Combining Abstract Argumentation and Machine Learning for Efficiently Analyzing Low-Level Process Event Streams
यह योगदान एक डेटा-कुशल न्यूरो-सिम्बोलिक दृष्टिकोण प्रस्तावित करता है जो निम्न-स्तरीय प्रक्रिया घटना धाराओं (process event streams) की सटीक व्याख्या करने और पूर्व ज्ञान का उपयोग करके संभावित व्याख्याओं को परिष्कृत करने के लिए एक मशीन लर्निंग सीक्वेंस टैगर को एक अमूर्त तर्क ढांचे (abstract argumentation framework) के साथ जोड़ता है, जिससे डेटा की कमी और कम्प्यूटेशनल जटिलता की सीमाओं को दूर 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 कहानी को समझने की कोशिश कर रहे हैं, लेकिन आपके पास वास्तविक कथानक के बजाय केवल कच्चे, निम्न-स्तरीय कार्यों (low-level actions) की एक सूची है।
समस्या: "अनुवाद" का अंतर (The "Translation" Gap)
एक अस्पताल के मरीज के कार्यप्रवाह (workflow) पर विचार करें। एक कंप्यूटर लॉग कुछ बहुत ही छोटे, विशिष्ट कार्यों का क्रम रिकॉर्ड कर सकता है: "मरीज को छुआ गया," "रक्त निकाला गया," "दबाव मापा गया," "सुई डाली गई।" ये निम्न-स्तरीय घटनाएँ (low-level events) हैं।
हालाँकि, एक डॉक्टर या प्रबंधक इन छोटे कार्यों की सूची नहीं देखना चाहता; वह उच्च-स्तरीय कहानी (high-level story) जानना चाहता है: "तैयारी (Preparation)," "इनपेशेंट एडमिशन (Inpatient Admission)," और "प्री-ऑपरेटिव (Pre-Operative)।"
समस्या यह है कि एक छोटी सी क्रिया (जैसे "रक्त निकाला गया") इन तीनों प्रमुख चरणों में से किसी में भी हो सकती है। यह एक फिल्म में एक पात्र द्वारा कप उठाने जैसा है। क्या वे मीटिंग से पहले कॉफी पी रहे हैं? क्या वे अतिथि के लिए चाय डाल रहे हैं? या वे बस सफाई कर रहे हैं? संदर्भ के बिना, यह एक अनुमान लगाने का खेल है। यदि आप गलत अनुमान लगाते हैं, तो रोगी देखभाल का पूरा विवरण भ्रमित हो जाएगा।
पुराने दृष्टिकोण (The Old Approaches)
यह शोध पत्र इस समस्या को हल करने के दो पुराने तरीकों का वर्णन करता है, जिनमें दोनों की कमियाँ थीं:
- "सख्त नियम पुस्तिका" दृष्टिकोण (एब्स्ट्रैक्ट रीजनिंग - Abstract Reasoning):
कल्पना कीजिए कि एक बहुत ही सख्त, तार्किक जासूस है जो अस्पताल के सभी नियमों को जानता है।
- नियम: "सर्जरी से पहले, इनपेशेंट एडमिशन होना चाहिए।"
- नियम: "आप प्री-ऑपरेटिव प्रक्रियाएं तब तक शुरू नहीं कर सकते जब तक कि तैयारी पूरी न हो जाए।"
यह जासूस हर संभव कहानी की नियमों के विरुद्ध जाँच करता है। यदि कोई कहानी नियम तोड़ती है, तो उसे खारिज कर दिया जाता है। - कमी: कभी-कभी नियम बहुत ढीले होते हैं। जासूस कह सकता है: "खैर, तकनीकी रूप से यह एक इनपेशेंट एडमिशन हो सकता है, या यह एक प्री-ऑपरेटिव चरण हो सकता है, या यह तैयारी हो सकती है।" जासूस आपको 50 संभावनाओं की एक लंबी सूची दे देता है। यह सटीक है, लेकिन यह बहुत अधिक और गणना करने में धीमा है।
- "पैटर्न पहचान" दृष्टिकोण (मशीन लर्निंग - Machine Learning):
कल्पना कीजिए कि एक छात्र जिसने हजारों पिछले रोगी के वृत्तांत पढ़े हैं।
- यह कैसे काम करता है: छात्र देखता है "रक्त निकाला गया" और याद करता है: "आह, मैंने जितने भी किस्से पढ़े हैं उनमें से 80% में, यह इनपेशेंट एडमिशन के दौरान हुआ था।"
- कमी: इस छात्र को पिछले वृत्तांतों के एक विशाल पुस्तकालय की आवश्यकता होती है ताकि वह सीख सके। यदि छात्र ने पर्याप्त उदाहरण नहीं देखे हैं, तो वह गलत अनुमान लगा सकता है। इसके अलावा, वह सख्त नियमों को नहीं जानता। वह "रक्त निकाला गया" की घटना के लिए "प्री-ऑपरेटिव" का अनुमान लगा सकता है, भले ही नियम कहते हों कि अभी प्री-ऑपरेटिव प्रक्रियाएं नहीं हो सकतीं।
