Infer Human's Intentions Before Following Natural Language Instructions
यह शोध पत्र FISER का प्रस्ताव करता है, जो एक ऐसा ढांचा है जो कार्यों की योजना बनाने से पहले सामाजिक तर्क के माध्यम से मानवीय इरादों का स्पष्ट रूप से अनुमान लगाकर सहयोगात्मक कार्यों में एम्बॉडीड एआई (embodied AI) के प्रदर्शन में सुधार करता है, जिससे यह हैंडमीदैट (HandMeThat) बेंचमार्क पर मानक एंड-टू-एंड विधियों और मजबूत बेसलाइन से बेहतर प्रदर्शन 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
कल्पना कीजिए कि एक रोबोट को घर के कामों में मदद करने के लिए डिज़ाइन किया गया है। इस मशीन के वास्तव में उपयोगी होने के लिए, इसे हमारे द्वारा रोज़ाना की जाने वाली अनौपचारिक, अक्सर अधूरी माँगों को समझना होगा। जब कोई व्यक्ति सफाई करते समय कहता है, "क्या तुम सोफे से वह पकड़ा सकते हो?" तो वे शून्य में नहीं बोल रहे होते हैं। वे यह मान लेते हैं कि सुनने वाला जानता है कि "वह" का क्या अर्थ है, जो साझा संदर्भ और अभी-अभी हुई घटनाओं के इतिहास पर आधारित है। यदि व्यक्ति किताबों को एक बॉक्स में इकट्ठा कर रहा था, तो रोबोट को समझना चाहिए कि "वह" का अर्थ एक किताब है, न कि एक कुशन या रिमोट कंट्रोल। पंक्तियों के बीच पढ़ना, देखी गई क्रियाओं से छिपे हुए लक्ष्यों का अनुमान लगाना, इस क्षमता को विकसित करना ही कृत्रिम बुद्धिमत्ता को मानव परिवेश में एक वास्तविक साथी बनाने की मुख्य चुनौती है। इस कौशल के बिना, एक रोबोट निर्देशों का अक्षरशः पालन तो कर सकता है लेकिन मददगार होने में विफल हो सकता है, क्योंकि वह एक अस्पष्ट आदेश और साझा कार्य को पूरा करने के लिए आवश्यक विशिष्ट क्रिया के बीच के अंतर को पाट नहीं पाता है।
वाशिंगटन विश्वविद्यालय और एमआईटी (MIT) के शोधकर्ताओं ने FISER नामक एक नए दृष्टिकोण के साथ इस समस्या का समाधान किया है, जिसका अर्थ है 'फॉलो इंस्ट्रक्शन्स विद सोशल एंड एम्बोडीड रीजनिंग' (Follow Instructions with Social and Embodied Reasoning)। उनका काम एक विशिष्ट कठिनाई पर केंद्रित है: मानवीय निर्देश स्वाभाविक रूप से अस्पष्ट होते हैं क्योंकि लोग उन विवरणों को छोड़ देते हैं जिन्हें वे स्पष्ट मानते हैं। टीम ने अपने विचारों का परीक्षण 'हैंडमीदथैट' (HandMeThat) नामक एक डिजिटल वातावरण में किया, जो एक घर का टेक्स्ट-आधारित सिमुलेशन है जहाँ एक इंसान और एक रोबोट को मिलकर काम करना होता है। इस सेटिंग में, एक इंसान सामान व्यवस्थित कर रहा हो सकता है, और बीच में ही, एक अस्पष्ट अनुरोध के साथ रोबोट से मदद मांग सकता है। रोबोट का काम यह पता लगाना है कि इंसान वास्तव में क्या चाहता है, न कि केवल शब्दों को सुनकर, बल्कि यह देखकर कि इंसान क्या कर रहा था और उनके अंतर्निहित इरादे का अनुमान लगाकर।
