בעידן שבו אינטראקציה בין אדם למחשב הופכת חכמה יותר, סוכני ממשק משתמש גרפי (GUI) בנייד הם המפתח להתקדמות. אולם, איסוף נתוני מסלולי התנהגות משתמשים איכותיים – זוגות של כוונות ומסלולים – דורש הערות ידניות יקרות או שיטות כרייה קיימות בעייתיות: עלויות גבוהות, איכות נמוכה ועושר נתונים מוגבל. כדי להתגבר על אתגרים אלה, מציגים החוקרים את M²-Miner, מסגרת כריית נתונים אוטומטית בעלות נמוכה ראשונה מסוגה לסוכני GUI ניידים, המבוססת על חיפוש עץ מונטה קרלו (MCTS).
M²-Miner משלבת מסגרת סוכנים מרובים שיתופית להגברת היעילות והאיכות. הסוכן InferAgent אחראי להסקת כוונות, OrchestraAgent מתזמן ומאיץ את התהליך, ו-JudgeAgent מעריך את התוצאות. השילוב הזה מאפשר כרייה מדויקת יותר של מסלולי אינטראקציה. בנוסף, החוקרים מציעים אסטרטגיית מיחזור כוונות, שמגבירה את הגיוון של הכוונות ומשפרת את היעילות על ידי ניצול מחדש של מסלולים קיימים.
כדי לשפר עוד יותר את שיעור ההצלחה, M²-Miner כוללת אסטרטגיית אימון מתקדמת בשיתוף מודל – model-in-the-loop – שמתקדמת בהדרגה ומשפרת את הביצועים לאורך זמן. ניסויים מקיפים הוכיחו כי סוכן GUI שאומן על הנתונים שחולצו באמצעות M²-Miner משיג ביצועים ברמת האמנות (SOTA) במספר מדדי ביצועים סטנדרטיים לכריית נתונים ב-GUI נייד.
המשמעות של M²-Miner גדולה במיוחד בתעשיית הטכנולוגיה, שבה פיתוח אפליקציות ניידות דורש בדיקות אוטומטיות ובינה מלאכותית מתקדמת. בהשוואה לשיטות ידניות, המערכת חוסכת זמן וכסף, ומאפשרת לחברות לפתח סוכנים חכמים מהר יותר. בישראל, שבה חברות כמו Wix ו-Monday.com מובילות בפיתוח תוכנה, טכנולוגיה זו יכולה להאיץ חדשנות באפליקציות ניידות.
למנהלי עסקים טכנולוגיים, M²-Miner פותחת אפשרויות חדשות לאוטומציה של בדיקות UI ופיתוח סוכני AI. עם שחרור הקוד לציבור, חוקרים ומפתחים יכולים להתחיל ליישם מיד. השאלה היא: האם תשתמשו בכלי זה כדי להקדים את המתחרים?