TaoLive Digital Avatar Agent Technical Report: Training Agents to Evolve with Their Harness
Dieses Paper stellt das Harness-Aware Training (HAT) vor, ein dreistufiges Framework, das kompakte digitale Avatar-Agenten dazu befähigt, sich dynamisch an evolvierende E-Commerce-Harnesses ohne erneutes Training anzupassen und dabei eine überlegene Echtzeitleistung sowie Robustheit im Vergleich zu sowohl Basismodellen als auch größeren allgemeinen LLMs erreicht.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der geschäftigen Welt des Online-Shoppings ist eine neue Art von Gastgeber entstanden: der digitale Avatar. Dies sind computergenerierte Personen, die vor einer Kamera stehen, gleichzeitig zu tausenden Zuschauern sprechen, Fragen zu Produkten beantworten und versuchen, Verkäufe zu generieren. Damit dies funktioniert, muss der Computer hinter dem Avatar unglaublich schnell sein. Wenn es zu lange dauert, bis er denkt und spricht, fühlt sich der Livestream unterbrochen an und die Zuschauer verlassen den Stream. Aber Geschwindigkeit ist nur die halbe Miete. Der Avatar muss auch klug genug sein, um plötzliche Änderungen zu bewältigen. Ein Händler könnte beschließen, eine Rabattregel zu ändern, ein neues Produkt könnte eintreffen oder eine Sicherheitsvorschrift könnte die Art und Weise ändern, wie der Gastgeber sprechen darf. In der Vergangenheit erforderte die Behebung dieser Probleme das Stoppen der Show, das Umschreiben des „Gehirns“ des Computers und einen Neustart. Dieser langsame Prozess bedeutete, dass der Avatar oft mit veralteten Regeln feststeckte und nicht in der Lage war, sich an die schnelllebigen Bedürfnisse eines Live-Geschäfts anzupassen.
Forscher bei TaoLive haben dieses Problem gelöst, indem sie ein System geschaffen haben, bei dem das „Gehirn“ des Avatars und sein „Regelwerk“ getrennt sind. Stellen Sie sich den Avatar wie einen geschickten Schauspieler vor. Das Regelwerk enthält das Skript, die spezifischen Anweisungen zur Abwicklung eines Verkaufs und die Liste der Werkzeuge, die es nutzen kann, wie etwa die Überprüfung des Lagerbestands oder die Abfrage von Preisen. Das Gehirn ist der Schauspieler, der das Skript liert und die Performance abliefert. In ihrem neuen Ansatz hat das Team ein flexibles Regelwerk gebaut, das sofort bearbeitet werden kann, ohne das Gehirn des Schauspielers zu berühren. Sie nennen dies das „Harness“ (das Geschirr). Wenn ein Händler einen Preis oder eine Regel ändert, aktualisiert das Team einfach das Harness. Der Schauspieler liest dann sofort die neuen Anweisungen. Dies schuf jedoch eine knifflige Herausforderung: Wenn der Schauspieler nur auf eine ganz bestimmte Version des Skripts trainiert wurde, würde er verwirrt sein, wenn sich das Skript ändert. Er würde die alten Wörter auswendig lernen, anstatt zu lernen, wie man die neuen liest. Um dies zu lösen, entwickelten die Forscher eine neue Trainingsmethode namens „Harness-Aware Training“. Anstatt den Schauspieler zu lehren, ein einzelnes Skript auswendig zu lernen, trainierten sie ihn auf Hunderten von verschiedenen Versionen des Skripts gleichzeitig. Sie mischten die Anweisungen, benannten die Werkzeuge um und änderten die Reihenfolge der Regeln während des Trainingsprozesses. Dies zwang den Schauspieler dazu, die Bedeutung der Anweisungen zu verstehen, anstatt nur die spezifischen Wörter auswendig zu lernen.
