Debt Collection Negotiations with Large Language Models: An Evaluation System and Optimizing Decision Making with Multi-Agent

要約

債務回収交渉（DCN）は、不良債権（NPL）を管理し、債権者の損失を減らすために不可欠です。
従来の方法は労働集約的であり、大規模な言語モデル（LLM）は有望な自動化の可能性を提供します。
ただし、以前のシステムには、動的な交渉とリアルタイムの意思決定機能がありませんでした。
このペーパーでは、DCNを自動化するLLMSを調査し、4つの側面に13のメトリックを備えた新しい評価フレームワークを提案します。
私たちの実験は、LLMが人間の交渉者と比較して過剰にconcedeする傾向があることを明らかにしています。
これに対処するために、マルチエージェント債務交渉（MADEN）フレームワークを提案し、計画と審査モジュールを組み込み、決定の合理性を改善します。
また、パフォーマンスを最適化するために、拒絶サンプリングを備えたDPOを含むトレーニング後の手法も適用します。
私たちの研究は、このドメインの効率と結果を高めることを目指している実務家と研究者に貴重な洞察を提供します。

要約(オリジナル)

Debt collection negotiations (DCN) are vital for managing non-performing loans (NPLs) and reducing creditor losses. Traditional methods are labor-intensive, while large language models (LLMs) offer promising automation potential. However, prior systems lacked dynamic negotiation and real-time decision-making capabilities. This paper explores LLMs in automating DCN and proposes a novel evaluation framework with 13 metrics across 4 aspects. Our experiments reveal that LLMs tend to over-concede compared to human negotiators. To address this, we propose the Multi-Agent Debt Negotiation (MADeN) framework, incorporating planning and judging modules to improve decision rationality. We also apply post-training techniques, including DPO with rejection sampling, to optimize performance. Our studies provide valuable insights for practitioners and researchers seeking to enhance efficiency and outcomes in this domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google