RAS: Retrieval-And-Structuring for Knowledge-Intensive LLM Generation
यह शोध पत्र रिट्रीवल-एंड-स्ट्रक्चरिंग (RAS) का प्रस्ताव करता है, जो एक ऐसा ढांचा है जो पुनरावृत्तिपूर्ण रिट्रीवल और संरचित ज्ञान निर्माण के माध्यम से प्रश्न-विशिष्ट नॉलेज ग्राफ को गतिशील रूप से निर्मित करता है ताकि ज्ञान-गहन कार्यों पर लार्ज लैंग्वेज मॉडल्स के मल्टी-स्टेप रीजनिंग 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 एक बहुत ही पेचीदा रहस्य सुलझाने की कोशिश कर रहे हैं, जैसे कि यह पता लगाना कि एक प्रसिद्ध वैज्ञानिक ने शादी के बाद वास्तव में किस धर्म का पालन किया था। आपके पास किताबों का एक विशाल पुस्तकालय (इंटरनेट) उपलब्ध है, लेकिन आप हर एक पन्ना नहीं पढ़ सकते।
वर्तमान तरीकों की समस्या
आज के अधिकांश AI असिस्टेंट एक ऐसे छात्र की तरह काम करते हैं जिसे कागजों का एक ढेर थमा दिया जाता है। उन्हें कहा जाता है, "यहाँ इस वैज्ञानिक के बारे में पाँच दस्तावेज़ हैं; एक उत्तर लिखें।" छात्र को उन अव्यवस्थित और अनियंत्रित कागजों को पढ़ना पड़ता है, दिमाग में बिंदुओं को जोड़ने की कोशिश करनी पड़ती है, और यह उम्मीद करनी पड़ती है कि वे अपनी ओर से कुछ मनगढ़ंत न बना दें (जिसे "हैलुसिनेशन" या भ्रम की समस्या कहा जाता है)। यदि कागज एक-दूसरे का खंडन करते हैं या समझने में कठिन हैं, तो छात्र भ्रमित हो जाता है और गलत या अस्थिर उत्तर देता है।
नया समाधान: RAS (रिट्रीवल-एंड-स्ट्रक्चरिंग)
यह पेपर एक नए फ्रेमवर्क RAS को पेश करता है। RAS को कागजों के ढेर को पढ़ने वाले छात्र के रूप में नहीं, बल्कि एक केस फाइल बनाने वाले जासूस के रूप में सोचें।
RAS इस प्रकार काम करता है, हमारे जासूसी उदाहरण का उपयोग करते हुए, चरण-दर-चरण:
- जासूस की योजना (प्लानिंग):
रैंडम कागज उठाने के बजाय, जासूस पहले पूछता है: "मुझे अभी वास्तव में क्या जानने की ज़रूरत है?"
- यदि AI को उत्तर पहले से पता है, तो वह रुक जाता है और रिपोर्ट लिख देता है।
- यदि उसे नहीं पता, तो वह एक विशिष्ट, केंद्रित प्रश्न (एक "सब-क्वेरी") बनाता है ताकि पहेली के लापता हिस्से को खोजा जा सके। यह कुछ ऐसा है जैसे कहना, "मुझे पता है कि उन्होंने किससे शादी की, लेकिन मुझे नहीं पता कि वे क्या मानते थे। आइए विशेष रूप से उनके धार्मिक विचारों को खोजने के लिए खोज करें।"
- सबूत जुटाना और उन्हें व्यवस्थित करना (रिट्रीवल एंड स्ट्रक्चरिंग):
जासूस पुस्तकालय जाता है, उस केंद्रित प्रश्न का उत्तर देने वाले विशिष्ट पृष्ठ ढूंढता है, और फिर एक महत्वपूर्ण कार्य करता है: वे केवल पृष्ठों को पढ़ते नहीं हैं; वे तथ्यों को एक मानचित्र (मैप) में बदल देते हैं।
- लंबे, अव्यवस्थित पैराग्राफों के रूप में टेक्स्ट रखने के बजाय, RAS जानकारी को सरल, स्पष्ट तथ्यों में तोड़ देता है: विषय (मैरी क्यूरी) -> संबंध (विश्वास करते थे) -> वस्तु (नास्तिकता)।
- वह इन तथ्यों को एक व्हाइटबोर्ड (एक "नॉलेज ग्राफ") पर खींचता है। यदि उसे बाद में कोई नया तथ्य मिलता है, तो वह पिछले तथ्यों से जोड़कर उस तथ्य को मैप में जोड़ देता है। यह इस विशेष रहस्य के लिए एक बढ़ते हुए, व्यवस्थित सत्य के जाल का निर्माण करता है।
- मामले को सुलझाना (आंसर्सिंग):
अंत में, जासूस उस पूर्ण मानचित्र को देखता है। क्योंकि जानकारी तार्किक और स्पष्ट रूप से व्यवस्थित है, AI बिना शोर-शराबे में खोए पूरी तस्वीर देख सकता है। वह केवल मानचित्र पर मौजूद स्पष्ट संबंधों के आधार पर अंतिम उत्तर लिखता है।
यह बेहतर क्यों है?
- कोई "ब्रेन फॉग" नहीं: पुराने तरीके AI को अनुमान लगाने के लिए मजबूर करते हैं कि तथ्य कैसे जुड़ते हैं। RAS कनेक्शनों को स्पष्ट रूप से बनाता है, जैसे कि मानचित्र पर रेखाएं खींचना।
- समय की बर्बादी नहीं: यह पूरी लाइब्रेरी नहीं पढ़ता। यह केवल वही देखता है जिसकी उसे आवश्यकता है, और फिर उसे व्यवस्थित करता है।
- कम गलतियाँ: अव्यवस्थित टेक्स्ट को संरचित तथ्यों में बदलकर, AI द्वारा कुछ भी मनगढ़ंत बनाने की संभावना कम हो जाती है।
परिणाम
लेखकों ने इस "जासूस" का परीक्षण सात अलग-अलग प्रकार के कठिन ज्ञान कार्यों (जैसे जटिल विज्ञान संबंधी प्रश्नों का उत्तर देना या लंबे, विस्तृत विवरण लिखना) पर किया।
- ओपन-सोर्स AI मॉडल का उपयोग करते समय, RAS ने सटीकता में लगभग 7% का सुधार किया।
- शक्तिशाली, सशुल्क (प्रोपराइटरी) AI मॉडल का उपयोग करते समय, इसने सटीकता में लगभग 8.7% का सुधार किया।
मुख्य बात
RAS इस बात को बदल देता है कि AI ज्ञान को कैसे संभालता है। अनव्यवस्थित टेक्स्ट के समुद्र में डूबने के बजाय, यह एक स्मार्ट ऑर्गनाइज़र की तरह काम करता है, जो पूछे गए हर सवाल के लिए एक कस्टम, तथ्य-आधारित मानचित्र बनाता है। यह AI को स्मार्ट, अधिक सटीक और जटिल समस्याओं के माध्यम से तर्क करने में बहुत बेहतर बनाता 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।