🤖 AI

Partner Capability Estimation for Task-Agnostic Adaptation in Ad-Hoc Teamwork

यह शोध पत्र CE-CM और इसके विविधता-जागरूक विस्तार CE-CM-Div को प्रस्तुत करता है, जो एक अनुमानित बायेसियन ढांचा (approximate Bayesian framework) है जो स्वायत्त एजेंटों को बिना किसी पूर्व-प्रशिक्षण या कार्य के पूर्व ज्ञान के, एड-हॉक टीमवर्क परिदृश्यों में छिपी हुई, कार्य-अपरिवर्तनीय साथी क्षमताओं का तेजी से अनुमान लगाने और उनकी संयुक्त योजना को अनुकूलित करने में सक्षम बनाता है।

मूल लेखक: Peter Tisnikar, Maja Swieczkowska, Benteng Ma, Gerard Canal, Matteo Leonetti

प्रकाशित 2026-07-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Peter Tisnikar, Maja Swieczkowska, Benteng Ma, Gerard Canal, Matteo Leonetti

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक अजनबी के साथ एक बिल्कुल नए वीडियो गेम में कदम रख रहे हैं। आप नहीं जानते कि वे एक स्पीड-रनर हैं जो लेवल छोड़ देते हैं, एक सतर्क खोजकर्ता हैं जो हर कोने की जांच करते हैं, या कोई ऐसा व्यक्ति है जिसे कूदना बिल्कुल पसंद नहीं है। आर्टिफिशियल इंटेलिजेंस की दुनिया में, इसे एड-हॉक टीमवर्क (Ad-Hoc Teamwork) कहा जाता है। यह एक रोबोट (या AI एजेंट) को ऐसे साथी के साथ सहयोग करने की चुनौती है जिससे वह पहले कभी नहीं मिला है, बिना किसी पूर्व अभ्यास या साझा नियम पुस्तिका के। आमतौर पर, AI शोधकर्ता रोबोट को "सुपर-रोबस्ट" बनाने के लिए प्रशिक्षित करने का प्रयास करते हैं, जिसका अर्थ है कि वे हजारों अलग-अलग कंप्यूटर विरोधियों के खिलाफ अभ्यास करके किसी के भी साथ अच्छी तरह से खेलना सीखते हैं। लेकिन यह शोध पत्र एक अलग सवाल पूछता है: क्या होगा यदि केवल प्रतिक्रिया देने के लिए याद करने के बजाय, रोबोट वास्तव में यह पता लगा सके कि उसका साथी क्या करने में सक्षम है? इसे एक डांस पार्टनर की तरह समझें। अगला कदम केवल अनुमान लगाने के बजाय, रोबोट पार्टनर के "मूवसेट" (moveset) को सीखने की कोशिश करता है—क्या वे ऊँचा कूद सकते हैं? क्या वे भारी चीजें उठा सकते हैं? एक बार जब उसे साथी की क्षमताओं की सीमाओं का पता चल जाता है, तो वह एक ऐसा डांस रूटीन प्लान कर सकता है जो उन दोनों के लिए पूरी तरह से काम करे, भले ही वे पूरी तरह से नए गाने पर नाच रहे हों।

"पार्टनर कैपेबिलिटी एस्टीमेशन फॉर टास्क-अग्नोस्टिक अडैप्टेशन इन एड-हॉक टीमवर्क" (Partner Capability Estimation for Task-Agnostic Adaptation in Ad-Hoc Teamwork) शीर्षक वाला यह शोध पत्र एक चतुर नई विधि पेश करता है जिसे CE-CM (कॉन्टेक्स्टुअल मॉडल्स के माध्यम से क्षमता अनुमान) कहा जाता है। मुख्य विचार यह है कि रोबोट को केवल यह अनुमान नहीं लगाना चाहिए कि उसका साथी क्या करना चाहता है; बल्कि उसे यह पता लगाना चाहिए कि उसका साथी क्या कर सकता है। लेखक एक साथी की क्षमताओं को "सुपरपावर्स" (या उनकी कमी) की एक छिपी हुई सूची के रूप में देखते हैं जो इस बात पर निर्भर नहीं करती कि वे कौन सा खेल खेल रहे हैं।

