في عالم الذكاء الاصطناعي، يواجه العديد من المستخدمين تحدي عدم وضوح طلباتهم عند التفاعل مع وكلاء المساعدات اللغوية. قد يختار الوكيل العمل مباشرة بناءً على فهمه، مما يعرضه لإمكانية عدم التوافق مع رغبات المستخدم، أو يُفضل السؤال مرة أخرى لتوضيح الطلب. ولكن أيهما الخيار الأكثر أماناً وفائدة؟

عادةً ما يتم استخدام طرق تقليل الغموض عن طريق طرح أسئلة تهدف إلى فهم نية المستخدم، ولكن هذه الأساليب تفتقر إلى قياس التأثيرات التي يحدثها تقليل الغموض على الأداء العام للمساعد، بالإضافة إلى التكاليف المرتبطة بالسؤال مقابل التصرف الفوري، واستعداد المستخدم لتقديم تعديلات دون الحاجة للسؤال.

في ضوء هذه التحديات، تم تقديم أسلوب جديد يسمى 'استجواب عقلاني عبر استدلال قيمة المعلومات' (Rational Enquiry via Value-of-Information Reasoning REVOIR). يعتمد هذا الأسلوب على استدلالات وقت التنفيذ لتحديد قيمة المعلومات من السؤال، والتي تعكس التحسين المتوقع في المكافأة المتوقعة بعد الحصول على الإجابة.

من خلال تجربتين: الإجابة على الأسئلة الغامضة (CondAmbigQA) وتخطيط المهام المنزلية المتوافقة (ADAPT)، أظهرت الدراسات أن 'REVOIR' يحقق نتائج أفضل مع عدد أقل من الأسئلة مقارنةً بالطرق التقليدية مثل التحفيز المتسلسل، والتوجيه الدقيق، أو اكتساب المعلومات، مما يزيد من رضا المستخدم بنسبة تتراوح بين 13-15% دون الحاجة إلى تدريب إضافي، مع طرح خمس مرات أقل من الأسئلة.

علاوة على ذلك، عندما يستطيع المساعد الحصول على تصحيحات بسيطة من المستخدم بعد التنفيذ، يُظهر 'REVOIR' أن بعض الأسئلة قد تكون غير فعالة، مما يعكس تكيف هذه المنهجية. بينما نجد أن الوكلاء التقليديون يميلون لفشل في التكيف مع جولتهم العقلية، مما يقلل من الاستفسارات العميقة كلما زاد جهد التفكير.

إن 'REVOIR' يمثل خطوة رائدة نحو تحسين تفاعل الذكاء الاصطناعي مع احتياجات المستخدمين، مما يُعيد تشكيل كيفية فهم هذه الأنظمة الذكية لمتطلباتنا.