Workflow-Entdeckung aus Dialogen im Bereich geringer Datenmenge

Textbasierte Dialoge werden heute weit verbreitet eingesetzt, um reale Probleme zu lösen. In Fällen, in denen Lösungsstrategien bereits bekannt sind, können diese manchmal in Workflows kodifiziert und verwendet werden, um Menschen oder künstliche Agenten bei der Unterstützung von Kunden durch den Prozess zu führen. Wir stellen eine neue Problemformulierung vor, die wir Workflow-Entdeckung (WD) nennen. Dabei interessieren wir uns für Situationen, in denen ein formaler Workflow noch nicht existiert. Dennoch möchten wir den Satz von Aktionen entdecken, die unternommen wurden, um ein bestimmtes Problem zu lösen. Wir untersuchen zudem einen sequenz-zu-sequenz-Ansatz (Seq2Seq) für diese neuartige Aufgabe.Wir präsentieren Experimente, bei denen wir Workflows aus Dialogen im Datensatz „Action-Based Conversations“ (ABCD) extrahieren. Da die ABCD-Dialoge bekannten Workflows folgen, um Agenten zu leiten, können wir unsere Fähigkeit zur Extraktion solcher Workflows anhand von Referenzfolgen von Aktionen bewerten. Wir schlagen und evaluieren einen Ansatz vor, der Modelle auf der Grundlage des Satzes möglicher Aktionen konditioniert, und zeigen, dass durch diese Strategie die Leistungsfähigkeit der Workflow-Entdeckung verbessert werden kann. Unser konditionierter Ansatz erhöht auch die zero-shot- und few-shot-Leistungsfähigkeit der Workflow-Entdeckung beim Transfer gelernter Modelle auf unbekannte Domains innerhalb und zwischen Datensätzen.Darüber hinaus erreicht eine modifizierte Variante unserer Seq2Seq-Methode im Datensatz ABCD den Stand der Technik in Bezug auf verwandte aber unterschiedliche Probleme wie Action State Tracking (AST) und Cascading Dialogue Success (CDS) nach vielen Evaluationsmetriken.