Ny AI-metode skaper mer realistisk treningsdata for samtale-AI

En ny metode basert på Generative Flow Networks (GFlowNets) kan forbedre trening av AI for samtaler, som de som brukes i kundeservice eller veiledningssystemer. Tradisjonell generering av syntetiske data med store språkmodeller (LLM-er) gir ofte ensidig data som «kollapser på dominerende mønstre», altså mangler variasjon i måten eksperter faktisk kommuniserer på. Forskernes tilnærming med GFlowNets skaper mer autentiske data med et bredere spekter av interaksjonsmønstre, som for eksempel balansen mellom veiledning og forvirring i samtaler. Denne metoden er testet i domener som veiledning og emosjonell støtte, og gir et sterkere treningssignal til klassifiseringsmodeller enn eksisterende metoder.