A Low-Code Approach for the Automatic Personalization of Conversational Agents
Dit artikel presenteert een systematische literatuurstudie die onthult dat de huidige gebruikersmodellering binnen Model-Driven Engineering gefragmenteerd, statisch en arm aan robuuste tooling is, en stelt daarom een roadmap voor naar verenigde, herbruikbare modellen en geautomatiseerde, door ML gedreven pipelines voor dynamische, low-code personalisatie van conversationele agenten.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een zeer slimme, vriendelijke robotassistent hebt (een "Conversational Agent") die met mensen kan praten over fitnessoefeningen. Op dit moment is deze robot als een eenheidsworst-mannequin: hij spreekt op dezelfde manier tegen iedereen, of het nu een jonge atleet is, een oudere persoon of iemand met een fysieke beperking.
Dit artikel introduceert een nieuwe "Low-Code" toolkit waarmee gewone mensen (niet alleen programmeurs) deze robot kunnen aanpassen zodat hij perfect bij elke persoon past, zoals een kleermaker een op maat gemaakt pak maakt.
Zo werkt het proces, onderverdeeld in eenvoudige stappen:
1. Het "Receptenboek" (Modelling)
In plaats van code te schrijven, opent de gebruiker een visuele tool. Denk hierbij aan een digitaal receptenboek waar je ingrediënten kunt mengen en combineren.
- De Basisrobot: Je begint met de standaardrobot die weet hoe hij advies moet geven over de sportschool.
- De Gebruikersprofielen: Je maakt "kaarten" voor verschillende soorten mensen. Maak bijvoorbeeld een kaart voor een "Oudere Gebruiker" die de voorkeur geeft aan eenvoudige, gesproken woorden, en een kaart voor een "Verlamde Gebruiker" die advies nodig heeft dat oefeningen voor de benen vermijdt.
- De Agentprofielen: Je maakt "instructiebladen" voor de robot. Deze bladen vertellen de robot hoe hij zijn persoonlijkheid of spraak moet aanpassen op basis van de gebruikerskaart. Voor de oudere gebruiker zegt het blad: "Spreek langzaam en gebruik eenvoudige woorden." Voor de verlamde gebruere zegt het: "Noem nooit hardlopen of springen."
2. De "Magische Vertaler" (Design-Time Personalization)
Zodra je je kaarten en instructiebladen hebt ingesteld, druk je op een knop. Dit is waar de "Low-Code" magie gebeurt.
- Het systeem gebruikt een super slimme AI (een Large Language Model) om als vertaler te fungeren. Het leest het standaardscript van de robot en herschrijft het direct om aan jouw instructies te voldoen.
- Als de robot zou willen zeggen: "Ga voor een loop van 8 kilometer," herschrijft de AI dit voor de verlamde gebruiker naar: "Probeer deze routine voor bovenlichaamkracht."
- Dit gebeurt voordat de robot live gaat, zodat de robot al de juiste taal spreekt voordat hij ooit een mens ontmoet.
3. De "Live Schakelaar" (Runtime Personalization)
Wanneer de robot daadwerkelijk met een echt persoon praat, gebruikt hij een "profielkiezer".
- Stel je voor dat de robot een la vol met verschillende "maskers" of "kostuums" heeft. Wanneer een oudere gebruiker inlogt, zet de robot het "Oudere Masker" op (spreekt eenvoudig). Wanneer een jonge atleet inlogt, zet hij het "Atleet Masker" op (spreekt energiek).
- De robot wisselt zijn gedrag dynamisch in real-time aan om aan te passen aan de persoon die voor hem zit, zonder dat hij daarvoor hoeft te stoppen en na te denken.
4. De "Proefrit" (De Pilotstudie)
De auteurs hebben deze toolkit getest met twee groepen mensen:
- De Experts: Mensen die weten hoe ze moeten programmeren.
- De Leken: Mensen die nog nooit een regel code hebben geschreven.
De Resultaten:
- Iedereen was enthousiast: Beide groepen vonden de tool zeer nuttig. Ze vonden dat het er succesvol in slaagde om het eenvoudig te maken om gepersonaliseerde robots te creëren.
- De Experts vonden het ongelooflijk gemakkelijk om te gebruiken (bijna perfecte scores).
- De Leken vonden het ook gemakkelijk, hoewel het iets uitdagender was dan voor de experts (waarschijnlijk omdat ze niet gewend waren aan "modellerings"-tools), maar ze voltooiden de taken nog steeds succesvol.
- De Conclusie: Je hoeft geen tech-wizard te zijn om een robot te maken die verschillende mensen begrijpt en zich aan hen aanpast.
Wat dit artikel niet beweert
- Het beweert niet dat deze tool klaar is voor ziekenhuizen of medische diagnoses. Het werd getest op een fitnessassistent-voorbeeld.
- Het beweert niet dat de robot al perfect is; de auteurs geven toe dat ze met meer mensen moeten testen en in de toekomst meer veiligheidscontroles moeten toevoegen.
- Het beweert niet alle personalisatieproblemen op te lossen, maar biedt een nieuwe, makkelijkere manier om te beginnen met personaliseren.
Kortom: Dit artikel presenteert een "Lego-set" voor het bouwen van chatbots. In plaats van de stukjes met lijm (code) aan elkaar te plakken, klik je ze aan elkaar met een visuele tool, en het systeem past de persoonlijkheid van de chatbot automatisch aan om bij de persoon te passen met wie hij praat.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.