論文の概要: StaffPro: an LLM Agent for Joint Staffing and Profiling
- arxiv url: http://arxiv.org/abs/2507.21636v1
- Date: Tue, 29 Jul 2025 09:48:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:55.966576
- Title: StaffPro: an LLM Agent for Joint Staffing and Profiling
- Title(参考訳): StaffPro: 共同スタッフとプロファイリングのためのLLMエージェント
- Authors: Alessio Maritan,
- Abstract要約: StaffProは大きな言語モデル(LLM)エージェントで、スタッフとプロファイリングを共同で扱う。
人間のフィードバックを解析することにより、我々のエージェントは労働者の潜伏した特徴を継続的に推定する。
StaffProは、人事自動化のための堅牢で、解釈可能で、人間中心のソリューションを提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model (LLM) agents integrate pre-trained LLMs with modular algorithmic components and have shown remarkable reasoning and decision-making abilities. In this work, we investigate their use for two tightly intertwined challenges in workforce management: staffing, i.e., the assignment and scheduling of tasks to workers, which may require team formation; and profiling, i.e., the continuous estimation of workers' skills, preferences, and other latent attributes from unstructured data. We cast these problems in a formal mathematical framework that links scheduling decisions to latent feature estimation, and we introduce StaffPro, an LLM agent that addresses staffing and profiling jointly. Differently from existing staffing solutions, StaffPro allows expressing optimization objectives using natural language, accepts textual task descriptions and provides high flexibility. StaffPro interacts directly with humans by establishing a continuous human-agent feedback loop, ensuring natural and intuitive use. By analyzing human feedback, our agent continuously estimates the latent features of workers, realizing life-long worker profiling and ensuring optimal staffing performance over time. A consulting firm simulation example demonstrates that StaffPro successfully estimates workers' attributes and generates high quality schedules. With its innovative design, StaffPro offers a robust, interpretable, and human-centric solution for automated personnel management.
- Abstract(参考訳): 大規模言語モデル(LLM)エージェントは、事前訓練されたLLMをモジュラーアルゴリズムコンポーネントと統合し、顕著な推論と意思決定能力を示している。
本研究は、従業員管理における2つの密接な介入課題、すなわち、チーム形成を必要とする労働者へのタスクの割り当てとスケジューリング、そして、労働者のスキル、嗜好、その他の非構造化データからの潜在属性を継続的に推定するプロファイリングについて検討する。
我々はこれらの問題を、スケジューリング決定と潜在特徴推定を結びつける形式的な数学的枠組みに配置し、スタッフリングとプロファイリングに共同で対処するLLMエージェントであるStaffProを紹介した。
既存のスタッフソリューションとは違って、StageProは自然言語による最適化目標の表現を可能にし、テキストによるタスク記述を受け入れ、高い柔軟性を提供する。
StaffProは人間と直接対話し、人間とエージェントのフィードバックループを連続的に確立し、自然で直感的な使用を確実にする。
人的フィードバックを解析することにより、作業者の潜伏した特徴を継続的に推定し、寿命の長い作業員のプロファイリングを実現し、時間とともに最適な人員配置性能を確保する。
コンサルティング会社シミュレーションの例では、StageProが労働者の属性をうまく推定し、高品質なスケジュールを生成することを示した。
StaffProは革新的なデザインで、人事自動化のための堅牢で解釈可能な、人間中心のソリューションを提供する。
関連論文リスト
- PersonaFeedback: A Large-scale Human-annotated Benchmark For Personalization [25.45861816665351]
