ทันเอไอ

ทีมนักวิจัยเผยแพร่ CLEAT เฟรมเวิร์กช่วย AI Agent รู้จักตั้งคำถามเมื่อข้อมูลผู้ใช้ไม่ครบถ้วน

ทีมนักวิจัยเปิดตัว CLEAT เฟรมเวิร์กใหม่บน arXiv ช่วยให้ AI Agent เรียนรู้การสอบถามผู้ใช้เมื่อเป้าหมายยังคลุมเครือ เพื่อการตัดสินใจที่แม่นยำยิ่งขึ้น

ในงานวิจัยสาขาปัญญาประดิษฐ์ (Artificial Intelligence - cs.AI) ที่เผยแพร่บนฐานข้อมูล arXiv เมื่อวันที่ 12 ตุลาคม 2026 ทีมนักวิจัยจากสถาบันการศึกษาชั้นนำ ประกอบด้วย University of Connecticut, University of Notre Dame และ University of Massachusetts, Amherst ได้นำเสนอผลงานในชื่อ "CLEAT: Learning Value-Guided Clarification for Interactive Agents"

งานวิจัยนี้มุ่งแก้ปัญหาข้อจำกัดของโมเดลภาษาขนาดใหญ่หรือ LLM Agent ในปัจจุบัน ที่แม้จะสามารถปฏิบัติงานที่มีความซับซ้อนสูงได้ แต่การให้ความช่วยเหลือที่มีประสิทธิภาพจำเป็นต้องมีการจัดแนวเจตนา (Intent Alignment) ให้ตรงกับเป้าหมายและข้อจำกัดของผู้ใช้ ซึ่งในความเป็นจริงผู้ใช้อาจไม่ได้ระบุรายละเอียดไว้อย่างครบถ้วน

กลไกหลักของ CLEAT (CLarification through valuE-guided Agent co-Training) คือการฝึกอบรมร่วมกัน (Joint Training) ระหว่าง "ตัวควบคุมคุณค่าการชี้แจง" (Value-Guided Clarification Controller) และ "นโยบายการทำงานของ Agent" (Task Policy) ผ่านผลลัพธ์ของการปฏิสัมพันธ์ร่วมกัน โดยระบบจะคำนวณคุณค่าของการสอบถามที่เหลืออยู่ (Residual Query Value) เพื่อวัดประโยชน์ด้านอรรถประโยชน์ของงานที่ได้รับจากการตั้งคำถาม ซึ่งช่วยให้ Agent เรียนรู้ได้ว่าเมื่อใดควรซักถามเพื่อให้ได้คำตอบที่นำไปสู่การตัดสินใจที่ดีขึ้น