یک تیم تحقیقاتی معیار ARGOS را معرفی کرده است؛ نخستین معیار و چارچوبی که جستجوی فرد با دوربین‌های متعدد را به‌عنوان یک مسئله استدلال تعاملی بازتعریف می‌کند و از عامل‌های هوشمند می‌خواهد در شرایط عدم تقارن اطلاعاتی به برنامه‌ریزی، پرسش و حذف کاندیداها بپردازند. این پژوهش خلأی اساسی در ارزیابی توانایی سیستم‌های خودمختار برای مدیریت سناریوهای نظارتی واقعی را پر می‌کند، جایی که اطلاعات شاهد ناقص یا مبهم است.
چارچوب ARGOS عامل را با یک اظهارنامه مبهم از شاهد مجهز می‌کند و از آن می‌خواهد تصمیم بگیرد چه سوالاتی بپرسد، چه زمانی ابزارهای استدلال مکانی یا زمانی را فراخوانی کند و چگونه پاسخ‌های مبهم را تفسیر کند؛ همه اینها در محدودیت تعداد مشخصی از تعاملات. استدلال بر پایه گراف توپولوژی فضایی-زمانی (STTG) بنا شده که اتصالات دوربین‌ها و زمان‌های انتقال تجربی بین مکان‌ها را رمزنگاری می‌کند.
این معیار شامل ۲۶۹۱ وظیفه در ۱۴ سناریوی واقعی است که در سه مسیر پیش‌رونده سازماندهی شده‌اند: ادراک معنایی (چه کسی)، استدلال مکانی (کجا) و استدلال زمانی (کی). این ساختار به پژوهشگران امکان می‌دهد جنبه‌های مختلف استدلال عاملی را در kontekst نظارتی به‌صورت نظام‌مند ارزیابی کنند.
آزمایش‌های انجام‌شده با چهار مدل زبانی پیشرو نشان می‌دهد که این معیار همچنان حل‌نشده باقی مانده است. بهترین عملکرد، امتیاز ۰.۳۸۳ را در مسیر دوم و ۰.۵۹۰ را در مسیر سوم کسب کرد که نشان‌دهنده فضای قابل توجهی برای بهبود در قابلیت‌های استدلال مکانی و زمانی است. نکته قابل توجه اینکه مطالعات حذف تأیید کردند حذف ابزارهای تخصصی دامنه، دقت را تا ۴۹.۶ درصد کاهش می‌دهد که اهمیت حیاتی قابلیت‌های استدلال تخصصی را برای این وظیفه برجسته می‌کند.
این پژوهش بر چالشی بنیادین در استقرار هوش مصنوعی برای کاربردهای نظارتی تأکید دارد: نیاز به عامل‌هایی که بتوانند در شرایط عدم قطعیت به‌طور مؤثر استدلال کنند و در عین حال از فرصت‌های محدود جمع‌آوری اطلاعات بهره‌ورانه استفاده نمایند. ساختار مسیر پیش‌رونده، مسیری برای توسعه تدریجی فراهم می‌کند و به پژوهشگران امکان می‌دهد پیش از مواجهه با سناریوهای یکپارچه، روی قابلیت‌های فردی استدلال تمرکز کنند.
چشم‌انداز آینده این معیار چارچوب ارزیابی استانداردی را فراهم می‌کند که می‌تواند پیشرفت در سیستم‌های نظارتی عاملی را تسریع بخشد. شکاف قابل توجه عملکرد بین مدل‌های زبانی فعلی و استدلال در سطح انسانی، فرصت‌های پژوهشی گسترده‌ای را در استدلال فضایی-زمانی، طرح پرسش و ترکیب اطلاعات در شرایط عدم قطعیت نشان می‌دهد.
گفتگو