🤖 AI

Neural Orchestration for Multi-Agent Systems: A Deep Learning Framework for Optimal Agent Selection in Multi-Domain Task Environments

यह शोध पत्र MetaOrch का प्रस्ताव करता है, जो एक नवीन न्यूरल ऑर्केस्ट्रेशन फ्रेमवर्क है जो मल्टी-डोमेन कार्यों के लिए सबसे उपयुक्त एजेंट को गतिशील रूप से चुनने के लिए सुपरवाइज्ड लर्निंग और फजी इवैल्यूएशन का उपयोग करता है, जिससे 86.3% चयन सटीकता प्राप्त होती है और यह पारंपरिक स्टैटिक कोऑर्डिनेशन रणनीतियों से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Kushagra Agrawal, Nisharg Nargund

प्रकाशित 2026-04-21

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kushagra Agrawal, Nisharg Nargund

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 विशाल, हाई-टेक किचन के मैनेजर हैं। आपके पास शेफ की एक टीम है, लेकिन वे सभी बहुत अलग हैं:

शेफ A संकटों (जैसे किचन में आग लगना) को संभालने में माहिर है।
शेफ B कागजी कार्रवाई और रेसिपी लिखने में जीनियस है।
शेफ C एक "जैक ऑफ ऑल ट्रेड्स" है जो थोड़ा-बहुत सब कुछ कर सकता है, लेकिन किसी एक चीज़ में सबसे बेहतर नहीं है।

हर मिनट, एक नया ऑर्डर आता है। कभी-कभी यह लिखने के लिए एक जटिल कानूनी दस्तावेज़ होता है, कभी-कभी यह कोई संकट होता है जिसे सुलझाना होता है, और कभी-कभी यह एक साधारण अनुरोध होता है।

समस्या:
पुराने दिनों में, मैनेजर यह तय करने के लिए कि ऑर्डर किसे देना है, सरल नियमों का उपयोग करते थे।

द "रैंडम" (Random) तरीका: सिक्का उछालना। (कभी आपको बेहतरीन डिश मिलेगी, तो कभी आपदा)।
द "राउंड-रॉबिन" (Round-Robin) तरीका: पहला ऑर्डर शेफ A को दें, दूसरा शेफ B को, तीसरा शेफ C को, और इसे दोहराते रहें। (यह इस बात को नजरअंदाज करता है कि शेफ A कागजी कार्रवाई में बहुत बुरा है)।
द "स्टैटिक" (Static) तरीका: हमेशा उस शेफ को ऑर्डर दें जो आमतौर पर सबसे अच्छा काम करता है। (यह तब विफल हो जाता है जब ऑर्डर एक विशिष्ट आपात स्थिति हो जिसे केवल शेफ A ही संभाल सकता है)।

ये पुराने तरीके बहुत कठोर हैं। जब किचन में अफरा-तफरी मच जाती है या कोई नया प्रकार का ऑर्डर आता है, तो वे तालमेल नहीं बिठा पाते।

समाधान: "MetaOrch" (एक स्मार्ट मैनेजर)
इस शोधपत्र में एक नया सिस्टम पेश किया गया है जिसे MetaOrch कहा जाता है। इसे एक मानव मैनेजर के रूप में नहीं, बल्कि एक सुपर-स्मार्ट, AI-संचालित डिस्पैचर के रूप में सोचें जो अनुभव से सीखता है।

यह कैसे काम करता है, चरण-दर-चरण:

1. "दिमाग" (न्यूरल ऑर्केस्ट्रेशन - Neural Orchestration)

अनुमान लगाने के बजाय, MetaOrch निर्णय लेने से पहले दो चीजों को देखता है:

ऑर्डर: ग्राहक वास्तव में क्या चाहता है? (क्या यह जरूरी है? क्या यह तकनीकी है?)
शेफ की प्रोफाइल: प्रत्येक शेफ ने हाल ही में क्या किया है? क्या वे थके हुए हैं? क्या वे इस विशिष्ट प्रकार के कार्य के लिए अच्छे हैं?

