Captura de pantalla de la interfaz de recopilación de datos para la recopilación de CaSiNo en la plataforma Amazon Mechanical Turk. En el lado derecho hay un cuadro de chat para escribir respuestas y opciones para usar emoticonos. Una vez que los participantes han llegado a un acuerdo, envían una oferta utilizando el menú de la izquierda. Fuente: Chawla et al.
Los agentes artificiales que negocian con las personas pueden tener una amplia gama de usos valiosos, como ayudar a las personas a mejorar sus habilidades de negociación en varios campos. Para facilitar el desarrollo de estos agentes, los investigadores de la Universidad del Sur de California (USC) crearon recientemente CaSiNo, un conjunto de datos que contiene diálogos de negociación realistas integrados en un escenario de campamento.
“Nuestro trabajo refleja nuestros continuos esfuerzos por crear negociación “, dijeron a TechXplore por correo electrónico Kushal Chawla y Gale Lucas, los dos investigadores que dirigieron el estudio.” Estudiar cómo las personas negocian ha sido un área activa de investigación en economía, psicología y computadoras afectivas durante décadas. Es un campo de juego interesante para la investigación multidisciplinaria sobre la toma de decisiones humanas ”.
En los últimos años, muchos científicos de todo el mundo han comenzado a explorar el potencial de los sistemas automatizados que pueden negociar directamente con los humanos. Descubrieron que estos sistemas pueden ser particularmente útiles para capacitar a las personas en ciertas habilidades sociales (por ejemplo, enseñar a los estudiantes de negocios cómo negociar acuerdos exitosos o a los abogados cómo evaluar las tasas de resolución en litigios).
“Ya hay evidencia de que las habilidades de negociación también son críticas para desarrollar las capacidades de los asistentes de IA actuales”, dijeron Chawla y Lucas. “Por ejemplo, el prototipo de Google Duplex participó en una forma simple de negociación para concertar una llamada telefónica al peluquero”.
La mayoría de los sistemas de negociación automatizados desarrollados hasta la fecha se basan en interfaces de comunicación restrictivas basadas en menús. Por ejemplo, los sistemas basados en Plataforma IAGO, incluyendo marco desarrollado previamente por Chawla y Lucasrequieren que los usuarios hagan clic en ciertos botones para comunicarse con el agente.
“Estos sistemas requieren hacer clic en botones para proporcionar preferencias individuales o para ingresar ofertas”, dijeron Chawla y Lucas. “Si bien esta limitación es específica, tiene un precio. Más específicamente, dificulta el análisis de varios aspectos de la negociación en el mundo real, como convencer a un socio negociador o expresar emociones. Los sistemas alternativos que permitan estilos de comunicación más realistas (es decir, a través de texto o video) pueden ser muy deseables ”.
Para superar las limitaciones de los sistemas con interfaces basadas en menús, algunos equipos de investigación han intentado recientemente desarrollar sistemas de negociación basados en chat que permitan a los usuarios comunicarse más libremente escribiendo o hablando el idioma. lenguaje humanopor ejemplo inglés. Sin embargo, desarrollar y entrenar estos sistemas es mucho más difícil que crear sistemas basados en menús.
“La construcción de un sistema que pueda negociar con socios humanos en un idioma determinado requiere la construcción de conjuntos de datos de negociación en los que entrenar modelos de aprendizaje automático”, dijeron Chawla y Lucas. “Los esfuerzos anteriores para desarrollar tales conjuntos de datos se han centrado en configuraciones de juego que son demasiado restrictivas para impedir la conversación personal o que tienen una mente demasiado abierta para restar valor a la evaluación de los resultados de la negociación, ambos importantes para las aplicaciones posteriores”.
En su último artículo, Chawla y Lucas presentaron un conjunto de datos de más de mil diálogos de negociación realistas, lingüísticamente ricos y personales en un entorno claramente definido, a saber, el camping. Este conjunto de datos se llama CaSiNo, que significa “Negociación de acampada”.
“En cada negociación, dos participantes asumen el papel de vecinos del campamento y negocian elementos esenciales adicionales (por ejemplo, alimentos, agua y leña)”, dijo Chawla. “Cada participante tiene preferencias predeterminadas para estos artículos y su propia justificación en cuanto a si los necesita o no (por ejemplo, es posible que necesite más agua para un viaje o leña para un fuego con amigos)”.
Además de los cuadros de diálogo en sí, el conjunto de datos de CaSiNo contiene información contextual sobre cada participante, como lo que más necesitan o esperan lograr con la negociación. Durante cada negociación, dos participantes conversan para decidir cómo repartirse nueve paquetes entre ellos: tres para comida, tres para agua y tres para leña.
