BrowserForge: Scaling Web Episode via Parallel Browser Sandboxes
BrowserForge ist ein Framework, das die Skalierung der Generierung hochwertiger Web-Interaktionsdaten durch das Ausführen paralleler Browser-Sandboxes im offenen Web ermöglicht, um einen diversen Korpus von 203.238 Trajektorien zu erstellen, was die Leistung von pixelbasierten Web-Agenten auf Live- und statischen Benchmarks signifikant verbessert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich ein Computerprogramm vor, das Ihnen helfen soll, sich im Internet zurechtzufinden, ähnlich wie ein digitaler Assistent, der Schaltflächen anklicken, Text eingeben und durch Seiten scrollen kann, um eine Aufgabe für Sie zu erledigen. Damit diese Programme lernen können, dies zu tun, müssen sie an echten Websites üben und beobachten, wie ein Mensch von einem Ausgangspunkt zu einem fertigen Ziel navigiert. Bis jetzt war die Datenmenge, die verwendet wurde, um diese Programme zu lehren, begrenzt. Die meisten Trainingsdatensätze wurden durch das Aufzeichnen menschlicher Handlungen auf einer kleinen, festen Liste populärer Websites oder durch das Erstellen fiktiver Szenarien basierend auf einer engen Auswahl an Tutorials erstellt. Dies bedeutete, dass die Programme lernten, nur einen winzigen Bruchteil des Internets zu navigieren, und Schwierigkeiten bekamen, wenn sie auf eine neue oder unbekannte Seite stießen. Sie waren wie Schüler, die bisher nur ein einziges Lehrbuch studiert hatten; als man ihnen ein anderes Buch gab, wussten sie nicht, wie man es lift.
Ein Team von Forschern hat nun ein System namens BrowserForge entwickelt, um dieses Problem zu lösen. Anstatt sich auf eine kleine, vorab ausgewählte Liste von Websites zu verlassen, haben sie das gesamte offene Internet in ein Trainingsgelände verwandelt. Sie erstellten ein massives Netzwerk aus Hunderten von virtuellen Computern, von denen jeder einen separaten Webbrowser ausführte. Diese Browser wurden ausgesandt, um Hunderttausende von verschiedenen, echten Websites zu besuchen, die sich im öffentlichen Web befinden. Das System besuchte diese Seiten nicht nur; es versuchte aktiv, Aufgaben auf ihnen auszuführen. Ein erster künstlicher Intelligenz-Agent betrachtete eine Seite und erfand eine plausible Aufgabe, wie etwa das Finden eines bestimmten Artikels oder das Überprüfen eines Preises. Ein zweiter Agent versuchte dann, diese Aufgabe durch Klicken und Tippen zu erledigen, wobei er jede seiner Bewegungen aufzeichnete. Wenn die Aufgabe erfolgreich abgeschlossen wurde, wurde die Aufzeichnung dieser Bewegungen als Lektion gespeichert. Wenn der Agent stecken blieb oder scheiterte, wurde dieser Versuch verworfen. Dieser Prozess wurde immer wieder wiederholt, wodurch mehr als 200.000 einzigartige Lernbeispiele generiert wurden, von denen jedes aus einer völlig anderen Website stammte.
Die Forscher fanden heraus, dass dieser Ansatz einen Datensatz lieferte, der weitaus größer und vielfältiger war als alles bisher Verfügbare. Während ältere Datensätze nur wenige tausend Beispiele von einigen hundert Websites enthielten, deckte diese neue Sammlung fast 200.000 verschiedene Websites ab. Als sie diese neuen Daten verwendeten, um ein kompaktes, effizientes Computermodell zu trainieren, waren die Ergebnisse unmittelbar und signifikant. Die Fähigkeit des Modells, Aufgaben auf Live-Websites erfolgreich abzuschließen, sprang von etwa 25 Prozent auf über 33 Prozent. Diese Verbesserung war nicht nur ein kleiner Zuwachs; sie ermöglichte es einem relativ kleinen Modell, viel größere, komplexere Systeme zu übertreffen, die mit älteren, enger gefassten Daten trainiert worden waren. Die Studie zeigte, dass der Schlüssel zur Verbesserung nicht in einem neuen Trick bei der Art und Weise lag, wie das Modell unterrichtet wurde, sondern schlicht in der schieren Vielfalt der Websites, die es gesehen hatte. Indem sie das System der chaotischen, unvorhersehbaren Realität des offenen Webs aussetzten, lehrten die Forscher es, wesentlich anpassungsfähiger zu sein.
Der Erfolg dieser Methode beruhte auf einem sorgfältigen Reinigungsprozess. Da das System Aufgaben generierte und versuchte, diese auszuführen, ohne dass eine menschliche Aufsicht stattfand, scheiterten viele Versuche oder produzierten unordentliche Aufzeichnungen. Die Forscher bauten einen Filter, um diese schlechten Beispiele zu entfernen. Zuerst verwendeten sie einfache Regeln, um Versuche auszusortieren, die offensichtlich schiefgingen, wie zum Beispiel solche, die nie abgeschlossen wurden. Dann nutzten sie ein weiteres intelligentes System, um die verbleibenden Versuche zu überprüfen und zu bestätigen, ob die Aufgabe tatsächlich abgeschlossen wurde. Schließlich schrieben sie die erfolgreichen Versuche in ein klares, konsistentes Format um, damit das Lernmodell die Logik hinter den Handlungen verstehen konnte. Dies stellte sicher, dass das Modell aus hochwertigen Beispielen lernte und nicht aus Rauschen. Die Studie bestätigte, dass die Vielfalt der Websites der Haupttreiber des Erfolgs war. Als die Forscher ihr Modell auf unterschiedliche Arten von Websites und Aufgaben testeten, blieb die Verbesserung stabil, was darauf hindeutete, dass das Modell wirklich allgemeine Fähigkeiten erlernt hatte und nicht nur spezifische Seiten auswendig gelernt hatte.
Diese Arbeit zeigt, dass der beste Weg, einen Computer das Navigieren im Web beizubringen, darin besteht, ihn das Web selbst explorieren zu lassen. Durch die Automatisierung des Prozesses des Besuchs echter Seiten und des Versuchs echter Aufgaben schufen die Forscher einen Trainingsdatensatz, der die wahre Komplexität des Internets widerspiegelt. Das Ergebnis ist ein fähigerer und zuverlässigerer digitaler Assistent, der in der Lage ist, die unerwarteten Layouts und einzigartigen Merkmale der Millionen von Websites zu bewältigen, die es heute gibt. Die Ergebnisse legen nahe, dass sich die Leistung dieser Agenten weiter verbessern wird, wenn die Menge dieser Open-Web-Daten wächst, was sie näher an das Ziel eines wahrhaft universellen Web-Assistenten bringt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.