AI एक मैचमेकर (जोड़ी बनाने वाले) की तरह कार्य करता है। यह सफलता की संभावना की गणना करता है और उस व्यक्ति को चुनता है जिसके द्वारा ग्राहक को खुश करने की सबसे अधिक संभावना होती है।

2. "रिपोर्ट कार्ड" (फजी इवैल्यूएशन - Fuzzy Evaluation)

एक शेफ द्वारा कार्य पूरा करने के बाद, MetaOrch केवल यह नहीं कहता कि "अच्छा काम किया" या "बुरा काम किया"। यह एक फजी इवैल्यूएशन मॉड्यूल का उपयोग करता है। कल्पना कीजिए कि एक शिक्षक छात्र को केवल पास/फेल के आधार पर नहीं, बल्कि तीन विशिष्ट चीजों पर ग्रेड दे रहा है:

पूर्णता (Completeness): क्या उन्होंने प्रश्न के हर भाग का उत्तर दिया?
प्रासंगिकता (Relevance): क्या वे विषय पर रहे, या वे इधर-उधर की बातें कर रहे थे?
आत्मविश्वास (Confidence): क्या वे निश्चित लग रहे थे, या वे हिचकिचा रहे थे?

यह एक "सॉफ्ट" स्कोर बनाता है। भले ही शेफ ने काम एकदम सटीक नहीं किया हो, सिस्टम सीखता है कि उन्होंने कहाँ चूक की। यह स्कोर वापस AI के दिमाग में फीड किया जाता है ताकि अगली बार के लिए उसे सिखाया जा सके।

3. लर्निंग लूप (Learning Loop)

यही असली जादू है।

पुराना तरीका: मैनेजर एक नियम पुस्तिका का पालन करता है जो पत्थर पर लिखी होती है।
MetaOrch का तरीका: मैनेजर एक छात्र है। हर बार जब कोई कार्य पूरा होता है, तो सिस्टम अपनी आंतरिक "नियम पुस्तिका" को अपडेट करता है। यदि शेफ A एक दस्तावेज़ कार्य में विफल रहता है, तो AI सीखता है, "ठीक है, अगली बार जब कोई दस्तावेज़ आए, तो मुझे शेफ A को नहीं चुनना चाहिए।"

परिणाम

शोधकर्ताओं ने इसे 300 विभिन्न कार्यों के साथ एक सिम्युलेटेड दुनिया में टेस्ट किया।

रैंडम सिलेक्शन (Random Selection) केवल 24% बार सही था।
राउंड-रॉबिन (Round-Robin) (बारी-बारी से लेना) 25% बार सही था।
MetaOrch 86% बार सही था!

इसने यह भी पता लगा लिया कि "शेफ A" (आपातकालीन विशेषज्ञ) को आपातकालीन कार्य संभालने चाहिए और "शेफ B" (दस्तावेज़ विशेषज्ञ) को कागजी कार्रवाई संभालनी चाहिए, भले ही सिस्टम ने बिना किसी जानकारी के शुरुआत की थी।

यह क्यों महत्वपूर्ण है?

वास्तविक दुनिया में, हम कई अलग-अलग AI "एजेंटों" (रोबोट, सॉफ्टवेयर बॉट्स, वर्चुअल असिस्टेंट) के साथ सिस्टम बना रहे हैं।

यदि आपके पास सेल्फ-ड्राइविंग कारों का बेड़ा है, तो आपको यह जानने की आवश्यकता है कि कौन सी कार बारिश वाली रात बनाम धूप वाली हाईवे के लिए सबसे अच्छी है।
यदि आपके पास AI बॉट्स की कस्टमर सर्विस टीम है, तो आपको यह जानने की आवश्यकता है कि कौन सा बॉट बिलिंग बनाम तकनीकी सहायता के लिए सबसे अच्छा है।

MetaOrch इस ऑर्केस्ट्रा का "कंडक्टर" है। यह वाद्य यंत्र नहीं बजाता; यह बस जानता है कि एक सुंदर सिम्फनी बनाने के लिए, शोर भरे हंगामे के बजाय, किस संगीतकार को किस समय कौन सा नोट बजाना चाहिए।

संक्षेप में: यह एक स्मार्ट सिस्टम है जो काम के लिए सही उपकरण चुनना सीखता है, अपनी हर गलती से बेहतर बनता है, और यह सुनिश्चित करता है कि जटिल कार्यों को उनके लिए सबसे उपयुक्त विशेषज्ञों द्वारा संभाला जाए।

