Articles sur Web Agent

Dans les applications pratiques, les agents web font face à des coûts de requête élevés et à des restrictions anti-scraping. Les modèles traditionnels qui ne se concentrent que sur le taux de réussite conduisent souvent à des coûts élevés ou à un taux d'échec important. Cette recherche introduit un modèle d'apprentissage par renforcement doté de contraintes de coûts multidimensionnelles et d'un contrôle des risques de queue, ce qui signifie que l'objectif d'optimisation des Web Agent passe d'une quête pure et simple de l'achèvement des tâches à une phase commercialement viable conciliant rentabilité et robustesse.