La navegación web autónoma se centra en el desarrollo de agentes de IA capaces de realizar tareas complejas en línea. Estas tareas van desde la recuperación de datos y el envío de formularios hasta actividades más complejas, como encontrar los vuelos más baratos o reservar alojamiento. Al aprovechar los grandes modelos de lenguaje (LLM) y otras metodologías de IA, la navegación web autónoma tiene como objetivo mejorar la productividad tanto en el ámbito empresarial como en el de los consumidores mediante la automatización de tareas que suelen ser manuales y que requieren mucho tiempo.
Esta investigación aborda el principal desafío de los agentes web actuales, que son ineficientes y propensos a errores. Los agentes web tradicionales tienen problemas con los ruidosos y expansivos modelos de objetos de documentos (DOM) HTML y la naturaleza dinámica de las páginas web modernas. Estos agentes a menudo no logran realizar tareas con precisión debido a su incompetencia para manejar la complejidad y variabilidad del contenido web de manera efectiva. Esta ineficiencia es una barrera importante para la implementación práctica de agentes web autónomos en aplicaciones del mundo real, donde la confiabilidad y la precisión son cruciales.
Los métodos existentes que emplean los agentes web incluyen la codificación del DOM, el uso de capturas de pantalla y la utilización de árboles de accesibilidad. A pesar de estas técnicas, los sistemas actuales suelen fallar porque utilizan una codificación plana del DOM que no captura la estructura jerárquica de las páginas web. Esto genera un rendimiento subóptimo, ya que los agentes no completan las tareas o proporcionan resultados incorrectos. Estas limitaciones requieren un enfoque más sofisticado para la navegación web y la ejecución de tareas.
Los investigadores de Emergence AI presentaron Agente-Eun nuevo agente web diseñado para superar las deficiencias de los sistemas existentes. La arquitectura jerárquica de Agent-E divide las fases de planificación y ejecución de tareas en dos componentes distintos: el agente planificador y el agente de navegación del navegador. Esta separación permite que cada componente se centre en su función específica, mejorando la eficiencia y el rendimiento. El agente planificador descompone las tareas en subtareas, que luego son ejecutadas por el agente de navegación del navegador utilizando técnicas avanzadas de destilación de DOM.
La metodología de Agent-E implica varios pasos innovadores para gestionar eficazmente el contenido web ruidoso y expansivo. El agente planificador divide las tareas del usuario en subtareas más pequeñas y las asigna al agente de navegación del navegador. Este agente utiliza técnicas flexibles de destilación de DOM para seleccionar la representación de DOM más relevante para cada tarea, lo que reduce el ruido y se centra en la información específica de la tarea. Agent-E emplea la observación de cambios para supervisar los cambios de estado durante la ejecución de la tarea, lo que proporciona información que mejora el rendimiento y la precisión del agente.
Las evaluaciones realizadas con el benchmark WebVoyager demostraron que Agent-E supera significativamente a los agentes web de última generación anteriores. Agent-E logró una tasa de éxito del 73,2 %, lo que supone una mejora del 20 % con respecto a los agentes web de solo texto anteriores y un aumento del 16 % con respecto a los agentes web multimodales. En sitios complejos como Wolfram Alpha, la mejora del rendimiento de Agent-E alcanzó hasta el 30 %. Más allá de las tasas de éxito, el equipo de investigación informó sobre métricas adicionales, como los tiempos de finalización de tareas y el conocimiento de errores. Agent-E tardó un promedio de 150 segundos en completar una tarea con éxito y 220 segundos en las tareas fallidas. Requirió un promedio de 25 llamadas LLM por tarea, lo que destaca su eficiencia y eficacia.
En conclusión, la investigación realizada por Emergence AI representa un avance significativo en la navegación web autónoma. Al abordar las ineficiencias de los agentes web actuales a través de una arquitectura jerárquica y técnicas avanzadas de gestión de DOM, Agent-E establece un nuevo punto de referencia para el rendimiento y la confiabilidad. Los hallazgos del estudio sugieren que estas innovaciones podrían aplicarse más allá de la automatización web a otras áreas de automatización impulsada por IA, ofreciendo información valiosa sobre los principios de diseño de los sistemas de agentes. El éxito de Agent-E al lograr una tasa de finalización de tareas del 73,2 % y un proceso de ejecución de tareas eficiente subraya su potencial para transformar la navegación web y la automatización.
Revisar la Papel y GitHubTodo el crédito por esta investigación corresponde a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de Telegram y LinkedIn Gr¡Arriba!. Si te gusta nuestro trabajo, te encantará nuestro Boletin informativo..
No olvides unirte a nuestro Más de 47 000 suscriptores de ML en Reddit
Encuentra lo próximo Seminarios web sobre IA aquí
Asif Razzaq es el director ejecutivo de Marktechpost Media Inc. Como ingeniero y emprendedor visionario, Asif está comprometido con aprovechar el potencial de la inteligencia artificial para el bien social. Su iniciativa más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, Marktechpost, que se destaca por su cobertura en profundidad de noticias sobre aprendizaje automático y aprendizaje profundo que es técnicamente sólida y fácilmente comprensible para una amplia audiencia. La plataforma cuenta con más de 2 millones de visitas mensuales, lo que ilustra su popularidad entre el público.