शोधकर्ताओं ने पाया कि इसे हल करने का सबसे सफल तरीका समस्या को दो अलग-अलग चरणों में तोड़ना है। पहले, रोबोट "सामाजिक तर्क" (social reasoning) में संलग्न होता है, जहाँ वह स्पष्ट रूप से इंसान के इरादे का अनुमान लगाने के लिए रुकता है। वह इंसान की क्रियाओं के इतिहास और वर्तमान स्थिति को देखता है ताकि यह तय किया जा सके कि व्यक्ति वास्तव में क्या हासिल करने की कोशिश कर रहा है। उदाहरण के लिए, यदि इंसान किताबों को एक बॉक्स में रख रहा है, तो रोबोट यह निष्कर्ष निकालता है कि लक्ष्य किताबों को स्टोर करना है। इस निष्कर्ष पर पहुँचने के बाद ही रोबोट दूसरे चरण, "एम्बोडीड रीजनिंग" (embodied reasoning) की ओर बढ़ता है, जहाँ वह सही वस्तु को थमाने के लिए आवश्यक शारीरिक गतिविधियों की योजना बनाता है। यह दो-चरणीय प्रक्रिया महत्वपूर्ण है क्योंकि यह सिस्टम को हिलने-डुलने से पहले भाषा की अस्पष्टता को सुलझाने के लिए मजबूर करती है।
इसकी जांच के लिए, टीम ने ऐसे कंप्यूटर मॉडल बनाए जो इन चरणों को निष्पादित कर सकें। उन्होंने अपने तरीके की तुलना अन्य दृष्टिकोणों से की, जिसमें केवल एक बड़े, पूर्व-प्रशिक्षित भाषा मॉडल (pre-trained language model) को एक बार में कार्य करने के लिए कहना, या मॉडल को तर्क चरणों के माध्यम से मार्गदर्शन करने के लिए "चेन ऑफ थॉट" (Chain of Thought) नामक तकनीक का उपयोग करना शामिल था। परिणाम स्पष्ट थे: जिन मॉडलों ने शारीरिक योजना से पहले सामाजिक तर्क को स्पष्ट रूप से अलग किया, उन्होंने काफी बेहतर प्रदर्शन किया। सबसे चुनौतीपूर्ण परीक्षणों में, जहाँ निर्देश अत्यधिक अस्पष्ट थे, नई विधि ने 64.5 प्रतिशत की सफलता दर हासिल की, जिसने इस प्रकार के कार्य के लिए एक नया रिकॉर्ड बनाया। इसके विपरीत, यहाँ तक कि सबसे शक्तिशाली पूर्व-प्रशिक्ित भाषा मॉडल भी, सावधानीपूर्वक प्रॉम्प्ट दिए जाने पर भी, समान स्तर का प्रदर्शन करने में संघर्ष करते रहे, और अक्सर इंसान के छिपे हुए लक्ष्यों को समझने में विफल रहे या वातावरण के विवरणों में खो गए।
अध्ययन ने यह भी खुलासा किया कि शक्तिशाली पूर्व-प्रशिक्ित मॉडल क्यों संघर्ष कर रहे थे। इन मॉडलों ने, जिन्होंने इंटरनेट से विशाल मात्रा में टेक्स्ट पढ़ा है, सामान्य ज्ञान तो रखा है लेकिन उनमें एक साझा कार्य के तात्कालिक, भौतिक संदर्भ के बारे में तर्क करने की विशिष्ट क्षमता की कमी है। जब शोधकर्ताओं ने वातावरण से अप्रासंगिक वस्तुओं को हटाकर इन मॉडलों की मदद करने की कोशिश की, तब भी वे प्रभावी ढंग से योजना बनाने में विफल रहे, जिससे पता चलता है कि समस्या केवल बहुत अधिक जानकारी की नहीं थी, बल्कि सामाजिक संकेतों को भौतिक क्रियाओं से जोड़ने में एक मौलिक कठिनाई थी। शोधकर्ताओं ने निष्कर्ष निकाला कि रोबोट्स को वास्तव में सहायक सहायकों के रूप में कार्य करने के लिए, उन्हें मानवीय इरादों को हल किए जाने वाले एक विशिष्ट, अवलोकन योग्य हिस्से के रूप में प्रशिक्षित करने की आवश्यकता है, बजाय इसके कि यह उम्मीद की जाए कि एक सामान्य भाषा मॉडल इसे खुद ही समझ लेगा। यह सिखाकर कि सिस्टम को पहले इंसान के मन को समझना चाहिए, और फिर उस समझ पर कार्य करना चाहिए, शोधकर्ताओं ने अधिक सक्षम और सहकारी कृत्रिम एजेंटों की ओर एक मार्ग दिखाया 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।