UniAutoML: A Human-Centered Framework for Unified Discriminative and Generative AutoML with Large Language Models
UniAutoML एक मानव-केंद्रित ढांचा है जो विभेदक (discriminative) और जनरेटिव (generative) AutoML कार्यों को एकीकृत करने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है और एक संवादात्मक इंटरफ़ेस एवं सुरक्षा तंत्रों के माध्यम से व्याख्यात्मकता, उपयोगकर्ता नियंत्रण और विश्वास को बढ़ाता 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
मशीन लर्निंग समस्याओं को हल करने के लिए एक शक्तिशाली उपकरण बन गई है, मौसम के पैटर्न की भविष्यवाणी करने से लेकर तस्वीरों में चेहरों को पहचानने तक। हालाँकि, इन उपकरणों का उपयोग करने के लिए आमतौर पर जटिल कंप्यूटर कोड और गणितीय सिद्धांत की गहरी समझ की आवश्यकता होती है। वर्षों से, ऑटोमेटेड मशीन लर्निंग, या AutoML नामक एक क्षेत्र ने इसे ठीक करने की कोशिश की है, जिससे कंप्यूटर सर्वोत्तम मॉडल और उनकी सेटिंग्स को स्वचालित रूप से चुनने में सक्षम हो सके। फिर भी, इनमें से अधिकांश सिस्टम केवल उन कार्यों के लिए बनाए गए थे जहाँ कंप्यूटर विशिष्ट परिणामों को वर्गीकृत करने या भविष्यवाणी करने का काम करता है, जैसे कि यह तय करना कि कोई ईमेल स्पैम है या नहीं। उन्होंने एक नए, अधिक रचनात्मक प्रकार के मशीन लर्निंग की काफी हद तक अनदेखी की, जहाँ कंप्यूटर नई सामग्री उत्पन्न करते हैं, जैसे कि कहानियाँ लिखना या शून्य से चित्र बनाना। इसके अलावा, ये स्वचालित सिस्टम अक्सर एक 'ब्लैक बॉक्स' की तरह काम करते हैं, जो बिना अपने तर्क को समझाए निर्णय लेते हैं, जिससे उपयोगकर्ता कटा हुआ महसूस करते हैं और अनिश्चित रहते हैं कि क्या वे परिणामों पर भरोसा कर सकते हैं।
शोधकर्ताओं की एक टीम ने इन कमियों को दूर करने के लिए 'यूनिऑटोएमएल' (UniAutoML) नामक एक नया ढांचा पेश किया है। उनका कार्य एक ऐसा सिस्टम बनाने पर केंद्रित है जो वर्गीकरण कार्यों और रचनात्मक उत्पादन कार्यों दोनों को संभाल सके, और साथ ही इसमें मानव उपयोगकर्ता को भी शामिल रखे। उपयोगकर्ताओं को कोड लिखने या तकनीकी शब्दावली समझने के लिए मजबूर करने के बजाय, यह नया सिस्टम लोगों को साधारण, रोजमर्रा की भाषा का उपयोग करके मशीन के साथ बातचीत करने की अनुमति देता है। शोधकर्ताओं ने इस ढांचे को एक 'लार्ज लैंग्वेज मॉडल' द्वारा निर्देशित करने के लिए बनाया है, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जिसे टेक्स्ट की विशाल मात्रा पर प्रशिक्षित किया गया है, जो उपयोगकर्ता के सरल निर्देशों और मशीन लर्निंग की जटिल मशीनरी के बीच एक अनुवादक के रूप में कार्य करता है। लक्ष्य न केवल काम को स्वचालित करना था, बल्कि प्रक्रिया को पारदर्शी और सुरक्षित बनाना भी था, यह सुनिश्चित करना कि उपयोगकर्ता समझ सकें कि कंप्यूटर क्या कर रहा है और यदि आवश्यक हो तो हस्तक्षेप कर सकें।