रोबोट इस प्रकार सीखता है: वह एक खेल के कुछ राउंड देखता है। फिर, रोबोट एक मानसिक सिमुलेशन (mental simulation) चलाता है। वह कहता है, "ठीक है, यदि मेरे साथी के पास ये विशिष्ट सुपरपावर्स होतीं, तो उन्होंने पिछला राउंड कैसे खेला होता?" वह अपने सिमुलेशन की वास्तविक घटना से तुलना करता है। यदि सिमुलेशन वास्तविकता से मेल खाता है, तो रोबोट उस सुपरपावर्स के सेट को एक संभावना के रूप में रखता है। यदि यह मेल नहीं खाता, तो वह उस विचार को त्याग देता है। ऐसा बार-बार करने से, रोबोट सूची को तब तक कम करता जाता है जब तक कि उसके पास साथी की वास्तविक क्षमताओं के बारे में एक बहुत अच्छा अनुमान न हो जाए। एक बार जब उसे साथी की सीमाओं का पता चल जाता है, तो वह अगला खेल मिलकर प्लान कर सकता है, यह सुनिश्चित करते हुए कि वह साथी से कभी ऐसी चीज़ करने के लिए न कहे जो असंभव हो, जैसे कि एक पियानो उठाने के लिए कहना यदि साथी केवल एक चूहा उठा सकता है।

शोधकर्ताओं ने इस विचार का परीक्षण दो बहुत ही अलग डिजिटल दुनिया में किया। पहला एक सफाई वाला गेम था जिसे TidyUP कहा गया, जहाँ नियम सख्त और स्पष्ट थे (एक लॉजिक पहेली की तरह)। इस दुनिया में, रोबोट अद्भुत था। उसने जल्दी ही समझ लिया कि उसका साथी क्या कर सकता है और क्या नहीं कर सकता। कुछ ही खेलों के बाद, रोबोट ने गलतियाँ करना बंद कर दिया, जैसे कि साथी को ऐसे कमरे को साफ करने के लिए कहना जिसमें वह प्रवेश नहीं कर सकता। परिणामों ने दिखाया कि रोबोट की समन्वय करने की क्षमता में भारी सुधार हुआ, जहाँ "सुधारों" (जहाँ रोबोट को एक खराब योजना को ठीक करना पड़ा था) की संख्या कुछ पार्टनर्स के लिए लगभग 75% से गिरकर 5% से भी कम हो गई।

हालाँकि, दूसरा संसार, Overcooked (एक अराजक कुकिंग सिम्युलेटर), बहुत अधिक कठिन था। एक रसोई में, सलाद बनाने के कई तरीके होते हैं। आप टमाटर पहले काट सकते हैं, या प्याज पहले; दोनों काम करते हैं। रोबोट की मूल विधि, CE-CM, यह मानती थी कि यदि साथी कुछ कर सकता है, तो वे इसे सबसे उत्तम, तार्किक तरीके से करेंगे। लेकिन असली लोग (और यहाँ तक कि कुछ कंप्यूटर पार्टनर भी) अव्यवस्थित होते हैं। वे एक अजीब रास्ता चुन सकते हैं क्योंकि उन्हें वह पसंद है, या वे गलती कर सकते हैं। इस अव्यवस्थित वातावरण में, रोबोट फंस गया। वह जानता था कि साथी क्या कर सकता है, लेकिन वह यह अनुमान नहीं लगा सका कि वे वास्तव में क्या करेंगे क्योंकि वहां बहुत सारे वैध विकल्प थे।

इसे ठीक करने के लिए, लेखकों ने एक अपग्रेड बनाया जिसे CE-CM-Div कहा गया। "मेरा साथी किस एक उत्तम तरीके से कार्य करेगा?" पूछने के बजाय, यह नया तरीका पूछता है, "मेरे साथी के कार्य करने के कितने अलग-अलग तरीके हो सकते हैं?" यह प्रत्येक सुपरपावर सेट के लिए कई अलग-अलग संभावित परिदृश्यों को उत्पन्न करता है। जब साथी कुछ करता है, तो रोबोट जाँचता है कि क्या वह उन परिदृश्यों में से किसी से मेल खाता है। यह वास्तविक मनुष्यों के साथ परीक्षण करने पर एक गेम-चेंजर साबित हुआ। उन्होंने 15 अलग-अलग लोगों से 225 कुकिंग सत्र एकत्र किए। मूल विधि संघर्ष करती रही, अक्सर मानव की क्षमताओं का सही अनुमान लगाने में विफल रही क्योंकि मनुष्य अप्रत्याशित होते हैं। लेकिन CE-CM-Div, अपने "कई-संभावनाओं" वाले दृष्टिकोण के साथ, मनुष्यों की क्षमताओं को बहुत तेज़ी से और अधिक सटीकता से सीखने में सफल रहा।

