WebChain: A Large-Scale Human-Annotated Dataset of Real-World Web Interaction Traces
تقدم الورقة البحثية WebChain، وهو عبارة عن مجموعة بيانات واسعة النطاق وموسومة بشرياً من آثار التفاعل الحقيقية على الويب تتميز بالمحاذاة متعددة الوسائط، مما يتيح نهج تدريب وسيط مزدوج مبتكر يحقق أداءً هو الأفضل في فئته في تخطيط وكلاء الويب والتمركز المكاني.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت كيفية استخدام الإنترنت. تريد من هذا الروبوت أن يكون قادرًا على حجز رحلة طيران، أو شراء قميص محدد، أو التحقق من رصيده البنكي تمامًا كما يفعل البشر.
المشكلة هي أن الإنترنت مكان فوضوي، فوضوي ومتغير باستمرار. معظم الروبوتات اليوم تشبه الطلاب الذين درسوا فقط في فصل دراسي مثالي وزائف (مواقع إلكترونية محاكية). عندما يخرجون إلى العالم الحقيقي، يصابون بالارتباك بسبب الإعلانات المنبثقة، وشاشات تسجيل الدخول، وتخطيط المواقع الغريب. كما أنهم يفتقرون إلى مكتبة ضخمة من الأمثلة "الحقيقية" التي توضح كيفية تنقل البشر في هذه المواقف الصعبة.
يقدم هذا البحث WebChain، وهو حل لهذه المشكلة. إليك التفاصيل باستخدام تشبيهات بسيطة:
١. المشكلة: "العالم الزائف" مقابل "العالم الحقيقي"
فكر في مجموعات البيانات السابقة (مثل Mind2Web أو WebArena) كأنها عجلات تدريب. هي رائعة لتعلم الأساسيات، لكنها بسيطة للغاية. إنها تشبه محاكي القيادة الذي لا يحتوي أبدًا على ازدحامات مرورية، أو ضباط شرطة، أو أيام ممطرة.
- الفجوة: المواقع الإلكترونية الحقيقية تحتوي على فحوصات أمنية (CAPTCHA)، وتتطلب تسجيل دخول، وتغير تخطيطها باستمرار. الروبوتات المدربة على بيانات "زائفة" تصطدم عندما تواجه هذه العقبات في العالم الحقيقي.
- الطريقة القديمة: حاول بعض الباحثين استخدام برامج كمبيوتر لـ "تزييف" نقرات بشرية على مواقع حقيقية. لكن المواقع ذكية؛ فلديها حراس أمن (أنظمة مكافحة البوتات) تطرد هذه البرامج فورًا. لا يمكنهم تجاوز شاشة تسجيل الدخول.
٢. الحل: WebChain (مدرسة "القيادة في العالم الحقيقي")
قام المؤلفون ببناء WebChain، وهو أكبر مجموعة تضم بشرًا حقيقيين يستخدمون بالفعل مواقع إلكترونية حقيقية.
- النطاق: قاموا بجمع أكثر من ٣١,٠٠٠ رحلة كاملة (مسارات) تتضمن ٣١٨,٠٠٠ خطوة. هذا يشبه تسجيل ٣١,٠٠٠ شخص مختلف يقودون من منازلهم إلى وجهات مختلفة، ويتعاملون مع حركة مرور حقيقية، وانعطافات، وعوائق.
- "المحاذاة الثلاثية" (الخلطة السرية): هذا هو الجزء الأهم. عندما ينقر الشخص الذي يقوم بالتدوين على زر ما، يقوم النظام بتسجيل ثلاثة أشياء في وقت واحد، مثل طاقم تصوير عالي التقنية يصور مشهدًا سينمائيًا:
- بصري (Visual): لقطة شاشة لما رآه الإنسان.
- هيكلي (Structural): "المخطط" الخاص بالصفحة (الكود البرمحي خلف الزر)، بحيث يعرف الروبوت ما هو الزر، وليس فقط كيف يبدو شكله.
- إجراء (Action): إحداثيات البكسل الدقيقة حيث نقر الإنسان.
