حظي عالم الذكاء الاصطناعي بزخم متزايد في الآونة الأخيرة، خاصة مع ظهور نماذج اللغات الضخمة (Large Language Models) التي تمكنت من تحويل التعليمات الطبيعية إلى أفعال على صفحات الويب الحقيقية. ولكن، على الرغم من هذه التقدمات، يواجه العديد من الوكلاء الذكيين صعوبات في تنفيذ المهام المعقدة التي تتطلب تفاعلات ديناميكية وتنفيذ طويل المدى. هذه التحديات ناتجة عن استراتيجيات التخطيط الجامدة والتفكير غير المؤمن.

في هذا السياق، يظهر مفهوم WebUncertainty كإطار مبتكر يهدف إلى معالجة حالة عدم اليقين المزدوج في التخطيط والسببية. يُركز هذا الإطار على تصميم آلية تخطيط مدفوعة بعدم اليقين المرتبطة بالمهام، مما يسمح للوكلاء باختيار أوضاع التخطيط بشكل ديناميكي للتنقل في بيئات غير معروفة.

علاوةً على ذلك، يتم دمج آلية تفكير تعتمد على شجرة مونت كارلو (Monte Carlo Tree Search) مستندة إلى عدم اليقين الناتج عن الأفعال. هذه الاستراتيجية، المُعروفة باسم (Confidence-induced Action Uncertainty - ConActU)، تهدف إلى تقدير كل من عدم اليقين العشوائي (Aleatoric Uncertainty) وعدم اليقين المعرفي (Epistemic Uncertainty)، مما يُعظم من عملية البحث ويوجه اتخاذ القرارات بشكل موثوق.

تظهر النتائج التجريبية على معايير WebArena وWebVoyager أن WebUncertainty يحقق أداءً متفوقاً مقارنةً بأفضل النماذج الموجودة حتى اليوم، مما يفتح آفاق جديدة أمام الوكلاء الذكيين في تحقيق إنجازات غير مسبوقة في تنفيذ المهام المعقدة على الويب.