शोध पत्र सुझाव देता है कि जबकि साथी की सीमाओं को जानना एक बड़ी प्रगति है, यह हर स्थिति के लिए कोई जादुई समाधान नहीं है। यदि किसी साथी के पास किसी समस्या को हल करने के कई तरीके हैं, तो उनकी सीमाओं को जानना यह जानने के लिए पर्याप्त नहीं है कि वे कौन सा रास्ता चुनेंगे। लेकिन इस विविधता और अनिश्चितता को ध्यान में रखकर, रोबोट बेहतर टीममेट बन सकते हैं। लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण—एक पुन: प्रयोज्य मॉडल सीखना कि एक साथी क्या कर सकता है, न कि केवल एक विशिष्ट खेल में वे कैसे कार्य करते हैं उसे याद करना—ऐसे AI बनाने का एक आशाजनक तरीका है जो किसी के भी, कहीं भी, किसी भी कार्य पर काम कर सके।

तकनीकी सारांश: एड-हॉक टीमवर्क में टास्क-एग्नोस्टिक अनुकूलन के लिए पार्टनर कैपेबिलिटी एस्टीमेशन

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र वर्तमान एड-हॉक टीमवर्क (AHT) अनुसंधान की एक महत्वपूर्ण सीमा को संबोधित करता है: यह धारणा कि एजेंट एक एकल, निश्चित कार्य (fixed task) पर सहयोग करते हैं जिसमें पार्टनर की क्षमताएं ज्ञात होती हैं। वास्तविक दुनिया के परिवेश में, विशेष रूप से मानव सहयोगियों वाले परिवेश में, पार्टनर्स की क्षमताओं (capabilities) के संबंध में छिपे हुए, टास्क-इनवेरिएंट (task-invariant) प्रतिबंध होते हैं और वे उप-इष्टतम (sub-optimal) या विविध रणनीतियों के साथ कार्य कर सकते हैं।

लेखक इस समस्या को छिपी हुई पार्टनर क्षमताओं के तहत विकेंद्रीकृत निष्पादन के साथ संयुक्त योजना (joint planning with decentralized execution under hidden partner capabilities) के रूप में औपचारिक रूप देते हैं। मुख्य चुनौती एक विशिष्ट पार्टनर की क्षमताओं का एक पुन: प्रयोज्य (reusable), टास्क-एग्नोस्टिक मॉडल प्राप्त करना है। पिछले दृष्टिकोणों के विपरीत, जो एक निश्चित कार्य के लिए मजबूत नीतियां सीखते हैं या प्राथमिकताओं (पार्टनर क्या चाहता है) का अनुमान लगाते हैं, यह कार्य क्षमताओं (पार्टनर मौलिक रूप से क्या करने के योग्य है) का अनुमान लगाने पर केंद्रित है। लक्ष्य एक स्वायत्त एजेंट ( $Ag_1$ ) को एक अनियंत्रित पार्टनर ( $Ag_2$ ) के छिपे हुए कैपेबिलिटी वेक्टर ( $c$ ) का अनुमान लगाने में सक्षम बनाना है और इस अनुमान का उपयोग भविष्य के संयुक्त कार्यों की योजना बनाने के लिए करना है, बिना पार्टनर्स की किसी जनसंख्या पर प्री-ट्रेनिंग के।

2. कार्यप्रणाली (Methodology)

2.1. मॉडलिंग फ्रेमवर्क

लेखक कॉन्टेक्स्टुअल मल्टी-एजेंट मार्कोव डिसीजन प्रोसेस (CMMDP) फ्रेमवर्क का विस्तार करते हैं।

