[논문 리뷰] Converse: A Tree-Based Modular Task-Oriented Dialogue System

Tian Xie, Xinyi Yang외 14명|arXiv (Cornell University)|2022. 03. 23.

AI in Service Interactions인용 수 4

한 줄 요약

Converse는 대화형 작업 중심 대화 시스템으로, 작업과 그 종속성을 모델링하기 위해 and-or 트리 구조(작업 트리)를 사용하는 저코드, 트리 기반 모듈러 시스템입니다. 이는 영향력 있는 대화 관리, 원활한 작업 전환, 재사용 가능한 대화 정책을 가능하게 하며, 개별 대화 턴을 스크립팅할 필요 없이 봇 개발을 단순화합니다. 또한 공유된 정책 결정 트리를 통해 소수의 예시 기반 의도 탐지 및 확장 가능한 대화 동작을 지원합니다.

ABSTRACT

Creating a system that can have meaningful conversations with humans to help accomplish tasks is one of the ultimate goals of Artificial Intelligence (AI). It has defined the meaning of AI since the beginning. A lot has been accomplished in this area recently, with voice assistant products entering our daily lives and chat bot systems becoming commonplace in customer service. At first glance there seems to be no shortage of options for dialogue systems. However, the frequently deployed dialogue systems today seem to all struggle with a critical weakness - they are hard to build and harder to maintain. At the core of the struggle is the need to script every single turn of interactions between the bot and the human user. This makes the dialogue systems more difficult to maintain as the tasks become more complex and more tasks are added to the system. In this paper, we propose Converse, a flexible tree-based modular task-oriented dialogue system. Converse uses an and-or tree structure to represent tasks and offers powerful multi-task dialogue management. Converse supports task dependency and task switching, which are unique features compared to other open-source dialogue frameworks. At the same time, Converse aims to make the bot building process easy and simple, for both professional and non-professional software developers. The code is available at https://github.com/salesforce/Converse.

연구 동기 및 목표

• 모든 대화 턴을 스크립팅해야 하는 기존 작업 중심 대화 시스템의 높은 유지보수 비용과 유연성 부족 문제를 해결하기 위해.
• NLU 모델 재학습이나 대화 흐름 재작성 없이도 새로운 작업에 쉽게 적응할 수 있도록 하기 위해.
• 작업 전환 및 하위 작업 종속성과 같은 복잡한 대화 패턴을 통합적이고 조합 가능한 프레임워크에서 지원하기 위해.
• 구조화된 작업 트리와 재사용 가능한 대화 정책을 통해 저코드 설정을 통해 봇 개발의 장벽을 낮추기 위해.
• 비전문가 및 전문가 개발자가 모두 작업 중심 봇을 구축하고 유지보수할 수 있도록 모듈러하고 확장 가능한 아키텍처를 제공하기 위해.

제안 방법

• 작업을 and-or 트리 구조(작업 트리)로 표현하여 엔티티, 하위 작업 및 그 관계를 인코딩함으로써 동적 상태 관리를 가능하게 하기 위해.
• 현재 대화 상태와 조건에 기반해 다음 대화 동작을 결정하기 위해 정 politicy 결정 트리의 깊이 우선 탐색을 수행하기 위해.
• 새로운 의도에 대해 미세조정이나 애너테이션된 데이터가 필요 없는 소수의 예제 기반 자연어 추론 기반 의도 탐지 모델을 구현하기 위해.
• 모든 작업 간에 단일 정책 결정 트리를 공유함으로써 대화 정책 논리를 작업 논리에서 분리하여 일관되고 확장 가능한 대화 제어를 가능하게 하기 위해.
• 봇 빌더가 커스텀 대화 동작 코드를 추가하고 핵심 논리를 수정하지 않고도 정책 결정 트리 구성만 업데이트함으로써 功能을 확장할 수 있도록 하기 위해.
• 지속적인 대화 상태 유지 및 필요한 경우 인증된 상태 재사용을 통해 작업 전환 및 종속성 해결을 지원하기 위해.

실험 결과

연구 질문

• RQ1 사전에 정의된 고정된 대화 흐름이 필요 없이 동적 작업 전환을 지원할 수 있도록 작업 중심 대화 시스템을 아키텍처적으로 어떻게 설계할 수 있는가?
• RQ2 트리 기반 작업 표현 방식이 기존 슬롯 기반 또는 플로우차트 기반 접근 방식보다 복잡한 작업 변형과 종속성을 더 효율적으로 모델링할 수 있는가?
• RQ3 소수의 예제 기반 의도 탐지 기술이 새로운 작업을 대화 시스템에 통합할 때 애너테이션된 데이터와 재학습의 필요성을 얼마나 줄일 수 있는가?
• RQ4 다양한 작업 간에 공유되는 대화 정책이 유지보수성 향상과 개발 오버헤드 감소에 얼마나 기여하는가?
• RQ5 복잡한 다의도 상호작용을 유지하면서도 저코드 봇 개발을 가능하게 하는 아키텍처 패턴은 무엇인가?

주요 결과

• Converse는 봇 빌더가 대화 흐름 논리를 작성하지 않고도 구성 파일과 작업 트리를 통해 새로운 작업을 정의할 수 있게 하여 개발 시간과 복잡성을 크게 감소시킵니다.
• 시스템은 사용자 인증 상태를 여러 작업 간에 재사용하는 등, 커스텀 스크립팅 없이도 원활한 작업 전환과 하위 작업 종속성 해결을 네이티브로 지원합니다.
• 소수의 예제 기반 의도 탐지 모델 덕분에 새로운 의도를 애너테이션된 학습 데이터 없이도 모델 재학습 없이 추가할 수 있어 새로운 도메인 통합의 장벽을 낮춥니다.
• 공유된 정책 결정 트리는 모든 작업 간에 일관된 대화 관리를 가능하게 하여 코드 중복을 줄이고 유지보수성을 향상시킵니다.
• 트리 기반 아키텍처는 동적 탐색과 상태 관리를 가능하게 하여 기존 플로우 기반 시스템에 비해 작업 업데이트, 디버깅, 확장이 더 쉬워집니다.
• 시스템은 실사용 환경에 이미 구현되어 있으며, 복잡한 다중 작업 환경에서의 확장성과 유연성을 입증한 생산 준비 상태입니다.