“Los resultados de las negociaciones de los participantes se evalúan de tres maneras: (1) su resultado final, que depende de qué ítems fueron capaces de negociar, (2) el grado de satisfacción con sus propios resultados, y (3) el grado de su satisfacción con sus oponentes – explicaron Chawla y Lucas. “Todos estos indicadores son cruciales para las negociaciones del mundo real. Especialmente en los casos en que los participantes negocian repetidamente entre sí, mantener su relación puede ser tan importante como sus propios resultados “.
Los investigadores registraron casi el 40% de los diálogos en el conjunto de datos de CaSiNo, identificando las estrategias de persuasión utilizadas por las partes negociadoras. En general, las partes utilizaron nueve estrategias de negociación que eran “cooperativas” o “egoístas”.
“Estas anotaciones nos permitieron realizar el análisis de correlación en el artículo, en el que entendemos cómo los diferentes comportamientos durante el diálogo se relacionan con el resultado de la negociación”, dijeron Chawla y Lucas. “En general, encontramos que las estrategias colaborativas tienen una relación positiva con el desempeño de los participantes, mientras que el comportamiento egoísta tiene un impacto negativo”.
Los resultados de los análisis pueden ayudar a desarrollar sistemas automatizados más efectivos que utilizan una variedad de estrategias de negociación. Como primer paso hacia el desarrollo de estos sistemas, los científicos crearon una estructura multitarea que puede predecir las estrategias utilizadas por dos partes negociadoras simplemente analizando el diálogo entre ellas.
“El marco multitarea fue diseñado para predecir automáticamente las anotaciones de estrategia directamente desde el texto de entrada utilizado por los participantes”, dijeron Chawla y Lucas.
La estructura multitarea creada por los investigadores se basa en un modelo de lenguaje previamente entrenado, un poderoso modelo de aprendizaje profundo entrenado en una gran cantidad de cualquier texto recopilado en línea. En los últimos años, los modelos de lenguaje previamente entrenados han demostrado ser muy efectivos para llevar a cabo una amplia variedad de tareas. Chawla, Lucas y sus colegas han entrenado especialmente al modelo en términos de diálogo con comentarios.
“El aspecto multitarea de la estructura se logra al compartir este modelo previamente entrenado para predecir todas las etiquetas de anotación juntas”, dijeron Chawla y Lucas. “También encontramos que diferentes partes de la información tendían a representar diferentes estrategias de negociación. Basándonos en esta idea, dejamos que el modelo se enfoque en diferentes partes mientras predice diferentes etiquetas de anotación. Esto se hace con lo que popularmente se conoce como “atención”.
Los investigadores observaron que los aspectos de atención y multitarea de su modelo aumentaron la precisión de sus predicciones para todas las etiquetas de anotaciones. Una serie de evaluaciones concluyó que su marco era muy superior a un modelo similar que no podía realizar múltiples tareas ni centrarse en diferentes partes del diálogo.
“CaSiNo brinda oportunidades para muchas otras tareas en Computación afectiva y Procesamiento del lenguaje natural (PNL), como analizar la complacencia del oponente y las percepciones del comportamiento dialógico, y desarrollar agentes capacitados para negociar naturalmente a través del lenguaje de una manera consistente con sus preferencias y justificaciones, dijo Chawla y Lucas. “Además, nuestros hallazgos mejoran la comprensión actual de cómo las estrategias de persuasión pueden relacionarse con el resultado final de las negociaciones”.
En el futuro, los hallazgos podrían ayudar a desarrollar sistemas de negociación automatizados avanzados que utilicen estilos de comunicación realistas y adapten su comportamiento en función de las estrategias de negociación de los socios. Además, podrían posibilitar la creación de agentes pedagógicos que ofrezcan asesoramiento a los usuarios en función de sus estrategias de negociación.
El conjunto de datos de CaSiNo y las anotaciones de los investigadores están disponibles públicamente y los desarrolladores pueden acceder a ellos en GitHub. Chawla, Lucas y sus colegas ahora están llevando a cabo más investigaciones que exploran el potencial de su conjunto de datos en la investigación informática afectiva y en el desarrollo de sistemas de diálogo más sofisticados.
“Al contribuir a la investigación sobre computadoras afectivas, nuestros esfuerzos continuos incluyen examinar cómo los atributos emocionales de los diálogos de negociación pueden ayudar a predecir el resultado final de una negociación, más allá de la demografía y la personalidad de los participantes”, dijeron Chawla y Lucas. “Esta investigación puede ayudar a desarrollar agentes que incorporen sistemáticamente emociones en sus diseños. Además, planeamos trabajar en el desarrollo de sistemas de negociación automatizados basados en PNL que puedan comunicarse en un lenguaje natural libre como el inglés ”.
CaSiNo: una colección de diálogos de negociación de acampada para sistemas de negociación automática. arXiv: 2103.15721 [cs.CL]. arxiv.org/abs/2103.15721
© 2021 Science X Network