INMS: Memory Sharing for Large Language Model based Agents
यह शोध पत्र INMS का प्रस्ताव करता है, जो एक एसिंक्रोनस मल्टी-एजेंट फ्रेमवर्क है जो रीयल-टाइम फ़िल्टरिंग और रिट्रीवल के माध्यम से एक साझा संवादात्मक मेमोरी पूल स्थापित करता है, जिससे डायनेमिक नॉलेज एक्सचेंज और सामूहिक स्व-संवर्धन सक्षम होता है ताकि ओपन-एंडेड परिदृश्यों में LLM-आधारित एजेंट के प्रदर्शन में महत्वपूर्ण सुधार किया जा सके।
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 बुद्धिमान विशेषज्ञों से भरे एक कमरे में हैं, लेकिन उन सभी ने शोर कम करने वाले (noise-canceling) हेडफ़ोन पहने हुए हैं। वे एक कठिन पहेली को सुलझाने या कविता लिखने की कोशिश कर रहे हैं, लेकिन वे केवल खुद से ही बात कर सकते हैं। वे एक-दूसरे के विचारों को सुन नहीं सकते, इसलिए वे बार-बार एक ही तरह की गलतियाँ करते हैं या एक ही चक्र में फंस जाते हैं। आज के अधिकांश AI एजेंट इसी तरह काम करते हैं: वे अलग-थलग हैं, और केवल अपनी आंतरिक स्मृति या किताबों के एक स्थिर, पुराने पुस्तकालय पर निर्भर हैं।
पेपर "INMS: Large Language Model आधारित Agents के लिए Memory Sharing" इस अलगाव का एक समाधान प्रस्तावित करता है। यह INMS (इंटरैक्टिव मेमोरी शेयरिंग) नामक एक प्रणाली पेश करता है, जो इन AI एजेंटों के लिए एक विशाल, जीवंत "ग्रुप चैट" या एक साझा व्हाइटबोर्ड की तरह काम करता है।
यहाँ बताया गया है कि यह कैसे काम करता है, सरल उपमाओं (analogies) का उपयोग करते हुए:
1. समस्या: "इको चैंबर" (Echo Chamber)
वर्तमान में, यदि कोई AI एजेंट किसी समस्या को हल करने की कोशिश करता है, तो वह अपने पिछले नोट्स को देखता है। यदि वे नोट्स खराब हैं, तो एजेंट गलत निर्णय लेना जारी रखता है। यह उस छात्र की तरह है जो केवल 1990 के दशक की पाठ्यपुस्तक से पढ़ रहा है; वे नई खोजों को चूक जाते हैं। इससे भी बुरा यह है कि यदि वे एक समूह में हैं, तो वे आमतौर पर एक-दूसरे के साथ अपने "अहा!" (eureka) क्षणों को साझा नहीं कर पाते हैं।
2. समाधान: "साझा व्हाइटबोर्ड" (INMS)
INMS नियमों को बदल देता है। अलग-थलग काम करने के बजाय, सभी एजेंट एक Shared Memory Pool से जुड़े होते हैं। इसे एक विशाल, डिजिटल व्हाइटबोर्ड के रूप में सोचें जो कमरे के बीच में है और जिसे हर कोई देख सकता है और जिस पर लिख सकता है।
यहाँ इस "व्हाइटबोर्ड" के काम करने की चरण-दर-चरण प्रक्रिया दी गई है:
चरण 1: प्रयास (द "ड्राफ्ट")
एक एजेंट को एक प्रश्न मिलता है (जैसे, "एक उदास रोबोट के बारे में कविता लिखें")। वह जो कुछ भी वह जानता है प्लस साझा व्हाइटबोर्ड से प्राप्त कुछ सहायक नोट्स का उपयोग करके उत्तर देने का प्रयास करता है।चरण 2: "शिक्षक" (द स्कोरर)
एक बार जब एजेंट अपना उत्तर लिख लेता है, तो एक विशेष "टीचर AI" (स्कोरर) उसे पढ़ता है। शिक्षक केवल "अच्छा" या "बुरा" नहीं कहता। वह यह जाँचने के लिए एक विशिष्ट रूब्रिक (जैसे स्कूल असाइनमेंट के लिए ग्रेडिंग शीट) का उपयोग करता है कि क्या उत्तर रचनात्मक, सटीक और सहायक है।- उपमा: एक समाचार पत्र के सख्त लेकिन निष्पक्ष संपादक की कल्पना करें। यदि कहानी उबाऊ है या गलतियों से भरी है, तो वे उसे कूड़ेदान में डाल देते हैं। यदि यह शानदार है, तो वे इसे "सप्ताह के सर्वश्रेष्ठ" बोर्ड पर लगा देते हैं।