अपने विचार का परीक्षण करने के लिए, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया जहाँ एक उपयोगकर्ता बस एक अनुरोध टाइप कर सकता था, जैसे कि "मैं पालतू जानवरों के गोद लेने की दर की भविष्यवाणी करना चाहता हूँ" या "मैं बिल्लियों के चित्र बनाना चाहता हूँ।" सिस्टम फिर अनुरोध का विश्लेषण करेगा, शामिल डेटा के प्रकार की पहचान करेगा, और सबसे उपयुक्त मॉडल खोजने के लिए पूर्व-प्रशिक्षित मॉडलों के एक विशाल ऑनलाइन पुस्तकालय की खोज करेगा। एक बार मॉडल चुने जाने के बाद, सिस्टम स्वचालित रूप से डेटा तैयार करेगा और प्रशिक्षण शुरू कर देगा। इस पूरी प्रक्रिया के दौरान, सिस्टम केवल चुपचाप काम नहीं करेगा; यह एक निरंतर टिप्पणी प्रदान करेगा, यह समझाते हुए कि उसने एक विशिष्ट मॉडल क्यों चुना या प्रशिक्षण कैसे आगे बढ़ रहा है। यदि उपयोगकर्ता किसी सेटिंग को बदलना चाहता है या किसी ऐसी प्रक्रिया को रोकना चाहता है जो ठीक से काम नहीं कर रही है, तो वे बस सिस्टम को समायोजन करने के लिए कह सकते हैं, और वह उनकी बात मानेगा। हानिकारक या अनुचित सामग्री उत्पन्न करने से रोकने के लिए, शोधकर्ताओं ने एक सुरक्षा फिल्टर जोड़ा जो उपयोगकर्ता के इनपुट और कंप्यूटर के आउटपुट दोनों की जाँच करता है, और सुरक्षा दिशानिर्देशों का उल्लंघन करने वाली किसी भी चीज़ को रोकता है।
शोधकर्ताओं ने विभिन्न कार्यों को कवर करने वाले आठ अलग-अलग डेटासेट्स का उपयोग करके इस नए ढांचे का मूल्यांकन किया, जैसे कि पालतू जानवरों की लोकप्रियता की भविष्यवाणी करना, छवियों और टेक्स्ट में व्यंग्य का पता लगाना, और फोटो की सौंदर्य गुणवत्ता का आकलन करना। उन्होंने अपने सिस्टम की तुलना दो प्रसिद्ध, मौजूदा स्वचालित उपकरणों से की। इन परीक्षणों में, नया ढांचा अधिकांश मामलों में स्थापित उपकरणों के बराबर या उनसे बेहतर प्रदर्शन करता है। उदाहरण के लिए, पालतू जानवरों की लोकप्रियता की भविष्यवाणी करते समय, इसने प्रतिस्पर्धियों की तुलना में अधिक सटीक परिणाम प्राप्त किए। छवियों और टेक्स्ट जैसे कई प्रकार की जानकारी वाले जटिल डेटा से जुड़े कार्यों में, नए सिस्टम ने स्पष्ट लाभ दिखाया, और सफलतापूर्वक उन समस्याओं को सुलझाया जहाँ पुराने उपकरण संघर्ष करते थे या जिन्हें मैन्युअल सुधार की आवश्यकता होती थी।
