MAO: A Framework for Process Model Generation with Multi-Agent Orchestration

要約

プロセス モデルは、ビジネス要件を記述し、ソフトウェア テストと制御システムの改善をガイドするために、ソフトウェア エンジニアリングで頻繁に使用されます。
ただし、従来のプロセス モデリング手法では多くの専門家の参加が必要となることが多く、費用と時間がかかります。
したがって、より効率的でコスト効率の高い自動モデリング方法の探求が、現在の研究の焦点となっています。
この記事では、プロセス モデリングの効率を高め、ドメインの専門家に貴重な洞察を提供することを目的として、マルチエージェント オーケストレーション (MAO) を使用してプロセス モデルを自動生成するフレームワークについて説明します。
当社のフレームワーク MAO は、マルチエージェントの基礎として大規模な言語モデルを活用し、革新的なプロンプト戦略を採用して、マルチエージェント間の効率的なコラボレーションを確保します。
具体的には、１）世代。
MAO の最初のフェーズでは、テキストの説明から少し大まかなプロセス モデルを生成します。
2）洗練。
エージェントは、複数回の対話を通じて初期プロセス モデルを継続的に改良します。
3）レビューする。
大規模な言語モデルでは、複数ターンの対話の間で幻覚現象が発生しやすいため、エージェントはプロセス モデルで意味上の幻覚を確認して修復する必要があります。
4) テスト。
プロセス モデルの表現は多様です。
その結果、エージェントは外部ツールを利用して、生成されたプロセス モデルにフォーマット エラー、つまりフォーマット幻覚が含まれているかどうかをテストし、出力パラダイムに適合するようにプロセス モデルを調整します。
実験では、私たちのフレームワークによって生成されたプロセス モデルが既存の手法を上回り、4 つの異なるデータセットで手動モデリングをそれぞれ 89%、61%、52%、75% 上回っていることが実証されました。

要約(オリジナル)

Process models are frequently used in software engineering to describe business requirements, guide software testing and control system improvement. However, traditional process modeling methods often require the participation of numerous experts, which is expensive and time-consuming. Therefore, the exploration of a more efficient and cost-effective automated modeling method has emerged as a focal point in current research. This article explores a framework for automatically generating process models with multi-agent orchestration (MAO), aiming to enhance the efficiency of process modeling and offer valuable insights for domain experts. Our framework MAO leverages large language models as the cornerstone for multi-agent, employing an innovative prompt strategy to ensure efficient collaboration among multi-agent. Specifically, 1) generation. The first phase of MAO is to generate a slightly rough process model from the text description; 2) refinement. The agents would continuously refine the initial process model through multiple rounds of dialogue; 3) reviewing. Large language models are prone to hallucination phenomena among multi-turn dialogues, so the agents need to review and repair semantic hallucinations in process models; 4) testing. The representation of process models is diverse. Consequently, the agents utilize external tools to test whether the generated process model contains format errors, namely format hallucinations, and then adjust the process model to conform to the output paradigm. The experiments demonstrate that the process models generated by our framework outperform existing methods and surpass manual modeling by 89%, 61%, 52%, and 75% on four different datasets, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google