Die Ergebnisse dieses Ansatzes sind beeindruckend. Das Team testete seinen neuen Avatar in realen Szenarien im Bereich des Live-Streaming-E-Commerce. Sie fanden heraus, dass der mit dieser neuen Methode trainierte Avatar Produktfragen beantworten und komplexe Interaktionen mit einer durchschnittlichen Genauigkeit von 94,8 Prozent bewältigen konnte. Dieser Wert lag sogar höher als bei den leistungsfähigsten, allgemeinen KI-Modellen, die zu diesem Zeitpunkt verfügbar waren und bei denselben Aufgaben etwa 93,0 Prozent erreichten. Entscheidend war, dass der neue Avatar nicht seine Fähigkeit verlor, allgemeine Anweisungen zu befolgen, während er diese spezifischen Verkaufsfähigkeiten erlernte. Ältere Trainingsmethoden führten oft zu einem Rückgang der allgemeinen Intelligenz, aber diese neue Methode hielt den Avatar scharf und anpassungsfähig. Als die Forscher den Avatar gegen eine Version des Regelwerks testeten, die er noch nie zuvor gesehen hatte, erreichte er immer noch eine Genauigkeit von 94,6 Prozent, was bewies, dass er wirklich gelernt hatte, sich anzupassen, anstatt nur auswendig zu lernen.
Die Geschwindigkeit war eine weitere große Hürde. Da der Avatar zu einem Live-Publikum spricht, muss er in Echtzeit reagieren. Die Forscher setzten ihr System auf einer einzigen Hochleistungs-Grafikkarte ein. Selbst bei der komplexen Aufgabe, sich ändernde Regeln zu lesen, Fakten zu prüfen und Sprache zu generieren, reagierte der Avatar schnell. In der Hälfte der Fälle dauerte es nur 3,4 Sekunden, um eine vollständige Antwort zu geben. Selbst in den langsameren Fällen waren 95 Prozent der Antworten innerhalb von 8,1 Sekunden bereit. Dies erfüllt die strengen Anforderungen einer Live-Übertragung, bei der langes Warten den Fluss der Show unterbricht. Das System erwies sich auch als robust gegenüber Fehlern. Wenn die Forscher absichtlich Fehler in das Regelwerk oder die Werkzeuge einführten, war der Avatar in der Lage, sich zu erholen und das Gespräch korrekt fortzuführen, während ältere Systeme oft komplett versagten.
Das Team führte auch einen Praxistest in einer Live-Shopping-Umgebung durch und verglich ihr neues System mit der in der Branche üblichen Standardmethode. Über einen Zeitraum von sieben Tagen generierte das neue System 5,54 Prozent mehr Umsatz pro Nutzer als das alte System. Es führte auch zu einer kleinen, aber messbaren Steigerung der Anzahl der abgeschlossenen Bestellungen. Diese Verbesserungen wurden ohne Änderungen an der zugrunde liegenden Hardware oder die Notwendigkeit, das Modell bei jeder Regeländerung neu zu trainieren, erzielt. Das System passte sich einfach an die neuen Anweisungen an, sobald diese erteilt wurden.
Diese Arbeit zeigt, dass es möglich ist, einen KI-Agenten zu bauen, der sowohl schnell als auch flexibel ist. Durch die Trennung der sich ändernden Regeln vom Lernprozess und durch das Training des Modells auf diese Änderungen hin, haben die Forscher einen digitalen Gastgeber geschaffen, der mit einem Unternehmen mitwachsen kann. Der Avatar ist kein statisches Programm mehr, das ständig Software-Updates benötigt, um relevant zu bleiben. Stattdessen ist er ein dynamischer Partner, der ein neues Skript lesen und es korrekt aufführen kann, egal ob das Skript von einem Sommerverkauf, einer neuen Produkteinführung oder einer plötzlichen Änderung der Richtlinien handelt. Die Ergebnisse legen nahe, dass KI, um in schnelllebigen, realen Umgebungen wirklich nützlich zu sein, nicht nur darauf trainiert werden muss, die Antwort zu kennen, sondern zu verstehen, wie man die Antwort in einer Welt findet, die sich ständig verändert.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.