ذہین نظام اب صارفین کی ضروریات کو غیر معمولی درستگی کے ساتھ پیش کرتے ہیں، اکثر درخواستوں کو پنچ تک مار دیتے ہیں۔

مختصراً

شنگھائی جیاؤ ٹونگ یونیورسٹی اور ٹینسنٹ کے محققین نے پرو ایکٹ تیار کیا، ایک AI ایجنٹ جو صارفین کے پوچھنے سے پہلے ممکنہ صارف کی ضروریات کا اندازہ لگاتا ہے۔

سسٹم ماضی کی بات چیت کا جائزہ لینے اور معلومات کو پہلے سے تیار کرنے کے لیے پیغامات کے درمیان ڈاؤن ٹائم کا استعمال کرتا ہے۔

محققین نے کہا کہ ProAct نے بینچ مارک ٹیسٹنگ میں پہلے کے فعال AI سسٹمز سے بہتر کارکردگی کا مظاہرہ کیا، حالانکہ تجربات میں حقیقی صارفین شامل نہیں تھے۔

شنگھائی جیاؤ ٹونگ یونیورسٹی اور چینی ٹیکنالوجی کے گروپ Tencent کے محققین نے ایک AI ایجنٹ بنانے کا دعویٰ کیا ہے جو بات چیت کے درمیان خاموش وقت کا استعمال کرتے ہوئے یہ اندازہ لگاتا ہے کہ صارف آگے کیا پوچھ سکتے ہیں — اور ان کے پوچھنے سے پہلے جوابات تیار کریں۔

ProAct نامی یہ سسٹم زیادہ تر AI ایجنٹوں سے مختلف طریقے سے کام کرتا ہے جو جواب دینے سے پہلے صارفین کے سوال پوچھنے کا انتظار کرتے ہیں۔ اس کے بجائے، ProAct ماضی کی بات چیت اور محفوظ کردہ صارف کی معلومات کا جائزہ لینے کے لیے پیغامات کے درمیان ڈاؤن ٹائم کا استعمال کرتا ہے، پھر اگلا سوال آنے سے پہلے پس منظر میں مفید معلومات تیار کرتا ہے۔

محققین نے لکھا، "جبکہ AI ایجنٹ استدلال اور آلے کے استعمال میں قابل ذکر صلاحیتوں کا مظاہرہ کرتے ہیں، وہ بنیادی طور پر رد عمل کا مظاہرہ کرتے ہیں: وہ صارف کے واضح اشارے کے بعد ہی ردعمل کا حساب لگاتے ہیں،" محققین نے لکھا۔ "یہ تمثیل ایک اہم موقع کو نظر انداز کرتی ہے: بات چیت کے درمیان بیکار وقت بڑی حد تک ضائع ہو جاتا ہے، جس سے ایجنٹ مستقبل کی صارف کی ضروریات کے لیے تیاری کرنے سے قاصر رہتے ہیں۔"

نظام متعدد مراحل میں کام کرتا ہے۔ پہلی، جسے فیوچر اسٹیٹ پریڈیکشن کہا جاتا ہے، ماضی کی بات چیت، صارف کی ترجیحات، اور گمشدہ معلومات کا تجزیہ کرکے ممکنہ فالو اپ سوالات کی پیش گوئی کرتا ہے۔

کے

دوسرا مرحلہ، جسے Idle-Time Acquisition کہا جاتا ہے، یہ فیصلہ کرتا ہے کہ ان میں سے کون سی پیشین گوئیاں مطابقت، وقت، اور نئی معلومات کتنی مفید ہو سکتی ہیں، کی بنیاد پر تحقیق کرنے کے قابل ہیں۔

اس کے بعد ایک علیحدہ نظام یہ فیصلہ کرتا ہے کہ آیا تیار کردہ معلومات کو پیش کرنا ہے، اسے بعد کے لیے محفوظ کرنا ہے، یا ضرورت پڑنے تک اسے ذخیرہ کرنا ہے، صارف کی ضروریات کا اندازہ لگانے اور ان کا جواب دینے کے لیے ایک "کلوزڈ لوپ" سسٹم تیار کرنا ہے۔

