Tworzenie lepszych zbiorów danych szkoleniowych AI za pomocą symulacji wieloagentowej

TL;DR

•Generowanie danych przez pojedynczy agent konwerguje do jednego głosu; wieloagentowa debata między odrębnymi osobowościami produkuje zmienność i konflikt, których potrzebują rzeczywiste zestawy danych
•Cztery techniki: dialog adversarial, współpracujące rozwiązywanie problemów, wariacja oparta na osobie i scenariusze eskalacji
•Implementacja jest pętlą 5-kroku — definiowanie persona, ramy debatowalnych scenariuszy, prowadzenie różnorodnych debat, przegląd strukturalnych transkryptów, eksport i filtrowanie — mierzone przez różnorodność, spójność, konsekwencję i pokrycie

Please provide the text you would like to have translated.

W syntetycznych pipeline'ach danych istnieje cicha forma niepowodzenia: zbiory danych do treningu AI stworzone przez jednego agenta generatora brzmią jak ta sama osoba. Poproś jeden model o wygenerowanie dziesięciu tysięcy rozmów z klientami, a otrzymasz dziesięć tysięcy wariacji jego najbardziej prawdopodobnego klienta — ten sam poziom grzeczności, te same wzorce sprzeciwów, te same schludne rozwiązania. Modele trenowane na tych danych działają doskonale na danych, które wyglądają podobnie, a następnie potykają się na prawdziwych użytkownikach, którzy są bardziej chaotyczni, bardziej zdenerwowani, bardziej zdezorientowani i bardziej zróżnicowani niż wyobraźnia jakiegokolwiek pojedynczego agenta.

Symulacja wieloagentowa atakuje problem u jego źródła. Zamiast jednego agenta generującego obie strony interakcji, wiele osobowości AI o rzeczywiście odmiennych cechach — sceptyk, optymista, pragmatyk, adwokat diabła — wchodzi w interakcje, dyskutuje i negocjuje ze sobą. Uzyskane dane zawierają to, czego rzeczywiste systemy AI potrzebują do nauki: niezgodę, perswazję, frustrację, naprawę i tysiące małych tarć między ludźmi, którzy nie dzielą się scenariuszem.

Ten przewodnik omawia, dlaczego generacja wieloagentowa przewyższa generację jednoagentową, cztery podstawowe techniki symulacji, krok po kroku implementację z ArgumenTroupe oraz metryki jakości, które informują, czy twój syntetyczny zbiór danych jest wart treningu.

Dlaczego Multi-Agent do danych treningowych?

Przesunięcie danych syntetycznych nie jest już spekulacyjne — Gartner przewidział, że 75% przedsiębiorstw będzie korzystać z danych syntetycznych do AI do 2026 roku, a badania nad danymi syntetycznymi stały się już standardową dziedziną. Otwartym pytaniem nie jest to, czy generować, ale jak generować dane wystarczająco zróżnicowane, aby były użyteczne.

Problem różnorodności

Generacja z pojedynczym agentem ma strukturalny sufit. Jeden model, jakkolwiek zdolny, próbuje z jednej dystrybucji:

✗Homogeniczna wariacja — powierzchowne parafrazy tej samej podstawowej rozmowy, a nie naprawdę różne interakcje
✗Brakująca struktura wieloperspektywiczna — prawdziwe rozmowy angażują strony o różnych celach, wiedzy i nastrojach; jeden agent grający obie strony wprowadza jeden światopogląd do obu.
✗Brak wzorców konfliktu lub negocjacji — generator zbyt współpracująco rozwiązuje napięcia, więc wytrenowany model nigdy nie uczy się radzić sobie z użytkownikiem, którego nie da się uspokoić.
✗Niedostatecznie reprezentowane przypadki brzegowe — mało prawdopodobne, ale kluczowe interakcje pozostają mało prawdopodobne w wynikach, dokładnie tam, gdzie modele zawodzą w produkcji

Zalety wieloagentowe

Umieszczanie odmiennych person w autentycznej interakcji odwraca każdą słabość:

✓Naturalna zmienność wynikająca z różnych osobowości — sceptyk i optymista reagujący na tę samą sytuację produkują strukturalnie różny język, a nie parafrazy
✓Realistyczna dynamika dialogu — przerwanie, nieporozumienie, wyjaśnienie i zmiana tematu wynikają z interakcji, a nie są zaplanowane.
✓Emergentne zachowania i wzorce — pojawiają się negocjacje, zmiany sojuszy i ustępstwa, które nikt nie zainicjował, ponieważ wynikają z konfliktowych celów.
✓Systematyczne pokrycie przypadków brzegowych — przypisz personę do trudnego przypadku (wściekły klient, zdezorientowany nowicjusz), a przypadki brzegowe staną się parametrem konfiguracyjnym zamiast szczęśliwym zbiegiem okoliczności.

