Large Language Models for Travel Behavior Prediction
यह अध्ययन प्रदर्शित करता है कि ज़ीरो-शॉट प्रॉम्प्टिंग के माध्यम से या सुपरवाइज्ड लर्निंग के लिए एम्बेडिंग जनरेटर के रूप में उपयोग किए जाने वाले लार्ज लैंग्वेज मॉडल्स, यात्रा व्यवहार की भविष्यवाणी करने के लिए पारंपरिक संख्यात्मक मॉडलों के एक लचीले और डेटा-कुशल विकल्प के रूप में कार्य करते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि कोई व्यक्ति आगे क्या करेगा: क्या वे गाड़ी चलाएंगे, ट्रेन लेंगे, या बस पकड़ेंगे? क्या वे काम पर जा रहे होंगे, किसी पार्टी में, या किराने का सामान खरीदने?
द दशकों से, परिवहन विशेषज्ञ गणितीय कैलकुलेटरों का उपयोग करके इसका उत्तर देने का प्रयास कर रहे हैं। ये कैलकुलेटर कठोर रेसिपी बुक (नुस्खा पुस्तिकाओं) की तरह हैं। यदि आप उन्हें पर्याप्त डेटा (हजारों पिछली यात्राएं) खिलाते हैं, तो वे एक बहुत अच्छा अनुमान बना सकते हैं। लेकिन यदि आप उन्हें केवल कुछ ही सामग्रियां देते हैं (डेटा की कम मात्रा), तो रेसिपी बिगड़ जाती है और परिणाम बेस्वाद हो जाते हैं।
यह शोध पत्र इस रसोई में एक नए शेफ का परिचय देता है: लार्ज लैंग्वेज मॉडल्स (LLMs)। इन्हें एक सुपर-स्मार्ट, सुशिक्षित लाइब्रेरियन (पुस्तकालयाध्यक्ष) के रूप में समझें जिन्होंने इंटरनेट पर लगभग हर किताब, लेख और ब्लॉग पोस्ट पढ़ी है। वे केवल नंबरों को नहीं जोड़ते; वे कहानियों, तर्क और मानवीय सामान्य ज्ञान को समझते हैं।
शोधकर्ताओं ने यात्रा व्यवहार की भविष्यवाणी करने के लिए इन "लाइब्रेरियन शेफ" का उपयोग करने के दो तरीकों का परीक्षण किया:
1. "ज़ीरो-शॉट" ओरेकल (तत्काल विशेषज्ञ)
उपमा: कल्पना कीजिए कि आप एक जीनियस के पास जाते हैं जिसने आपसे पहले कभी नहीं मिला है, लेकिन आप उसे अपनी स्थिति बताते हैं: "मैं जल्दी में हूँ, मुझे ट्रैफिक से नफरत है, और मेरे पास एक मंथली ट्रेन पास है।" आप पूछते हैं, "मैं काम पर कैसे जाऊँगा?"
वह जीनियस आपके पिछले डेटा का अध्ययन करने की आवश्यकता नहीं समझता। वह बस दुनिया के काम करने के तरीके के अपने विशाल ज्ञान का उपयोग करता है और कहता है, "आप शायद ट्रेन लेंगे क्योंकि यह तेज़ है और आपके पास पहले से ही एक पास है।"
- यह पेपर में कैसे काम करता है: शोधकर्ताओं ने एक विस्तृत प्रॉम्प्ट (निर्देशों का एक सेट) लिखा जिसमें यात्री की स्थिति और सड़क के नियमों (जैसे "लोग ट्रैफिक से नफरत करते हैं") का वर्णन किया गया था। उन्होंने AI से यात्रा के मोड का अनुमान लगाने के लिए कहा।
- परिणाम: बिना किसी विशिष्ट डेटा को देखे भी, AI ने पारंपरिक "रेसिपी बुक" वाले मॉडलों के लगभग बराबर, और कभी-कभी उनसे भी बेहतर अनुमान लगाया जब डेटा कम था।
2. "स्मार्ट ट्रांसलेटर" (फीचर बूस्टर)
