이번 세미나에서는 "Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents"와 전반적인 LLM Agent에 대하여 소개해주셨습니다. LLM의 능력이 발전함에 따라 이를 활용하여 서비스를 제공하는 다양한 에이전트 관련 연구가 확산되고 있음을 이해할 수 있었던 것 같습니다. 특히 해당 논문에서는 사용자의 명시적 요청에서 나아가 암묵적인 의도가 무엇일지에 대해서도 이해하는 정교한 상호작용에 대한 AI Agent의 역할을 강조하였습니다. 이와 관련하여 Fake success의 위험성을 지적하며, 이를 보완하고자 Intention-in-Interaction이라는 벤치마크 데이터셋을 제안하는 연구였습니다. LLM Agent에 대해 자세히 이해하고 또 고민해볼 수 있었던 것 같습니다. 좋은 발표 감사드립니다.

이번 세미나는 "Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents" 논문에 대해서 설명해주셨습니다. Agent라는 개념과 LLM을 Agent로 사용하는 것에 대해 처음 알게되어 새로웠습니다. 최근 LLM 을 어떻게 활용할 것인가에 대해 궁금증이 많았는데 그에 대한 좋은 사례라고 생각됩니다. 사용자의 의도의 vaguness를 판단하는 과정과 그 안에서 missing detail을 찾는 과정까지 어떻게 데이터를 구성해서 학습할 것인지 궁금했는데 예시가 잘 구성되어있어서 이해하기 좋았습니다. 발표 감사합니다.

이번 세미나는 사용자의 의도에 대한 이해 부분을 새롭게 추가한 Agent Benchmark인 Intention-In-Intention(IN3)를 통해 모델들의 Active Interaction 능력을 평가하고, 해당 데이터셋을 통한 모델 학습을 통해 LLM의 Intention Understanding 능력을 향상시키는 연구를 진행한 “Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents”라는 논문에 대한 발표를 중심으로 진행되었습니다. 일반적인 사용자들은 초반의 질문이 모호하고 간결하여 Agent가 사용자의 의도를 파악하지 못하고, 잘못된 Task를 수행하여 Fake Success가 발생하는 경우들이 많습니다. 본 논문에서 제시하는 IN3 데이터셋은 모델이 이 모호함을 얼마나 이해하는지를 평가할 수 있으며, 이러한 모호함은 생성문의 Missing Details로 확인할 수 있습니다. 또한 해당 데이터셋을 통해 Mistral 모델의 Full Parameter Fine-Tuning을 진행한 Mistral-Interact 모델을 제안합니다. LLM의 능력이 갈수록 강력해지면서 이를 Agent로 활용하는 경우가 점점 늘어나고 있는데, 사용자의 의도를 파악하는 능력을 평가할 수 있는 Benchmark를 제안하고, 이를 통한 학습으로 새로운 모델을 제안한다는 점이 매우 흥미로웠습니다. 좋은 발표 해주셔서 감사합니다.

이번 세미나에서는 사용자와 Agent와의 상호작용을 다룬 “Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents” 논문에 대해서 발표해주셨습니다. 해당 논문은 사용자와 에이전트 간의 상호작용을 강화하고, 사용자의 모호한 의도를 명확하게 이해하려는 시도를 설명하고 있습니다. 특히, 에이전트가 사용자의 의도를 파악하여 보다 정확한 답변을 제공할 수 있도록 하는 Interactive한 질의응답 모델을 제안함으로써, LLM의 활용도를 높이고 있습니다. 모델이 사용자의 질문에 대해 단순히 반응하는 것을 넘어서, 능동적으로 정보를 요청하고, 사용자의 진정한 의도를 파악하려는 시도가 무척 흥미로웠습니다. 이러한 접근은 모델이 실제 상황에서 더욱 유용하게 활용될 수 있는 가능성을 보여줍니다. 특히, ‘Intention-in-Interaction(IN3)’ 벤치마크를 통해, 이러한 상호작용이 얼마나 효과적인지를 체계적으로 평가하려는 점도 인상적이었습니다. 학습된 데이터셋과 더불어, 에이전트가 태스크의 모호성을 판단하고, 중요한 정보가 누락되었을 때 이를 회복하는 과정을 자동화하여 처리하는 방식은, 향후 다양한 AI 시스템에서 응용할 수 있을 것이라 생각됩니다. 발표자 분이 예시를 하나하나 잘 풀어서 설명해주셔서 이해하기 수월했습니다. 흥미로운 주제로 발표해 주셔서 감사합니다.

이번 세미나는 'Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents' 논문을 중심으로 진행되었습니다. LLM을 에이전트로 활용하여 사용자의 모호한 의도를 명확히 파악하고, 상호작용을 통해 더 나은 답변을 제공하는 방식이 흥미로웠습니다. 특히 'Intention-in-Interaction(IN3)' 벤치마크를 도입해 모델의 의도 이해 능력을 체계적으로 평가하고, 이를 통해 Mistral-Interact 모델을 제안한 점이 인상적이었습니다. 좋은 발표 감사드립니다!

