Une collection de dialogues basés sur le camping pour développer des systèmes de négociation automatique

CaSiNo: une collection de dialogues basés sur le camping pour développer des systèmes de négociation automatique

Une capture d’écran de l’interface de collecte de données pour la collecte de CaSiNo sur la plateforme Amazon Mechanical Turk. Le côté droit montre la boîte de discussion pour saisir la réponse et les options pour utiliser également les émoticônes. Une fois que les participants sont parvenus à un accord, ils soumettent leur offre en utilisant le menu de gauche. Crédit: Chawla et al.

Les agents artificiels qui négocient avec les humains pourraient avoir un large éventail d’applications utiles, par exemple, aider les humains à améliorer leurs compétences de négociation dans une variété de domaines. Pour améliorer le développement de ces agents, des chercheurs de l’Université de Californie du Sud (USC) ont récemment créé CaSiNo, un ensemble de données contenant des dialogues de négociation réalistes fondés sur un scénario de camping.

«Nos travaux reflètent nos efforts continus pour construire des systèmes de négociation automatisés», ont déclaré Kushal Chawla et Gale Lucas, deux des chercheurs qui ont mené l’étude, à TechXplore par e-mail. « L’étude de la façon dont les humains ont tendance à négocier est un domaine de recherche actif depuis des décennies en économie, en psychologie et en informatique affective. C’est un terrain de jeu intéressant pour la recherche multidisciplinaire autour de la prise de décision humaine. »

Ces dernières années, de nombreux chercheurs du monde entier ont commencé à explorer le potentiel des systèmes automatisés capables de négocier directement avec les humains. Ils ont constaté que ces systèmes pouvaient être particulièrement utiles pour former les gens à des compétences sociales spécifiques (par exemple, apprendre aux étudiants en commerce à négocier des affaires fructueuses ou à des avocats pour évaluer les taux de règlement pendant les procédures judiciaires).

« Il est déjà prouvé que la compétence de négociation est également cruciale pour faire progresser les capacités des assistants d’IA existants », ont déclaré Chawla et Lucas. « Par exemple, le prototype Google Duplex s’est engagé dans une forme simple de négociation pour prendre rendez-vous pour une coupe de cheveux par téléphone. »

La plupart des systèmes de négociation automatisés développés jusqu’à présent sont basés sur des interfaces de communication restreintes pilotées par menu. Par exemple, les systèmes basés sur la plate-forme IAGO, y compris un cadre précédemment développé par Chawla et Lucas, obligent les utilisateurs humains à cliquer sur des boutons spécifiques pour communiquer avec l’agent.

« Ces systèmes nécessitent de cliquer sur des boutons pour partager des préférences individuelles ou pour déployer des offres », ont déclaré Chawla et Lucas. « Bien que cette restriction apporte un caractère concret, elle a un coût. Plus précisément, elle empêche l’analyse de plusieurs aspects des négociations du monde réel, comme persuader le partenaire de négociation ou exprimer des émotions. Systèmes alternatifs qui permettent des styles de communication plus réalistes (c.-à-d. , sous forme de texte ou de vidéo) pourrait être hautement souhaitable. « 

Pour surmonter les limites des systèmes avec des interfaces basées sur des menus, certaines équipes de recherche ont récemment essayé de développer des systèmes de négociation basés sur le chat qui permettent aux utilisateurs de communiquer plus librement en tapant ou en parlant dans une langue humaine, comme l’anglais. Le développement et la formation de ces systèmes, cependant, est beaucoup plus difficile que la création de systèmes pilotés par menu.

« Construire un système capable de négocier avec des partenaires humains dans une langue donnée nécessite la construction d’ensembles de données de négociation sur lesquels les modèles d’apprentissage automatique peuvent être formés », ont déclaré Chawla et Lucas. « Les efforts antérieurs visant à développer de tels ensembles de données se sont concentrés soit sur les paramètres de jeu, qui sont trop restrictifs pour gêner les conversations personnelles, ou sont trop ouverts au point de nuire à l’évaluation des performances de négociation, les deux étant importants du point de vue des applications en aval. . « 

Dans leur article récent, Chawla et Lucas ont présenté un ensemble de données contenant plus d’un millier de dialogues de négociation réalistes, linguistiquement riches et personnels dans un environnement clairement délimité, à savoir un camping. Cet ensemble de données s’appelle CaSiNo, qui signifie «Négociations sur les sites de camping».

«Dans chaque négociation, deux participants assument le rôle de voisins du camping et négocient des articles essentiels supplémentaires (c.-à-d. Nourriture, eau et bois de chauffage)», a déclaré Chawla. « Chaque participant a une préférence prédéfinie pour ces articles et ses propres justifications pour en avoir besoin ou ne pas en avoir besoin (par exemple, on peut avoir besoin de plus d’eau pour une randonnée ou de bois de chauffage pour un feu de joie avec des amis). »

En plus des dialogues eux-mêmes, l’ensemble de données CaSiNo comprend des informations contextuelles sur chaque participant, telles que les éléments dont ils ont le plus besoin ou qu’ils espèrent atteindre grâce à la négociation. Au cours de chaque négociation, deux participants se parlent pour décider comment se répartir neuf paquets entre eux: trois contenant de la nourriture, trois de l’eau et trois du bois de chauffage.

