XiaoMi-AI文件搜索系统
World File Search SystemConversations
WIPO 关于人工智能的对话
但今天我想重点介绍后端，介绍模型（尤其是大型语言模型）的工作原理。模型“学习”的方式与人类学习阅读、写作和通过阅读获得技能的方式相同。为了训练模型，开发人员将训练数据输入算法。然后，算法将通过为特征分配权重来表示该数据的特征，但数据本身不会“保留”在模型中，因为模型不存储副本。模型随后会进行分类或预测接下来会发生什么，但不会进行复制。部分由于这种复杂的工作原理，训练需要很长时间，成本相当高，而且几乎是不可逆的。
随意对话：用于衡量公平性的数据集......
本文介绍了一种新颖的“公平性”数据集，以衡量 AI 模型对不同年龄、性别、表观肤色和环境光照条件的稳健性。我们的数据集由 3,011 名受试者组成，包含 45,000 多个视频，平均每人 15 个视频。这些视频是在美国多个州录制的，参与者是不同年龄、性别和表观肤色组的成年人。一个关键特征是每个受试者都同意参与并使用他们的肖像。此外，我们的年龄和性别注释由受试者自己提供。一组训练有素的注释者使用 Fitzpatrick 皮肤类型量表标记受试者的表观肤色 [ 6 ]。此外，还提供了在低环境光下录制的视频的注释。作为衡量跨某些属性的预测稳健性的应用，我们评估了最先进的表观年龄和性别分类方法。我们的实验从公平对待来自不同背景的人的角度对这些模型进行了彻底的分析。
Brain-IHM 数据集：研究人与人、人机对话的大脑基础的新资源
摘要 本文介绍了一个原始的受控交互数据集，重点研究反馈项目。它包括由演员扮演的医生和患者之间的不同对话的记录。在这个语料库中，患者主要是倾听者，并产生不同的反馈，其中一些反馈不一致（自愿）。此外，这些对话已在虚拟现实环境中重新合成，其中患者由人工智能代理扮演。最终的语料库由不同的人与人对话电影以及在人机环境中重播的相同对话组成，从而产生了第一个人与人/人机平行语料库。然后，语料库在语言和非语言层面上用不同的多模态注释进行了丰富。此外，这是第一个此类数据集，我们设计了一个实验，在此期间，不同的参与者必须观看电影并对互动进行评估。在此任务中，我们记录了参与者的大脑信号。然后，Brain-IHM 数据集被构思用于三重目的：1/ 通过比较一致和不一致的反馈来研究反馈 2/ 比较人与人和人机产生的反馈 3/ 研究反馈感知的大脑基础。
探索未知的未知：通过参与语言模型代理对话促进人类学习
虽然基于语言模型 (LM) 的聊天机器人和生成搜索引擎擅长回答具体查询，但在未知的未知领域中发现信息对用户来说仍然具有挑战性。为了模拟常见的教育场景，即儿童/学生通过聆听和参与与父母/老师的对话来学习，我们创建了协作 STORM (Co-STORM)。1 与要求用户提出所有问题的问答系统不同，Co-STORM 允许用户观察并偶尔引导多个 LM 代理之间的对话。代理代表用户提问，让用户偶然发现未知的未知事物。为了促进用户交互，Co-STORM 通过将未发现的信息组织成动态思维导图来帮助用户追踪对话，最终生成一份综合报告作为总结。对于自动评估，我们通过收集具有用户目标的真实信息搜索记录来构建 WildSeek 数据集。 Co-STORM 在话语追踪和报告质量方面均优于基线方法。在进一步的人工评估 2 中，70% 的参与者更喜欢 Co-STORM 而不是搜索引擎，78% 的参与者更喜欢它而不是 RAG（检索增强生成）聊天机器人。
用于管理多方对话的人工智能多智能体互操作性扩展
摘要 本文介绍了开放语音互操作性倡议（最初也称为开放语音网络的 OVON）现有多代理互操作性规范的全新扩展，该扩展已经使使用不同技术开发的 AI 代理能够使用通用的、基于自然语言的 API 或基于 NLP 的标准 API 无缝通信。本文专注于多方 AI 对话的管理，引入了新的概念，例如 Floor Manager、Convener Agent、Multi-Conversant Support 以及处理中断和未受邀请代理的机制。这些进步对于确保在多个 AI 代理需要协作、辩论或参与讨论的场景中顺畅、高效和安全的交互至关重要。本文详细阐述了这些概念并提供了实际示例，说明了它们在对话信封结构中的实现。
通过设计中的亲密关系中的艰难对话
关系也许是人类幸福的最大根源，作为建立牢固的关系，冲突和艰难的对话的一部分是不可避免的。随着人们越来越依赖数字综合来发起和解决冲突，我们研究了设计如何通过在亲密关系中进行艰苦的对话来改善工作经验。我们采访了六位心理治疗师和21个社交媒体用户，以了解涉及冲突的理论最佳实践和用户在网上进行艰苦对话的经验，尤其是在基于文本的消息传递平台上。我们使用我们的发现创建了一个时间模型，即数字设计如何干预以在这些对话中支持用户及其关系。具体来说，我们发现设计可以帮助促进更加共识的困难对话，支持对话期间的情绪调节，并在必要时帮助暂停。我们探讨了平衡关系需求与数字设计中的个人之间的紧张关系，以及如何以数字设计为中心。
与人工智能对话第五部分
• 对我而言，月经期最大的问题是月经前的精神不稳定。因此，我想要一种可以稳定我的精神并激励我的产品。A，服用方法是像补充剂一样的胶囊或片剂，或者像饮料一样的简单形式。将粉末溶解在水中也很好，就像茶一样。B，它含有舒缓的气味，如芳香剂和改善情绪的成分，如维生素。C，甜味很好，适合放松。饼干、香草、巧克力等。D，从月经前 1 周到月经期间。每次我感到沮丧时我都会服用它。E，很好！F，对于那些患有经前综合症的人。G，专门针对思想和心灵的产品。
气候对话摘要报告2023
参加在线咨询的人倾向于确定他们在运输，房屋和生活中其他一些活动等领域已经采取的气候有益行为。在运输区域内，大多数人声称他们已经朝着采取更多积极的旅行形式和/或减少他们乘坐的航班数量，而几乎一半的航班说，他们更频繁地使用公共交通工具而不是汽车。在家庭中，绝大多数人声称可以更好地利用电器并控制其热水/中央供暖的使用。与食物和其他活动有关，减少食物浪费，选择较少/可回收包装的食品，可回收材料和购买更耐用的物品都是受访者的广泛确立的行为。避免购买新/选择的二手产品和/或从更环保的公司中购买，大约三分之二的人已经说过已经在做。
比较基于规则和基于LLM的方法来启用主动机器人助手对话
将来，机器人将是我们日常行动中无处不在的一部分。与家庭助理相反，机器人将通过回答问题和要求并直接与环境和人类互动来为我们提供帮助。为此，借助AI的最新进步，我们建议从被动机器人转移到活跃的机器人，这些机器人可以与人类通信，以了解他们如何以及何时应执行支持性任务，这将在协作环境中特别支持。在本文中，我们设想了如何实现这一目标的两种不同的方法。（1）基于规则的方法将对话实现为状态机器，并且对话过程是静态且可预见的。（2）基于LLM的方法，可以动态地适应任何情况和模棱两可的人类输入。我们比较了这两个想法，即机器人如何首先检测人类所在的状态以及他们如何进行对话，然后讨论有关这些方法的优势和缺点，这些方法与机器人的信任，可用性，绩效，用户代理以及对机器人的看法。