금일 세미나는 agent가 유저의 요청을 분명히 이해하고 동작하는 평가하는 프레임워크를 제시한 "Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents"을 중심으로 진행되었습니다. 특히, agent가 유저의 질문을 구체화하기 위해 재질문하거나 옵션을 제공하여 충분히 분명한 태스크를 수행하도록 유도하는 것이 중요하다는 점을 강조하고 있습니다. 이에 대해서 학습/평가 데이터를 구축하고 공개된 open-source model과 GPT series 모델에 대한 평가를 진행했습니다. 그 결과를 살펴보면 Mistral에 대해 학습을 진행한 모델이 기존 Mistral보다 높은 성능을 달성할 뿐만 아니라 GPT-4보다 사용자 요청에 대해 더욱 분명히 하는 능력을 가지고 있는 점을 확인할 수 있었습니다. agent라는 개념이 최근 LLM이 발전하고 다양한 Modality가 추가되며 주목받고 있는데, agent의 경계를 분명하게 지으려고 하기 보다는 agentic한 행동을 정의하는 것이 더욱 유의미할 것이다라는 발표자님 말씀에 공감이 되었습니다. 좋은 발표 감사드립니다.

이번 세미나에서는 “Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents” 논문을 소개해주셨습니다. 이 논문은 사용자의 모호한 질문에 대해 모델이 어떻게 의도를 파악하고 대응하는지를 평가할 수 있는 새로운 Benchmark, Intention-In-Intention(IN3)을 제시하였습니다. 일반적으로 초기 질문이 불명확한 경우, agent가 잘못된 작업을 수행해 Fake Success가 발생할 수 있는데, IN3는 이러한 문제를 해결하기 위해 모델이 의도 파악 능력을 얼마나 잘 갖추고 있는지를 평가합니다. 이를 통해 Mistral 모델을 Fine-tuning한 Mistral-Interact가 기존 모델 대비 더 나은 성능을 보였으며, 특히 사용자의 의도를 명확히 이해하고 처리하는 능력이 크게 향상되었습니다. Agent 개념이 점점 더 중요해지는 상황에서, 이 연구는 의도 파악 능력의 중요성을 강조하고, 이를 구체화하는 데이터셋과 모델을 제안했다는 점에서 매우 흥미로웠습니다. 좋은 발표 감사합니다.

이번 세미나에서는 “Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents”라는 논문에 대한 소개를 중심으로 진행되었습니다. 이 연구는 LLM 기반 에이전트가 사용자의 의도를 이해하고, 이에 기반한 상호작용을 개선하기 위한 새로운 방법론을 제안합니다. 구체적으로, 사용자의 모호한 요청을 명확하게 이해할 수 있도록 돕는 Intention-in-Interaction(IN3) Benchmark와, 이를 위한 새로운 에이전트 설계 방법을 제시합니다. LLM 에이전트가 사용자의 질문에 단순히 반응하는 것을 넘어, 사용자의 진짜 필요와 의도를 파악하여 적극적으로 정보를 요청하고, 적합한 해결책을 제안할 수 있게 하는 것입니다. 이는 기존의 대화 시스템이 가진 한계를 극복하고, 사용자와의 상호작용을 더욱 인간과 유사하게 만들려는 시도로 볼 수 있습니다. 특히, 사용자의 명시적 요청 없이도 필요한 정보를 예측하고 제공하는 과정이 인상 깊었습니다. 좋은 발표 준비해주셔서 감사합니다.

이번 세미나는 Tool-based LLM Agent에 관련한 논문인 “Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents”를 중심으로 진행되었습니다. 거대 언어 모델의 성능이 갈수록 좋아짐에 따라, 이 모델을 단순히 말을 뱉어내는 것이 아닌, 쓸모있는 동작을 뱉어내도록 하는 접근법이 근 1-2년 새 많이 연구되었고 발전된 것으로 알고 있습니다. 관련하여, Function Calling, API 호출 등의 기능을 탑재한 LLM-Agent를 어떻게 훈련, 또는 추론할 지에 대한 논의는 이러한 접근법에 대한 가장 핵심적인 논의가 되었습니다. 본 연구는 그 중에서도, 사용자가 LLM-Agent에게 모호한 요청을 했을 때 대처할 수 있는 파이프 라인을 구축하고자 하는 접근법을 제안하는 연구입니다. 이를 위해 유저의 모호한 질문이 들어왔을 때, 어떤 질문을 통해 그 모호한 요청을 구체화할 수 있을지 모델이 그 좋은 재질문 방법을 학습함으로서, 이전보다 Agent로서의 능력을 많이 올릴 수 있었음을 주장했습니다. 아무래도 Research Field 자체가 꽤 최근에 나온 분야인만큼, 알려지지 않은 문제들이 많은 것으로 보이며, 이에 따라 본 연구처럼 주도적으로 문제를 정의할 수 있다는 연구 분야인 것이 많이 느껴졌던 것 같습니다. 좋은 발표 감사드립니다!

