[논문 리뷰] Plato Dialogue System: A Flexible Conversational AI Research Platform

Alexandros Papangelis, Mahdi Namazifar외 4명|arXiv (Cornell University)|2020. 01. 17.

Topic Modeling참고 문헌 31인용 수 15

한 줄 요약

Plato 대화 시스템은 다양한 에이전트 아키텍처, 즉 공동 학습, 엔드 투 엔드 학습, 다중 에이전트 학습을 지원하는 유연하고 모듈러한 대화형 AI 연구 플랫폼입니다. 이 플랫폼은 파이썬 기반 학습 프레임워크를 사용하여 구현할 수 있으며, ASR, LU, DST, DM, TTS를 포함한 전체 대화 시스템의 빠른 프로토타이핑 및 평가를 가능하게 합니다. YAML 설정을 통해 구성 가능하며, Ludwig와의 통합도 지원합니다.

ABSTRACT

As the field of Spoken Dialogue Systems and Conversational AI grows, so does the need for tools and environments that abstract away implementation details in order to expedite the development process, lower the barrier of entry to the field, and offer a common test-bed for new ideas. In this paper, we present Plato, a flexible Conversational AI platform written in Python that supports any kind of conversational agent architecture, from standard architectures to architectures with jointly-trained components, single- or multi-party interactions, and offline or online training of any conversational agent component. Plato has been designed to be easy to understand and debug and is agnostic to the underlying learning frameworks that train each component.

연구 동기 및 목표

• 대화형 AI 분야에서 연구와 생산 간 격차를 메우는 통합적이고 확장 가능한 플랫폼의 필요성을 해결하기 위해.
• 대화 시스템 구성 요소의 저수준 구현 세부 정보를 추상화하여 연구자들이 접근하기 쉬운 장벽을 낮추기 위해.
• 일괄 학습, 엔드 투 엔드 모델, 다중 에이전트 상호작용을 포함한 다양한 아키텍처를 하나의 프레임워크 내에서 지원하기 위해.
• 파이썬 기반 머신러닝 프레임워크(예: 파이토치, 텐서플로우) 및 외부 API(예: 구글 클라우드, 아마존 트랜스크립트)와의 원활한 통합을 가능하게 하기 위해.
• 다양한 도메인과 상호작용 방식에서 새로운 대화 구성 요소와 학습 전략을 평가할 수 있는 공통의 테스트 베드를 제공하기 위해.

제안 방법

• Plato는 각 대화 시스템 모듈(예: LU, DM, LG)이 독립적으로 구성 가능하고 순차적이거나 병렬적으로 조합 가능한 구성 요소 중심의 모듈러 아키텍처를 사용합니다.
• 시스템은 전역 설정, 대화 매개변수, 에이전트별 구성 정보(모델 경로 및 하이퍼파라미터 포함)를 정의하는 YAML 파일을 통해 구성됩니다.
• 각 구성 요소는 훈련된 모델(딥러닝 또는 강화학습), 룰 기반 시스템, 또는 API 호출(예: 구글 클라우드 스피치 또는 아마존 폴리)일 수 있습니다.
• Plato는 세 가지 상호작용 모드를 지원합니다: 인간 사용자와의 단일 에이전트, 시뮬레이션된 사용자 또는 데이터 기반 상호작용; 텍스트, 대화 액트 또는 음성 기반의 다중 에이전트 상호작용; PySimpleGUI를 사용한 GUI 기반 상호작용.
• Ludwig와의 통합을 통해 YAML 구성 파일을 통해 모델 아키텍처와 데이터 입력을 정의함으로써 코드 없이 딥러닝 모델을 훈련시킬 수 있습니다.
• 플랫폼은 어떤 구성 요소도 온라인 또는 오프라인으로 훈련할 수 있으며, 다중 에이전트 강화학습 환경에서도 여러 에이전트 간에 동시에 또는 스케줄링된 방식으로 훈련을 수행할 수 있습니다.

실험 결과

연구 질문

• RQ1 어떤 대화형 AI 플랫폼이 공동 학습 및 엔드 투 엔드 학습을 포함한 다양한 아키텍처를 지원하면서도 모듈러성과 확장성을 유지할 수 있을까?
• RQ2 다양한 머신러닝 프레임워크와 외부 API에 대한 원활한 통합을 가능하게 하는 설계 패턴은 무엇인가?
• RQ3 통합된 플랫폼이 연구 및 생산 사용 사례 전반에서 전체 대화 시스템의 빠른 프로토타이핑 및 평가를 어떻게 지원할 수 있을까?
• RQ4 단일 에이전트 및 다중 에이전트 대화 시나리오 간 일관성 있고 재현 가능한 실험을 가능하게 하는 구성 패턴은 무엇인가?
• RQ5 동일한 파이프라인 내에서 룰 기반 및 학습된 구성 요소를 모두 지원하면서도 모듈러리티와 디버깅 가능성은 어떻게 유지할 수 있을까?

주요 결과

• Plato는 파이토치, 텐서플로우, 케라스를 포함한 파이썬 기반 학습 프레임워크를 사용하여 플러그 앤 플레이 구성 요소 아키텍처를 통해 대화 에이전트의 엔드 투 엔드 학습을 가능하게 합니다.
• YAML 파일을 통해 구성 가능한 설정을 통해 대화 시스템 구성 요소의 공동 학습 및 다중 에이전트 상호작용, 병렬 또는 번갈아가며 진행되는 학습 스케줄링을 지원합니다.
• Ludwig와의 통합을 통해 YAML 파일에 모델 아키텍처와 데이터 입력을 정의함으로써 코드 없이 딥러닝 모델을 훈련시킬 수 있어 개발 오버헤드를 크게 줄일 수 있습니다.
• Plato는 인간이 참여하는 상호작용과 시뮬레이션된 사용자 상호작용을 모두 지원하며, 대화 액트 또는 자유 텍스트 입력을 통해 대화 정책과 상태 추적기의 포괄적인 평가가 가능합니다.
• PySimpleGUI로 구축된 GUI 기반 컨트롤러는 실시간으로 두 에이전트 간 상호작용을 가능하게 하며, 프로토타이핑 및 데모를 위한 융통성 있는 인터페이스로 기능합니다.
• Plato의 모듈러리티와 프레임워크에 종속되지 않는 설계 덕분에 연구자들은 개별 구성 요소를 독립적으로 개발, 테스트, 디버깅할 수 있으며 同시에 전체 시스템 통합을 유지할 수 있습니다.