स्टेट और एक्शन (State & Action): परिमित सेट के संयुक्त स्टेट्स ( $S$ ) और संयुक्त एक्शन्स ( $A$ ) पर परिभाषित।
क्षमताएं (Capabilities - $C$ ): इन्हें $D$ -डायमेंशनल बाइनरी वेक्टर्स के रूप में मॉडल किया गया है जहाँ प्रत्येक बिट एक विशिष्ट क्षमता (जैसे, भारी वस्तु उठाने की क्षमता, विशिष्ट उपकरण का उपयोग करने की क्षमता) का प्रतिनिधित्व करता है।
ट्रांजिशन फंक्शन ( $T$ ): क्षमताएं ट्रांजिशन फंक्शन को नियंत्रित करती हैं। यदि आवश्यक क्षमता अनुपलब्ध है ( $c_i=0$ ), तो ट्रांजिशन एक 'सेल्फ-लूप' (स्टेट नहीं बदलता) का परिणाम होगा, जो उस संदर्भ में क्रिया को अव्यवहार्य बना देता है।
उद्देश्य: एजेंट उस क्षमता वेक्टर $c^*$ को खोजने का प्रयास करता है जो कई कार्यों में देखे गए ट्राजेक्टरी ( $\tau_{obs}$ ) और $c^*$ के तहत नियोजित संयुक्त ट्राजेक्टरी के बीच के अंतर को न्यूनतम करता है।

2.2. CE-CM: कॉन्टेक्स्टुअल मॉडल्स के माध्यम से क्षमता अनुमान

प्राथमिक विधि, CE-CM, एक अनुमानित बेयसियन इन्फरेंस (approximate Bayesian inference) दृष्टिकोण है जो "सिमुलेट-एंड-कंपेयर" लूप के माध्यम से संचालित होता है:

सैंपलिंग (Sampling): एजेंट एक प्रायर डिस्ट्रीब्यूशन से संभावित क्षमता वेक्टर्स ( $\hat{c}$ ) को सैंपल करता है।
सिमुलेशन (Simulation): प्रत्येक उम्मीदवार के लिए, एजेंट एक संयुक्त प्लानर का उपयोग करके उस ट्राजेक्टरी ( $\tau_{\hat{c}}$ ) का सिमुलेशन करता है जो तब उत्पन्न होती यदि पार्टनर के पास वे क्षमताएं होतीं।
तुलना (Comparison): सिम्युलेटेड ट्राजेक्टरी की तुलना देखे गए ट्राजेक्टरी ( $\tau_{obs}$ ) से समानता मेट्रिक (प्रोपोजिशनल स्टेट्स के लिए जैकार्डर डिस्टेंस, रियल-वैल्यूड वेक्टर्स के लिए कोसाइन सिमिलैरिटी) का उपयोग करके की जाती है।
बलीफ अपडेट (Belief Update): वे उम्मीदवार जो समानता थ्रेशोल्ड $\epsilon$ के भीतर आते हैं, उन्हें स्वीकार किया जाता है। एजेंट स्वीकृत सैंपल्स के सेट को बनाए रखता है ताकि पोस्टीरियर डिस्ट्रीब्यूशन का अनुमान लगाया जा सके।
अनुमान (Estimation): स्वीकृत सैंपल्स के एम्पिरिकल मीन को थ्रेशोल्ड करके एक पॉइंट एस्टीमेट $\hat{c}^*$ निकाला जाता है (जैसे, मैक्सिमम ए पोस्टीरियरियन एस्टीमेशन द्वारा)।
प्लानिंग (Planning): अनुमानित क्षमताएं एक विशिष्ट CMMDP इंस्टेंस को प्रेरित करती हैं, जिसका उपयोग एजेंट अगले कार्य के लिए एक नई संयुक्त योजना बनाने के लिए करता है।

2.3. CE-CM-Div: व्यवहार संबंधी विविधता को संभालना

लेखक पहचानते हैं कि मानक CE-CM तब नाजुक (brittle) हो जाता है जब मानव पार्टनर विविध या उप-इष्टतम व्यवहार प्रदर्शित करते हैं, क्योंकि एक एकल क्षमता वेक्टर कई वैध ट्राजेक्टरीज को प्रेरित कर सकता है। इसे संबोधित करने के लिए, वे CE-CM-Div प्रस्तावित करते हैं:

