Проблема плоского представления данных
Современные AI-агенты в рабочей среде часто сталкиваются с проблемой «информационного шума». Они получают доступ к огромным массивам низкоуровневых событий (клики, открытые окна, переключения вкладок), но не могут эффективно их осмыслить. Традиционные подходы либо сжимают эти данные в одно эмбеддинг-представление, либо пытаются создать единый сводный профиль пользователя. Авторы статьи Lin Ai и Scott Counts утверждают, что такой подход ошибочен: поведение человека не имеет единственного правильного способа суммирования, а его интерпретация зависит от временного масштаба (resolution-dependent).
Масштаб исследования и данные
Для проверки гипотезы исследователи использовали реальные телеметрические данные из крупной коммерческой продуктивной платформы. Объем выборки впечатляет: 667 миллионов событий, приписанных людям, собранных от 50 000 пользователей в 100 организациях. На этих данных была построена многоуровневая таксономия, которая разбивает активность на четыре уровня абстракции:
- Операторы (Operators): базовые семантически нормализованные действия.
- Мотивы (Motifs): повторяющиеся паттерны поведения.
- Эпизоды (Episodes): когерентные серии действий.
- Суточные ритмы (Day-rhythms): макроструктура рабочего дня.
Результаты: точность и стабильность
Методология позволила выделить 120 типов операторов, тысячи мотивов, 25 типов эпизодов и 5 архетипов суточных ритмов. Ключевое преимущество подхода — его способность сохранять информацию, релевантную для будущего. При тестировании на отложенной выборке (held-out users) новая модель прогнозирования следующего эпизода пользователя превзошла базовый метод «плоских операторов».
| Метрика | Результат / Значение | Значимость |
|---|---|---|
| Объем данных | 667 млн событий, 50k пользователей | Масштаб, сопоставимый с крупными корпорациями |
| Улучшение точности | +17% relative macro-F1 | Значимый прирост в прогнозировании действий |
| Структурная стабильность | Восстановление таксономии на 2000 пользователях | Метод не зависит от конкретного набора данных |
| Уровни абстракции | 4 уровня (от оператора до суточного ритма) | Гибкость под разные задачи агента |
Почему это важно для индустрии
Контролируемое аблиционное исследование показало, что ни один уровень абстракции не является оптимальным для всех вопросов. Если агенту нужно понять, «что пользователь делает прямо сейчас», ему нужен уровень операторов. Если же задача — «предложить перерыв», ему нужен уровень суточных ритмов. Вывод статьи фундаментален: интерпретация поведенческих следов для AI-агентов должна быть многоуровневой и зависящей от запроса (query-conditioned). Это открывает путь к созданию более контекстно-осведомленных помощников, которые понимают не просто факты, а ритм и состояние пользователя.
Источник: arXiv cs.CL ↗