Multi-Agent Causal Discovery Using Large Language Models
यह शोध पत्र MAC को प्रस्तुत करता है, जो एक मल्टी-एजेंट फ्रेमवर्क है जो स्वायत्त सांख्यिकीय एल्गोरिदम चयन को मेटाडेटा पर एक प्रतिकूल LLM बहस के साथ जोड़कर कॉज़ल डिस्कवरी (कारण खोज) को बढ़ाता है, और मौजूदा सांख्यिकीय एवं सिंगल-एजेंट LLM विधियों की तुलना में विविध बेंचमार्क पर बेहतर प्रदर्शन और मजबूती प्राप्त करता है।
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
यहाँ "मल्टी-एजेंट कॉज़ल डिस्कवरी यूज़िंग लार्ज लैंग्वेज मॉडल्स" (MAC) पेपर का स्पष्टीकरण दिया गया है, जिसे सरल अवधारणाओं और रोज़मर्रा के उदाहरणों में विभाजित किया गया है।
बड़ी समस्या: "क्यों" को खोजना
कल्पना कीजिए कि आप एक जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि कार क्यों खराब हुई। आपके पास दो मुख्य उपकरण हैं:
- डेटा लॉग (Data Log): संख्याओं का एक स्प्रेडशीट जो समय के साथ कार की गति, तापमान और ईंधन के स्तर को दर्शाता है।
- मैकेनिक की मैनुअल (Mechanic's Manual): नियमों, सामान्य ज्ञान और विशेषज्ञ ज्ञान की एक किताब कि कारें आमतौर पर कैसे काम करती हैं।
पारंपरिक तरीके केवल डेटा लॉग को देखते हैं। वे संख्याओं में पैटर्न खोजने में माहिर होते हैं लेकिन अक्सर "बड़ी तस्वीर" को समझने में चूक जाते हैं या यदि डेटा पर्याप्त न हो तो भ्रमित हो जाते हैं।
दूसरी ओर, हाल के AI तरीके (लार्ज लैंग्वेज मॉडल्स या LLMs का उपयोग करने वाले) एक एकल विशेषज्ञ मैकेनिक की तरह काम करते हैं जो मैनुअल पढ़ रहा है। वे स्मार्ट हैं और बहुत कुछ जानते हैं, लेकिन वे पेचीदा हो सकते हैं। कभी-कभी, वे केवल उस चीज़ के आधार पर "अनुमान" लगाते हैं जो उन्होंने इंटरनेट से याद की है, बजाय इसके कि वे वास्तव में सामने खड़ी विशिष्ट कार को देखें। वे कह सकते हैं, "यह निश्चित रूप से बैटरी है," क्योंकि यह एक सामान्य उत्तर है, भले ही डेटा कुछ और कहता हो।
समाधान: MAC फ्रेमवर्क
लेखकों ने एक नया सिस्टम बनाया है जिसे MAC (मल्टी-एजेंट कॉज़ल डिस्कवरी) कहा जाता है। एक अकेले जासूस या एक अकेले मैकेनिक पर भरोसा करने के बजाय, MAC एक टीम बहस स्थापित करता है जो दोनों दुनियाओं के सर्वश्रेष्ठ का संयोजन है: कठिन डेटा और विशेषज्ञ ज्ञान।
MAC को एक दो-चरणीय अदालती मुकदमे के रूप में सोचें।
चरण 1: "डेटा डिटेक्टिव" (डिबेट-कोडिंग मॉड्यूल)
सबसे पहले, सिस्टम को कच्चे नंबरों (डेटा लॉग) को देखने की आवश्यकता है। लेकिन इसे किस गणितीय उपकरण का उपयोग करना चाहिए? कई अलग-अलग सांख्यिकीय सूत्र होते हैं, और कोई भी एक सूत्र हर कार के लिए सबसे अच्छा काम नहीं करता है।
- बहस: गणित करने से पहले, तीन AI एजेंट (एक "हाँ" वकील, एक "No" वकील, और एक "जज") एक त्वरित बहस करते हैं। वे डेटा का एक छोटा नमूना और मैनुअल देखते हैं।
- फैसला: वे इस बात पर बहस करते हैं कि इस विशिष्ट डेटासेट के लिए कौन सा सांख्यिकीय सूत्र सबसे उपयुक्त है।
- कार्रवाई: एक बार जब वे सबसे अच्छे फॉर्मूले पर सहमत हो जाते हैं, तो वे पूरे डेटा पर इसे चलाते हैं। यह कॉज़ल ग्राफ (क्या कारण बनता है, इसका मानचित्र) का एक कच्चा मसौदा (Rough Draft) तैयार करता है। यह कदम सुनिश्चित करता है कि उत्तर वास्तविक संख्याओं पर आधारित है, न कि केवल अनुमानों पर।
