Task-Oriented Dialogue with In-Context Learning

要約

大規模言語モデル (LLM) のコンテキスト内学習機能とビジネス ロジックの決定論的な実行を組み合わせた、タスク指向の対話システムを構築するためのシステムについて説明します。
LLM は、会話の表面的な形式と、ビジネス ロジックの進行に使用されるドメイン固有言語 (DSL) との間の変換に使用されます。
私たちのアプローチを、今日業界で主に使用されているインテントベースの NLU アプローチと比較します。
私たちの実験では、私たちのシステムでチャットボットを開発するのに必要な労力が確立されたアプローチよりも大幅に少ないこと、これらのチャットボットが NLU ベースのシステムにとって非常に困難な複雑な対話をうまくナビゲートできること、そして私たちのシステムがタスク指向の対話システムを拡張するのに望ましい特性を備えていることを示しています。
大量のタスク。
私たちは実装を使用してさらなる研究に利用できるようにします。

要約(オリジナル)

We describe a system for building task-oriented dialogue systems combining the in-context learning abilities of large language models (LLMs) with the deterministic execution of business logic. LLMs are used to translate between the surface form of the conversation and a domain-specific language (DSL) which is used to progress the business logic. We compare our approach to the intent-based NLU approach predominantly used in industry today. Our experiments show that developing chatbots with our system requires significantly less effort than established approaches, that these chatbots can successfully navigate complex dialogues which are extremely challenging for NLU-based systems, and that our system has desirable properties for scaling task-oriented dialogue systems to a large number of tasks. We make our implementation available for use and further study.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google