Techniki symulacji wieloagentowej

Cztery techniki pokrywają większość potrzeb związanych z danymi treningowymi. Tworzą one — dojrzała linia produkcyjna zazwyczaj uruchamia kilka z nich w tym samym zbiorze scenariuszy.

Technika 1: Dialog adversarialny

Jeden agent proponuje; drugi agent krytykuje. Proponujący musi bronić, udoskonalać lub ustępować, a każda wymiana generuje potrójny zestaw propozycja-zastrzeżenie-odpowiedź. To najbogatsze źródło danych dotyczących radzenia sobie z zastrzeżeniami — wzór, którego najbardziej potrzebują modele skierowane do klientów i doradcze, a który organiczne zbiory danych zawierają w najmniejszym stopniu. Ponieważ krytyk jest zaprogramowany, aby być nieustępliwym, dane obejmują łańcuchy obrony znacznie głębsze niż te, które kiedykolwiek zarejestrują grzeczne ludzkie rozmowy. Zbiór danych zbudowany w ten sposób uczy model nie tylko tego, co powiedzieć, ale także jak utrzymać stanowisko pod presją i kiedy ustąpić.

Technika 2: Wspólne rozwiązywanie problemów

Wielu agentów pracuje w kierunku wspólnego celu — planowania projektu, diagnozowania usterki, sporządzania dokumentu. Interakcja uchwyca język koordynacji: proponowanie następnych kroków, przydzielanie zadań podrzędnych, sprawdzanie zrozumienia, rozwijanie częściowej odpowiedzi. Modeluje również realistyczne przejmowanie głosu i asymetrię wkładu, ponieważ dobrze skonfigurowana grupa obejmuje dominujący głos, starannego podsumowującego i cichego członka, którego trzeba wyciągnąć. Modele asystentów trenowane na tych danych radzą sobie z wątkami wielopartyjnymi i długoterminowymi zadaniami zauważalnie lepiej niż te trenowane wyłącznie na wymianach jeden na jeden.

Technika 3: Wariacja oparta na personie

Ten sam scenariusz powtarza się wielokrotnie z różnymi obsadami postaci. Prośba o zwrot pieniędzy obsługiwana przez cierpliwego emeryta, oschłego menedżera i zestresowanego kupującego po raz pierwszy prowadzi do trzech strukturalnie różnych rozmów z jednego opisu scenariusza — demograficzna i stylistyczna różnorodność przy zasadniczo zerowych kosztach autorskich. To jest technika robocza do pokrycia: zdefiniuj swoją bibliotekę scenariuszy raz, a następnie zastosuj ją w matrycy postaci zbudowanej na podstawie rzeczywistych profili AI persona. To także uczciwy sposób na przetestowanie, czy model służy wszystkim twoim użytkownikom, a nie tylko przeciętnemu.

Technika 4: Scenariusze eskalacji

Trudności i konflikty rosną celowo w trakcie interakcji — łagodne pytanie staje się skargą, staje się groźbą odejścia, staje się żądaniem menedżera. Eskalacja uchwyca wzorce adaptacji (jak język się zmienia, gdy stawka rośnie) oraz strategie rozwiązania (co deeskaluje, co zaostrza). Rzeczywiste logi zawierają niewiele kompletnych łuków eskalacji, ponieważ większość rozmów kończy się wcześnie; symulacja może generować pełny łuk za każdym razem, w tym powroty. Dla modeli krytycznych dla bezpieczeństwa i wsparcia ta technika produkuje najważniejsze przykłady szkoleniowe na token.

Przewodnik wdrożeniowy: Generowanie danych z wieloma agentami z ArgumenTroupe

ArgumenTroupe został stworzony do deliberacji z udziałem wielu person, co czyni go naturalnym silnikiem generacyjnym: zbierasz grupę person, dajesz im coś, o co mogą się spierać, i zbierasz uporządkowaną debatę. Nie jest wymagane żadne skryptowanie — cały proces przebiega przez konfigurację. Oto przepływ pracy od początku do końca.

Zdefiniuj swoją grupę osobowości.

Zacznij od standardowych ról — sceptyk, optymista, pragmatyk, adwokat diabła — i rozszerz je o profile, których potrzebuje twój zbiór danych: sfrustrowany długoletni klient, nietechniczny nowicjusz, menedżer zorientowany na zgodność. Dla każdej persony określ imię, kilka cech (niecierpliwy, zwracający uwagę na szczegóły, unikający ryzyka) oraz linię kontekstową, która osadza ich sytuację. Wyrazistość to kluczowa kwestia: jeśli dwie persony powiedziałyby to samo, połącz je i dodaj jedną, która by tego nie zrobiła.

