🤖 machine learning

The PROPER Approach to Proactivity: Benchmarking and Advancing Knowledge Gap Navigation

Ce papier présente PROPER, un cadre qui améliore l'assistance proactive en modélisant explicitement les lacunes de connaissances des utilisateurs via des dimensions explicites et implicites générées par des agents, permettant ainsi de fournir des réponses personnalisées et mieux adaptées que les approches actuelles.

Auteurs originaux : Kirandeep Kaur, Vinayak Gupta, Aditya Gupta, Chirag Shah

Publié 2026-04-22

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Kirandeep Kaur, Vinayak Gupta, Aditya Gupta, Chirag Shah

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🤖 PROPER : Le "Super-Assistant" qui devine ce que vous oubliez

Imaginez que vous parlez à un assistant virtuel classique. Vous lui demandez quelque chose, il vous répond. C'est comme un serveur dans un restaurant : vous commandez un steak, il vous apporte un steak. Si vous ne commandez pas de sauce, il ne vous en apporte pas, même si vous en auriez eu besoin. C'est ce qu'on appelle le mode "réactif" : il attend que vous parliez pour agir.

Mais parfois, vous ne savez pas exactement ce dont vous avez besoin. C'est là qu'intervient PROPER.

🧠 Le Problème : Les "Trous" dans votre savoir

L'article explique que les humains ont souvent des "trous de connaissances" (des choses qu'ils ignorent qu'ils ignorent).

Exemple : Vous demandez à un médecin virtuel : "J'ai mal à la tête."
Réponse classique : "Prenez un cachet."
Le problème : Le médecin ne sait pas que vous avez oublié de mentionner que vous avez aussi de la fièvre ou que vous êtes enceinte. L'assistant classique ne peut pas deviner ces manques. Il vous donne une réponse incomplète, voire dangereuse.

🚀 La Solution : PROPER (L'Architecte de l'Information)

PROPER est un nouvel agent intelligent conçu pour combler ces trous avant même que vous ne les réalisiez. Il fonctionne comme un chef d'orchestre ou un architecte qui ne se contente pas de construire le mur que vous avez demandé, mais qui vérifie si la fondation est solide.

Pour y arriver, PROPER utilise deux agents secrets qui travaillent ensemble :

1. Le Détective (DGA - Dimension Generating Agent)
Imaginez un détective très expérimenté qui a lu des milliers de livres sur un sujet.

Quand vous posez une question, ce détective ne regarde pas seulement ce que vous dites. Il se demande : "Qu'est-ce que cette personne a oublié de dire ?"
Il identifie deux types d'informations :
- Ce qui est dit : "Je veux un gâteau."
- Ce qui est caché (les dimensions implicites) : "Le gâteau est pour un enfant allergique aux noix ?", "Doit-il être sans gluten ?", "Pour quel budget ?"
Il crée une liste de ces "dimensions cachées" pour s'assurer que rien d'important n'est manquant.

2. Le Chef Cuisinier (RGA - Response Generating Agent)
Une fois que le Détective a trouvé les trous, le Chef Cuisinier entre en scène.

Son travail n'est pas de tout réécrire, mais d'ajuster la réponse.
Il utilise la liste du Détective pour ajouter les ingrédients manquants, mais avec une règle d'or : le bon dosage.
Si vous demandez juste une recette simple, il n'ajoute pas un cours de chimie culinaire (ce serait trop intrusif).
Mais si vous demandez une recette pour un régime très spécifique, il ajoute immédiatement les avertissements sur les allergies.

⚖️ L'Art de l'Équilibre : Ni trop, ni trop peu

Le plus grand défi de PROPER est de ne pas être agaçant.

Si l'assistant vous pose 10 questions pour tout clarifier, il vous énerve.
S'il ne dit rien, il est inutile.

PROPER utilise un réglage fin (comme le volume d'une radio). Il décide, en une fraction de seconde, s'il doit :

Rester silencieux et donner la réponse directe.
Ajouter une petite précision utile.
Vous poser une seule question pour clarifier un point crucial.

