Stanford Üniversitesi ve Carnegie Mellon Üniversitesi’nden araştırmacılar, yapay zeka ajanlarının karmaşık iş süreçlerini analiz etme ve bu süreçlerden beceri çıkarma yeteneğini kökten dönüştürecek yeni bir yöntem geliştirdi. “Task Model Induction” (TMI) adı verilen bu teknik, bilgisayar kullanım izlerini sembolik modellere dönüştürerek yapay zekanın gerçek çalışma ortamlarından öğrenmesini sağlıyor.
Task Model Induction Nedir?
Naturalistik bilgisayar kullanım izleri—pasif olarak kaydedilmiş ekran görüntüleri, mouse ve klavye eylemleri—gündelik işlerin nasıl yapıldığına dair sembolik, denetlenebilir ve yeniden kullanılabilir modeller türetmek için değerli bir kaynak oluşturuyor. Ancak gerçek dünya çalışması çok iş parçacıklı ve iç içe geçmiş hedeflerle dolu olduğundan, mevcut yöntemler bu izlerden anlamlı modeller çıkarmakta zorlanıyor.
Mevcut yaklaşımlar tek bir verilen görev veya tek bir iş akışı varsayıyor ve yapılandırılmış görev modelleri yerine adım düzeyinde özetler üretiyor. TMI ise bu sınırlamaları aşmak için iki temel aşamalı bir mimari sunuyor.
TMI Nasıl Çalışıyor?
Task Model Induction sistemi iki kritik aşamada çalışıyor. İlk aşamada, kısıtlamasız bir izlemede potansiyel görevleri keşfediyor ve eşzamanlı aktiviteleri birbirinden ayırıyor—bu, bilgisayar izlerinden beceri çıkarma sürecinin en zorlu kısmı. İkinci aşamada ise her bir keşfedilen görev için hiyerarşik bir hedef modeli ile prosedür modeli oluşturuyor.
TMI, hedefleri ve çalışma sırasını ayrı ayrı çıkarıyor. Bunları tek seferde tek bir modele sormak detayları kaybettirdiği için, sistem iki ayrı geçiş kullanarak daha zengin ve doğru sonuçlar elde ediyor.
Etkileyici Performans Sonuçları
Araştırmacılar TMI’yi kontrollü insan ve ajan izlerinde test ettiler. Sonuçlar görev modeli çıkarımı alanında yeni bir standart belirliyor:
- %97,4 anlaşma: TMI, gerçek gruplandırmalara karşı izlenen görevleri yüksek doğrulukla ayrıştırıyor.
- %74,9 yeniden yapılandırma: Gözlemlenen yürütme adımlarını yeniden oluşturabiliyor—en güçlü temel yöntemden kat kat fazla.
- %30 doğruluk artışı: TMI’nin görev modellerinden türetilen beceriler, daha önce görülmemiş görevlerde en güçlü temel yönteme kıyasla %30 daha başarılı.
Neden Bu Kadar Önemli?
Gerçek bilgisayar kullanım izleri düşünüldüğünde, insanların iş akışları tek bir temiz sıra izlemiyor. İnsanlar ilgisiz görevler arasında geçiş yapıyor, aynı düzeltmeyi geçene kadar tekrar tekrar yapıyor. Mevcut araçların çoğu bunu tek bir liste olarak düzleştiriyor ve ajan yanlış bir iş akışı öğrenmiş oluyor.
TMI’nin en zayıf olduğu alanlar ise hata düzeltme ve çıkmaz sokaklarla ilgilenen karmaşık oturumlar. Araştırmacılar, izleme verilerinin çoğunun zaten çoğu iş dizüstü bilgisayarında mevcut olduğunu ve TMI’nin bunları denetlenebilir, yeniden kullanılabilir becerilere dönüştürmeyi mümkün kıldığını belirtiyor.
Araştırma Sonuçları ve Kaynak
Kağıt: arxiv.org/abs/2608.20319
Yazarlar: Yucheng Jiang, Zora Zhiruo Wang, Ruishi Chen, Diyi Yang (Stanford University, Carnegie Mellon University)
Eğer yapay zeka ajanlarının iş süreçlerinden öğrenmesiyle ilgili daha fazla içerik incelemek isterseniz, Microsoft ThinkingBox ve görev modeli optimizasyonu hakkındaki diğer makalelerimize göz atabilirsiniz.
Henüz yorum yok. İlk yorumu siz yapın!