Discovery [50.812414209206054]
  本稿では,複数エージェントの結合状態空間の予測被覆時間を最小化し,マルチエージェントオプションを構築するマルチエージェントDeep Covering Option Discoveryを提案する。 また、MARLプロセスにマルチエージェントオプションを採用するための新しいフレームワークを提案する。 提案アルゴリズムは,アテンション機構とエージェントの相互作用を効果的に把握し,マルチエージェントオプションの同定に成功した。
  論文  参考訳（メタデータ） (2022-10-07T00:40:59Z)
• One Agent To Rule Them All: Towards Multi-agent Conversational AI [6.285901070328973]
  ブラックボックスエージェント統合(Black-Box Agent Integration)と呼ばれる新しいタスクBBAIを導入し、大規模に複数のブラックボックスCAの能力を組み合わせることに焦点を当てた。 この課題を解決するために,質問エージェントペアリングと質問応答ペアリングという2つの手法を探索する。 異なるドメインにまたがる商用CAのアンサンブルを,OFAが自動的かつ正確に統合できることを実証する。
  論文  参考訳（メタデータ） (2022-03-15T06:07:17Z)
• Learning to Incentivize Other Learning Agents [73.03133692589532]
  我々は、学習インセンティブ関数を用いて、RLエージェントに他のエージェントに直接報酬を与える能力を持たせる方法を示す。 このようなエージェントは、一般的なマルコフゲームにおいて、標準のRLと対戦型エージェントを著しく上回っている。 私たちの仕事は、マルチエージェントの未来において共通の善を確実にする道のりに沿って、より多くの機会と課題を指しています。
  論文  参考訳（メタデータ） (2020-06-10T20:12:38Z)

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。