C'est comme un ami qui vous accompagne au magasin de bricolage. Si vous demandez "Comment fixer ce tableau ?", il ne vous dit pas juste "Mettez un clou". Il regarde le mur et vous dit : "Attention, ce mur est en placo, il vous faut une cheville spéciale, sinon ça va tomber !" Il a deviné le problème que vous ne saviez pas avoir.

🏆 Les Résultats : Pourquoi c'est mieux ?

Les chercheurs ont testé PROPER dans trois domaines très différents :

La Médecine : Pour éviter les erreurs graves (ex: oublier de mentionner une interaction médicamenteuse).
Le Code (Programmation) : Pour aider les développeurs à ne pas oublier des cas limites (ex: "Et si l'utilisateur entre un texte au lieu d'un nombre ?").
Les Achats en ligne : Pour recommander des produits qui correspondent vraiment à votre style de vie, pas juste à ce que vous avez cliqué.

Le verdict ? PROPER bat les assistants classiques et même les plus grands modèles d'intelligence artificielle actuels. Il donne des réponses plus complètes, plus sûres et plus utiles, car il ne se contente pas de répondre à la question posée, mais il répond au besoin réel derrière la question.

En résumé

PROPER, c'est la différence entre un robot qui écoute vos ordres et un partenaire intelligent qui comprend votre contexte, anticipe vos oublis et vous aide à réussir votre tâche sans que vous ayez à tout expliquer. C'est l'art de deviner ce que vous n'avez pas dit, au bon moment, et avec la bonne dose de délicatesse.

Titre : Agents PROPER : Agents Personnalisés Pilotés par la Proactivité pour la Navigation des Lacunes de Connaissance

1. Problématique

Les agents conversationnels proactifs actuels tentent d'anticiper les besoins des utilisateurs au-delà du paradigme classique "demande-réponse". Cependant, ils souffrent de deux limitations majeures :

Surcharge cognitive : Ils inondent souvent l'utilisateur de questions de clarification pour des "inconnus connus" (des détails manquants que l'utilisateur sait qu'il doit fournir).
Interventions inappropriées : Ils se basent sur une extrapolation contextuelle qui peut mener à des interventions prématurées, hors sujet ou mal calibrées, dégradant la confiance et la qualité de l'interaction.

Le problème central identifié est l'absence de mécanisme explicite pour modéliser les lacunes de connaissance (ou "inconnus inconnus") : des aspects pertinents pour la tâche que l'utilisateur ignore et qui ne sont pas déductibles du contexte immédiat. Ignorer ces lacunes conduit à des résultats de tâches incomplets ou sous-optimaux.

2. Méthodologie : Le Framework PROPER

Les auteurs proposent PROPER, un cadre modulaire qui formalise l'assistance proactive comme un problème de calibration. L'objectif n'est pas d'ajouter de l'information de manière indiscriminée, mais d'identifier et d'intégrer sélectivement des dimensions de tâche pertinentes qui manquent.

Le framework repose sur trois composants principaux et une représentation structurée appelée Dimensions :

A. Représentation par Dimensions
Une "dimension" est un facteur structuré et pertinent pour la tâche (ex: contraintes de sécurité, structure des données, préférences implicites). L'ensemble des dimensions $D(I)$ pour un état d'interaction $I$ comprend :

$D_{exp}^{user}$ : Dimensions explicites de l'utilisateur (issues de la requête).
$D_{exp}^{sys}$ : Dimensions explicites déjà couvertes par la réponse de base.
$D_{imp}$ : Dimensions implicites (les lacunes de connaissance à combler).

