Метод машинного обучения для оценки диалогов людей с искусственным интеллектом

 This AI Paper from Microsoft Present RUBICON: A Machine Learning Technique for Evaluating Domain-Specific Human-AI Conversations

“`html

Оценка качества разговорных помощников на базе ИИ: практические решения и ценность

Оценка разговорных помощников на базе ИИ, таких как GitHub Copilot Chat, представляет сложность из-за использования моделей языка и чат-интерфейсов. Существующие метрики качества разговора требуют пересмотра для доменно-специфических диалогов, что затрудняет оценку эффективности этих инструментов разработки программного обеспечения. Техники, такие как SPUR, используют большие языковые модели для анализа удовлетворенности пользователей, но могут упускать доменно-специфические нюансы. Исследование фокусируется на автоматическое создание высококачественных, задачно-ориентированных рубрик для оценки разговорных помощников на базе ИИ, подчеркивая важность контекста и прогресса задач для повышения точности оценки.

Техника RUBICON для оценки доменно-специфических разговоров человек-ИИ

Исследователи из Microsoft представляют RUBICON, технику для оценки доменно-специфических разговоров человек-ИИ с использованием больших языковых моделей. RUBICON генерирует кандидатов-рубрик для оценки качества разговора и выбирает лучшие из них. Он улучшает SPUR, интегрируя доменно-специфические сигналы и принципы Грайса, создавая пул рубрик, оцениваемых итеративно. RUBICON был протестирован на 100 разговорах между разработчиками и чат-помощником для отладки C#, используя GPT-4 для генерации и оценки рубрик. Он превзошел альтернативные наборы рубрик, достигнув высокой точности в прогнозировании качества разговора и продемонстрировав эффективность своих компонентов через исследования абляции.

Оценка качества разговора и роль ИИ

Естественные разговоры на естественном языке являются ключевыми для современных приложений ИИ, но традиционные метрики NLP, такие как BLEU и Perplexity, недостаточны для оценки длинных разговоров, особенно в LLMs. В то время как удовлетворенность пользователя была ключевой метрикой, ручной анализ требует больших ресурсов и нарушает приватность. Недавние подходы используют языковые модели для оценки качества разговора через утверждения на естественном языке, захватывая темы вовлеченности и пользовательского опыта. Техники, такие как SPUR, генерируют рубрики для разговоров в открытой области, но нуждаются в более доменно-специфических контекстах. Это исследование подчеркивает целостный подход, интегрируя ожидания пользователей и прогресс взаимодействия, и исследует оптимальный выбор подсказок с использованием бандитских методов для улучшения точности оценки.

Оценка RUBICON и результаты

RUBICON оценивает качество разговоров для доменно-специфических помощников, изучая рубрики для удовлетворения (SAT) и неудовлетворения (DSAT) по маркированным разговорам. Он включает три этапа: генерацию разнообразных рубрик, выбор оптимального набора рубрик и оценку разговоров. Рубрики – это утверждения на естественном языке, отражающие атрибуты разговора. Разговоры оцениваются с использованием 5-балльной шкалы Ликерта, нормализованной в диапазон [0, 10]. Генерация рубрик включает наблюдаемое извлечение и резюмирование, а выбор оптимизирует рубрики по точности и охвату. Потери корректности и четкости направляют выбор оптимального подмножества рубрик, обеспечивая эффективную и точную оценку качества разговора.

Эффективность и перспективы

Оценка RUBICON включает три ключевых вопроса: его эффективность по сравнению с другими методами, влияние доменной сенсибилизации (DS) и принципов конструкции разговора (CDP), и производительность его политики выбора. Результаты показали, что RUBICON превосходит базовые варианты в разделении положительных и отрицательных разговоров и классификации разговоров с высокой точностью, подчеркивая важность DS и инструкций CDP.