नया समाधान: "न्यूरो-सिंबोलिक" टीम (The "Neuro-Symbolic" Team)
लेखक एक कठोर जासूस (Reasoner) और एक पैटर्न पहचान प्रणाली (Machine Learning) के बीच सहयोग का प्रस्ताव देते हैं। वे इसे "न्यूरो-सिंबोलिक" दृष्टिकोण कहते हैं।
यहाँ वे वास्तविक समय में एक साथ कैसे काम करते हैं:
- पहला प्रयास: पैटर्न पहचान एल्गोरिदम (मशीन लर्निंग) वर्तमान घटना और उससे पहले हुई घटनाओं के इतिहास को देखता है। वह कहता है: "मुझे 80% यकीन है कि यह एक इनपेशेंट एडमिशन है, 15% तैयारी है, और 5% प्री-ऑपरेटिव है।" यह सबसे संभावित कहानियों की एक क्रमबद्ध सूची प्रदान करता है।
- वास्तविकता की जाँच (The Reality Check): सख्त जासूस (Reasoner) इस छोटी सूची को लेता है और कठोर नियमों के विरुद्ध इसकी जाँच करता है।
- "रुको," जासूस कहता है। "नियम कहते हैं कि प्री-ऑपरेटिव प्रक्रियाएं अभी नहीं हो सकतीं। इसलिए, यह 5% का अनुमान असंभव है। मैं इसे काट दूँगा।"
- "साथ ही," जासूस जोड़ता है, "नियम कहते हैं कि आप एक के बाद एक दो इनपेशेंट एडमिशन नहीं रख सकते। इसलिए, यह 15% का अनुमान भी अमान्य है।"
- अंतिम उत्तर: सिस्टम उपयोगकर्ता को केवल वैध (valid) विकल्प प्रस्तुत करता है, जिन्हें पैटर्न पहचान एल्गोरिदम द्वारा दिए गए संभाव्यता (probability) के आधार पर क्रमबद्ध किया गया है।
यह एक बड़ी बात क्यों है?
शोध पत्र का दावा है कि यह सहयोग पुराने तरीकों की कमजोरियों को दूर करता है:
- यह तेज़ और स्पष्ट है: जासूस द्वारा आपको 50 भ्रमित करने वाली संभावनाओं को देने के बजाय, पैटर्न पहचान एल्गोरिदम इसे शीर्ष 3 तक कम कर देता है, और जासूस बस यह पुष्टि करता है कि उनमें से कौन से वैध हैं। आपको सबसे अच्छे उत्तरों की एक छोटी, क्रमबद्ध सूची प्राप्त होती है।
- यह कम डेटा के साथ काम करता है: पैटर्न पहचान एल्गोरिदम को अच्छी तरह सीखने के लिए आमतौर पर हजारों उदाहरणों की आवश्यकता होती है। लेकिन चूंकि सख्त जासूस वहां गलतियों को सुधारने के लिए मौजूद है, इसलिए पैटर्न पहचान एल्गोरिदम को पूर्ण होने की आवश्यकता नहीं है। भले ही छात्र ने बहुत कम किताबें पढ़ी हों, जासूस अभी भी उसे मूर्खतापूर्ण गलतियाँ करने से रोक सकता है। शोध पत्र के प्रयोग दिखाते हैं कि यह टीम अकेले छात्र की तुलना में काफी बेहतर प्रदर्शन करती है, भले ही प्रशिक्षण के बहुत कम उदाहरण हों।
- यह "क्यों" समझाता है: यदि सिस्टम किसी विचार को खारिज करता है, तो जासूस बता सकता है कि उसने ऐसा क्यों किया (जैसे, "मैंने 'प्री-ऑपरेटिव' को इसलिए खारिज कर दिया क्योंकि नियम कहते हैं कि 'तैयारी' पहले होनी चाहिए")।
संक्षेप में
यह शोध पत्र एक ऐसे सिस्टम का परिचय देता है जो मशीन लर्निंग मॉडल की अंतर्ज्ञान (intuesthesia/intuition) (पैटर्न पर आधारित) को एक नियम-आधारित प्रणाली (जो तथ्यों की जाँच करती है) के तर्क (logic) के साथ जोड़ता है। यह एक ऐसा उपकरण बनाता है जो इतना बुद्धिमान है कि सही कहानी का अनुमान लगा सके, इतना तेज़ है कि वास्तविक समय में ऐसा कर सके, और इतना सख्त है कि यह सुनिश्चित कर सके कि कहानी नियमों के अनुसार अर्थपूर्ण हो। यह विशेष रूप से तब उपयोगी है जब आपके पास कंप्यूटर को अपने आप सब कुछ सिखाने के लिए पर्याप्त पिछले उदाहरण नहीं होते हैं।
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।