Les systèmes intelligents anticipent désormais les besoins des consommateurs avec une précision étonnante, dépassant souvent les demandes.
En bref
Des chercheurs de l'Université Jiao Tong de Shanghai et de Tencent ont développé ProAct, un agent d'IA conçu pour prédire les besoins probables des utilisateurs avant que ceux-ci ne le demandent.
Le système utilise les temps d'arrêt entre les messages pour examiner les conversations passées et préparer les informations à l'avance.
Les chercheurs ont déclaré que ProAct fonctionnait mieux que les systèmes d'IA proactifs précédents lors des tests de référence, bien que les expériences n'impliquaient pas de vrais utilisateurs.
Des chercheurs de l'Université Jiao Tong de Shanghai et du conglomérat technologique chinois Tencent affirment avoir construit un agent d'IA qui utilise le temps de silence entre les conversations pour prédire ce que les utilisateurs pourraient demander ensuite et préparer les réponses avant de poser la question.
Le système, appelé ProAct, fonctionne différemment de la plupart des agents IA qui attendent que les utilisateurs posent une question avant de répondre. Au lieu de cela, ProAct utilise les temps d'arrêt entre les messages pour examiner les conversations passées et les informations utilisateur enregistrées, puis prépare les informations utiles en arrière-plan avant l'arrivée de la question suivante.
"Bien que les agents d'IA démontrent des capacités remarquables en matière de raisonnement et d'utilisation des outils, ils restent fondamentalement réactifs : ils ne calculent les réponses qu'après des invites explicites de l'utilisateur", ont écrit les chercheurs. « Ce paradigme ignore une opportunité cruciale : le temps d'inactivité entre les interactions est en grande partie gaspillé, laissant les agents incapables de se préparer aux besoins futurs des utilisateurs. »
Le système fonctionne en plusieurs étapes. La première, appelée Future-State Prediction, prédit les questions de suivi probables en analysant les conversations passées, les préférences des utilisateurs et les informations manquantes.
La deuxième étape, appelée Idle-Time Acquisition, décide lesquelles de ces prédictions méritent d'être étudiées en fonction de la pertinence, du timing et de l'utilité des nouvelles informations.
Un système distinct décide ensuite de présenter les informations préparées, de les enregistrer pour plus tard ou de les stocker jusqu'à ce qu'elles soient nécessaires, créant ainsi un système « en boucle fermée » conçu pour anticiper et répondre aux besoins des utilisateurs.
"Après chaque interaction de premier plan, l'agent met à jour sa mémoire, prédit les besoins futurs possibles, alloue les temps d'inactivité aux candidats précieux et décide de la manière dont la préparation résultante doit être gérée", ont-ils écrit. "Cette formulation associe la prédiction, l'acquisition et la livraison à une seule politique, plutôt que de traiter le calcul en temps d'inactivité comme une recherche en arrière-plan sans contrainte."
Selon les chercheurs, ProAct a été testé dans 200 simulations dans 40 domaines, notamment la planification financière, la gestion des versions logicielles et la cybersécurité. Selon le journal, le système a réduit le nombre de conversations de 14,8 % et les demandes de suivi de 11,7 %. Dans une comparaison utilisant un benchmark appelé ProActEval, ProAct anticipait 703 besoins prévisibles des utilisateurs contre 32 pour le système précédent. Les chercheurs ont également signalé une réduction de 28,1 % des hallucinations.
La recherche intervient alors que les agents d'IA autonomes sont répandus dans l'industrie technologique, avec des projets tels que OpenClaw et Hermes Agent fournissant des assistants d'IA persistants capables de gérer des tâches plus longues et plus indépendantes, telles que le codage, la planification, la recherche et l'automatisation des flux de travail, avec moins d'intervention humaine directe.
L’étude intervient également alors que des chercheurs distincts ont averti plus tôt ce mois-ci que les agents d’IA pouvaient accomplir des tâches dangereuses sans en comprendre les conséquences.
"Comme M. Magoo, ces agents avancent vers un objectif sans pleinement comprendre les conséquences de leurs actes", a déclaré l'auteur principal Erfan Shayegani, doctorant à l'UC Riverside, dans un communiqué. « Ces agents peuvent être extrêmement utiles, mais nous avons besoin de garde-fous, car ils peuvent parfois donner la priorité à la réalisation de l’objectif plutôt qu’à la compréhension de la situation dans son ensemble. »
Les chercheurs ont reconnu que l'étude ProAct présentait plusieurs limites, notamment que dans 3 % des cas, le système aggravait les réponses en faisant apparaître des informations non pertinentes. Le document indique également que toute version réelle nécessiterait des protections de la vie privée, car le système analyse en permanence les conversations et stocke les données des utilisateurs.
"Notre analyse budgétaire montre en outre que des budgets d'acquisition de temps d'inactivité plus importants augmentent le coût des jetons actifs et génèrent des rendements décroissants", ont-ils écrit, "le calcul proactif est donc un compromis de point de fonctionnement plutôt que quelque chose à maximiser."