यहाँ शोध पत्र "Neural Orchestration for Multi-Agent Systems: A Deep Learning Framework for Optimal Agent Selection in Multi-Domain Task Environments" (MetaOrch) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मल्टी-एजेंट सिस्टम्स (MAS) जटिल वास्तविक दुनिया के परिदृश्यों के अनुकरण के लिए महत्वपूर्ण हैं, फिर भी वे गतिशील कार्य आवंटन (dynamic task allocation) में महत्वपूर्ण चुनौतियों का सामना करते हैं। पारंपरिक ऑर्केस्ट्रेशन विधियाँ निम्नलिखित पर निर्भर करती हैं:

स्थिर ह्यूरिस्टिक्स (Static Heuristics): निश्चित नियम या यादृच्छिक चयन रणनीतियाँ जो विकसित होते कार्य आवश्यकताओं के अनुकूल होने में विफल रहती हैं।
कठोर मैपिंग (Rigid Mappings): हार्ड-कोडेड एजेंट-कार्य असाइनमेंट जिनमें लचीलेपन की कमी होती है।
मूल्यांकन का अभाव (Lack of Evaluation): प्रतिक्रिया की गुणवत्ता का मूल्यांकन करने के लिए एक मजबूत, डोमेन-अज्ञेय (domain-agnostic) तंत्र की अनुपस्थिति, जो समय के साथ सीखने और सुधार करने की प्रणाली की क्षमता को बाधित करती है।

मुख्य समस्या एक विशिष्ट कार्य के लिए सबसे उपयुक्त स्वायत्त एजेंट का चयन करने की कठिनाई है, जहाँ विषम वातावरण में एजेंट की क्षमताएं, विश्वसनीयता और कार्य संदर्भ गतिशील रूप से बदलते रहते हैं।

2. कार्यप्रणाली: MetaOrch फ्रेमवर्क (Methodology: The MetaOrch Framework)

लेखक MetaOrch का प्रस्ताव करते हैं, जो एक सुपरवाइज्ड लर्निंग फ्रेमवर्क है जिसे कार्य संदर्भ, एजेंट इतिहास और अपेक्षित प्रतिक्रिया गुणवत्ता के आधार पर एजेंटों को गतिशील रूप से चुनने के लिए डिज़ाइन किया गया है। सिस्टम आर्किटेक्चर में पांच मुख्य घटक शामिल हैं:

A. सिस्टम आर्किटेक्चर (System Architecture)

कार्य अंतर्ग्रहण और प्रतिनिधित्व (Task Ingestion & Representation): कार्यों को $\mathbb{R}^d$ (सामान्यीकृत टास्क वेक्टर) और $\mathbb{R}^c$ (कॉन्टेक्स्ट वेक्टर) में वेक्टर्स के रूप में दर्शाया जाता है, जो सिमेंटिक बारीकियों और परिचालन बाधाओं को कैप्चर करते हैं। कार्यों को डोमेन (जैसे, इमरजेंसी, डॉक्यूमेंट, जनरल) में वर्गीकृत किया जाता है।
एजेंट प्रोफाइलिंग मॉड्यूल (Agent Profiling Module): प्रत्येक एजेंट ( $A_i$ $A_{i}$ ) एक गतिशील प्रोफाइल ( $P_i$ $P_{i}$ ) बनाए रखता है जिसमें शामिल हैं:
- कौशल (Skills): पूर्व-घोषित क्षमताएं।
- इतिहास (History): परिणामों और प्रदर्शन स्कोर का एक स्लाइडिंग विंडो (जैसे, पिछले 10 कार्य)।
- एम्बेडिंग (Embedding): गुप्त व्यवहारिक लक्षणों को सारांशित करने वाला एक सीखा हुआ वेक्टर।
- उपलब्धता (Availability): वर्तमान वर्कलोड स्थिति।
न्यूरल ऑर्केस्ट्रेशन मॉडल (Neural Orchestration Model): एक मल्टी-लेयर फीडफॉरवर्ड न्यूरल नेटवर्क ( $f_\theta$ ) सेलेक्टर के रूप में कार्य करता है। यह सॉफ्टमैक्स लेयर के माध्यम से एजेंट इंडेक्स पर संभाव्यता वितरण ( $\hat{y}$ ) आउटपुट करने के लिए टास्क कॉन्टेक्स्ट, टास्क वेक्टर और सभी उपलब्ध एजेंट प्रोफाइल्स के संयोजित इनपुट को लेता है।
फजी इवैल्यूएशन मॉड्यूल (Fuzzy Evaluation Module): एक अभिनव घटक जो तीन व्याख्या योग्य अक्षों पर एजेंट की प्रतिक्रियाओं को स्कोर करता है:
- पूर्णता (Completeness): क्या प्रतिक्रिया ने सभी टास्क पहलुओं को संबोधित किया?
- प्रासंगिकता (Relevance): क्या प्रतिक्रिया संदर्भ के अनुसार उपयुक्त थी?
- आत्मविश्वास (Confidence): क्या प्रतिक्रिया आंतरिक रूप से सुसंगत थी?
- तंत्र (Mechanism): स्कोर की गणना ह्यूरिस्टिक फंक्शन (Eqs. 1–3) का उपयोग करके की जाती है और अंतिम फजी क्वालिटी स्कोर उत्पन्न करने के लिए उपयोगकर्ता-निर्धारित भार (जैसे, 0.4/0.4/0.2) के साथ संयोजित किया जाता है।
सुपरवाइज्ड लर्निंग फीडबैक लूप (Supervised Learning Feedback Loop): सिस्टम "सॉफ्ट सुपरविजन लेबल्स" उत्पन्न करने के लिए फजी इवैल्यूएशन मॉड्यूल का उपयोग करता है। उच्चतम फजी स्कोर वाले एजेंट को "ओरेकल" (ग्राउंड ट्रुथ) माना जाता है। ऑर्केस्ट्रेटर को क्रॉस-एन्ट्रॉपी लॉस (अनुमानित बनाम ओरेकल चयन की तुलना) और एक कॉन्फिडेंस रिग्रेशन लॉस का उपयोग करके प्रशिक्षित किया जाता है।

