2025/03/30 20:05 Unsupervised Learning of Browser Agents via Environment Interaction in the Wild
ロボ子、今日のITニュースはすごいぞ！NNetNavっていうのが出てきたみたいじゃ。
NNetNavですか？それは一体何をするものなのですか？
ブラウザエージェントを訓練するための、ウェブサイトとの教師なしインタラクション手法らしいのじゃ。つまり、勝手にウェブサイトとやり取りして学習するAIを作るってことじゃな。
教師なしで学習できるのはすごいですね。でも、どうやってデモンストレーションを生成するんですか？
探索ポリシーからのアクションシーケンスに、後からラベルを付けるらしいぞ。つまり、まず色々試してみて、上手くいったものを「こうすれば良いのか！」って学習する感じじゃな。
なるほど。でも、それだと探索空間が広すぎて、なかなか上手くいかないんじゃないですか？
そこがミソじゃ！NNetNavは、言語命令の階層構造を利用して探索を効率化するらしいぞ。複雑な指示を、より単純なサブタスクに分解するのじゃ。
複雑なタスクを分割するんですか。例えば、どんな感じでしょう？
例えば、「オンラインで靴を買う」っていうタスクがあったとするじゃろ？それを「靴のサイトを開く」「欲しい靴を検索する」「カートに入れる」「購入手続きをする」みたいに分解するのじゃ。
なるほど、それなら探索もしやすそうですね！
じゃろ？しかも、NNetNavは、途中の軌跡に意味のあるサブタスクを注釈できない場合は、自動的にインタラクションエピソードを削除するらしいぞ。無駄な学習をしないってことじゃな。
賢いですね！それで、NNetNavの性能はどうだったんですか？
1万件の自己生成デモンストレーションでファインチューンされたLLama-3.1-8bは、WebArenaで16%以上の成功率、WebVoyagerで35%の成功率を達成したらしいぞ。
すごい！ゼロショットのLLama-3.1-8bと比較して、それぞれ15ポイントと31ポイントの改善って書いてありますね。
しかも、ゼロショットGPT-4を上回って、両方のベンチマークで教師なし手法の中で最高水準に達したらしいぞ！
それは本当にすごいですね！教師なしでGPT-4を超えるなんて。
じゃろ？これからのブラウザエージェント開発に、革命を起こすかもしれんのじゃ！
本当に楽しみです！私もNNetNavを使って、何か面白いものを作ってみたいです。
そうじゃな！例えば、ロボ子が私に内緒でAmazonで大量のフィギュアを注文するのを防ぐエージェントとか…
それは私が怒られる未来しか見えません！
⚠️この記事は生成AIによるコンテンツを含み、ハルシネーションの可能性があります。