चरण 2: "विशेषज्ञ पैनल" (मेटा-डिबेट मॉड्यूल)
अब, सिस्टम के पास नंबरों से एक कच्चा मसौदा है, लेकिन इसमें अभी भी कुछ संदर्भ (जैसे "यह कार बारिश में चलाई गई थी") की कमी हो सकती है। यहीं पर मेटाडेटा (विशेषज्ञ मैनुअल) काम आता है।
- बहस: कच्चे मसौदे को मुकदमे की कसौटी पर रखा जाता है।
- तर्क समर्थक एजेंट (Affirmative Agent) कहता है: "यह ग्राफ सही है क्योंकि डेटा इसका समर्थन करता है।"
- तर्क विरोधी एजेंट (Negative Agent) कहता है: "रुको! विशेषज्ञ मैनुअल के अनुसार, यह संबंध समझ में नहीं आता। यहाँ एक बेहतर स्पष्टीकरण है।"
- जज दोनों पक्षों को सुनता है, सबूतों की मैनुअल के नियमों के साथ जाँच करता है, और विजेता को चुनता है।
- परिणाम: ग्राफ को परिष्कृत किया जाता है। AI केवल एक राय पर भरोसा नहीं करता है; यह "हाँ" और "ना" पक्षों को तब तक बहस करने के लिए मजबूर करता है जब तक कि सबसे तार्किक, साक्ष्य-आधारित निष्कर्ष शेष न रह जाए।
जोड़ने वाली कड़ी: "मेटा फ्यूजन" (Meta Fusion)
आप एक ऐसे कंप्यूटर से कैसे बात करते हैं जो संख्याओं की भाषा बोलता है और एक ऐसे कंप्यूटर से जो शब्दों की भाषा बोलता है? पेपर एक "मेटा फ्यूजन" तंत्र पेश करता है। यह चरण 1 से कच्चे ग्राफ को लेता है और उसे साधारण अंग्रेजी वाक्यों में अनुवादित करता है (जैसे, "गति गर्मी का कारण बनती है")। यह चरण 2 की बहस को स्वाभाविक रूप से होने देता है, जिससे कठिन नंबरों को विशेषज्ञ नियमों के साथ मिलाया जा सके।
यह क्यों महत्वपूर्ण है (परिणाम)
लेखकों ने इस सिस्टम का परीक्षण पांच अलग-अलग "मामलों" (कार ईंधन दक्षता से लेकर भूकंप का पता लगाने तक के डेटासेट) पर किया। उन्होंने MAC की तुलना निम्नलिखित से की:
- पुराने ज़माने के गणित-मात्र जासूस।
- एकल-AI विशेषज्ञ।
- अन्य AI विधियाँ।
परिणाम:
MAC सबसे अधिक बार जीता। यह एकमात्र ऐसा सिस्टम था जो "भूकंप" के ग्राफ (एक क्लासिक टेस्ट केस) को पूरी तरह से पुनर्गठित कर सका और विभिन्न प्रकार के AI मॉडलों में लगातार नंबर 1 पर रहा।
ट्रेड-ऑफ: लागत बनाम गुणवत्ता
पेपर नोट करता है कि पूर्ण टीम बहस चलाने में एक साधारण प्रश्न पूछने की तुलना में अधिक "टोकन" (कंप्यूटेशनल पैसा) खर्च होते हैं।
- सरल पहेलियों के लिए: आप पैसे बचाने के लिए MAC का "सिंगल-एजेंट" संस्करण (केवल एक वकील और एक जज) उपयोग कर सकते हैं।
- जटिल पहेलियों के लिए: पूर्ण तीन-सदस्यीय बहस आवश्यक है ताकि सही उत्तर मिल सके, खासकर जब डेटा अव्यवस्थित हो या नियम अस्पष्ट हों।
सारांश
संक्षेप में, MAC AI को केवल स्मृति के आधार पर "अनुमान" लगाने से रोकता है। यह AI को मजबूर करता है कि वह:
- पहले गणित की जाँच करे (यह सुनिश्चित करने के लिए कि यह वास्तविकता में आधारित है)।
- दूसरा तर्क की बहस करे (यह सुनिश्चित करने के लिए कि यह विशेषज्ञ ज्ञान के साथ मेल खाता है)।
- अंत में जज को निर्णय लेने दें (सर्वश्रेष्ठ उत्तर चुनने के लिए)।
यह एक व्यक्ति से सलाह माँगने से बढ़कर एक टाउन हॉल मीटिंग आयोजित करने जैसा है जहाँ डेटा बोलता है, विशेषज्ञ बोलते हैं, और एक तटस्थ रेफरी यह सुनिश्चित करता है कि अंतिम निर्णय सत्य हो।
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।