B. एजेंट सिमुलेशन डिज़ाइन (Agent Simulation Design)

सिमुलेशन वातावरण में पैरामीटराइज्ड एजेंट शामिल हैं जिनमें हैं:

स्किल वेक्टर्स (Skill Vectors): एनकोडेड क्षमताएं।
विशेषज्ञता वेक्टर्स (Expertise Vectors): संदर्भों के साथ पूर्व परिचितता।
विश्वसनीयता स्कोर (Reliability Scores): गॉसियन नॉइज़ ( $\epsilon_i \sim N(0, 1-r_i)$ ) के माध्यम से मॉडल किया गया।
प्रदर्शन गणना (Performance Calculation): एक एजेंट का स्कोर स्किल वेक्टर और टास्क वेक्टर के बीच की दूरी के आधार पर नियत रूप से कैश किया जाता है, जिसे कॉन्टेक्स्ट अलाइनमेंट और नॉइज़ द्वारा समायोजित किया जाता है।

3. प्रमुख योगदान (Key Contributions)

न्यूरल ऑर्केस्ट्रेशन (Neural Orchestration): स्थिर नियमों से हटकर एक डीप लर्निंग-आधारित दृष्टिकोण की ओर बढ़ना जो किसी भी टास्क-कॉन्टेक्स्ट पेयर के लिए इष्टतम एजेंट का अनुमान लगाने के लिए सीखता है।
सुपरविजन के लिए फजी इवैल्यूएशन (Fuzzy Evaluation for Supervision): बाइनरी सफलता/विफलता के बजाय व्याख्या योग्य मेट्रिक्स (पूर्णता, प्रासंगिकता, आत्मविश्वास) के आधार पर सॉफ्ट सुपरविजन लेबल उत्पन्न करने के लिए एक तंत्र पेश करना, जो स्व-पर्यवेक्षित (self-supervised) सुधार को सक्षम बनाता है।
मॉड्यूलर और विस्तार योग्य आर्किटेक्चर (Modular & Extensible Architecture): फ्रेमवर्क ऑर्केस्ट्रेशन को एजेंट कार्यान्वयन से अलग करता है, जिससे एजेंटों को स्वतंत्र रूप से पंजीकृत, अपडेट और क्वेरी किया जा सकता है।
ह्यूमन-इन-द-लूप सपोर्ट (Human-in-the-Loop Support): सुरक्षा-महत्वपूर्ण तैनाती के लिए एक GUI डैशबोर्ड शामिल है, जो मानव ऑपरेटरों को निर्णयों को ओवरराइड करने और प्रशिक्षण पाइपलाइन में विशेषज्ञ फीडबैक डालने की अनुमति देता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन तीन डोमेन (इमरजेंसी, डॉक्यूमेंट, जनरल) में हेटेरोजेनियस एजेंटों के साथ एक सिम्युलेटेड वातावरण में 300 होल्ड-आउट टेस्ट टास्क पर किया गया।

