Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Nuits blanches, journées sucrées : créer des utilisateurs synthétiques présentant des problèmes de santé pour des interactions réalistes avec les agents de coaching
Created by
Haebom
Auteur
Taedong Yun, Eric Yang, Mustafa Safdari, Jong Ha Lee, Vaishnavi Vinod Kumar, S. Sara Mahdavi, Jonathan Amar, Derek Peyton, Reut Aharony, Andreas Michaelides, Logan Schneider, Isaac Galatzer-Levy, Yugang Jia, John Canny, Arthur Gretton, Maja Matari c
Contour
Cet article présente un cadre complet de génération d'utilisateurs synthétiques pour évaluer des agents conversationnels conçus pour encourager des changements de comportement positifs, tels que le coaching santé et mode de vie. En se concentrant spécifiquement sur la gestion du sommeil et du diabète, les utilisateurs synthétiques sont générés en fonction de facteurs de santé et de mode de vie afin de garantir des interactions réalistes. Dans un premier temps, des données structurées sont générées à partir de facteurs de santé et de mode de vie réels, ainsi que de caractéristiques démographiques et comportementales de base. Dans un deuxième temps, un profil complet de l'utilisateur synthétique est élaboré à partir des données structurées générées. Les interactions entre l'utilisateur synthétique et l'agent de coaching sont simulées à l'aide de modèles génératifs basés sur des agents, tels que Concordia, ou en invitant un modèle de langage. En utilisant deux agents développés indépendamment pour le coaching sommeil et diabète comme études de cas, nous démontrons l'efficacité de ce cadre en analysant la compréhension par l'agent de coaching des besoins et des défis de l'utilisateur synthétique. Enfin, grâce à de multiples évaluations en aveugle des interactions utilisateur-coach par des experts humains, nous démontrons que les utilisateurs synthétiques présentant des caractéristiques de santé et de comportement représentent plus fidèlement les utilisateurs réels présentant ces caractéristiques. Le cadre proposé établit une base pour le développement efficace d’agents conversationnels grâce à des simulations d’interactions étendues, réalistes et robustes.
Takeaways, Limitations
•
Takeaways:
◦
Fournir un cadre synthétique efficace et réaliste généré par l'utilisateur pour évaluer les agents de coaching en matière de santé et de style de vie.
◦
Améliorer la précision de l'évaluation des performances des agents grâce à des utilisateurs synthétiques présentant des caractéristiques similaires à celles des utilisateurs réels.
◦
Présentation de la possibilité de simuler diverses interactions à l'aide de modèles basés sur des agents génératifs et de modèles linguistiques.
◦
Contribue à accroître l'efficacité et à réduire les coûts de développement dans le processus de développement des agents conversationnels.
•
Limitations:
◦
Comme il s’agit d’une étude de cas limitée à la gestion du sommeil et du diabète, la généralisabilité à d’autres domaines doit être vérifiée.
◦
La précision des résultats peut être affectée par la qualité et la quantité des données utilisées pour générer des utilisateurs synthétiques.
◦
La généralisabilité des résultats peut être limitée par la taille et la composition des participants à l’évaluation en aveugle.
◦
Il est possible que les modèles comportementaux des utilisateurs synthétiques ne reflètent pas parfaitement la complexité des utilisateurs réels.
