Synthetic Computers at Scale for Long-Horizon Productivity Simulation

"Synthetic Computers at Scale"라는 방법론은 확장 가능하고 긴 호라이즌의 생산성 시뮬레이션을 위해 다양하고 산출물이 풍부한 합성 컴퓨터 환경의 생성을 가능하게 한다.

"Synthetic Computers at Scale"라는 방법론은 확장 가능하고 긴 호라이즌의 생산성 시뮬레이션을 위해 다양하고 산출물이 풍부한 합성 컴퓨터 환경의 생성을 가능하게 한다. 이 시뮬레이션에서 추출한 경험적 학습 신호는 AI 에이전트 성능을 향상시켜, 도메인 내 평가에서 7.0%포인트 상승과 도메인 외 벤치마크로의 긍정적 전이를 보여준다.

핵심 요약

• 실세계의 긴 호라이즌 생산성 궤적을 대규모로 수집하는 것은 민감한 사용자 데이터에 따른 프라이버시 문제와 이질적 사용자 환경의 복잡성으로 인해 어렵다.
• AI 에이전트는 풍부한 사용자별 맥락과 지속적 행동이 결여된, 현실적이고 긴 호라이즌의 생산성 업무(정보 수집, 분석, 협업, 산출물 생산)에서 어려움을 겪는다.
• 에이전트 훈련용의 일반적이고 장난감 수준인 워크플로는 실세계 생산성 과제의 맥락 집약적 특성을 충분히 반영하지 못해 에이전트의 효과를 제한한다.
• "Synthetic Computers at Scale" 방법론은 표집된 페르소나를 구체화하여 디지털 작업공간을 채움으로써, 다양하고 산출물이 풍부하며 사용자별로 특화된 합성 컴퓨터 환경을 생성한다.
• 이 환경 안에서 긴 호라이즌 생산성 시뮬레이션(약 한 달치의 인간 업무를 모사)을 수행하며, 목표와 협업자를 정의하는 설정 에이전트와 반복적 계획 수립 및 일일 실행을 담당하는 작업 에이전트를 사용한다.
• 이 시뮬레이션에서 풍부한 경험적 학습 신호(과정 수준과 결과 수준 모두)를 추출하여 에이전트의 자기 개선과 강화학습을 촉진한다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.