चयन सटीकता (Selection Accuracy): MetaOrch ने 86.3% चयन सटीकता प्राप्त की।
- तुलना: रैंडम सिलेक्शन (24.3%) और राउंड-रॉबिन (25.7%) से काफी बेहतर प्रदर्शन किया।
- नोट: जबकि एक "Static-Best" रणनीति ने उच्च औसत आउटपुट गुणवत्ता (0.751) प्राप्त की, इसकी चयन सटीकता बहुत कम (5.7%) थी, जो सिद्ध करता है कि स्थिर नियम विशिष्ट संदर्भों में एजेंटों को मिलाने में विफल रहते हैं।
प्रशिक्षण अभिसरण (Training Convergence): 500 इटरेशन के दौरान, क्रॉस-एन्ट्रॉपी लॉस 80.2% (1.4065 से 0.2789) कम हुआ, और कॉन्फिडेंस रिग्रेशन लॉस में 93.7% का सुधार हुआ।
हाइपरपैरामीटर ऑप्टिमाइजेशन (Hyperparameter Optimization): इष्टतम कॉन्फ़िगरेशन ने दो-स्तरीय आर्किटेक्चर (128, 64 हिडन यूनिट्स), 0.01 की लर्निंग रेट और 128 के बैच साइज का उपयोग किया, जिससे 91.1% की वैलिडेशन सटीकता प्राप्त हुई।
कन्फ्यूजन विश्लेषण (Confusion Analysis): मॉडल ने "इमरजेंसी" और "डॉक्यूमेंट" एजेंटों को क्रमशः 212 और 46 बार सही ढंग से पहचाना। कन्फ्यूजन मुख्य रूप से इमरजेंसी और डॉक्यूमेंट डोमेन के बीच हुआ, जो उन विशिष्ट संदर्भों में कार्य अस्पष्टता का सुझाव देता है।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

महत्व (Significance):
MetaOrch यह प्रदर्शित करता है कि न्यूरल ऑर्केस्ट्रेशन मल्टी-एजेंट सिस्टम की स्वायत्तता, अनुकूलन क्षमता और व्याख्यात्मकता को महत्वपूर्ण रूप से बढ़ा सकता है। फजी लॉजिक का उपयोग करके प्रशिक्षण संकेत (training signals) उत्पन्न करके, सिस्टम गुणात्मक मानव मूल्यांकन और मात्रात्मक मशीन लर्निंग के बीच के अंतर को पाटता है, जो उन गतिशील वातावरणों के लिए एक मजबूत समाधान प्रदान करता है जहाँ पारंपरिक ह्यूरिस्टिक्स विफल हो जाते हैं।

सीमाएँ और भविष्य की दिशाएँ (Limitations & Future Directions):

वर्तमान सीमाएँ: सिस्टम को "जनरलिस्ट" एजेंट (एजेंट 2) को चुनने में कठिनाई हुई, और निश्चित-लंबाई वाली हिस्ट्री विंडो दीर्घकालिक रुझानों को मिस कर सकती है।
भविष्य का दायरा (Future Scope):
- दीर्घकालिक अनुकूलन के लिए रीइन्फोर्समेंट लर्निंग (RL) को एकीकृत करना।
- सिंगल-एजेंट चयन से मल्टी-एजेंट सहयोग की ओर बढ़ना।
- विविध डोमेन में ट्रांसफर लर्निंग लागू करना।
- समृद्ध कार्य प्रतिनिधित्व और फीडबैक के लिए लार्ज लैंग्वेज मॉडल्स (LLMs) का लाभ उठाना।

निष्कर्षतः, MetaOrch एजेंट ऑर्केस्ट्रेशन के लिए एक स्केलेबल, डेटा-संचालित दृष्टिकोण प्रदान करता है जो विविध उद्योगों में स्वायत्त प्रणालियों के प्रसार के साथ तेजी से महत्वपूर्ण होने वाला है।