संख्याओं से परे, शोधकर्ता यह जानना चाहते थे कि वास्तविक लोग इस सिस्टम के बारे में कैसा महसूस करते हैं। उन्होंने 25 स्वयंसेवकों को आमंत्रित किया, जिनमें कंप्यूटर विज्ञान के छात्रों से लेकर बिना तकनीकी पृष्ठभूमि वाले शिक्षक तक शामिल थे, ताकि वे पुराने उपकरणों के साथ मिलकर इस नए ढांचे का परीक्षण कर सकें। प्रतिभागियों को विशिष्ट कार्य पूरे करने के लिए कहा गया और फिर उनके अनुभव को रेट करने को कहा गया। परिणामों ने दिखाया कि नए सिस्टम का उपयोग करने वाले लोगों को लगा कि उनका प्रक्रिया पर अधिक नियंत्रण है और उन्हें यह समझने में बहुत आसान लगा कि क्या हो रहा है। उन्होंने रिपोर्ट किया कि उन्हें कार्य पूरा करने के लिए कम प्रयासों की आवश्यकता पड़ी और पारंपरिक उपकरणों की तुलना में उन्हें कम मानसिक तनाव महसूस हुआ। यहाँ तक कि कुछ तकनीकी ज्ञान वाले लोगों ने भी संवादात्मक इंटरफ़ेस को सहज पाया, और उल्लेख किया कि इसने जटिल मशीन लर्निंग की दुनिया को सुलभ बना दिया। एक प्रतिभागी ने, जिसके पास सीमित कोडिंग अनुभव था, नोट किया कि केवल निर्देश टाइप करने और स्पष्ट स्पष्टीकरण प्राप्त करने की क्षमता कोडिंग के दबाव में कोड लिखने की तुलना में कहीं अधिक सहायक थी।
अध्ययन ने रचनात्मक कार्यों को संभालने की सिस्टम की क्षमता पर भी प्रकाश डाला जिसे पुराने उपकरण बिल्कुल भी प्रबंधित नहीं कर सकते थे। जबकि पारंपरिक सिस्टम उन मॉडल्स को स्वचालित रूप से फाइन-ट्यून नहीं कर सकते थे जो चित्र या टेक्स्ट उत्पन्न करते हैं, नया ढांचा उपयोगकर्ताओं को सरल कमांड के साथ ऐसा करने की अनुमति देता है। एक उपयोगकर्ता डेटासेट प्रदान कर सकता है और सिस्टम को चित्र उत्पन्न करने के लिए मॉडल को प्रशिक्षित करने के लिए कह सकता है, और सिस्टम बिना उपयोगकर्ता द्वारा कोड की एक भी पंक्ति देखे पूरी तकनीकी प्रक्रिया को संभाल लेगा। यह क्षमता एक महत्वपूर्ण कदम थी, क्योंकि इसने शक्तिशाली जनरेटिव टूल्स को उन लोगों के लिए खोल दिया जिनके पास पहले इनका उपयोग करने के लिए विशेष कौशल की कमी थी।
इन सफलताओं के बावजूद, शोधकर्ताओं ने स्वीकार किया कि उनका सिस्टम शक्तिशाली बाहरी उपकरणों पर निर्भर है जो चलाने में महंगे हो सकते हैं और जिनके लिए निरंतर इंटरनेट कनेक्शन की आवश्यकता होती है। उन्होंने उल्लेख किया कि भविष्य के कार्यों को सिस्टम को अधिक किफायती और विश्वसनीय इंटरनेट के बिना उपयोग करने योग्य बनाने के लिए इन सीमाओं को संबोधित करने की आवश्यकता होगी। फिर भी, अध्ययन ने प्रदर्शित किया कि एक ऐसा स्वचालित सिस्टम बनाना संभव है जो न केवल प्रभावी है बल्कि पारदर्शी और उपयोगकर्ता के अनुकूल भी है। लार्ज लैंग्वेज मॉडल की शक्ति को मानव संपर्क पर ध्यान केंद्रित करने के साथ जोड़कर, शोधकर्ताओं ने दिखाया कि मशीन लर्निंग को अधिक सुलभ बनाया जा सकता है, जिससे अधिक संख्या में लोग विशेषज्ञ बने बिना इसकी क्षमता का लाभ उठा सकते हैं। यह कार्य सुझाव देता है कि आर्टिफिशियल इंटेलिजेंस का भविष्य केवल मशीनों को स्मार्ट बनाने में नहीं, बल्कि उन्हें मनुष्यों के लिए समझने और निर्देशित करने में आसान बनाने में निहित 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।