केवल एक इष्टतम ट्राजेक्टरी से तुलना करने के बजाय, CE-CM-Div प्रत्येक उम्मीदवार क्षमता परिकल्पना के लिए एक डायवर्सिटी-अवेयर प्लानर (मोंटे कार्लो ट्री सर्च पर आधारित) का उपयोग करके विभिन्न ट्राजेक्टरीज का एक विविध सेट ( $\Delta_{\hat{c}}$ ) उत्पन्न करता है।
एक परिकल्पना तब स्वीकार की जाती है यदि विविध सेट में से कम से कम एक ट्राजेक्टरी अवलोकन के पर्याप्त समान हो।
यह दृष्टिकोण अनमॉडल किए गए व्यवहारिक बदलावों या उप-इष्टतमता के कारण वैध क्षमता परिकल्पनाओं को खारिज होने से बचाता है।

3. मुख्य योगदान (Key Contributions)

कैपेबिलिटी-आधारित फॉर्मुलेशन: छिपी हुई, टास्क-इनवेरिएंट क्षमता बाधाओं के तहत संयुक्त योजना के रूप में मल्टी-टास्क AHT का एक औपचारिक रूप, जो एक व्याख्या योग्य और पुन: प्रयोज्य पार्टनर प्रतिनिधित्व प्रदान करता है।
CE-CM एल्गोरिदम: एक ऑनलाइन, टास्क-एग्नोस्टिक अनुकूलन विधि जो जनसंख्या प्री-ट्रेनिंग या प्रदर्शन डेटा की आवश्यकता के बिना कुछ इंटरैक्शन से डिस्क्रीट कैपेबिलिटी वेक्टर्स का अनुमान लगाती है।
CE-CM-Div एक्सटेंशन: एक मजबूती तंत्र (robustness mechanism) जो एकल इष्टतम ट्राजेक्टरीज के बजाय विविध प्लानर रोलआउट्स के सेट के विरुद्ध परिकल्पनाओं का मूल्यांकन करके व्यवहारिक विविधता को संबोधित करता है।
अनुभवजन्य सत्यापन (Empirical Validation): दो डोमेन (TidyUP और Overcooked) में व्यापक मूल्यांकन और मानव-विषय अध्ययन जो कैपेबिलिटी-आधारित मॉडलिंग की प्रभावकारिता और सीमाओं को प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

4.1. TidyUP (PDDL डोमेन)

पूर्णतः निर्दिष्ट रिवार्ड्स और डिटर्मिनिस्टिक ट्रांजिशन्स वाले एक सिम्बोलिक हाउसहोल्ड डोमेन में:

इन्फरेंस: CE-CM ने तेजी से ग्राउंड-ट्रुथ कैपेबिलिटी वेक्टर्स को रिकवर किया, पांच कार्यों के भीतर हैमिंग डिस्टेंस को शून्य के करीब ला दिया।
कोऑर्डिनेशन: इस पद्धति ने "करेक्टेड एक्शन्स" (एजेंट और पार्टनर प्लान के बीच संघर्ष) के अनुपात को काफी कम किया और ऑप्टिस्टिक और पेसिमिस्टिक बेसलाइन की तुलना में प्लान ओवरलैप (IoU) को बढ़ाया।
निष्कर्ष: अच्छी तरह से निर्दिष्ट वातावरणों में जहाँ व्यवहार पूरी तरह से व्यवहार्यता (feasibility) द्वारा निर्धारित होता है, क्षमता अनुमान अत्यधिक प्रभावी है।

4.2. Overcooked (सिम्युलेटेड पार्टनर्स)

एक डायनेमिक कोऑर्डिनेशन डोमेन में जिसमें अंडर-स्पेसिफाइड रिवार्ड्स (कई वैध रणनीतियाँ) हैं:

