PersonaTrail: Benchmarking Personalized Web Agents through Browsing Trails
تقدم هذه الورقة PersonaTrail، وهو معيار لتقييم قدرة وكلاء الويب المخصصين على استنتاج تفضيلات المستخدم من سجلات التصفح الخام، إلى جانب PACMem، وهو إطار عمل ينظم هذا السجل في ذكريات واقعية وتفضيلية لتحسين أداء التنقل بشكل كبير.
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 أن لديك مساعداً آلياً ذكياً للغاية يمكنه تصفح الإنترنت من أجلك. تطلب منه "البحث عن فيلم"، فيفعل ذلك. ولكن في العالم الحقيقي، نادراً ما تعطي تعليمات مثالية. قد تقول: "ابحث لي عن فيلم مثل تلك التي أشاهدها عادةً"، أو "أرني تلك الوصفة التي اطلعتُ عليها الثلاثاء الماضي". للقيام بذلك، يحتاج الروبوت إلى تذكر عاداتك ولحظات محددة من حياتك الرقمية. هذا هو عالم الوكلاء الشبكيين (web agents): وهي برمجيات تعمل كإنسان على المواقع الإلكترونية، تنقر على الأزرار وتقرأ الصفحات لإنجاز المهام. لفترة من الوقت، اختبر العلماء هذه الروبوتات باستخدام تعليمات صارمة ومثالية، مثل مسألة رياضية بجميع أرقامها مكتملة. لكن هذا لا يشبه الحياة الواقعية. فالحياة الواقعية فوضوية، مليئة بالأفكار غير المكتملة والذكريات لأشياء فعلناها قبل أيام. السؤال الكبير هو: هل تستطيع هذه الروبوتات حقاً تعلم "شخصيتك" من تاريخك الفوضوي، أم أنها تتبع الأوامر بشكل أعمى فقط؟
تقدم هذه الورقة طريقة جديدة لاختبار هذه الروبوتات، تسمى PERSONATRAIL. قام الباحثون ببناء ملعب ضخم حيث أنشأوا "مستخدمين" وهميين ولكن واقعيين، لديهم هوايات ووظائف وأذواق محددة. ثم راقبوا كيف يتصفح هؤلاء المستخدمون الويب، مما خلق مساراً طويلاً من النقرات والعمليات البحثية وزيارات الصفحات. لقد وضعوا أمام الروبوتات تحديين صعبين. أولاً، استنتاج التفضيلات (Preference Inference): يجب على الروبوت تخمين ما تحبه بناءً على نمط معين. على سبيل المثال، إذا كنت تنقر دائماً على أفلام "الغموض" ووصفات "القدر الواحد"، فعلى الروبوت أن يستنتج أنك تحب الغموض والطبخ السهل، حتى لو لم تقل ذلك بصوت عالٍ. ثانياً، التجذير العرضي (Episodic Grounding): يجب على الروبوت العثور على ذكرى محددة. إذا قلت: "أرني وصفة الكاري التي بحثت عنها الثلاثاء الماضي"، فعلى الروبوت البحث في بنك ذاكرته للعثور على تلك اللحظة تحديداً والعودة إليها.
وجد الباحثون أن معظم الروبوتات الموجودة كانت سيئة للغاية في هذا الأمر. كانت مثل الطلاب الذين يحفظون الكتاب المدرسي لكنهم لا يستطيعون تطبيقه في موقف جديد. عندما حاولت الروبوتات تذكر ماضيك، كانت غالباً ما تتخلص من التفاصيل المهمة، مثل ماذا نقرت عليه، وتكتفي بالاحتفاظ بالفكرة العامة عن كيفية نقرك. ولإصلاح ذلك، بنى الفريق نظام ذاكرة جديداً يسمى PACMEM. فكر في PACMEM كأنه أمين مكتبة منظم للغاية للروبوت. فبدلاً من مجرد إلقاء كومة من الأوراق على المكتب، يقوم هذا الأمين بتصنيفها في صندوقين خاصين. أحد الصندوقين، وهو الذاكرة الواقعية (Factual Memory)، هو بمثابة مذكرات لما حدث بالضبط في أيام محددة (مثلاً: "في 24 مايو، شاهدت سارة فيلم Bird Box"). والصندوق الآخر، وهو ذاكرة التفضيلات (Preference Memory)، هو ملخص لعاداتك (مثلاً: "سارة تختار دائماً أفلام الغموض والتقييمات التي تزيد عن 6.0").
عندما يتلقى الروبوت سؤالاً، لا يقوم PACMEM بمجرد إلقاء التاريخ كله عليه. بل يتحقق بسرعة من صندوق المذكرات إذا كان السؤال يتعلق بيوم محدد، أو صندوق العادات إذا كان السؤال يتعلق بما تحبه. أظهرت النتائج أن الروبوتات التي تستخدم نظام الصندوقين هذا كانت أفضل بكثير في حل هذه الألغاز الشخصية مقارنة بالأنظمة القديمة. لم تكن مجرد تخمن؛ بل استخدمت بالفعل القرائن الصحيحة للعثات الفيلم أو الوصفة المناسبة. تشير الورقة إلى أنه لكي تتمكن الروبوتات من مساعدتنا حقاً في العالم الحقيقي، يجب أن تتوقف عن معاملة سجل تصفحنا ككومة فوضوية من النفايات وتبدأ في تنظيمه إلى قصص وعادات واضحة. وبينما تعد هذه خطوة كبيرة للأمام، يشير الباحثون إلى أن الحياة الواقعية أكثر تعقيداً من اختبارهم، مع وجود عادات تتغير وأسئلة مستحيلة الإجابة، لكن هذا النظام الجديد يعطينا أساساً متيناً لبناء مساعدين أكثر ذكاءً وشخصية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.