금일 세미나는 ＂Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents (ACL 2024)＂ 논문을 바탕으로 진행되었습니다. 해당 연구에서 다루고자 하는 LLM-based Agents란 복잡한 작업을 수행하기 위하여 planning, memory, tool 등 다양한 모듈을 활용할 수 있는 LLM application을 의미합니다. 이러한 Agents가 필요한 이유는 단순 질의응답 시스템을 넘어서, 사용자가 수행을 요구하는 Task의 완료를 위해 활용가능한 여러 Tool과의 상호작용을 연쇄적으로 자율적으로 수행할 수 있는 시스템을 만들기 위함이며, 사용자가 원하는 대로 Decision-making을 할 수 있기 때문이라고 말할 수 있습니다. 제안 연구에서는 사용자의 암묵적인 의도를 이해하는 에이전트의 능력을 향상시키는 Implicit User Intention Understanding에 대한 중요성을 강조하며, 사용자 지시가 명확하지 않은 경우에도 에이전트가 상호작용을 통해 추가 정보를 요청하고, 최종적으로 사용자의 의도를 명확하게 파악하여 목표를 달성할 수 있는 능력을 강조하고 있었습니다. 좋은 발표 정말 감사드립니다.

금일 세미나에서는 'Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents (ACL 2024)'라는 논문을 소개해 주셨습니다. 해당 연구는 Tool-based LLM Agent과 관련된 논문으로 보다 모호한 질문이 Input으로 주어졌을 때 이를 효과적으로 이해하기 위한 Intention-in-Interaction(IN3) Benchmark와 새로운 에이전트 설계 방법을 제시하고 있습니다. 해당 논문에서 Mistral-Interact라는 모델을 통해 기존 모델들보다 더 나은 의도 이해 능력을 보여줌으로써 효과성을 확인할 수 있었으며, 전반적으로 Implicit User Intention Understanding의 중요성에 많은 공감을 하면서 발표를 들었던 것 같습니다. 좋은 발표 감사드립니다!

이번 세미나는 "Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents"라는 논문을 중심으로 진행되었습니다. 이 연구는 LLM 기반의 에이전트가 사용자 의도를 보다 명확히 이해할 수 있도록 돕는 새로운 벤치마크인 Intention-in-Interaction (IN3)을 제안합니다. 사용자와 에이전트 간의 상호작용에서 모호함이 빈번하게 발생하는데, 이러한 문제를 해결하기 위해 에이전트가 사용자의 의도를 능동적으로 파악하고 명확한 목표를 설정할 수 있도록 하는 방법론을 소개했습니다. 특히, 발표에서 강조된 부분은 에이전트가 사용자의 질문에 대해 재질문하거나 추가 정보를 요청함으로써 태스크를 명확히 하는 과정입니다. 이러한 접근은 에이전트가 단순히 반응하는 것을 넘어, 사용자와의 상호작용을 더욱 풍부하게 만들어줍니다. IN3 벤치마크를 통해 이러한 상호작용의 효과성을 체계적으로 평가하고, Mistral 모델에 대한 Full Parameter Fine-Tuning을 진행하여 Mistral-Interact 모델을 제안한 점도 매우 흥미로웠습니다. 논문은 에이전트의 태스크 수행 능력을 향상시키기 위해 사용자 의도를 파악하는 데 필요한 단계를 잘 정리하고 있으며, 이를 통해 에이전트의 실제 활용 가능성을 높이는 방향으로 나아가고 있습니다. 발표자는 구체적인 예시를 통해 내용을 쉽게 이해할 수 있도록 설명해주셔서 감사드립니다. 이번 연구는 AI 시스템에서의 사용자 경험을 개선하는 데 기여할 것으로 기대됩니다. 흥미로운 주제로 발표해 주셔서 감사합니다.

이번 세미나에서는 “Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents”라는 논문이 소개되었습니다. 이 연구는 사용자의 모호한 요청을 명확히 이해하고 대처할 수 있는 LLM 기반 에이전트를 평가하고 향상시키기 위한 새로운 데이터셋과 학습 방법을 제안합니다. 이를 위해 Intention-In-Intention(IN3)이라는 벤치마크를 개발하여 모델이 사용자의 의도를 얼마나 정확히 이해하고, 적절히 대화하거나 재질문할 수 있는지를 평가합니다. IN3 데이터셋은 생성된 문장에서 누락된 정보를 기반으로 의도 파악 능력을 측정하며, 이를 통해 Mistral 모델의 파인튜닝 버전인 Mistral-Interact를 제안했습니다. 실험 결과, Mistral-Interact는 기존 Mistral보다 뛰어난 성능을 보였고, 특정 상황에서는 GPT-4보다도 사용자의 의도를 분명히 이해하고 대처하는 능력을 보여주었습니다. LLM의 에이전트화가 활발히 진행되는 가운데, 사용자의 모호한 요청을 다루는 문제를 정의하고 해결 방안을 제시했다는 점이 흥미로웠으며, 발표를 통해 관련 내용을 쉽게 이해할 수 있었습니다. 좋은 발표 준비에 감사드립니다!