AI University: An LLM-Powered Learning Assistant for Engineering---A Finite Element Method Case Study

उच्च शिक्षा की दुनिया में, विशेष रूप से इंजीनियरिंग और भौतिकी जैसे क्षेत्रों में, सीखने की प्रक्रिया में अक्सर उन जटिल, अमूर्त अवधारणाओं में महारत हासिल करना शामिल होता है जो भौतिक दुनिया के व्यवहार का वर्णन करती हैं। ऐसी ही एक अवधारणा 'फाइनाइट एलीमेंट मेथड' (finite element method) है, जो एक शक्तिशाली संख्यात्मक तकनीक है जिसका उपयोग उन कठिन गणितीय समस्याओं को हल करने के लिए किया जाता है जो यह बताती हैं कि एक पुल भार के नीचे कैसे झुकता है या एक जेट इंजन के माध्यम से गर्मी कैसे प्रवाहित होती है। दशकों से, छात्र इन विषयों को व्याख्यानों, पाठ्यपुस्तकों और समस्या सेटों के माध्यम से सीखते आए हैं, और सामग्री की बारीकियों को समझाने के लिए मानव प्रशिक्षकों पर निर्भर रहे हैं। आज, इस प्रक्रिया में सहायता के लिए एक नया उपकरण उभरा है: लार्ज लैंग्वेज मॉडल (large language model)। ये कृत्रिम बुद्धिमत्ता (AI) प्रणालियाँ हैं जिन्हें इंटरनेट से प्राप्त विशाल मात्रा में टेक्स्ट पर प्रशिक्षित किया गया है, जो लगभग किसी भी विषय पर प्रश्न पूछने और स्पष्टीकरण उत्पन्न करने में सक्षम हैं। हालाँकि, जबकि ये सामान्य मॉडल अविश्वसनीय रूप से जानकार हैं, वे अक्सर किसी विशेष विश्वविद्यालय पाठ्यक्रम की विशिष्ट आवाज़, शैली और गहराई की कमी रखते हैं। वे किसी अवधारणा को सही ढंग से समझा सकते हैं, लेकिन उस तरह से नहीं जैसे कि कोई विशिष्ट प्रोफेसर उसे पढ़ाता है, जिससे छात्र अपरिचित शब्दावली या कक्षा में उपयोग किए गए विशिष्ट उदाहरणों के कारण भ्रमित हो सकते हैं।

दक्षिणी कैलिफोर्निया विश्वविद्यालय के शोधकर्ताओं ने इस अंतर को पाटने के लिए 'एआई यूनिवर्सिटी' (AI University) नामक एक प्रणाली विकसित की है। उनका लक्ष्य एक ऐसा शिक्षण सहायक बनाना था जो न केवल विषय का ज्ञान रखता हो, बल्कि उस विशिष्ट पाठ्यक्रम की भाषा भी बोलता हो जिसकी वह सहायता कर रहा है। इस विचार का परीक्षण करने के लिए, उन्होंने फाइनाइट एलीमेंट मेथड को समर्पित एक स्नातक स्तर के इंजीनियरिंग पाठ्यक्रम पर ध्यान केंद्रित किया। शोधकर्ताओं ने एक ढांचा तैयार किया जो एक विशेष कृत्रिम बुद्धिमत्ता को एक ऐसी प्रणाली के साथ जोड़ता है जो पाठ्यक्रम की अपनी सामग्रियों, जिसमें रिकॉर्ड किए गए वीडियो व्याख्यान, व्याख्यान नोट्स और पाठ्यपुस्तकें शामिल हैं, के माध्यम से तुरंत खोज कर सकती है। इसका परिणाम एक डिजिटल ट्यूटर है जो मानव प्रशिक्षक के समान स्वर, शैली और संदर्भों के साथ छात्रों के प्रश्नों का उत्तर दे सकता है, और साथ ही सीधे उस सटीक क्षण की ओर संकेत कर सकता है जहाँ वीडियो व्याख्यान या पुस्तक के पृष्ठ पर अवधारणा को मूल रूप से समझाया गया था।

