Naukowcy wprowadzili metodę SAIL - Skill Abstraction with Interpretable Latents - do modelowania umiejętności człowieka jako interpretowalnej, wielowymiarowej cechy wnioskowanej z naturalnych wzorców zachowania. Podejście to stanowi istotny krok naprzód w budowaniu systemów AI, które mogą efektywnie współpracować z ludźmi, ich coachować lub ich wspierać.
W przeciwieństwie do typowych problemów estymacji zmiennych latentnych opartych na pojedynczych obserwacjach, umiejętność jest konstruktem trwałym, kompozycyjnym i ugruntowanym behawioralnie, który musi być wnioskowany ze wzorców występujących w czasie. SAIL reprezentuje każdą osobę za pomocą trwałego osadzenia umiejętności kontrolującego mieszankę między bazami eksperta i nowicjusza. Kluczową innowacją jest trening za pomocą counterfactual subskill swaps - metody pozwalającej na rozplątanie reprezentacji poprzez zamienianie składowych umiejętności w hipotetycznych scenariuszach.
Badacze zademonstrovali wyniki swojej metody na danych z wyścigów i baseballu, gdzie SAIL osiągnęła solidną wydajność predykcyjną i konsekwentnie przewyższała rozwiązania bazowe w zakresie behawioralnie ugruntowanego rozplątania. Metoda okazała się także pomocna w poprawie wydajności downstream AI coachingu, co sugeruje potencjalne zastosowania w rzeczywistych systemach wspierających rozwój umiejętności sportowców i innych specjalistów.