उपमा: कल्पना कीजिए कि आपके पास एक बहुत ही साधारण कैलकुलेटर है जो जटिल मानवीय भावनाओं को समझने में खराब है। लेकिन, आपके पास एक अनुवादक (ट्रांसलेटर) है जो एक बिखरी हुई, भावनात्मक कहानी को एक साफ, व्यवस्थित सारांश में बदल सकता है।
आप उस बिखरी हुई कहानी को अनुवादक (LLM) को देते हैं। अनुवादक एक छोटा, उच्च-स्तरीय सारांश (एक एम्बेडिंग) लिखता है जो कहानी के सार को पकड़ लेता है। फिर आप इस साफ सारांश को अपने साधारण कैलकुलेटर में फीड करते हैं। अचानक, आपका कैलकुलेटर एक जीनियस बन जाता है क्योंकि वह केवल कच्चे नंबरों पर नहीं, बल्कि डेटा की "आत्मा" पर काम कर रहा है।
- यह पेपर में कैसे काम करता है: शोधकर्ताओं ने यात्रा के विवरण को गणितीय "वेक्टर्स" (डिजिटल सारांश) में बदलने के लिए AI का उपयोग किया। फिर उन्होंने इन सारांशों को मानक मॉडलों में फीड किया।
- परिणाम: जब डेटा बहुत सीमित था, तो इस "अनुवादक + कैलकुलेटर" संयोजन ने उन मानक मॉडलों को पछाड़ दिया जो शून्य से सीखने की कोशिश कर रहे थे।
अच्छा, बुरा, और "हलुसिनेशन" (भ्रम)
सुपरपावर: व्याख्यात्मकता (Explainability)
पुराने मॉडल ब्लैक बॉक्स की तरह होते हैं। वे आपको एक उत्तर देते हैं (जैसे, "ट्रेन लें") लेकिन यह नहीं बता पाते कि क्यों।
LLM एक जासूस की तरह है। यह कहता है, "मुझे लगता है कि आप ट्रेन लेंगे क्योंकि आपके पास एक पास है, और यह ड्राइविंग की तुलना में आपके 30 मिनट बचाता है।" यह उन योजनाकारों के लिए बहुत बड़ा है जिन्हें यह समझने की आवश्यकता होती है कि लोग चुनाव क्यों करते हैं।
कमजोरी: "आत्मविश्वास से भरा झूठ"
कभी-कभी, AI बहुत अधिक रचनात्मक हो जाता है। इसे हलुसिनेशन (Hallucination) कहा जाता है।
- उदाहरण: यदि आप AI से यात्रा समय की तुलना करने के लिए कहते हैं, तो वह आत्मविश्वास से कह सकता है, "ट्रेन 50% तेज़ है!" जबकि डेटा वास्तव में कहता है कि यह केवल 10% तेज़ है। यह एक ऐसे छात्र की तरह है जो गणित की अवधारणा तो जानता है लेकिन गणना में गलती कर देता है क्योंकि वह स्मार्ट दिखने की कोशिश कर रहा है।
निष्कर्ष
यह शोध पत्र परिवहन योजनाकारों के लिए एक चेतावनी (वेक-अप कॉल) है।
- यदि आपके पास डेटा का पहाड़ है: अपने पारंपरिक गणितीय मॉडलों पर टिके रहें; वे अभी भी राजा हैं।
- यदि आपके पास बहुत कम डेटा है (एक छोटा शहर, एक नया शहर, एक दुर्लभ घटना): घबराएं नहीं। "लाइब्रेरियन" (LLM) को बुलाएं। यह मानव व्यवहार के अपने सामान्य ज्ञान का उपयोग करके आश्चर्यजनक रूप से सटीक अनुमान लगा सकता है, बिना आपके शहर के विशिष्ट नियमों को पहले से सीखे।
संक्षेप में, हम एक ऐसी दुनिया से आगे बढ़ रहे हैं जहाँ कंप्यूटर केवल गिनती करते हैं, एक ऐसी दुनिया की ओर जहाँ कंप्यूटर इस बारे में तर्क कर सकते हैं कि हम कैसे चलते हैं। यह अभी तक पूरी तरह से परफेक्ट नहीं है, लेकिन यह टूलबॉक्स में एक शक्तिशाली नया उपकरण है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।