B. Architecture Modulaire

Agent de Génération de Dimensions (DGA) :
- C'est un LLM (Large Language Model) fine-tuné sur des trajectoires d'assistance réussies annotées au niveau des dimensions.
- Rôle : À partir de l'état utilisateur (requête, historique), il identifie les dimensions explicites et génère un ensemble de dimensions implicites candidates (les lacunes potentielles) en se basant sur des distributions apprises de tâches similaires.
- Il ne fournit pas de réponse, mais un inventaire structuré de ce qui manque.
Réordonnanceur Calibré Post-hoc (Reranker) :
- Ce module opère une activation sélective. Il ne transmet pas toutes les dimensions implicites au générateur de réponse.
- Il sélectionne un sous-ensemble budgété $S_k^*$ $S_{k}^{*}$ en optimisant une fonction objectif qui maximise :
  - La qualité (confiance du DGA).
  - L'alignement avec les besoins explicites non satisfaits.
  - La diversité (pénalisation de la redondance).
- Cela permet de contrôler le niveau de proactivité (le "budget" d'intervention) pour éviter de submerger l'utilisateur.
Agent de Génération de Réponse (RGA) :
- Il génère la réponse finale en intégrant sélectivement le sous-ensemble de dimensions activées ( $S_k^*$ ) dans la réponse de base.
- Il est contraint par des prompts qui distinguent les dimensions explicites (à traiter par défaut) et implicites (à traiter uniquement si le contexte le justifie).
- Il maintient l'intention de l'utilisateur et la structure de la réponse originale, n'ajoutant que des informations ciblées et non disruptives.

3. Contributions Clés

Formalisation de la proactivité : Redéfinition de l'assistance proactive comme un problème de calibration épistémique (identifier ce qui manque) plutôt que comme une simple expansion de réponse.
Représentation par Dimensions : Introduction d'une représentation intermédiaire explicite pour modéliser les lacunes de connaissance, permettant de découpler la découverte des besoins de la génération de la réponse.
Architecture PROPER : Un système modulaire (DGA + Reranker + RGA) qui équilibre personnalisation et proactivité, évitant les interventions excessives.
Évaluation "Gap-Aware" : Développement d'une métrique d'évaluation structurée qui mesure non seulement la justesse factuelle, mais aussi la couverture des lacunes de connaissance, l'appropriation de l'initiative et l'alignement avec l'intention.

4. Résultats Expérimentaux

L'évaluation a été menée sur trois domaines distincts : Médical (MD), Concours de Code (Code-Contests) et Recommandation (PWAB - Shopping).

Performance Globale : PROPER surpasse systématiquement les modèles de base (LLaMA-8B, Qwen-8B) et même GPT-4 dans la plupart des cas.
- Gains : Jusqu'à 84% d'amélioration dans les évaluations en un seul tour (single-turn) par rapport aux modèles de base.
- Dominance : Taux de victoire (Win%) très élevé (ex: 89% en médical, 93% en shopping) contre les modèles de base.
Analyse par Domaine :
- Médical : Les gains sont les plus importants. PROPER réussit à intégrer des risques cachés, des comorbidités et des précautions comportementales que les modèles de base omettent souvent.
- Recommandation : Amélioration significative grâce à la prise en compte de préférences implicites et de contraintes de contexte.
- Code : Les gains sont plus modestes car les tâches sont souvent bien définies et les solutions optimales sont plus faciles à trouver sans intervention proactive complexe.
Ablation : La suppression du DGA entraîne une chute drastique des performances, prouvant que la capacité à identifier les dimensions implicites est le moteur principal de l'amélioration, plus que la capacité de génération de texte seule.
Conversations Multi-tours : PROPER maintient ses avantages dans les dialogues multi-tours, maintenant une initiative appropriée au fil du temps, contrairement aux baselines qui tendent à devenir soit trop passives, soit trop intrusives.

5. Signification et Implications

Ce travail marque une avancée significative dans la conception d'agents IA proactifs :

Changement de paradigme : Il passe d'une approche réactive ou basée sur des heuristiques simples à une approche fondée sur la modélisation explicite des "inconnus inconnus".
Sécurité et Confiance : En calibrant l'intervention (ne pas tout dire, mais dire ce qui est critique), PROPER réduit le risque d'illusions d'optique ou d'intrusions inutiles, crucial pour des domaines sensibles comme la santé.
Évolutivité : L'approche par dimensions offre un cadre généralisable qui peut être adapté à divers domaines sans nécessiter de réingénierie complète du modèle, simplement en ajustant la distribution des dimensions apprises.

En conclusion, PROPER démontre que l'efficacité d'un agent proactif ne réside pas dans sa capacité à en dire plus, mais dans sa capacité à comprendre ce qui n'a pas été dit et à l'intégrer de manière mesurée et pertinente.