इन्फरेंस: CE-CM ने कैपेबिलिटी बाधाओं को सफलतापूर्वक रिकवर किया, जिससे पार्टनर को दिए गए गैर-व्यवहार्य (अनुत्पादक) एक्शन्स के अनुपात में कमी आई।
कोऑर्डिनेशन सीमा: सटीक कैपेबिलिटी अनुमानों के बावजूद, CE-CM समन्वय त्रुटियों को पूरी तरह से हल नहीं कर सका (प्लान ओवरलैप कम रहा)। ऐसा इसलिए है क्योंकि क्षमताएं व्यवहार्यता को सीमित करती हैं लेकिन यह निर्धारित नहीं करतीं कि जब कई विकल्प मौजूद हों तो पार्टनर कौन सी रणनीति चुनेगा।
निष्कर्ष: उच्च रणनीति अस्पष्टता (strategy ambiguity) वाले डोमेन में केवल क्षमताएं व्यवहार की भविष्यवाणी करने के लिए पर्याप्त नहीं हैं।

4.3. Overcooked (मानव विषय)

15 प्रतिभागियों (225 ट्राजेक्टरीज) के साथ एक अध्ययन ने महत्वपूर्ण व्यवहारिक परिवर्तनशीलता प्रकट की:

CE-CM विफलता: मानक CE-CM अक्सर विश्वास (beliefs) को अपडेट करने में विफल रहा क्योंकि मानव ट्राजेक्टरीज शायद ही कभी प्लानर द्वारा उत्पन्न एकल इष्टतम ट्राजेक्टरी से मेल खाती थीं, जिससे बहुत कम सैंपल स्वीकार किए गए।
CE-CM-Div की सफलता: डायवर्सिटी-अवेयर एक्सटेंशन ने इन्फरेंस सटीकता (कम हैमिंग डिस्टेंस) और पोस्टीरियर साइज में काफी सुधार किया, क्योंकि इसने उन परिकल्पनाओं को स्वीकार किया जो किसी भी विविध संभावित व्यवहार से मेल खाती थीं।
निष्कर्ष: वास्तविक मानव-AI टीमिंग में मजबूत अनुकूलन के लिए व्यवहारिक विविधता को ध्यान में रखना आवश्यक है।

5. महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि कैपेबिलिटी-आधारित मॉडलिंग एड-हॉक टीमवर्क में अनुकूलन के लिए एक आशाजनक, व्याख्या योग्य और टास्क-एग्नोस्टिक दृष्टिकोण प्रदान करता है। यह अंतर करके कि एक पार्टनर क्या कर सकता है (क्षमताएं) और वे क्या चुनते हैं (वरीयताएं/रणनीतियाँ), एजेंट विभिन्न कार्यों में एक व्यक्ति के बारे में पुन: प्रयोज्य ज्ञान संचित कर सकते हैं।

हालाँकि, लेखक इस समाधान के दायरे के बारे में विनम्र हैं। वे स्पष्ट रूप से कहते हैं कि:

क्षमताएं आवश्यक हैं लेकिन पर्याप्त नहीं हैं: उन डोमेन में जहाँ कई वैध रणनीतियाँ मौजूद हैं (जैसे Overcooked), पार्टनर की क्षमताओं को जानने से उनकी व्यवहार की अनूठी भविष्यवाणी नहीं होती है।
विविधता महत्वपूर्ण है: मानव-AI टीमों में मजबूत अनुकूलन के लिए ऐसे तंत्रों (जैसे CE-CM-Div) की आवश्यकता है जो इष्टतम प्लानिंग को मानने के बजाय व्यवहारिक परिवर्तनशीलता और उप-इष्टतमता को ध्यान में रखते हैं।
स्केलेबिलिटी: वर्तमान दृष्टिकोण संयुक्त योजना (joint planning) पर निर्भर करता है, जो एजेंटों की संख्या के साथ तेजी से बढ़ता है, जो बड़े समूहों में इसके तत्काल अनुप्रयोग को सीमित करता है।

यह कार्य क्षमता अनुमान को सामान्य मानव-AI टीमिंग की दिशा में एक आधारभूत कदम के रूप में स्थापित करता है, साथ ही व्यवहारिक अस्पष्टता को पूरी तरह से हल करने के लिए क्षमताओं और प्राथमिकताओं को संयुक्त रूप से मॉडल करने की आवश्यकता पर भी प्रकाश डालता है।