Harnessing the Synergy between LLM Agents and Knowledge Graphs for Urban Socioeconomic Prediction

कल्पना कीजिए कि आप एक हलचल भरे शहर के भविष्य की भविष्यवाणी करने की कोशिश कर रहे हैं। आप जानना चाहते हैं कि कौन से मोहल्ले लोगों से भरे होंगे, कहाँ नए स्टोर फलेंगे-फूलेंगे, या स्थानीय सामुदायिक माहौल कैसे बदलेगा। यह केवल अनुमान लगाना नहीं है; यह एक क्षेत्र है जिसे सामाजिक-आर्थिक भविष्यवाणी (socioeconomic prediction) कहा जाता है। वैज्ञानिक इसे करने के लिए भारी मात्रा में डेटा एकत्र करते हैं—जैसे लोग कहाँ रहते हैं, वे कहाँ काम करते हैं, कौन सी दुकानें मौजूद हैं, और वे कैसे आवाजाही करते हैं। इस बिखरी हुई, मिश्रित जानकारी को समझने के लिए, शोधकर्ता एक उपकरण का उपयोग करते हैं जिसे नॉलेज ग्राफ (Knowledge Graph) कहा जाता है। नॉलेज ग्राफ को तथ्यों के एक विशाल, अत्यधिक जुड़े हुए वेब के रूप में समझें। डेटा को केवल एक स्प्रेडशीट में सूचीबद्ध करने के बजाय, यह चीजों के बीच रेखाएं खींचता है, जो दिखाता है कि कैसे एक "कॉफी शॉप" एक "मोहल्ले" से जुड़ी है, जो एक "बस रूट" से जुड़ा है, और इसी तरह। यह बिखरे हुए पहेली के टुकड़ों को एक ऐसी तस्वीर में बदलने जैसा है जहाँ हर टुकड़ा जानता है कि उसे कहाँ फिट होना है।

लेकिन यहाँ पेचीदा हिस्सा यह है: यह पता लगाना कि भविष्य की भविष्यवाणी करने के लिए कौन से संबंध वास्तव में महत्वपूर्ण हैं, अविश्वसनीय रूप से कठिन है। पारंपरिक रूप से, विशेषज्ञों को मैन्युअल रूप से यह तय करना पड़ता था कि कौन सी रेखाएँ खींचनी हैं, जो उनकी अपनी अंतर्दृष्टि और अनुभव पर निर्भर करती थीं। यह एक भूलभुलैया के माध्यम से सबसे अच्छा रास्ता खोजने के लिए हर मोड़ पर एक इंसान से अनुमान लगाने जैसा है; वे एक गलत रास्ता चुन सकते हैं या कोई शॉर्टकट छोड़ सकते हैं क्योंकि वे एक साथ पूरी तस्वीर नहीं देख पाते। यह शोध पत्र ठीक इसी समस्या को हल करने के लिए एक नया टीम प्लेयर पेश करता है: लार्ज लैंग्वेज मॉडल (LLM)। आप एक LLM को एक सुपर-स्मार्ट, सुशिक्षित रोबोट के रूप में समझ सकते हैं जिसने इंटरनेट पर लिखी लगभग हर चीज़ पढ़ी है। यह भाषा को समझने और उन पैटर्न को पहचानने में माहिर है जिन्हें इंसान मिस कर सकते हैं। लेखक मुख्य प्रश्न पूछते हैं: क्या होता है यदि हम नॉलेज ग्राफ के संरचित, तथ्यात्मक मस्तिष्क को एक LLM के रचनात्मक, तर्क करने वाले मस्तिष्क के साथ जोड़ दें?

लेखक इस समस्या को हल करने के लिए SLAK (Synergizing LLM Agent and Knowledge Graph) नामक एक नया सिस्टम प्रस्तावित करते हैं। यह छोड़ने के बजाय कि इंसान अनुमान लगाएं कि शहर के डेटा में कौन से संबंध महत्वपूर्ण हैं, वे LLM को एक जासूस के रूप में काम करने देते हैं। LLM शहर के नॉलेज ग्राफ को देखता है और अपने तर्क कौशल का उपयोग करके सूचना के सबसे उपयोगी "पथों" (paths) को स्वचालित रूप से खोजता है—जैसे यह समझना कि यह भविष्यवाणी करने के लिए कि एक सड़क कितनी व्यस्त होगी, आपको केवल "निवासियों" और "ट्रैफिक" के बजाय "निवासियों", "निकटवर्ती पार्कों" और "कॉफी शॉप्स" के बीच के संबंध को देखने की आवश्यकता है।

