2026-08-22 — views
작업 모델 유도: 컴퓨터 추적 데이터에서 교차된 워크플로우 복원
읽어야 하는 이유 데스크탑 에이전트를 구축하는 AI 엔지니어는 TMI를 사용하여 원시 상호작용 데이터에서 실제 워크플로우를 학습하고, 더 견고하고 감사 가능한 작업 실행을 가능하게 할 수 있습니다.
새로운 TMI 방법은 수동 컴퓨터 사용 추적 데이터에서 구조화된 작업 모델을 추출하여 기존 기준선 대비 에이전트 정확도를 크게 향상시킵니다.
자연스러운 컴퓨터 사용의 과제
수동으로 기록된 스크린샷과 마우스 또는 키보드 동작으로 구성된 자연스러운 컴퓨터 사용 추적 데이터는 일상적인 업무 수행 방식에 대한 기호적, 감사 가능, 재사용 가능한 모델을 도출하는 데 유용한 자원입니다. 컴퓨터 사용 에이전트가 실제 업무 환경에 진입함에 따라, 작업이 실제로 어떻게 수행되는지를 학습하는 능력이 중요해지고 있습니다. 또한 조직은 이러한 지식을 효과적으로 감사하고 재사용할 수 있는 능력을 필요로 합니다. 그러나 이러한 작업 모델을 유도하는 것은 상당한 과제를 제시합니다. 활동은 일반적으로 저수준 이벤트로만 관찰되며, 실제 업무는 본질적으로 교차된 목표를 가진 멀티스레드 형태입니다. 기존 방법은 일반적으로 주어진 작업이나 단일 워크플로우를 가정하여, 구조화된 작업 모델이 아닌 단계별 요약만 생성합니다.
작업 모델 유도 소개
이러한 한계를 해결하기 위해 연구자들은 작업 모델 유도(Task Model Induction, TMI)를 도입했습니다. 이 접근법은 제약 없는 추적 데이터 내에서 잠재된 작업을 발견하고 동시 활동을 효과적으로 분리하는 데 설계되었습니다. 식별된 각 잠재 작업에 대해 TMI는 재귀적 목표 분해의 계층적 목표 모델과 실행을 조직화한 제어 흐름의 절차 모델을 쌍으로 하는 작업 모델을 유도합니다. 이러한 이중 모델 구조는 이전 방법보다 더 포괄적인 작업 이해를 가능하게 합니다.
성능 및 정확도
TMI의 효용성은 내재적 및 외재적 평가를 통해 입증되었습니다. 통제된 인간 및 에이전트 궤적에서 TMI는 참값 그룹화와 0.974의 일치율을 보이며 교차된 작업을 복원합니다. 또한 관찰된 실행 단계의 74.9%를 재구성하는데, 이는 가장 강력한 워크플로우 유도 기준선을 훨씬 상회하는 성능입니다. 외재적 평가에서 TMI의 작업 모델에서 파생된 기술은 가장 강력한 기준선 대비 홀드아웃 작업 정확도를 30.0% 향상시킵니다. 이러한 결과는 TMI가 수동 데이터 소스에서 복잡하고 실제적인 컴퓨터 사용 패턴을 모델링하는 능력에서 상당한 진전을 제공함을 나타냅니다.
실무자 노트
자율 에이전트를 개발하는 개발자는 원시 상호작용 로그에서 구조화된 작업 모델을 추출하여 더 정확한 작업 실행을 가능하게 하기 위해 TMI 통합을 고려해야 합니다. 계층적 목표 분해 및 제어 흐름 모델을 활용함으로써 엔지니어는 실제 워크플로우를 더 잘 이해하고 감사할 수 있는 에이전트를 생성할 수 있습니다.