Валидность и дальнейшая работа

Внутренняя валидность оказывается под угрозой из-за субъективного характера ручно присвоенных меток истинности, несмотря на высокое согласие между аннотаторами. Внешняя валидность ограничена отсутствием разнообразия в наборе данных, специфическом для задач отладки C# в компании по разработке программного обеспечения, что может повлиять на обобщение на другие области. Проблемы конструктной валидности включают зависимость от автоматизированной системы оценки и предположения, сделанные при преобразовании ответов на шкале Ликерта в диапазон [0, 10]. Дальнейшая работа будет направлена на различные методы расчета оценки NetSAT. RUBICON доказал свою способность улучшать качество рубрик и дифференцировать эффективность разговоров, что подтверждает его ценность в реальном мире.

Подробнее о статье и деталях. Вся заслуга за это исследование принадлежит его авторам. Также, не забудьте подписаться на нас в Twitter.

Присоединяйтесь к нашему каналу в Telegram и группе в LinkedIn.

Если вам нравится наша работа, вам понравится наша рассылка.

Не забудьте присоединиться к нашему сообществу в SubReddit.

Подробнее о статье и деталях. Вся заслуга за это исследование принадлежит его авторам. Также, не забудьте подписаться на нас в Twitter.

Присоединяйтесь к нашему каналу в Telegram и группе в LinkedIn.

Если вам нравится наша работа, вам понравится наша рассылка.

Не забудьте присоединиться к нашему сообществу в SubReddit.


“`

Мобильная разработка на заказ и готовые решения

Мобильная разработка

Готовые и индивидуальные решения

Веб решения - разработка сайтов и сервисов

Web решения

Получите бесплатную консультацию по веб-разработке прямо сейчас

Аутсорсинг, подбор специалистов и команд разработки

Аутсорсинг

Выберите своего специалиста сегодня и начните свой проект

Новости

  • Многоходовое Внимание: Революция в Понимании Языковых Моделей

    Введение в механизмы внимания в языковых моделях Языковые модели (LLMs) активно используют механизмы внимания для эффективного извлечения контекстной информации. Однако традиционные методы внимания ограничены однотокеновым вниманием, что может затруднять понимание сложных языковых зависимостей.…

  • Amazon Nova Act: Революция в автоматизации веб-задач

    Введение в Amazon Nova Act Amazon представил революционную модель ИИ под названием Nova Act, предназначенную для автоматизации различных веб-задач. Этот ИИ-агент может автоматизировать процессы, такие как заполнение форм, навигация по интерфейсу и управление…

  • Руководство для начинающих по терминалу и командной строке: основные команды и советы

    Практические бизнес-решения с использованием Terminal/Command Prompt Введение Terminal и Command Prompt – это мощные инструменты для взаимодействия с компьютерами, которые могут значительно повысить производительность и эффективность в бизнесе. Преимущества использования Terminal/Command Prompt Эффективная…

  • Гибридная система вознаграждений ByteDance: улучшение RLHF с помощью RTV и GenRM

    Введение в Гибридную Систему Наград в ИИ Недавнее исследование от ByteDance представляет значительное достижение в области искусственного интеллекта через гибридную систему наград. Эта система объединяет Проверяющие Задачи Размышления (RTV) и Генеративную Модель Наград…

  • Революционная платформа AI для интеграции рассуждений и поиска

    Введение в ReSearch: Прогрессивная AI-структура Обзор ReSearch ReSearch представляет собой продвинутую структуру, которая обучает большие языковые модели (LLM) комбинировать рассуждения с поиском с помощью обучения с подкреплением, устраняя необходимость в контролируемых данных для…

  • Использование Git и Git Bash: Руководство для бизнеса

    Бизнес-преобразование с помощью Git и искусственного интеллекта Введение Использование Git и Git Bash может значительно улучшить управление проектами. Эти инструменты позволяют командам отслеживать изменения кода и эффективно сотрудничать, что значительно повышает производительность бизнеса.…

  • Создание инструмента для анализа рентгеновских снимков с открытым исходным кодом

    Создание инструмента для оценки рентгеновских снимков с открытым исходным кодом Практические бизнес-решения Создание прототипа инструмента для оценки рентгеновских снимков может значительно улучшить процессы диагностики и повысить качество обслуживания клиентов в медицинских учреждениях. Использование…

