본 논문은 AI 에이전트가 개인의 선호도를 이해하고 적응하여 일상생활에 효과적으로 통합될 수 있도록 하는 방법을 제시합니다. 특히 협업적인 역할에서 개인의 선호도를 고려하는 계획 수립 능력 향상에 초점을 맞추고 있습니다. 기존 연구들이 일반적인 접근 방식을 채택하여 개인의 선호도를 간과한 것과 달리, 본 연구는 소수의 시범을 통해 선호도를 학습하고, 이를 바탕으로 계획 전략을 적응적으로 조정하는 에이전트를 개발했습니다. 다양한 시나리오에서 암묵적으로 표현된 선호도가 일반화될 수 있다는 점에 착안하여, 수백 가지의 다양한 선호도(원자적 행동부터 복잡한 시퀀스까지)를 포함하는 Preference-based Planning (PbP) 벤치마크를 도입하여 최첨단 방법들을 평가했습니다. 평가 결과, 심볼 기반 접근 방식은 확장성 측면에서 장점을 보이지만, 개인화된 선호도를 충족하는 계획 생성 및 실행에는 여전히 상당한 어려움이 있음을 밝혔습니다. 또한, 학습된 선호도를 계획에서 중간 표현으로 통합하면 에이전트의 개인화된 계획 생성 능력이 크게 향상됨을 보였습니다. 이러한 결과는 선호도가 적응적 계획을 위한 가치 있는 추상화 계층임을 보여주며, 선호도 기반 계획 생성 및 실행에 대한 새로운 연구 방향을 제시합니다.