Formułuj scenariusze jako pytania do debaty

Dane z wielu agentów są tak bogate, jak napięcie w poleceniu. Przekształć każdy scenariusz w swojej bibliotece w coś, o co postacie mogą naprawdę się spierać — nie "omówmy naszej polityki zwrotów", ale "czy ten graniczny zwrot powinien zostać przyznany?" Ustal parametry dla każdej sesji: które postacie biorą udział, w przybliżeniu ile rund wymiany, oraz które skrajne przypadki muszą się pojawić (przerwanie, korekta faktów, nierozwiązane zakończenie).

Prowadź debaty i zmieniaj konfigurację

Uruchom symulację i pozwól grupie na kłótnie. Następnie uruchom ten sam scenariusz z zamienionymi obsadami (wariacja oparta na personach), z dodanym krytykiem (dialog adversarialny) lub z rosnącymi stawkami (eskalacja). Każda konfiguracja to nowy fragment twojego zestawu danych z tej samej inwestycji scenariuszowej. Oznacz każdy bieg jego scenariuszem, zestawem person i zamierzonym wynikiem w miarę postępu — metadane dodane w czasie generacji są prawie darmowe, a ich rekonstrukcja później nigdy nie jest.

Przejrzyj uporządkowane transkrypty

To tutaj platforma deliberacyjna zasługuje na swoje miejsce w porównaniu do surowego modelu pętli. ArgumenTroupe rejestruje każdą sesję jako uporządkowany transkrypt argumentów — kto powiedział co, w odpowiedzi na jaki punkt, zajmując którą stronę — zamiast nieodróżnialnej ściany tekstu. Przejrzyj sesje na poziomie argumentów: sprawdź, czy postacie pozostały w charakterze, czy rzeczywiście wystąpiły niezgodności i czy rozmowy kończą się w różnorodny sposób. Odrzuć lub oznacz sesje, w których grupa zbyt wcześnie doszła do zgody — konsensus jest trybem awarii syntetycznej różnorodności.

Eksportuj i filtruj do szkolenia

Eksportuj zatwierdzone transkrypcje wraz z ich metadanymi, a następnie zastosuj standardowy proces higieny: automatyczne filtry dla pustych, powtarzalnych lub niezgodnych z polityką treści; deduplikacja w przypadku prawie identycznych wersji; przegląd przez człowieka losowej próbki. Podziel na zestawy treningowe, walidacyjne i testowe — oraz zarezerwuj rzeczywiste, wygenerowane przez ludzi dane do ostatecznej oceny, aby mierzyć model w odniesieniu do rzeczywistości, a nie do bardziej syntetycznych danych. Ta sama procedura jest opisana z perspektywy produktu w naszym <a href="/use-cases/training-data-generation">przypadku użycia generowania danych treningowych</a>.

Metryki jakości dla danych wieloagentowych

Generowanie jest tanie; wiedza o tym, co wygenerowałeś, to dyscyplina. Cztery rodziny metryk obejmują zbiory danych wieloagentowych:

•Wyniki różnorodności — rozkład leksykalny i semantyczny w korpusie. Jeśli osadzenia twoich rozmów skupiają się blisko siebie, twoje persony zlewają się w jeden głos, a premia za wieloagentowość znika.
•Metryki spójności — czy każda wypowiedź odpowiada na to, co ją poprzedzało? W przypadku wieloagentowych sesji może dojść do równoległych monologów; kontrole spójności wychwytują transkrypty, w których agenci rozmawiali obok siebie.
•Spójność persony — sceptyk w turze 2 musi nadal być sceptykiem w turze 20. Niespójne persony uczą model downstream, że tożsamość mówcy jest bez znaczenia, co psuje dokładnie ten sygnał, dla którego wygenerowano dane.
•Analiza pokrycia — mapa generowanych uruchomień w odniesieniu do twojej macierzy scenariuszy według persony oraz wymaganych przypadków brzegowych. Luki w macierzy pozostają ciche, dopóki model produkcyjny nie napotka komórki, której nigdy nie wygenerowałeś.

