原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
あなたは、非常に賢いけれど少し不器用なロボットに、インターネットをナビゲートして「航空券を予約する」や「特定の製品を見つける」といったタスクを完了させる方法を教えようとしていると想像してください。
現在のAIエージェントはこのロボットのような状態です。彼らは強力な脳（大規模言語モデル）を持っていますが、ウェブサイト全体を一度に読み取ろうとするため、まるで図書館全体を一口で飲み込もうとするかのように、苦戦しています。彼らは情報に圧倒され、自分がどこにいるのかを見失い、ページ全体を凝視してしまうために、重要なボタンを見逃してしまうのです。
この論文は、こうしたエージェントを構築するための新しい手法であるWebChallengerを紹介しています。これは、ロボットの脳をより大きくしたり、より高価にしたりするのではなく、その周囲に優れた「足場（スキャフォールディング）」やオペレーティングシステムを構築するというものです。著者たちは、人間がブラウジングを行う際、自然に3つのことを行っていると考えており、WebChallengerはその3つをロボットに教えます。
仕組みは以下の通りです。簡単な比喩を用いて説明します。
1. 「目次」のトリック（選択的注意）
問題点: 人間がウェブページを見る時、すべての単語を読みません。見出しをスキャンし、興味がありそうなセクションを見つけ、そこだけにズームインします。しかし、AIエージェントは通常、ページ全体を一つの巨大で乱雑なテキストの塊として読み取ろうとします。
解決策: WebChellengerは、PageMemと呼ばれるツールを使用します。これは、あらゆるウェブページに対して自動的に「目次」を生成するものだと考えてください。
- ページを整理されたセクション（「ナビゲーションバー」、「製品リスト」、「フッター」など）に分割します。
- 各セクションに対して、一文の要約を作成します。
- 比喩: あなたが巨大なデパートの中にいると想像してください。すべての通路を歩いて、すべての値札を読み取る代わりに、入り口にある大きな地図を見ます。「家電」、「衣類」、「日用品」といった表示が見えます。家電が必要だと判断したら、残りの部分は無視して、その特定の通路にだけ進みます。WebChallengerはこれを瞬時に行い、「ノイズ」を無視して関連するセクションだけに集中します。
2. 「メンタルマップ」（持続的な記憶）
問題点: 新しいウェブサイトを訪れるたびに、あなたは「ログイン」ボタンがどこにあるかを毎回学習しなければなりません。現在のAIエージェントは、まるで健忘症であるかのように振る舞うことが多く、サイトを訪れるたびに、まるで初めて訪れたかのように扱ってしまい、直前に見たレイアウトを忘れてしまいます。
解決策: エージェントがタスクを実行する前に、「偵察任務」を行います。それは、ウェブサイト内をクリックして回り、WebsiteMemを構築することです。
- 比喩: これは、新しい街を訪れる観光客のようなものです。特定のレストランを探す前に、周辺を歩き回って、通りや地下鉄の駅、公園がどこにあるかを学びます。そして、心の地図（メンタルマップ）を描きます。
- WebChallengerは、すべてのウェブサイトに対して一度だけこの地図を描きます。エージェントが後でそのサイトに戻る必要があるとき、レイアウトを再学習する必要はありません。保存された地図を取り出すだけです。これにより、時間の節約になり、混乱も防げます。
3. 「コンボ技」（手続き的流暢さ）
問題点: 人間には、一般的なタスクに対する「筋肉の記憶（マッスルメモリー）」があります。ドロップダウンメニューを使いたい時、「マウスを動かし、クリックし、リストが表示されるのを待ち、リストをスキャンし、再びクリックする」とは考えません。ただ「オプションを選択する」と考えます。AIエージェントはしばしば、一つ一つの微細なステップに固執し、次の小さなアクションを一つずつ考えようとして停滞してしまいます。
解決策: WebChallengerは、**複合アクション（Compound Actions）**を作成します。
- 比喩: ビデオゲームをプレイしていると想像してください。「コンボ技」とは、一つのボタンを押すと、キャラクターがジャンプ、回転、キックを一つの流れるような動きで行うことです。
- WebChallengerにおいて、タスクが「フォームへの入力」である場合、エージェントは一つ一つのボックスについて立ち止まって考えることはありません。「フォーム入力」のための、あらかじめプログラムされた「コンボ技」を持っています。フィールドをクリックし、テキストを入力し、次のフィールドに移動し、送信ボタンを押す、という一連の流れを、一つの決定として処理します。面倒な中間プロセスは自動的に処理されます。
結果
著者たちは、標準的なオープンソースのAIモデルを使用してこのシステムをテストしました（これらは、大手テック企業が使用している巨大で高価なモデルよりも安価で小型です）。
- 結果: この「足場（目次、メンタルマップ、コンボ技）」を使用することで、彼らのシステムはほぼすべてのオープンソースエージェントよりも優れた性能を示し、最も高価なプロプライエタリ（独占的）なシステムに非常に近い性能を発揮しました。
- 教訓: 優れたウェブナビゲーターになるためには、必ずしも超知能で高価な脳が必要なわけではありません。情報を整理し、自分がどこにいたかを記憶し、退屈なステップを自動化するためのスマートな方法さえあればよいのです。WebChallengerはその組織化を提供します。
要するに、WebChallengerはAIをより賢くするのではなく、AIがすでに持っている知能を使うための、より優れたツールを与えるのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。