我々は、パーソナライズされた応答を提供するLLMの能力を直接評価する新しいベンチマークであるPersonaFeedbackを紹介する。
過去のインタラクションから暗黙のユーザペルソナを推論するモデルを必要とする既存のベンチマークとは異なり、PersonaFeedbackはパーソナライゼーションからペルソナ推論を分離する。
PersonaFeedbackは8298人の注釈付きテストケースで構成されており、簡単、中、硬い層に分類される。
論文 参考訳(メタデータ) (2025-06-15T17:19:19Z) - PersonaLens: A Benchmark for Personalization Evaluation in Conversational AI Assistants [31.486658078902025]
タスク指向AIアシスタントのパーソナライゼーションを評価するベンチマークであるPersonaLensを紹介する。
本ベンチマークでは,リッチな嗜好とインタラクション履歴を備えた多様なユーザプロファイルと,2つの特殊なLDMベースのエージェントを特徴とする。
我々は、そのパーソナライゼーション能力に顕著な多様性を明らかにし、会話型AIシステムを進化させる上で重要な洞察を提供する。
論文 参考訳(メタデータ) (2025-06-11T16:16:07Z) - PersonaAgent: When Large Language Model Agents Meet Personalization at Test Time [87.99027488664282]
PersonaAgentは、汎用的なパーソナライゼーションタスクに対処するために設計されたフレームワークである。
パーソナライズされたメモリモジュールとパーソナライズされたアクションモジュールを統合する。
テストタイムのユーザ嗜好アライメント戦略は、リアルタイムのユーザの嗜好アライメントを保証する。
論文 参考訳(メタデータ) (2025-06-06T17:29:49Z) - Multi-Agent Reinforcement Learning with Long-Term Performance Objectives for Service Workforce Optimization [2.865067924658368]
我々の目標は、統合労働力最適化問題をモデル化するシミュレータを作ることである。
具体的には,強化学習手法の開発を支援するモジュールシミュレータを設計した。
シミュレータはパラメータ化を提供し、様々なレベルのアブレーションと非定常性を持つ動的なシナリオを探索するのに役立つ。
論文 参考訳(メタデータ) (2025-03-03T00:16:47Z) - Advancing Employee Behavior Analysis through Synthetic Data: Leveraging ABMs, GANs, and Statistical Models for Enhanced Organizational Efficiency [0.0]
この研究は、従業員のパフォーマンスを包括的に理解するための強力なツールである、合成データの作成に重点を置いています。
合成データは、従業員の活動の詳細と正確な画像を提供する。
我々は、合成データが専門分野から従業員の行動研究に欠かせない資源へとどのように進化してきたかを検討する。
論文 参考訳(メタデータ) (2024-09-21T16:58:23Z) - PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
データ構築とモデルチューニングを改善するためのフレームワークPersLLMを提案する。
データ利用が不十分な場合には、Chain-of-Thoughtプロンプトやアンチインダクションといった戦略を取り入れます。
厳密な振舞いパターンを設計し,モデルの性格の特異性とダイナミズムを高めるために自動DPOを導入する。
論文 参考訳(メタデータ) (2024-07-17T08:13:22Z) - WorkArena++: Towards Compositional Planning and Reasoning-based Common Knowledge Work Tasks [85.95607119635102]
大型言語モデル(LLM)は人間のような知性を模倣することができる。
WorkArena++は、Webエージェントの計画、問題解決、論理的/論理的推論、検索、コンテキスト的理解能力を評価するように設計されている。
論文 参考訳(メタデータ) (2024-07-07T07:15:49Z) - Large Language Model-based Human-Agent Collaboration for Complex Task
Solving [94.3914058341565]
複雑なタスク解決のためのLarge Language Models(LLM)に基づくヒューマンエージェントコラボレーションの問題を紹介する。
Reinforcement Learning-based Human-Agent Collaboration method, ReHACを提案する。
このアプローチには、タスク解決プロセスにおける人間の介入の最も急進的な段階を決定するために設計されたポリシーモデルが含まれている。
論文 参考訳(メタデータ) (2024-02-20T11:03:36Z) - Can Foundation Models Watch, Talk and Guide You Step by Step to Make a
Cake? [62.59699229202307]
AIの進歩にもかかわらず、インタラクティブなタスクガイダンスシステムの開発は依然として大きな課題である。
我々は、人間のユーザと人間のインストラクターとの自然なインタラクションに基づいて、新しいマルチモーダルベンチマークデータセット、ウォッチ、トーク、ガイド(WTaG)を作成しました。
いくつかの基礎モデルを活用して、これらのモデルが認識可能なタスクガイダンスに迅速に適応できるかを調査した。
論文 参考訳(メタデータ) (2023-11-01T15:13:49Z)
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。