  • Увеличение разнообразия креативного письма с помощью DPO и ORPO в ИИ моделях

    Улучшение креативного письма с помощью ИИ: Практические решения для бизнеса Понимание проблемы креативного письма в ИИ Креативное письмо требует разнообразия и воображения, что представляет собой уникальную задачу для систем искусственного интеллекта (ИИ). В…

  • Оценка юридических ответов на соответствие GDPR с помощью платформы Atla

    Оценка юридических ответов для соблюдения GDPR с помощью платформы Atla Обзор Данный гид описывает практический подход к оценке качества юридических ответов, сгенерированных языковыми моделями, с использованием платформы Atla и Python SDK. Наша цель…

  • VideoMind: Прорыв в понимании видео с помощью ИИ

    Видеоминд: Применение AI для понимания видео Видеоминд представляет собой значительное достижение в области искусственного интеллекта, особенно в понимании видео. Этот инновационный подход решает уникальные задачи анализа видеоконтента. Понимание задач видеоконтента Видеоматериалы более сложны…

  • Hostinger Horizons: Создавайте веб-приложения без кода с помощью ИИ

    Практические бизнес-решения с использованием Hostinger Horizons Hostinger Horizons предлагает уникальные возможности для бизнеса благодаря своей платформе без кода, которая упрощает создание веб-приложений. Вот как это может улучшить бизнес и реальную жизнь: Преимущества использования…

  • Hunyuan-T1: Революция в Искусственном Интеллекте для Бизнеса

    Практические бизнес-решения Преобразование рабочих процессов Искусственный интеллект может значительно улучшить бизнес-операции. Вот практические шаги, которые стоит рассмотреть: 1. Определите возможности автоматизации Ищите процессы, которые можно автоматизировать для повышения эффективности. 2. Улучшите взаимодействие с…

  • FFN Fusion от NVIDIA: Революция в эффективности больших языковых моделей

    Введение в большие языковые модели Большие языковые модели (LLMs) становятся все более важными в различных секторах, обеспечивая работу приложений, таких как генерация естественного языка и разговорные агенты. Однако с увеличением размера и сложности…

  • UI-R1: Улучшение предсказания действий GUI с помощью обучения с подкреплением

    UI-R1 Framework: Улучшение предсказания действий GUI с помощью ИИ Обзор проблемы Традиционный метод обучения больших языковых моделей (LLMs) и агентов графического пользовательского интерфейса (GUI) требует больших объемов размеченных данных, что приводит к длительным…

  • Эффективное Масштабирование Времени Вывода для Бизнеса

    Оптимизация времени вывода для потоковых моделей: практические бизнес-решения Введение Недавние разработки в области искусственного интеллекта сместили акцент с увеличения размера модели и объема обучающих данных на повышение эффективности вычислений во время вывода. Эта…

  • Устойчивое развитие AI для временных рядов с помощью синтетических данных: инновационный подход Salesforce

    Возможности ИИ для анализа временных рядов с использованием синтетических данных Анализ временных рядов имеет огромное значение для бизнеса, но он сталкивается с проблемами доступности и качества данных. Использование синтетических данных может решить эти…

  • Руководство по решению уравнения Бюргера 1D с помощью PINNs в PyTorch

    Практическое руководство по преобразованию бизнеса с помощью ИИ Это руководство демонстрирует, как использовать физически обоснованные нейронные сети (PINNs) для решения уравнения Бургенса и как такие технологии могут улучшить бизнес-процессы и реальную жизнь. Шаги…

  • Открытие OpenVLThinker-7B: Новый уровень визуального мышления для бизнеса

    Улучшение визуального мышления с OpenVLThinker-7B Понимание проблемы Модели, объединяющие обработку языка и интерпретацию изображений, испытывают трудности с многошаговым мышлением. Это создает проблемы в таких задачах, как понимание графиков и решение визуальных математических задач.…