Daily Arxiv

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.

VIDÉO : Décomposition visuelle et interactive, exécution et évaluation de l'analyse de texte avec des agents intelligents

Created by
  • Haebom

Auteur

Sam Yu-Te Lee, Chenyang Ji, Shicheng Wen, Lifu Huang, Dongyu Liu, Kwan-Liu Ma

Contour

Cet article présente VIDEE, un système permettant même aux analystes de données novices d'effectuer des analyses de texte avancées à l'aide d'agents intelligents. Basé sur un flux de travail collaboratif homme-agent, VIDEE comprend (1) une phase de décomposition utilisant un algorithme de recherche arborescente de Monte-Carlo intégrant le retour d'information humain ; (2) une phase d'exécution générant un pipeline d'analyse de texte exécutable ; et (3) une phase d'évaluation intégrant une évaluation et une visualisation basées sur la méthode LLM pour permettre la validation des résultats d'exécution par l'utilisateur. Nous évaluons l'efficacité de VIDEE au moyen de deux expériences quantitatives et analysons les erreurs courantes des agents. De plus, nous démontrons la convivialité du système et analysons les comportements des utilisateurs grâce à une étude utilisateur menée auprès de participants ayant différents niveaux d'expérience en TALN et en analyse de texte. Les résultats suggèrent une conception Takeaways pour la collaboration homme-agent, valident la praticabilité de VIDEE pour les utilisateurs non experts et éclairent les futures améliorations des systèmes d'analyse de texte intelligents.

Takeaways, Limitations

•
Takeaways:
◦
Cet article présente la possibilité de développer un système permettant même aux non-experts d’effectuer facilement une analyse de texte avancée en utilisant des modèles linguistiques à grande échelle (LLM).
◦
Nous démontrons que les flux de travail collaboratifs homme-agent peuvent augmenter l’efficacité et améliorer la précision des processus d’analyse de texte.
◦
Fournit des Takeaways importants pour la conception de systèmes collaboratifs homme-agent grâce à l'analyse des expériences utilisateur à différents niveaux.
◦
La praticité et la facilité d’utilisation du système VIDEE ont été vérifiées empiriquement.
•
Limitations:
◦
Ce document ne contient pas de description détaillée des indicateurs de performance spécifiques et des limites du système VIDEE.
◦
Des informations plus détaillées sont nécessaires sur l’ampleur des études sur les utilisateurs et la diversité des participants.
◦
Il est nécessaire de discuter de la fiabilité et des limites des évaluations basées sur le LLM.
◦
Des recherches supplémentaires sont nécessaires sur les performances de généralisation de VIDEE à différents types de données textuelles.
👍
Made with Slashpage