대화를 통한 저데이터 환경에서의 워크플로우 발견

텍스트 기반 대화는 이제 실제 문제 해결에 널리 사용되고 있습니다. 해결 전략이 이미 알려져 있는 경우, 이러한 전략은 때때로 워크플로우로 체계화되어 인간이나 인공 에이전트가 고객을 돕는 과정을 안내하는 데 활용될 수 있습니다. 우리는 아직 공식적인 워크플로우가 존재하지 않을 수 있는 상황에 관심을 가지고 새로운 문제 제시를 소개합니다. 이를 워크플로우 발견(Workflow Discovery, WD)이라고 부릅니다. 특정 문제를 해결하기 위해 취한 행동들의 집합을 발견하려고 합니다. 또한 이 새로운 작업에 대한 시퀀스-투-시퀀스(Seq2Seq) 접근법도 검토합니다.우리는 Action-Based Conversations Dataset (ABCD)에서 대화에서 워크플로우를 추출하는 실험을 제시합니다. ABCD 대화는 에이전트를 안내하기 위한 알려진 워크플로우를 따르므로, 이러한 워크플로우를 추출할 수 있는 능력을 실제 행동 시퀀스를 통해 평가할 수 있습니다. 우리는 가능한 행동들의 집합을 조건으로 하는 모델의 접근법을 제안하고 평가하며, 이 전략을 사용하면 WD 성능을 개선할 수 있음을 보여줍니다. 우리의 조건부 접근법은 학습된 모델을 데이터셋 내외의 미확인 도메인으로 이전할 때 zero-shot 및 few-shot WD 성능도 개선합니다.또한, ABCD에서 우리의 Seq2Seq 방법의 수정된 변형체는 여러 평가 지표에 걸쳐 관련되지만 다른 문제인 액션 상태 추적(Action State Tracking, AST)과 캐스케이딩 대화 성공(Cascading Dialogue Success, CDS)에서 최신의 성능을 달성합니다.