Fugu-MT 論文翻訳(概要): Opus: A Large Work Model for Complex Workflow Generation

論文の概要: Opus: A Large Work Model for Complex Workflow Generation

arxiv url: http://arxiv.org/abs/2412.00573v1
Date: Sat, 30 Nov 2024 20:00:41 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-04 15:46:39.372409
Title: Opus: A Large Work Model for Complex Workflow Generation
Title（参考訳）: Opus: 複雑なワークフロー生成のための大規模作業モデル
Authors: Théo Fagnoni, Bellinda Mesbah, Mahsun Altin, Phillip Kingston,
Abstract要約: Opusは、複雑なビジネスプロセスアウトソーシング(BPO)ユースケースに適したタスクの生成と最適化のためのフレームワークである。このアプローチでは、クライアント入力、クライアント出力、プロセス指向コンテキストのアライメントとして定義されたインテンションから実行ファイルを生成します。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: This paper introduces Opus, a novel framework for generating and optimizing Workflows tailored to complex Business Process Outsourcing (BPO) use cases, focusing on cost reduction and quality enhancement while adhering to established industry processes and operational constraints. Our approach generates executable Workflows from Intention, defined as the alignment of Client Input, Client Output, and Process Context. These Workflows are represented as Directed Acyclic Graphs (DAGs), with nodes as Tasks consisting of sequences of executable Instructions, including tools and human expert reviews. We adopt a two-phase methodology: Workflow Generation and Workflow Optimization. In the Generation phase, Workflows are generated using a Large Work Model (LWM) informed by a Work Knowledge Graph (WKG) that encodes domain-specific procedural and operational knowledge. In the Optimization phase, Workflows are transformed into Workflow Graphs (WFGs), where optimal Workflows are determined through path optimization. Our experiments demonstrate that state-of-the-art Large Language Models (LLMs) face challenges in reliably retrieving detailed process data as well as generating industry-compliant workflows. The key contributions of this paper include: - The integration of a Work Knowledge Graph (WKG) into a Large Work Model (LWM), enabling the generation of context-aware, semantically aligned, structured and auditable Workflows. - A two-phase approach that combines Workflow Generation from Intention with graph-based Workflow Optimization. - Opus Alpha 1 Large and Opus Alpha 1 Small, models that outperform state-of-the-art LLMs by 38\% and 29\% respectively in Workflow Generation for a Medical Coding use case.
Abstract（参考訳）: 本稿では,複雑なビジネスプロセスアウトソーシング(BPO)のユースケースに適したワークフローの生成と最適化を行う新しいフレームワークであるOpusを紹介し,既存の産業プロセスや運用上の制約に固執しつつ,コスト削減と品質向上に注目した。このアプローチでは、クライアント入力、クライアント出力、プロセスコンテキストのアライメントとして定義されたインテンションから実行可能なワークフローを生成します。これらのワークフローはDAG(Directed Acyclic Graphs)として表現され、ノードはツールや人間の専門家レビューを含む実行可能な命令のシーケンスで構成されるタスクである。ワークフロー生成とワークフロー最適化という2段階の方法論を採用しています。生成フェーズでは、ワークフローは、ドメイン固有の手続き的および運用的知識をエンコードするワーク知識グラフ(WKG)によって通知されるLWM(Large Work Model)を使用して生成される。最適化フェーズでは、ワークフローはワークフローグラフ(WFG)に変換され、最適なワークフローはパス最適化によって決定される。我々の実験は、最先端の大規模言語モデル(LLM)が、詳細なプロセスデータを確実に取得し、業界に準拠したワークフローを生成する上で、課題に直面していることを示している。作業知識グラフ(WKG)を大規模作業モデル(LWM)に統合することで、コンテキスト認識、セマンティックアライメント、構造化、監査可能なワークフローの生成を可能にします。 Intentionからのワークフロー生成とグラフベースのワークフロー最適化を組み合わせた2段階のアプローチ。 -Opus Alpha 1 Large と Opus Alpha 1 Small は、医療コーディングのユースケースにおけるワークフロー生成において、それぞれ38 %、29 %の最先端 LLM を上回ります。

