EdgeWisePersona: A Dataset for On-Device User Profiling from Natural Language Interactions

एक ऐसे घर की कल्पना करें जो आपको न केवल आपके द्वारा दिए गए आदेशों से, बल्कि आपके जीवन की लय से पहचानता है। वह समझता है कि जब बारिश वाली शाम को सूरज ढल रहा हो, तो आप रोशनी कम और हवा ठंडी रखना पसंद करते हैं, या यह कि आप टेलीविजन की आवाज़ तभी तेज़ करते हैं जब आप अकेले होते हैं। इस तरह की बुद्धिमत्ता के काम करने के लिए, एक उपकरण को अपने मालिक का एक विस्तृत चित्र बनाना होगा, जो वर्षों की बातचीत और आदतों से सीखता है। चुनौती यह है कि यह सीखना कहाँ होता है। वर्षों से, स्मार्ट उपकरण इन पैटर्नों को संसाधित करने के लिए क्लाउड में स्थित विशाल, दूरस्थ कंप्यूटर सर्वरों पर निर्भर रहे हैं। यह दृष्टिकोण अच्छा काम करता है, लेकिन यह संवेदनशील व्यक्तिगत डेटा को इंटरनेट के माध्यम से भेजता है, जिससे गोपनीयता के जोखिम और देरी पैदा होती है। आर्टिफिशियल इंटेलिजेंस का नया क्षितिज इस सोचने की शक्ति को सीधे उपकरण के भीतर लाने का लक्ष्य रखता है—जैसे आपका फोन, टैबलेट, या आपके लिविंग रूम में रखा स्पीकर। यह बदलाव त्वरित प्रतिक्रिया और पूर्ण गोपनीयता का वादा करता है, लेकिन इसके साथ एक बड़ी बाधा भी आती है: इन उपकरणों के भीतर लगी छोटी चिप्स उन विशाल सर्वरों की तुलना में बहुत कम शक्तिशाली होती हैं जिन्हें वे प्रतिस्थापित करती हैं। शोधकर्ता अब इस सवाल का सामना कर रहे हैं कि क्या एक छोटा, कुशल कंप्यूटर किसी विशाल सर्वर की मदद लिए बिना, एक इंसान की जटिल आदतों को वास्तव में सीख सकता है।

TCL रिसर्च यूरोप (वारसॉ) की एक शोध टीम ने 'एजवाइजपर्सोना' (EdgeWisePersona) नामक एक नया परीक्षण मैदान बनाकर इस प्रश्न को हल किया है। उन्होंने लोगों और उनके स्मार्ट होम सिस्टम के बीच सिम्युलेटेड (कृत्रिम) बातचीत का एक विशाल संग्रह बनाया, जिसे विशेष रूप से यह देखने के लिए डिज़ाइन किया गया था कि क्या छोटे, ऑन-डिवाइस कंप्यूटर केवल यह सुनकर कि उपयोगकर्ता क्या कह रहा है, यह पता लगा सकते हैं कि वह कौन है। शोधकर्ताओं ने वास्तविक दुनिया के डेटा पर भरोसा नहीं किया, जो अव्यवस्थित और असंगत हो सकता है। इसके बजाय, उन्होंने दो सौ अलग-अलग काल्पनिक उपयोगकर्ताओं से जुड़ी दस हजार विशिष्ट बातचीत उत्पन्न करने के लिए एक शक्तिशाली आर्टिफिशियल इंटेलिजेंस का उपयोग किया। प्रत्येक उपयोगकर्ता को एक गुप्त, संरचित "प्रोफ़ाइल" दी गई थी जो उनकी आदतों को परिभाषित करती थी। ये प्रोफ़ाइल केवल "मुझे नीली रोशनी पसंद है" जैसी सरल प्राथमिकताएं नहीं थीं। ये नियमों या दिनचर्या के जटिल सेट थे, जो विशिष्ट स्थितियों को विशिष्ट कार्यों से जोड़ते थे। उदाहरण के लिए, एक उपयोगकर्ता की एक दिनचर्या हो सकती है जो कहती है: "यदि शाम है, मौसम बारिश वाला है, और तापमान गर्म है, तो लिविंग रूम की लाइटों को गर्म रंग पर सेट करें और एयर कंडीशनिंग को एक विशिष्ट कम गति पर सेट करें।" शोधकर्ताओं ने फिर इन प्रोफाइल्स को AI में डाला ताकि स्वाभाविक, स्वतंत्र संवाद उत्पन्न किए जा सकें जहाँ उपयोगकर्ता अपने उपकरणों को सेटिंग्स बदलने के लिए कहेंगे, अक्सर मूल नियम को स्पष्ट रूप से बताए बिना।

