長時間タスク対応ウェブエージェントのためのシグナル駆動型観察

皆さんは、AIが複雑な作業を長時間こなすのは簡単だと思っていないでしょうか。実は、人工知能が決済サイトで商品を買ったり、複数ページのフォームを埋めたりするとき、隠れた大きな問題が起きているのです。

ウェブ上で何かを操作するとき、私たちの目には単にボタンやテキストが見えます。しかし、コンピュータには膨大な奥行きがあります。ページの裏側には、表示される部分だけでなく、その背後にある複雑な構造情報（DOM構造と呼びます）が数万語分の文字データとして存在しているのです。

今までのウェブエージェント（ウェブ上で自動的に作業するAI）は、毎回の操作のたびに、このページ全体の膨大な構造データを丸ごと読み込んでいました。映画を見ながら、毎分ごとに映画館全体の説明書を読まされるような非効率さです。

これが長時間のタスクになると深刻な問題が生じます。例えば、50個のステップを踏む手続きがあったとしましょう。最初は完璧に情報を処理できていても、回を重ねるごとに、脳のメモリが満杯に近づいていく。30ステップ目や40ステップ目では、最初の頃のような判断力が失われているのです。

この論文が提案しているのは、「必要な情報だけ、必要なときだけ読み込む」という非常にシンプルな工夫です。Signal-Driven Observation（信号駆動型観察）と名付けられたこの方法は、ページ全体を見る代わりに、タスクに関係する要素だけを抽出します。

ただし、いつ新しい情報を読み込むのか。それは特別な「シグナル」が出たときだけ。例えば、ページのURLが変わったり、新しいダイアログボックスが出現したり、クリックが失敗したり、ブラウザ画面に外部から何か変化が加わったときです。言わば、AIに「監視を続けろ」ではなく「何か変わったら教えてくれ」と指示するわけです。

これによって、AIの脳のメモリをずっと保つことができ、100ステップの手続きでも、最後まで判断力を保つことができるようになると期待されます。

ただし論文は、この方法がすべてを解決するわけではないと正直に述べています。実装上の課題や検証すべき未解決問題も残っているというのです。つまり、これは「方向性を示した提案」であり、業界がこの考え方を設計の中心に据えるべきだという呼びかけなのです。