चरण 3: अपग्रेड (द "शेयर्ड मेमोरी")
यदि शिक्षक उत्तर को उच्च स्कोर देता है, तो उस विशिष्ट प्रश्न-और-उत्तर जोड़ी को Shared Whiteboard पर सहेज लिया जाता है। अब, सिस्टम के अन्य सभी एजेंट इस नए, उच्च-गुणवत्ता वाले उदाहरण को देख सकते हैं।- जादू: यदि एजेंट A एक कठिन तर्क पहेली को हल करता है, तो एजेंट B (जो कहानी लिखने की कोशिश कर रहा है) उस समाधान को देख सकता है और उससे प्रेरित हो सकता है, भले ही वे अलग-अलग कार्य कर रहे हों। वे एक-दूसरे की "मसल मेमोरी" से सीख रहे हैं।
चरण 4: स्मार्ट सर्च (द "रिट्रीवर")
सिस्टम केवल सब कुछ व्हाइटबोर्ड पर नहीं डाल देता। इसके पास एक स्मार्ट लाइब्रेरियन (डायनेमिक रिट्रीवर) है। जैसे-जैसे व्हाइटबोर्ड भरता जाता है, यह लाइब्रेरियन और भी स्मार्ट होता जाता है। यह सीख जाता है कि कौन से नोट्स किस प्रश्न के लिए उपयोगी हैं। यह आपको पुराने, अप्रासंगिक नोट्स दिखाना बंद कर देता है और काम के लिए एकदम सही उदाहरण दिखाने लगता है।
3. यह क्यों एक बड़ी बात है
पेपर ने इस प्रणाली का परीक्षण तीन बहुत अलग कार्यों पर किया:
- रचनात्मक लेखन: (सॉनेट या लिमेरिक जैसी कविताएँ लिखना)।
- तर्क पहेलियाँ: (पहेलियों या कठिन दिमागी पहेलियों को सुलझाना)।
- योजना बनाना: (अध्ययन योजना या यात्रा कार्यक्रम बनाना)।
परिणाम:
- सामूहिक बुद्धिमत्ता (Collective Intelligence): एजेंट अपने कामों में काफी बेहतर हो गए। वे न केवल अपने विशिष्ट कार्य में बेहतर हुए; वे इसलिए बेहतर हुए क्योंकि वे अपने साथियों के "कंधों पर खड़े थे"।
- "इको चैंबर" को तोड़ना: सिस्टम ने साबित किया कि यह अपनी गलतियों को सुधार सकता है। भले ही एजेंटों ने खराब विचारों (एक पक्षपाती शुरुआती बिंदु) के साथ शुरुआत की हो, "टीचर" और "स्मार्ट लाइब्रेरियन" ने अंततः खराब चीजों को फ़िल्टर कर दिया और व्हाइटबोर्ड को उच्च-गुणवत्ता वाले ज्ञान से भर दिया, जिससे एजेंटों को सुधार करने में मदद मिली।
- कोई स्थिर डेटाबेस नहीं: पारंपरिक AI एक निश्चित डेटाबेस (जैसे एक पुस्तकालय जो कभी अपडेट नहीं होता) पर निर्भर करता है। INMS वास्तविक समय में अपना स्वयं का पुस्तकालय बनाता है। जैसे-जैसे एजेंट बात करते हैं और समस्याओं को हल करते हैं, पुस्तकालय और भी स्मार्ट होता जाता है।
निचोड़ (The Bottom Line)
INMS को अलग-थलग रहने वाले दिग्गजों के एक कमरे को एक सहयोगात्मक समाज में बदलने के रूप में देखें। बजाय इसके कि हर कोई पहिये का पुनरुद्धार करने की कोशिश करे, वे अपने सर्वोत्तम विचार साझा करते हैं, एक-दूसरे के काम को ग्रेड देते हैं, और एक सामूहिक मस्तिष्क का निर्माण करते हैं जो किसी भी एकल एजेंट की तुलना में अधिक स्मार्ट है। यह AI को एक अकेले भेड़िये से एक ऐसे झुंड में बदल देता है जो एक साथ सीखता है, अनुकूलित होता है और विकसित होता 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।