प्रक्रिया की शुरुआत एक कस्टम डेटासेट के निर्माण के साथ हुई। शोधकर्ताओं ने पाठ्यक्रम की प्राथमिक पाठ्यपुस्तक, व्याख्यान ट्रांसक्रिप्ट और कोडिंग असाइनमेंट को लिया और उस सामग्री के आधार पर हजारों प्रश्न-उत्तर जोड़े उत्पन्न करने के लिए एक उन्नत एआई का उपयोग किया। यह चरण महत्वपूर्ण था; इसने यह सुनिश्चित किया कि एआई ने उस विशिष्ट तरीके को सीखा कि कैसे पाठ्यक्रम के प्रशिक्षक नए विचारों को पेश करते थे, उनके पसंदीदा प्रतीक क्या थे, और अपेक्षित विवरण की गहराई क्या थी। फिर उन्होंने इस डेटा का उपयोग एक मध्यम आकार के ओपन-सोर्स एआई मॉडल को "फाइन-ट्यून" (fine-tune) करने के लिए किया। फाइन-ट्यूनिंग एक ऐसी प्रक्रिया है जहाँ एक सामान्य एआई को किसी विशिष्ट विषय पर अतिरिक्त प्रशिक्षण दिया जाता है ताकि वह उस क्षेत्र में विशेषज्ञ बन सके। शोधकर्ताओं ने 'लो-रैंक अडैप्टेशन' (Low-Rank Adaptation) नामक एक तकनीक का उपयोग किया, जो मॉडल को बिना पूरी तरह से पुनर्गठित किए कुशलतापूर्वक नई सामग्री सीखने की अनुमति देता है। परिणामी मॉडल, जिसे उन्होंने 'LLaMA-TOMMI-1.0' नाम दिया, को पाठ्यक्रम की शिक्षण शैली की नकल करने के लिए डिज़ाइन किया गया था।

हालाँकि, शोधकर्ता जानते थे कि पिछली सामग्रियों पर प्रशिक्षित मॉडल नए प्रश्नों के साथ संघर्ष कर सकता है या यदि वह अपने सामान्य प्रशिक्षण पर बहुत अधिक निर्भर करता है तो गलतियाँ कर सकता है। इसे हल करने के लिए, उन्होंने सिस्टम में एक दूसरा स्तर बनाया। जब कोई छात्र प्रश्न पूछता है, तो सिस्टम पहले विशेषज्ञ मॉडल से उत्तर मांगता है। फिर यह तुरंत पाठ्यपुस्तक या वीडियो व्याख्यानों से प्रासंगिक अनुभागों को खोजने के लिए डेटाबेस की खोज करता है। एक दूसरा, अधिक तार्किक एआई मॉडल एक 'सिंथेसाइज़र' (synthesizer) के रूप में कार्य करता है। यह विशेषज्ञ मॉडल से प्रारंभिक उत्तर और पुनर्प्राप्त पाठ्यक्रम सामग्री को लेता है, उनकी तुलना करता है, और एक अंतिम प्रतिक्रिया तैयार करता है। यदि विशेषज्ञ मॉडल का उत्तर मजबूत है, तो सिंथेसाइज़र उसे पाठ्यक्रम सामग्री के उद्धरणों के साथ समृद्ध करता है। यदि उत्तर कमजोर या गलत है, तो सिंथेसाइज़र उसे अनदेखा कर देता है और पूरी तरह से पुनर्प्राप्त पाठ्यक्रम सामग्री के आधार पर एक नया उत्तर बनाता है। इस प्रणाली में एक "सोचने" (thinking) का चरण भी शामिल है जहाँ एआई अपने तर्क को समझाता है और अपने उत्तर को एक आत्मविश्वास स्तर (confidence level) प्रदान करता है, जिससे छात्रों को यह समझने में मदद मिलती है कि निष्कर्ष तक कैसे पहुँचा गया।

टीम ने इस प्रणाली का कड़ाई से परीक्षण किया कि क्या यह वास्तव में एक मानक, अप्रशिक्षित एआई का उपयोग करने से बेहतर काम करती है। उन्होंने अपने कस्टम-ट्यून्ड मॉडल के प्रदर्शन की तुलना उसी एआई के मूल, अनमॉडिफाइड संस्करण के विरुद्ध किया। स्वचालित परीक्षणों में, फाइन-ट्यून किए गए मॉडल ने उत्तरों को पाठ्यक्रम सामग्री के "ग्राउंड ट्रुथ" (ground truth) के काफी करीब बनाया। जब एक मात्रात्मक माप द्वारा मूल्यांकन किया गया, तो विशेषज्ञ मॉडल ने 86% परीक्षण मामलों में उच्च स्कोर किया। इससे भी महत्वपूर्ण बात यह है कि जब पाठ्यक्रम सामग्री से परिचित मानव विशेषज्ञों ने उत्तरों की समीक्षा की, तो उन्होंने भी कस्टम मॉडल के प्रति मजबूत प्राथमिकता दिखाई। इन उन्नत उपयोगकर्ताओं ने बेस मॉडल की तुलना में लगभग दोगुना बार फाइन-ट्यून किए गए संस्करण को चुना जब उनसे पूछा गया कि पाठ्यक्रम की सामग्री को समझने के लिए कौन सी प्रतिक्रिया बेहतर थी।