Studium przypadku: Szkolenie bota obsługi klienta

Rozważmy reprezentatywny (kompozytowy) przykład: zespół budujący asystenta obsługi klienta dla produktu subskrypcyjnego. Ich pierwszy zestaw treningowy został wygenerowany przez jednego agenta — jeden model odgrywał zarówno rolę klienta, jak i agenta w tysiącach zgłoszeń. Bot dobrze sprawdził się wewnętrznie, a następnie nie poradził sobie z prawdziwymi klientami, w wyraźnym wzorze: radził sobie dobrze z grzecznymi, dobrze sformułowanymi prośbami, a załamał się, gdy klienci byli źli, niejednoznaczni lub kwestionowali jego pierwszą odpowiedź. Dane treningowe zawierały prawie żadnego prawdziwego oporu, ponieważ jeden agent odgrywający obie strony rozwiązuje swoje własne zgłoszenia w sposób kooperacyjny.

Rebuild używał symulacji wieloagentowej. Grupa person — sfrustrowany zaawansowany użytkownik, zdezorientowany nowicjusz, łowca okazji, klient, który już dwukrotnie kontaktował się z pomocą techniczną — była uruchamiana przeciwko personie agenta w tej samej bibliotece scenariuszy, z nałożonymi konfiguracjami antagonizmu i eskalacji. Nowy zbiór danych zawierał brakujące struktury: łańcuchy obiekcji wieloetapowych, eskalacje, naprawy po błędnej odpowiedzi oraz rozmowy, które zakończyły się bez rozwiązania.

Przeszkolony na korpusie wieloagentowym, zachowanie bota zmieniło się dokładnie w tych miejscach, w których dane uległy zmianie: przestał powtarzać swoją pierwszą odpowiedź niezadowolonym klientom, nauczył się uznawać frustrację przed rozwiązaniem problemu i eskalował do ludzi w bardziej sensownych momentach. Ogólna lekcja dotyczy nie tylko botów wsparcia: modele uczą się wzorców interakcji obecnych w swoich danych, a symulacja wieloagentowa jest obecnie najbardziej kontrolowanym sposobem na wprowadzenie trudnych wzorców. W celu szerszej metodologii generacji, zapoznaj się z naszym przewodnikiem po generowaniu syntetycznych danych konwersacyjnych.

Często zadawane pytania

Jak symulacja wieloagentowa poprawia dane szkoleniowe AI?

Zastępuje pojedynczy generator — który próbkuje każdą rozmowę z jednego rozkładu i jednego głosu — wieloma odrębnymi osobowościami, które autentycznie się komunikują. Wynikowe dane zawierają niezgodność, negocjacje, eskalację oraz zmienność demograficzną, której brakuje generowaniu przez pojedynczego agenta, co jest dokładnie tym materiałem, którego potrzebują modele świata rzeczywistego, aby radzić sobie z trudnymi użytkownikami i dynamiką wielu stron.

Jaka jest różnica między generowaniem danych przez jeden agent a generowaniem danych przez wielu agentów?

Generowanie z użyciem jednego agenta powoduje, że jeden model wytwarza wszystkie strony interakcji, więc obie strony tajnie dzielą się jednym światopoglądem i konflikty rozwiązują zbyt współpracująco. Generowanie wieloagentowe przypisuje każdą stronę do inaczej skonfigurowanej osoby — sceptyk, optymista, pragmatyk, adwokat diabła — więc napięcie, niezrozumienie i adaptacja wynikają z samej interakcji, a nie są zapisane w scenariuszu.

Jak tworzyć dane szkoleniowe z użyciem wieloagentowego AI?

Postępuj zgodnie z pięcioetapową pętlą: zdefiniuj trupę odrębnych postaci, oprzyj swoje scenariusze na spornych pytaniach, prowadź debaty zmieniając obsady postaci i poziomy konfliktu, przejrzyj ustrukturyzowane transkrypty pod kątem spójności postaci i autentycznego sprzeciwu, a następnie wyeksportuj, przefiltruj, usunięcie duplikatów i podziel dane. Zawsze oceniaj ostateczny model w stosunku do danych rzeczywistych, a nie w stosunku do bardziej syntetycznych danych.

Czy wciąż potrzebuję rzeczywistych danych, jeśli używam symulacji wieloagentowej?

Tak. Symulacja wieloagentowa jest warstwą skali, a nie zastępnikiem danych rzeczywistych. Dane rzeczywiste pełnią dwie niezastąpione role: umożliwiają ugruntowanie konfiguracji persona w zachowaniach rzeczywistych użytkowników oraz zapewniają zestaw danych do oceny, który informuje, czy trening z użyciem danych syntetycznych poprawił wyniki w świecie rzeczywistym. Traktuj dane syntetyczne i rzeczywiste jako uzupełnienia.

Wygeneruj dane szkoleniowe, które się sprzeciwiają

Zmontuj trupę osobowości, uruchom ustrukturyzowane debaty i wyeksportuj transkrypty, z których twoje modele mogą się naprawdę uczyć.

Rozpocznij bezpłatny okres próbny