Asking for What Was Never Requested: Horizontal and Vertical Proactivity in Agents

مسئله

ایجنت ابزارمحور معمولاً به آنچه کاربر صریحاً می‌پرسد پاسخ می‌دهد، اما کامل کردن تسک ممکن است اطلاعاتی بخواهد که کاربر هرگز نخواسته؛ مثلاً کسی که درباره‌ی پرواز می‌پرسد احتمالاً به شرایط ویزای مقصد هم نیاز دارد. کارهای قبلی روی ایجنت‌های پیش‌دستانه بیشتر بررسی کرده‌اند که آیا و کِی ایجنت خودش عمل کند، نه این‌که دنبال چه اطلاعاتی برود.

روش

نویسنده‌ها محتوای پیش‌دستی را بررسی کردند: پیش‌دستی افقی اطلاعات ناگفته‌ای را دنبال می‌کند که کانتکست فعلی مشخص کرده، و پیش‌دستی عمودی نیازهایی را که فقط شواهد قبلی آشکار می‌کنند. یک گراف نیاز که از تجزیه‌ی خود بنچمارک بازیابی شده، وابستگی نیازها را ثبت می‌کند تا هر دو شکل و توقف به‌موقع بدون داور مدلی امتیاز بگیرند. روش Q&D یک پرسشگر را آموزش می‌دهد تا پرسشی را ترجیح دهد که ادامه‌اش شواهد لازم بیشتری بازیابی می‌کند، بدون مدل پاداش یا داور.

یافته‌ها

• روی بخش‌های کنارگذاشته‌ی سه بنچمارک پرسش و پاسخ چندمرحله‌ای با هزینه‌ی بازیابی برابر، پرسشگر آموزش‌دیده هر دو شکل پیش‌دستی را نسبت به همان مدل با پرامپت بهتر کرد.
• در دو بنچمارک از سه، از یک مدل پرامپتی ۱۵ برابر بزرگ‌تر در همان نقش بهتر بود و بهبود پس از کنترل حجم و طول پرسش‌ها باقی ماند.
• بدون آموزش بیشتر، در یک ایجنت خدمات مشتری با مشتری شبیه‌سازی‌شده تسک‌های بیشتری را با پرسش‌های کمتر تمام کرد.

محدودیت‌ها

نویسنده‌ها می‌گویند دو بذر گزارش‌شده یک نقطه‌ی ذخیره‌ی نظارت‌شده‌ی مشترک دارند پس بازه‌ها فقط روی تسک‌ها هستند، و هیچ نقطه‌ی ذخیره‌ای قاعده‌ی انتخاب از پیش تعهدشده را دقیقاً برآورده نکرد و پیکربندی گزارش‌شده با یک معیار دوم از پیش تعیین‌شده نگه داشته شد.