«Les performances de négociation des participants sont évaluées de trois manières: (1) leur score final, qui dépend des éléments pour lesquels ils ont pu négocier, (2) leur degré de satisfaction quant à leur propre performance et (3) leur appréciation leurs adversaires », ont expliqué Chawla et Lucas. « Tous ces paramètres sont cruciaux dans le contexte de négociations du monde réel. Surtout dans les cas où les participants s’engagent dans des négociations répétées les uns avec les autres, le maintien de leur relation peut être tout aussi important que leur propre performance. »

Les chercheurs ont annoté près de 40% des dialogues dans l’ensemble de données CaSiNo, en spécifiant les stratégies de persuasion utilisées par les parties à la négociation. Dans l’ensemble, les parties ont utilisé neuf stratégies de négociation, de nature «coopérative» ou «égoïste».

« Ces annotations nous ont permis de réaliser l’analyse corrélationnelle présentée dans l’article, où nous comprenons comment différents comportements lors d’un dialogue sont liés au résultat d’une négociation », ont déclaré Chawla et Lucas. « En général, nous avons constaté que les stratégies coopératives sont liées positivement à la performance des participants tandis que les comportements égoïstes sont liés négativement. »

Les conclusions des analyses pourraient éclairer le développement de systèmes automatisés plus efficaces qui utilisent différentes stratégies de négociation. Comme première étape vers le développement de ces systèmes, les chercheurs ont créé un cadre multi-tâches qui peut prédire les stratégies utilisées par deux parties à la négociation simplement en analysant le dialogue entre elles.

« Le cadre multi-tâches a été conçu pour prédire automatiquement les annotations de stratégie directement à partir d’un texte d’entrée utilisé par les participants », ont déclaré Chawla et Lucas.

Le cadre multi-tâches créé par les chercheurs est basé sur un modèle de langage pré-entraîné, un puissant modèle d’apprentissage en profondeur formé sur une grande quantité de texte de forme libre collecté en ligne. Au cours des dernières années, les modèles de langage pré-formés se sont révélés très efficaces pour accomplir une variété de tâches. Chawla, Lucas et leurs collègues ont spécifiquement formé leur modèle sur leurs dialogues annotés.

«L’aspect multitâche du cadre est obtenu en partageant ce modèle pré-entraîné pour prédire toutes les étiquettes d’annotation ensemble», ont déclaré Chawla et Lucas. «Nous avons en outre observé que différentes parties de l’entrée ont tendance à représenter différentes stratégies de négociation. Sur la base de cette idée, nous permettons au modèle de se concentrer sur différentes parties tout en prédisant différentes étiquettes d’annotation. Cela se fait grâce à ce que l’on appelle communément« l’attention ».»

Les chercheurs ont observé que les aspects multi-tâches et d’attention de leur modèle augmentaient la précision de ses prédictions pour toutes les étiquettes d’annotation. Dans une série d’évaluations, il a été constaté que leur cadre surpassait considérablement un modèle similaire qui ne pouvait pas effectuer plusieurs tâches à la fois ou se concentrer sur différentes parties d’un dialogue.

« CaSiNo crée des opportunités pour de nombreuses autres tâches dans l’informatique affective et le traitement du langage naturel (PNL), telles que l’analyse de la satisfaction de soi et de la perception de l’adversaire à partir des comportements de dialogue, ainsi que des agents de construction formés pour négocier naturellement en utilisant le langage, d’une manière cohérente avec leurs préférences. et justifications », ont déclaré Chawla et Lucas. « De plus, nos résultats améliorent la compréhension actuelle de la façon dont les stratégies de persuasion peuvent être liées aux résultats finaux d’une négociation. »

À l’avenir, les résultats pourraient éclairer le développement de systèmes de négociation automatisés avancés qui utilisent des styles de communication réalistes et adaptent leur comportement en fonction des stratégies de négociation utilisées par les partenaires humains. De plus, ils pourraient permettre la création d’agents pédagogiques qui offrent des conseils aux utilisateurs en fonction des stratégies de négociation qu’ils utilisent.

L’ensemble de données CaSiNo et les annotations des chercheurs sont accessibles au public et peuvent être consultés par les développeurs sur GitHub. Chawla, Lucas et leurs collègues mènent actuellement de nouvelles études explorant le potentiel de leur ensemble de données pour la recherche en informatique affective et pour le développement de systèmes de dialogue plus sophistiqués.

«En contribuant à la recherche sur l’informatique affective, nos efforts continus consistent à analyser comment les attributs émotionnels des dialogues de négociation peuvent aider à prédire les résultats finaux de la négociation, au-delà des données démographiques et de la personnalité des participants», ont déclaré Chawla et Lucas. « Cette recherche pourrait aider au développement d’agents qui incorporent systématiquement l’émotion dans leur conception. En outre, nous prévoyons de travailler au développement de systèmes de négociation automatisés basés sur la PNL qui peuvent communiquer en langage naturel de forme libre, comme l’anglais. »


Pilote: un agent virtuel capable de négocier avec les humains


Plus d’information:
CaSiNo: Un corpus de dialogues de négociation de camping pour les systèmes de négociation automatique. arXiv: 2103.15721 [cs.CL]. arxiv.org/abs/2103.15721

kushalchawla.github.io/

ict.usc.edu/profile/gale-lucas/

© Réseau Science X 2021

Citation: CaSiNo: Une collection de dialogues basés sur les campings pour développer des systèmes de négociation automatique (2021, 12 mai) récupéré le 12 mai 2021 sur https://techxplore.com/news/2021-05-casino-campsite-based-dialogs-automatic. html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.