AgentTrek Ein innovativer Ansatz zur automatisierten Generierung von Agententrajektorien

AgentTrek: Ein skalierbarer Ansatz zur Synthese von Agententrajektorien mithilfe von Web-Tutorials

Die Automatisierung komplexer Aufgaben in digitalen Umgebungen, von Webanwendungen bis hin zu Desktop-Software, birgt enormes Potenzial. Grafische Benutzeroberflächen (GUI)-Agenten spielen dabei eine Schlüsselrolle. Ihre Entwicklung wird jedoch durch den Mangel an hochwertigen, mehrstufigen Trajektoriendaten erschwert, die für ein effektives Training unerlässlich sind. Bisherige Ansätze, die auf manueller Annotation beruhen, sind kostenintensiv und aufwendig, was ihre Skalierbarkeit begrenzt.

AgentTrek, eine skalierbare Daten-Synthese-Pipeline, adressiert diese Herausforderung, indem sie Web-Tutorials nutzt, um hochwertige GUI-Agententrajektorien zu generieren. Die Methode sammelt automatisch Tutorial-ähnliche Texte aus dem Internet, transformiert diese in Aufgabenziele mit schrittweisen Anleitungen und setzt ein visuell-sprachliches Modell (VLM) ein, um deren Ausführung in einer realen digitalen Umgebung zu simulieren. Ein VLM-basierter Evaluator stellt die Korrektheit der generierten Trajektorien sicher.

Funktionsweise von AgentTrek

AgentTrek besteht aus drei Hauptkomponenten:

1. Automatische Sammlung von Tutorials aus dem Internet: Mithilfe heuristischer Methoden und eines FastText-Modells werden Tutorial-ähnliche Texte aus Internetquellen extrahiert und gefiltert. Anschließend verarbeitet ein großes Sprachmodell (LLM) die gefilterten Textdaten und transformiert sie in strukturierte Tutorials.

2. Trajektoriendatenerfassung durch geführte Wiedergabe: Ein VLM-Agent interagiert mit der realen digitalen Umgebung, geleitet von den strukturierten Tutorials. Dabei werden hochwertige Trajektoriendaten, einschließlich Beobachtungen, Aktionen und Argumentationen, erfasst. Ein weiterer VLM-Evaluator fungiert als Bewerter, um die Qualität des synthetischen Datensatzes weiter zu verbessern.

3. Training und Feinabstimmung mit den Trajektoriendaten: Die gesammelten Trajektoriendaten werden verwendet, um GUI-Agentenmodelle zu trainieren und feinabzustimmen. Die Evaluation dieser Modelle auf etablierten Benchmarks zeigt signifikante Leistungsverbesserungen.

Vorteile von AgentTrek

AgentTrek bietet gegenüber herkömmlichen Methoden der Datenannotation mehrere Vorteile:

Skalierbarkeit: Die automatisierte Pipeline ermöglicht die Generierung großer Mengen an Trajektoriendaten, ohne dass manuelle Annotation erforderlich ist.

Kosteneffizienz: Die automatisierte Datenerfassung reduziert die Kosten im Vergleich zu manuellen Verfahren erheblich.

Vielfalt: Die Nutzung von Web-Tutorials als Quelle ermöglicht die Abdeckung einer breiten Palette von Aufgaben und Domänen.

Realistische Umgebungen: Die Trajektorien werden in realen digitalen Umgebungen generiert, was die Generalisierbarkeit der trainierten Agenten verbessert.

Ausblick

AgentTrek demonstriert das Potenzial von geführter Wiedergabe mit Web-Tutorials als praktikable Strategie für das Training von GUI-Agenten im großen Maßstab. Durch die Bereitstellung hochwertiger und vielfältiger Trajektoriendaten trägt AgentTrek zur Entwicklung leistungsfähigerer und autonomerer digitaler Agenten bei. Die Veröffentlichung des AgentTrek-Datensatzes wird die Forschung in diesem Bereich weiter vorantreiben und neue Möglichkeiten für die Automatisierung komplexer Aufgaben in digitalen Umgebungen eröffnen. Für Mindverse als deutsches Unternehmen, das sich auf KI-gestützte Content-Erstellung, maßgeschneiderte Chatbot- und Voicebot-Lösungen sowie KI-Suchmaschinen spezialisiert hat, bietet AgentTrek wertvolle Einblicke in die Entwicklung zukünftiger Anwendungen und die Optimierung bestehender Produkte.

Bibliographie:

1. https://openreview.net/forum?id=EEgYUccwsV
2. https://openreview.net/pdf/cc788056caee523f7d761e785fb14a5f4768e995.pdf
3. https://agenttrek.github.io/
4. https://github.com/ranpox/awesome-computer-use
5. https://sigir-2024.github.io/proceedings.html