Исследователи из MIT и Стэнфорда предложили метод для преобразования последовательностей действий пользователей в интерпретируемые workflows. В работе рассматриваются лог-файлы с временными метками, которые фиксируют взаимодействие пользователей с цифровыми продуктами. Однако из-за высокой детализации и шума в данных сложно выделить осмысленные паттерны поведения.
Авторы предлагают использовать глубокие нейросетевые модели для кластеризации действий в высокоуровневые активности. Это позволяет не только улучшать цифровые продукты на основе реальных данных, но и создавать более эффективные системы автоматизации задач. Например, такие workflows могут быть использованы для обучения ИИ-агентов, чтобы они лучше понимали контекст и последовательность действий пользователей.
Особое внимание уделяется интерпретируемости полученных workflows. Это важно для того, чтобы пользователи и разработчики могли легко понять и адаптировать автоматизированные процессы. В статье приводятся примеры применения метода в реальных сценариях, таких как автоматизация рабочих процессов в офисных приложениях и улучшение пользовательского опыта в мобильных приложениях.
Для разработчиков ИИ-агентов этот подход может быть полезен для создания более точных и адаптивных систем. Понимание последовательностей действий пользователей позволяет агентам лучше предсказывать потребности и автоматизировать рутинные задачи. Кроме того, интерпретируемые workflows могут быть использованы для улучшения систем рекомендаций и персонализации.