"ہر پیش منظر کے تعامل کے بعد، ایجنٹ اپنی یادداشت کو اپ ڈیٹ کرتا ہے، مستقبل کی ممکنہ ضروریات کی پیشین گوئی کرتا ہے، بیکار وقت کی گنتی کو قیمتی امیدواروں کے لیے مختص کرتا ہے، اور فیصلہ کرتا ہے کہ نتیجے کی تیاری کو کس طرح سنبھالا جانا چاہیے،" انہوں نے لکھا۔ "یہ فارمولیشن پیشن گوئی، حصول اور ترسیل کو ایک ہی پالیسی سے جوڑتا ہے، بجائے اس کے کہ بیکار وقت کے حساب کو غیر محدود پس منظر کی تلاش کے طور پر سمجھا جائے۔"

محققین کے مطابق، ProAct کو 40 ڈومینز میں 200 سمیلیشنز میں آزمایا گیا، بشمول مالیاتی منصوبہ بندی، سافٹ ویئر ریلیز مینجمنٹ، اور سائبر سیکیورٹی۔ مقالے کے مطابق، سسٹم نے گفتگو کے موڑ کو 14.8 فیصد کم کیا اور فالو اپ کی درخواستوں میں 11.7 فیصد کمی کی۔ ProActEval نامی بینچ مارک کا استعمال کرتے ہوئے مقابلے میں، ProAct نے پہلے کے سسٹم کے لیے 32 کے مقابلے میں 703 متوقع صارف کی ضرورت کا اندازہ لگایا۔ محققین نے فریب میں 28.1 فیصد کمی کی بھی اطلاع دی۔

یہ تحقیق ٹیک انڈسٹری میں پھیلے ہوئے خود مختار AI ایجنٹوں کے طور پر سامنے آئی ہے، جس میں OpenClaw اور Hermes Agent جیسے پروجیکٹس مستقل AI معاونین فراہم کرتے ہیں جو طویل، زیادہ آزاد کاموں کو سنبھال سکتے ہیں — جیسے کوڈنگ، شیڈولنگ، تحقیق، اور ورک فلو آٹومیشن — کم براہ راست انسانی ان پٹ کے ساتھ۔

یہ مطالعہ اس وقت بھی سامنے آیا ہے جب اس ماہ کے شروع میں الگ الگ محققین نے متنبہ کیا تھا کہ AI ایجنٹ نتائج کو سمجھے بغیر خطرناک کام مکمل کر سکتے ہیں۔

"مسٹر میگو کی طرح، یہ ایجنٹ اپنے اعمال کے نتائج کو پوری طرح سمجھے بغیر ایک مقصد کی طرف بڑھتے ہیں،" مرکزی مصنف عرفان شیگانی، یو سی ریور سائیڈ ڈاکٹریٹ کے طالب علم نے ایک بیان میں کہا۔ "یہ ایجنٹس انتہائی مفید ہو سکتے ہیں، لیکن ہمیں حفاظتی اقدامات کی ضرورت ہے کیونکہ وہ بعض اوقات بڑی تصویر کو سمجھنے کے بجائے مقصد کے حصول کو ترجیح دے سکتے ہیں۔"

محققین نے تسلیم کیا کہ ProAct مطالعہ میں کئی حدود ہیں، بشمول یہ کہ 3% معاملات میں، نظام نے غیر متعلقہ معلومات کو سامنے لا کر ردعمل کو مزید خراب کیا۔ کاغذ نے یہ بھی کہا کہ کسی بھی حقیقی دنیا کے ورژن کو رازداری کے تحفظ کی ضرورت ہوگی، کیونکہ یہ نظام مسلسل بات چیت کا تجزیہ کرتا ہے اور صارف کے ڈیٹا کو اسٹور کرتا ہے۔

"ہمارے بجٹ کے تجزیے سے مزید پتہ چلتا ہے کہ آئیڈل ٹائم ایکوزیشن کے بڑے بجٹ ایکٹو ٹوکن لاگت کو بڑھاتے ہیں اور کم ہونے والے منافع کو حاصل کرتے ہیں،" انہوں نے لکھا، "لہٰذا فعال کمپیوٹیشن زیادہ سے زیادہ کرنے کی بجائے ایک آپریٹنگ پوائنٹ ٹریڈ آف ہے۔"