METRO؛ استخراج خودکار استراتژی از گفتگوهای متخصصان برای هوش مصنوعی غیرهمکار

توسعه عوامل گفتگویی غیرهمکار سنتی مستلزم کدگذاری دستی و غیرقابل مقیاس‌بندی استراتژی‌های متخصصان بوده است. در این پژوهش، روش METRO پیشنهاد شده که از مدل‌های زبانی بزرگ برای استخراج خودکار هم اقدامات استراتژیک و هم منطق برنامه‌ریزی، مستقیماً از متن مکالمات بهره می‌برد. METRO دانش متخصصان را در قالب یک جنگل استراتژی (Strategy Forest) رسمی‌سازی می‌کند؛ ساختاری سلسله‌مراتبی که هم پاسخ‌های کوتاه‌مدت (گره‌ها) و هم دوراندیشی استراتژیک بلندمدت (شاخه‌ها) را در بر می‌گیرد. این رویکرد نوآورانه، داده‌های خام گفتگو را بدون نیاز به حاشیه‌نویسی گسترده انسانی یا تعریف دستی قوانین، به دانش استراتژیک قابل استفاده تبدیل می‌کند. نتایج تجربی در دو معیار محک نشان می‌دهد که METRO عملکرد امیدوارکننده‌ای دارد و به‌طور میانگین ۹ تا ۱۰ درصد بهتر از روش‌های موجود عمل می‌کند. این بهبود عملکرد قابل توجه، اثربخشی جنگل استراتژی را در درک جنبه‌های تاکتیکی و استراتژیک ارتباطات متخصصان برجسته می‌سازد. تحلیل‌های تکمیلی نه تنها موفقیت METRO را آشکار می‌کند و آن را به تنوع رفتار استراتژیک و قابلیت‌های دوراندیشی نسبت می‌دهد، بلکه قابلیت انتقال بین‌وظیفه‌ای مقاوم آن را در حوزه‌های مختلف گفتگو نشان می‌دهد. این مقیاس‌پذیری و قابلیت انتقال، بینش‌های جدیدی برای ساخت عوامل غیرهمکار با روشی مقرون‌به‌صرفه ارائه می‌دهد. این روش‌شناسی، تنگناهای سنتی مرتبط با کدگذاری دستی استراتژی را از بین می‌برد و امکان تکرار سریع‌تر و کاربرد گسترده‌تر را فراهم می‌سازد. با خودکارسازی استخراج الگوهای استراتژیک از گفتگوهای متخصصان، METRO مسیری مقیاس‌پذیر برای توسعه عوامل هوش مصنوعی پیچیده با قابلیت مدیریت سناریوهای غیرهمکار پیچیده ارائه می‌دهد. کد و منابع اضافی برای پشتیبانی از پژوهش و توسعه بیشتر در این مسیر امیدوارکننده در دسترس هستند.