यह प्रणाली तीन चतुर चरणों में काम करती है। पहले, यह एक भाषा मॉडल को शहर के विशिष्ट डेटा की भाषा समझने के लिए प्रशिक्षित करती है, जिससे तथ्यों को उन नंबरों में बदल दिया जाता है जिन्हें कंप्यूटर प्रोसेस कर सके। दूसरा, यह LLM "एजेंटों" की एक टीम भेजती है। प्रत्येक एजेंट को एक अलग काम सौंपा जाता है, जैसे जनसंख्या वृद्धि या व्यावसायिक गतिविधि की भविष्यवाणी करना। ये एजेंट एक-दूसरे से बात करते हैं, अपने विचार साझा करते हैं। एक एजेंट कह सकता है, "हे, मुझे लगता है कि मोहल्लों के बीच लोगों के प्रवाह को देखना दुकानों की बिक्री की भविष्यवाणी करने में मदद करता है," और दूसरा सहमत हो सकता है और जोड़ सकता है, "और दुकानों के ब्रांड नामों को भी मत भूलना!" यह सहयोग उन्हें उन जटिल, छिपे हुए संबंधों को खोजने में मदद करता है जो एक अकेले इंसान या एक साधारण कंप्यूटर प्रोग्राम द्वारा छोड़े जा सकते हैं। अंत में, सिस्टम इन सभी विभिन्न अंतर्दृष्टियों को एक भविष्यवाणी करने के लिए मिला देता है।

परिणाम काफी प्रभावशाली हैं। जब टीम ने अपने सिस्टम का परीक्षण दो विशाल चीनी शहरों, बीजिंग और शंघाई के वास्तविक डेटा पर किया, तो इसने सभी पिछले सर्वोत्तम तरीकों को पछाड़ दिया। आठ अलग-अलग भविष्यवाणी कार्यों पर—जनसंख्या का अनुमान लगाने से लेकर सेवा की गुणवत्ता मापने तक—उनके नए मॉडल ने सटीकता में उल्लेखनीय सुधार किया, जिसमें पुराने तकनीकों की तुलना में 3.9% से 76.2% तक की वृद्धि देखी गई। शोध पत्र सुझाव देता है कि प्रदर्शन में यह बड़ी उछाल LLM की उन संकेतों को स्वचालित रूप से खोजने की क्षमता से आती है जिन्हें खोजने के लिए किसी मानव विशेषज्ञ को बताने की आवश्यकता नहीं होती।

दिलचस्प रूप से, लेखकों ने यह भी परीक्षण किया कि क्या होता है यदि आप इन संबंधों को यादृच्छिक रूप से (randomly) खोजने का प्रयास करते हैं या एक मानक कंप्यूटर एल्गोरिदम का उपयोग करके अनुमान लगाते हैं। उन्होंने पाया कि ये पारंपरिक खोज तरीके बहुत धीमे और कम सटीक थे। LLM ने केवल अनुमान नहीं लगाया; इसने उत्तर तक पहुँचने के लिए तर्क का उपयोग किया। उदाहरण के लिए, सामाजिक गतिविधि की भविष्यवाणी करते समय, LLM एजेंटों ने पाया कि एक मोहल्ले में विभिन्न दुकानों के बीच प्रतिस्पर्धी संबंधों को देखना एक प्रमुख संकेत था, एक ऐसा संबंध जिसे रैंडम सर्च एल्गोरिदम अक्सर मिस कर देते हैं या बहुत देर से पाते हैं।

पेपर इस विचार को भी खारिज करता है कि केवल एक कार्य से दूसरे कार्य में डेटा को कॉपी करना (जैसे जनसंख्या डेटा का उपयोग करके दुकान की बिक्री का अनुमान लगाना) अपने आप में अच्छा काम करता है। उन्होंने दिखाया कि LLM के स्मार्ट, सिमेंटिक मार्गदर्शन के बिना, केवल डेटा को एक साथ जोड़ने से वास्तव में भविष्यवाणियाँ खराब हो गईं। केवल डेटा होना पर्याप्त नहीं है; आपको यह समझना होगा कि डेटा आपके द्वारा पूछे जा रहे विशिष्ट प्रश्न से कैसे संबंधित है।

संक्षेप में, यह पेपर सुझाव देता है कि शहर के जीवन की भविष्यवाणी करने का भविष्य केवल अधिक डेटा या स्मार्ट इंसानों के बारे में नहीं है। यह कंप्यूटर को एक ऐसे साथी देने के बारे में है जो सोच सके, तर्क कर सके और सहयोग कर सके। AI एजेंटों को एक-दूसरे से चैट करने और शहर के डेटा ग्राफ को एक साथ एक्सप्लोर करने की अनुमति देकर, हम छिपे हुए पैटर्न को उजागर कर सकते हैं जो हमारे शहरी संसार के विकास के बारे में कहीं अधिक सटीक भविष्यवाणियों की ओर ले जाते हैं। लेखक आश्वस्त हैं कि AI और डेटा ग्राफ के बीच यह "टीमवर्क" हमारे शहरों को समझने का एक शक्तिशाली नया तरीका है, हालांकि वे नोट करते हैं कि जैसे-जैसे शहर समय के साथ बदलते हैं, इन प्रणालियों को भी सीखते रहने और अपडेट होने की आवश्यकता होगी, बिल्कुल उन शहरों की तरह जिनमें वे मौजूद हैं।