- التشبيه: تخيل تعليم روبوت كيفية الإمساك بكرة. الطرق القديمة تكتفي بإظهار الكرة للروبوت. أما WebChain فيظهر للروبوت الكرة، وفيزياء الرياح، وحركة اليد الدقيقة المطلوبة للإمساك بها، كل ذلك في وقت واحد.
٣. طريقة التدريب: "التدريب المزدوج المتوسط" (الرقصة ذات الخطوتين)
بمجرد حصولهم على البيانات، احتاجوا لتعليم الروبوت كيفية استخدامها. اكتشفوا أن محاولة تعليم الروبوت "الرؤية" و"التخطيط" في نفس الوقت تشبه محاولة تعليم راقص كيفية عد الموسيقى و تحريك قدميه بدقة في خطوة واحدة. هذا صعب للغاية.
لقد اقترحوا وصفة التدريب المزدوج المتوسط (Dual Mid-Training):
- الخطوة ١: مرحلة "التأصيل" (التعلم من أجل الرؤية): أولاً، يعلمون الروبوت أن يكون سيدًا في التأصيل المكاني (Spatial Grounding). هذا يشبه تعليم الروبوت تحديد كل شيء في الغرفة والإشارة إليه بدقة. يستخدمون البيانات "الكثيفة" من WebChain لإظهار ليس فقط الزر المستهدف، بل كل زر على الشاشة، ليتعلم الروبوت الفرق بين الزر القابل للنقر والصورة التزيينية.
- الخطوة ٢: مرحلة "التخطيط" (التعلم من أجل التفكير): بمجرد أن يتمكن الروبوت من الرؤية بشكل مثالي، يعلمونه التخطيط طويل المدى (Long-horizon planning). هذا هو جزء "التفكير". الآن بعد أن عرف الروبوت أين يوجد كل شيء، يمكنه التركيز على الاستراتيجية: "أولاً أحتاج لتسجيل الدخول، ثم البحث عن شريط البحث، ثم التصفية حسب السعر".
- النتيجة: من خلال فصل هاتين المهارتين، يصبح الروبوت أكثر ذكاءً. إنه يحقق أداء "الحالة الفنية الأحدث" (SOTA)، مما يعني أنه يتفوق على جميع الروبوتات السابقة في المهام المعقدة.
٤. لماذا هذا مهم؟
- الديمقراطية: قبل هذا، كانت الشركات الكبرى التي تمتلك بيانات سرية ومكلفة فقط هي من تستطيع بناء وكلاء جيدين. WebChain مفتوح المصدر، مما يعني أن أي شخص يمكنه تحميله وبناء روبوتات أفضل.
- قابلية التكرار: نظرًا لأن البيانات حقيقية والأساليب مشتركة، يمكن لعلماء آخرين التحقق من النتائج. لا مزيد من "الصناديق السوداء" السرية.
- المستقبل: تثبت مجموعة البيانات هذه أنه إذا أعطيت الذكاء الاصطناعي ما يكفي من الأمثلة البشرية الحقيقية وعلمته فصل "الرؤية" عن "التفكير"، فيمكنه إتقان الإنترنت الفوضوي.
ملخص التشبيه
إذا كان بناء وكيل ويب يشبه تدريب طيار:
- البيانات القديمة: التدريب في محاكي طيران بدون رياح، وبدون طائرات أخرى، وفي طقس مثالي.
- WebChain: مكتبة ضخمة من مقاطع الفيديو لآلاف الطيارين الحقيقيين وهم يطيرون عبر عواصف حقيقية، ويتعاملون مع مراقبة جوية حقيقية، ويهبطون في مطارات حقيقية.
- التدريب الجديد: بدلاً من مجرد مشاهدة الفيديوهات، تعلم الطيار المتدرب أولاً إتقان أدوات التحكم (التأصيل) ثم تعلم استراتيجية الملاحة (التخطيط)، مما ينتج عنه طيار يمكنه التعامل مع أي موقف.
باختصار، WebChain هو "مدرسة القيادة في العالم الحقيقي" التي تعلمت أخيرًا الذكاء الاصطناعي كيفية التنقل في الإنترنت الفوضوي والمعقد دون الاصطدام.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.