शोधकर्ताओं ने अपने सिस्टम की तुलना एक बहुत ही शक्तिशाली, व्यावसायिक रूप से उपलब्ध एआई मॉडल से भी की जो पाठ्यक्रम के लिए फाइन-ट्यून नहीं किया गया था। हालांकि वाणिज्यिक मॉडल गणितीय रूप से परिष्कृत उत्तर देने में सक्षम था, लेकिन वह अक्सर उन अवधारणाओं और शब्दावली का उपयोग करता था जो विशिष्ट स्नातक कक्षा के दायरे से बाहर थे। यह कभी-कभी ऐसे उत्तर प्रदान करता था जो तकनीकी रूप से सही तो थे लेकिन छात्रों के वर्तमान अध्ययन स्तर के लिए बहुत उन्नत या अप्रासंगिक थे। इसके विपरीत, 'एआई यूनिवर्सिटी' प्रणाली ने लगातार पाठ्यक्रम की विशिष्ट शिक्षण शैली से मेल खाते उत्तर दिए और उन्हीं सामग्रियों का संदर्भ दिया जिनका छात्र उपयोग कर रहे थे। पाठ्यक्रम प्रशिक्षक ने, जिन्होंने स्वर और संरेखण के लिए प्रतिक्रियाओं का मूल्यांकन किया, 55% मामलों में कस्टम सिस्टम को प्राथमिकता दी, और उल्लेख किया कि यह कक्षा के अनुभव के एक स्वाभाविक विस्तार जैसा महसूस होता है।

इस परियोजना की एक प्रमुख विशेषता एक कामकाजी वेब एप्लिकेशन है जिसका छात्र उपयोग कर सकते हैं। यह इंटरफ़ेस उपयोगकर्ताओं को प्रश्न पूछने और उत्तर प्राप्त करने की अनुमति देता है जिसमें वीडियो व्याख्यानों के विशिष्ट टाइमस्टैम्प और पाठ्यपुस्तक के प्रासंगिक अनुभागों के क्लिक करने योग्य लिंक शामिल होते हैं। यह सुविधा विश्वास और पारदर्शिता की एक परत जोड़ती है, जिससे छात्र जानकारी को तुरंत सत्यापित कर सकते हैं। सिस्टम को लचीला बनाया गया है; जैसे-जैसे पाठ्यक्रम आगे बढ़ता है और नए व्याख्यान जोड़े जाते हैं, सिस्टम को इस नई सामग्री को शामिल करने के लिए अपडेट किया जा सकता है, जिससे यह सुनिश्चित होता है कि सहायक पूरे सेमेस्टर में अद्यतित रहे। शोधकर्ता इस बात पर जोर देते हैं कि उनका पूरा सिस्टम ओपन-सोर्स टूल्स का उपयोग करके बनाया गया है, जिसका अर्थ है कि इसे छात्र गोपनीयता की रक्षा के लिए स्थानीय रूप से होस्ट किया जा सकता है और यह मालिकाना डेटा साझाकरण पर निर्भर नहीं है।

अध्ययन यह निष्कर्ष निकालता है कि जबकि सामान्य कृत्रिम बुद्धिमत्ता मॉडल शक्तिशाली हैं, वे शिक्षा में सबसे प्रभावी तब होते हैं जब उन्हें किसी पाठ्यक्रम की विशिष्ट आवश्यकताओं और शैली के अनुरूप बनाया जाता है। 'एआई यूनिवर्सिटी' ढांचा यह प्रदर्शित करता है कि फाइन-ट्यूनिंग को एक रिट्रीवल सिस्टम (retrieval system) के साथ जोड़कर जो उत्तरों को विशिष्ट पाठ्यक्रम सामग्री में स्थापित करता है, एक ऐसा शिक्षण सहायक बनाना संभव है जो सटीक और शैक्षणिक रूप से संरेखित दोनों हो। परिणाम बताते हैं कि यह दृष्टिकोण उच्च शिक्षा में एआई को एकीकृत करने के लिए एक व्यावहारिक मार्ग प्रदान करता है, जो छात्रों को एक ऐसा उपकरण प्रदान करता है जो उनके प्रशिक्षक की अनूठी आवाज़ और संरचना को खोए बिना उनके सीखने में सहायता करता है। शोधकर्ता नोट करते हैं कि हालांकि उनका अध्ययन उन्नत उपयोगकर्ताओं के एक छोटे समूह और एक एकल पाठ्यक्रम तक सीमित था, परिणामों की निरंतरता विज्ञान और इंजीनियरिंग के विशिष्ट क्षेत्रों में एआई को अनुकूलित करने की एक आशाजनक विधि की ओर संकेत करती है।