面向决策的人工智能协作对话
基于对话的人工智能协作可以在协作问题解决、创造性探索和社交支持方面起到革命性作用。本调查从传统的手工制作和信息状态方法到 AI 规划启发的方法,回顾了协同对话系统中对话管理范式的演变。然后,将焦点转向当代的数据驱动对话管理技术,这些技术旨在将深度学习在填充表格和开放领域环境中的成功经验转移到协作场景。本文还分析了一组将神经方法应用于协同对话管理的最新作品,突出了该领域的主要趋势。希望本调查为未来协同对话管理的发展提供基础背景,特别是在对话系统社区继续积极探索大型语言模型的潜力的情况下。
Jul, 2023
本文探讨了任务导向对话系统的最新研究进展和挑战,特别在三个关键领域进行了深入讨论:提高数据效率、模拟多回合动态以优化任务完成性能,以及将领域本体知识与对话模型集成。此外,还评估了最近的对话进展和一些常用的语料库。我们相信,这虽然不是一个完整的调查,但它仍然可以为未来任务导向对话系统的研究提供启示。
Mar, 2020
我们认为,支持人工智能对话能够实现联合推理(即 “询问”),对于确保人工智能决策符合人类价值观和偏好非常重要。我们特别指出,基于逻辑的辩论和对话模型以及关注于劝说对话的传统方法应该改为关注于询问对话,并阐述了联合询问所带来的不同挑战。鉴于大规模语言模型(LLMs)性能的最新技术突破和预计在决策制定中它们的使用将增加,我们提供了一项研究路线图,以支持联合人工智能语言模型推理任务,并确保决策与价值观相一致的伦理关注。
May, 2024
本文提出了一种使用规划技术处理说明性对话代理的方法,从模型征集到生成的计划的执行,涵盖过程的所有方面,同时介绍了一种全新的计划编码方法、多种规划接口和一个强健的执行者。
Oct, 2019
每天我们越来越依赖于机器学习模型来自动化和支持高风险任务和决策。这篇论文提出了混合决策系统的分类法,提供了一个概念和技术框架,以理解当前计算机科学文献中的人机交互模型。
Feb, 2024
本文基于一项采用自然语言对话的多议题协商任务的人际交互数据集,通过对对话状态未标记的文本数据的学习,对话模型能够具备自然语言对话和推理技能,通过模拟对话过程能够取得更好的表现,本文的数据集和代码公开。
Jun, 2017