Algorithmic Prompt Generation for Diverse Human-like Teaming and Communication with Large Language Models
Created by
Haebom
저자
Siddharth Srikanth, Varun Bhatt, Boshen Zhang, Werner Hager, Charles Michael Lewis, Katia P. Sycara, Aaquib Tabrez, Stefanos Nikolaidis
개요
본 논문은 인간-에이전트 협력 및 AI 지원 의사결정 개선을 위해 인간의 팀워크와 의사소통 방식을 이해하는 것이 중요함을 강조합니다. 대규모 사용자 연구 데이터에만 의존하는 것은 어려움이 있으므로, 다양한 인간 행동을 모방하는 합성 모델이 필요합니다. 본 연구는 대규모 언어 모델(LLM) 기반 에이전트가 사회적 환경에서 인간과 유사한 행동을 모방할 수 있다는 점에 착안하여, Quality Diversity (QD) 최적화를 LLM 기반 에이전트와 결합하여 장기간, 다단계 협업 환경에서 다양한 팀 행동을 생성하는 프롬프트를 반복적으로 탐색하는 방법을 제시합니다. 54명의 참가자를 대상으로 한 실험을 통해 인간이 다양한 조정 및 의사소통 행동을 보임을 확인하고, 제안된 접근 방식이 인간 팀워크 데이터의 경향을 효과적으로 재현하고, 대량의 데이터 수집 없이는 관찰하기 어려운 행동까지 포착할 수 있음을 보여줍니다. 결론적으로 QD와 LLM 기반 에이전트의 결합이 다중 에이전트 협업에서 팀워크 및 의사소통 전략 연구에 효과적인 도구임을 강조합니다.
시사점, 한계점
•
시사점:
◦
LLM과 QD 최적화를 결합하여 다양한 인간 팀워크 행동을 합성적으로 생성하는 새로운 방법 제시.
