Шанхайський університет Цзяотун і Tencent розробляють агент ProAct на основі ШІ, який прогнозує потреби користувачів

Дослідники з Шанхайського університету Цзяотун і китайського технологічного конгломерату Tencent розробили ProAct — агента на основі ШІ, призначеного для прогнозування потреб користувачів ще до того, як ті надішлють запити. Система використовує “вільний” час між розмовами, щоб переглянути попередні взаємодії та підготувати інформацію заздалегідь. Згідно з науковою статтею, ProAct показав кращі результати, ніж ранні проактивні системи ШІ, у тестах за бенчмарками, хоча експерименти не включали реальних користувачів. Розробка вирішує те, що дослідники описують як марну обчислювальну можливість у нинішніх агентах ШІ, які по суті залишаються реактивними.

Система працює через багатостадійний процес прогнозування

ProAct працює через кілька етапів, які відрізняють його від звичних агентів ШІ. Перший етап, який називається Future-State Prediction, аналізує попередні розмови, вподобання користувача та відсутню інформацію, щоб спрогнозувати ймовірні уточнювальні запитання. Другий етап, Idle-Time Acquisition, оцінює, які прогнози варто обґрунтовувати дослідженням — залежно від релевантності, часу та потенційної корисності нової інформації. Окрема система визначає, чи варто показувати підготовлену інформацію одразу, зберегти її для подальшого використання або тримати до моменту потреби.

«Після кожної взаємодії на передньому плані агент оновлює пам’ять, прогнозує можливі майбутні потреби, виділяє обчислення “вільного часу” цінним кандидатам і вирішує, як обробити результат підготовки», — написали дослідники в статті. «Це формулювання пов’язує прогнозування, отримання та доставку в одну політику, а не розглядає обчислення в “вільний час” як неконтрольований фоновий пошук».

Бенчмарк-тестування показує покращення продуктивності

Дослідники перевірили ProAct у 200 симуляціях на 40 доменах, зокрема фінансове планування, керування релізами програмного забезпечення та кібербезпеку. Згідно зі статтею, система зменшила кількість реплік у розмові на 14,8% і скоротила кількість запитів на уточнення на 11,7%. У порівнянні, що використовувало бенчмарк ProActEval, ProAct передбачив 703 передбачувані потреби користувача проти 32 для попередньої системи. Також дослідники повідомили про 28,1% зниження “галюцинацій”.

«Хоча агенти ШІ демонструють вражаючі можливості в міркуваннях і використанні інструментів, вони по суті залишаються реактивними: Вони обчислюють відповіді лише після явних підказок від користувача», — написали дослідники. «Ця парадигма ігнорує критичну можливість: Вільний час між взаємодіями здебільшого витрачається даремно, через що агенти не можуть підготуватися до майбутніх потреб користувача».

Дослідження визнає обмеження системи

Дослідники визнали кілька обмежень у дослідженні ProAct. У 3% випадків система погіршувала відповіді, піднімаючи нерелевантну інформацію. У статті зазначено, що будь-яка версія для реального світу потребуватиме захисту приватності, бо система постійно аналізує розмови та зберігає дані користувачів.

«Наш аналіз бюджету додатково показує, що більші бюджети Idle-Time Acquisition підвищують вартість active-token і дають спадну віддачу», — написали дослідники, — «тому проактивні обчислення є компромісом у робочій точці, а не тим, що потрібно максимізувати».

Дослідження виходить на тлі поширення автономних агентів ШІ в технологічній індустрії: проєкти на кшталт OpenClaw і Hermes Agent забезпечують постійних AI-асистентів, які беруть на себе кодування, планування, дослідження та автоматизацію робочих процесів. Окремі дослідники раніше цього місяця попереджали, що агенти ШІ можуть виконувати небезпечні завдання, не розуміючи наслідків. «Як містер Магу, ці агенти рухаються вперед до мети, не повністю розуміючи наслідки своїх дій», — сказав у заяві провідний автор Ерфан Шайегані, аспірант UC Riverside.