Policy ที่แปลงการประมาณค่าสถานะของ Agent อัตโนมัติให้เป็นอำนาจการทำงานนั้นมักไม่ได้ถูกระบุหรือวัดอย่างชัดเจน งานวิจัยนี้ได้จำลอง TRAP ซึ่งเป็นการแมป Authorization Readiness Score (ARS) ซึ่งเป็นค่ารวมน้ำหนักของความน่าเชื่อถือ เวลาทำงาน และความเสี่ยงบริบท ไปยังระดับการอนุญาตแบบไม่ต่อเนื่องผ่านกฎที่ไม่สมมาตร
การยกระดับต้องอาศัยการสังเกตติดต่อกันที่เกินขอบเขตของแถบและมีส่วนเผื่อ ในขณะที่การลดลงอย่างรวดเร็วของความพร้อมจะจำกัดอำนาจทันที
ในการทดสอบ Monte Carlo 100 ครั้ง พบว่า TRAP มีการจำกัดอำนาจเมื่อเกิดการเสื่อมสภาพฉับพลัน และสามารถยกระดับได้เร็วกว่า Policy แบบสมมาตรหลังการกู้คืน โดยมีความเสถียรสูงสุดในกลุ่ม Policy แบบปรับตัว
การทดลองเพิ่มเติมพบว่าเมื่อการเสื่อมสภาพถูกกระจายออกไป TRAP จะจำกัดอำนาจเฉพาะใน 4 กรณีที่ยังคงมีข้อมูลการลดลงในครั้งเดียวเท่านั้น ซึ่งแตกต่างจาก Policy อื่นๆ อย่างชัดเจน
ศัพท์ที่ควรรู้
- Agentic AI – ระบบ AI ที่สามารถทำงานหรือตัดสินใจได้ด้วยตนเอง
- Trust Responsive Authorization Policy (TRAP) – นโยบายที่ตอบสนองต่อระดับความน่าเชื่อถือของ Agent เพื่อกำหนดระดับอำนาจ
- Authorization Readiness Score (ARS) – คะแนนที่รวมปัจจัยต่างๆ เพื่อวัดความพร้อมในการทำงานของ Agent
- Monte Carlo traces – การจำลองสถานการณ์ซ้ำๆ เพื่อทดสอบประสิทธิภาพของ Policy
ที่มา: arxiv.org