בעולם הפתוח שבו AI ואדם עובדים יחד, פערי ידע על אובייקטים ומטרות יוצרים אתגרים עצומים בתכנון משותף. חוקרים מפרסמים ב-arXiv את MINT – עץ נוירו-סמלי של מידע מינימלי – שמאפשר ל-AI לגלות אסטרטגיות אופטימליות לשאילת קלט אנושי. השיטה בונה עץ סמלי של אינטראקציות אפשריות, מעריכה אי-ודאות ומשתמשת במודלי שפה גדולים (LLM) לבחירת שאלות אידיאליות. תוצאות מראות ביצועים קרובים למומחה עם מספר שאלות מוגבל.
MINT פותרת בעיית תכנון עם מידע חלקי על ידי בניית עץ סמלי של הצעות אינטראקציות אפשריות בין AI לאדם. בכל צומת, השיטה מייעצת למדיניות תכנון נוירונית כדי להעריך את אי-הוודאות בתוצאות התכנון הנובעת מפערי ידע שנותרו. לפי הדיווח, LLM מחפש ומסכם את תהליך החשיבה של MINT, ומכין סט שאלות אופטימלי להשגת ביצועי תכנון מיטביים.
השיטה מנותחת במסגרת תהליכי קבלת החלטות מרקוב מורחבים (MDP) עם פערי ידע, ומספקת ערבויות תשואה לשילוט אנושי אקטיבי. בערכות בדיקה שלוש על אובייקטים לא נראים או לא ידועים בעלות ריאליזם גוברת, MINT משיגה תשואות קרובות למומחה עם שאלות מועטות בלבד, תוך שיפור משמעותי בפרסים ובשיעורי הצלחה.
בהקשר רחב יותר, MINT מייצגת קפיצה קדימה בשיתוף פעולה אנושי-AI, במיוחד בתחומים כמו רובוטיקה ואוטומציה שבהם סביבות פתוחות שכיחות. לעומת שיטות מסורתיות שמתעלמות מפערי ידע או שואלות יותר מדי, MINT ממזערת שאלות תוך מקסום יעילות. בישראל, שבה חברות כמו Mobileye ו-Wiz משלבות AI בתעשייה, השיטה יכולה לשפר תהליכי פיתוח.
למנהלי עסקים, MINT פותחת אפשרויות ליישום AI מתקדם יותר במשימות מורכבות. על ידי אופטימיזציה של אינטראקציות, AI יכול להפוך לשותף אמיתי. השאלה היא: כיצד תשלבו שיטות כאלה בפרויקטים שלכם? קראו את המאמר המלא ב-arXiv כדי להתחיל.