関連論文リスト

Flow: A Modular Approach to Automated Agentic Workflow Generation [53.073598156915615]
大規模言語モデル(LLM)を利用したマルチエージェントフレームワークは、自動計画とタスク実行において大きな成功を収めている。しかし,実行中のエージェントの効果的な調整は十分に研究されていない。
論文参考訳（メタデータ） (2025-01-14T04:35:37Z)
WorkflowLLM: Enhancing Workflow Orchestration Capability of Large Language Models [105.46456444315693]
ワークフローオーケストレーションにおける大規模言語モデルの能力を高めるための,データ中心のフレームワークであるLLMを提案する。最初は106,763のサンプルで大規模な微調整Benchを構築し、28のカテゴリにわたる83のアプリケーションから1,503のAPIをカバーしている。 LlamaLlamaは複雑なAPIをオーケストレーションする能力を示しながら、優れた一般化性能を実現している。
論文参考訳（メタデータ） (2024-11-08T09:58:02Z)
AFlow: Automating Agentic Workflow Generation [36.61172223528231]
大規模言語モデル(LLM)は、様々な領域にわたる複雑なタスクを解く上で、顕著な可能性を示している。我々は、Monte Carlo Tree Searchを使って、この空間を効率的に探索する自動化フレームワークであるAFlowを紹介します。 6つのベンチマークデータセットに対する実証的な評価は、AFlowの有効性を示し、最先端のベースラインよりも平均5.7%向上している。
論文参考訳（メタデータ） (2024-10-14T17:40:40Z)
Benchmarking Agentic Workflow Generation [80.74757493266057]
複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorFBenchを紹介する。また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorFEvalを提案する。我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することができることを観察する。
論文参考訳（メタデータ） (2024-10-10T12:41:19Z)
ComfyGen: Prompt-Adaptive Workflows for Text-to-Image Generation [87.39861573270173]
本稿では,各ユーザプロンプトに自動的にワークフローをカスタマイズすることを目的とする,プロンプト適応型ワークフロー生成の新しいタスクを紹介する。本稿では,この課題に対処する2つの LLM ベースの手法を提案する。ユーザ・参照データから学習するチューニングベース手法と,既存のフローを選択するために LLM を使用するトレーニングフリー手法である。本研究は,現場における既存研究の方向性を補完し,テキスト・画像生成の品質向上のための新たな経路を提供することを示す。
論文参考訳（メタデータ） (2024-10-02T16:43:24Z)
FlowBench: Revisiting and Benchmarking Workflow-Guided Planning for LLM-based Agents [64.1759086221016]
ワークフロー誘導計画の最初のベンチマークであるFlowBenchを紹介します。 FlowBenchは6つのドメインから51のシナリオをカバーしている。以上の結果から,現在のLLMエージェントは良好な計画を立てるためにかなりの改善が必要であることが示唆された。
論文参考訳（メタデータ） (2024-06-21T06:13:00Z)
Couler: Unified Machine Learning Workflow Optimization in Cloud [6.769259207650922]
Coulerは、クラウドにおけるMLワークフローの統一最適化のために設計されたシステムである。大規模言語モデル(LLM)をワークフロー生成に統合し、さまざまなワークフローエンジンに統一されたプログラミングインターフェースを提供する。 Couerは、CPU/メモリ使用率を15%以上改善し、ワークフロー完了率を約17%向上させた。
論文参考訳（メタデータ） (2024-03-12T12:47:32Z)
Nemo: Guiding and Contextualizing Weak Supervision for Interactive Data Programming [77.38174112525168]
私たちは、WS 学習パイプラインの全体的な生産性を、一般的な WS 監督アプローチと比較して平均20%(最大 47% のタスク)改善する、エンドツーエンドのインタラクティブなスーパービジョンシステムである Nemo を紹介します。
論文参考訳（メタデータ） (2022-03-02T19:57:32Z)

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。