अध्ययन का मुख्य कार्य यह देखना था कि क्या एक कंप्यूटर इन बातचीत को देखकर छिपे हुए नियमों को रिवर्स-इंजीनियर (पुनर्गठन) कर सकता है। शोधकर्ताओं ने विभिन्न आर्टिफिशियल इंटेलिजेंस मॉडलों से चैट हिस्ट्री को पढ़ने और उपयोगकर्ता की दिनचर्या लिखने के लिए कहा। उन्होंने इस क्षमता का परीक्षण दो प्रकार के मॉडलों पर किया: वे विशाल, क्लाउड-आधारित सिस्टम जो वर्तमान में सबसे उन्नत AI को संचालित करते हैं, और छोटे, कॉम्पैक्ट मॉडल जो मोबाइल फोन और टैबलेट पर चलने के लिए डिज़ाइन किए गए हैं। परिणाम स्पष्ट और प्रकट करने वाले थे। बड़े, क्लाउड-आधारित मॉडल इस कार्य में बेहद कुशल थे। वे बातचीत को पढ़ सकते थे और सटीक रूप से जटिल नियमों का पुनर्निर्माण कर सकते थे, सही समय, मौसम की स्थिति और विशिष्ट डिवाइस सेटिंग्स का अनुमान लगा सकते थे। वे एक आरामदायक माहौल की इच्छा और बारिश वाली शाम के बीच के सूक्ष्म संबंधों को समझ सकते थे।

हालाँकि, छोटे मॉडल काफी संघर्ष करते दिखे। हालांकि वे कभी-कभी उपयोगकर्ता क्या चाहता है इसका सामान्य विचार पकड़ लेते थे, लेकिन वे उन सटीक विवरणों को पकड़ने में विफल रहे जो एक स्मार्ट होम को वास्तव में बुद्धिमान बनाते हैं। जब सटीक तापमान सेटिंग या उपयोगकर्ता द्वारा पसंद किए जाने वाले विशिष्ट वॉल्यूम स्तर का अनुमान लगाने के लिए कहा गया, तो छोटे मॉडलों ने अक्सर बहुत बड़ी गलतियाँ कीं। वे अनुरोध की व्यापक श्रेणी का अनुमान लगाने में बेहतर थे, जैसे कि यह जानना कि उपयोगकर्ता लाइट चालू करना चाहता है, लेकिन वे अक्सर विशिष्ट ब्राइटनेस लेवल को गलत बताते थे। कई मामलों में, छोटे मॉडल यह अंतर नहीं कर सके कि उपयोगकर्ता एयर कंडीशनिंग को "कूल" मोड पर चाहता है या "ऑटो" मोड पर, या उन्होंने सप्ताह का गलत दिन भी अनुमानित किया। प्रदर्शन का अंतर स्पष्ट था: बड़े मॉडल उपयोगकर्ता के पूरे व्यवहारिक पैटर्न को उच्च सटीकता के साथ पुनर्गठित कर सकते थे, जबकि छोटे मॉडल अक्सर ऐसे अनुमान देते थे जो केवल आंशिक रूप से सही थे या पूरी तरह से गलत थे।

प्रदर्शन का यह अंतर गोपनीयता-केंद्रित तकनीक के भविष्य के लिए एक बड़ी चुनौती को उजागर करता है। शोधकर्ताओं ने पाया कि हालांकि छोटे मॉडलों में बातचीत से सीखने की कुछ क्षमता है, लेकिन वे जटिल कार्यों के लिए बड़े सिस्टम की जगह लेने के लिए अभी तैयार नहीं हैं। अध्ययन बताता है कि किसी उपकरण को वास्तव में उपयोगकर्ता की दिनचर्या जानने के लिए—यह जानने के लिए कि मौसम, समय और मूड के संयोजन के आधार पर लाइट, तापमान और ध्वनि को ठीक से कैसे समायोजित किया जाए—वर्तमान में एक बड़े मॉडल की प्रोसेसिंग पावर की आवश्यकता होती है। छोटे मॉडल उन छात्रों की तरह हैं जो कुछ तथ्यों को याद कर सकते हैं लेकिन एक जटिल कहानी को समझने के लिए कड़ियों को जोड़ने में सक्षम नहीं हैं। शोधकर्ताओं ने उल्लेख किया कि यह अवधारणा की विफलता नहीं है, बल्कि वर्तमान तकनीक की एक सीमा है। छोटे मॉडल फोन पर चलने में सक्षम हैं, लेकिन उनमें मानव जीवनशैली को परिभाषित करने वाले कारण और प्रभाव के जटिल जाल को समझने की गहराई की कमी है।

अध्ययन ने सूचना के उन विशिष्ट प्रकारों को भी देखा जिनका मॉडलों को अनुमान लगाना था। उन्होंने पाया कि किसी दिनचर्या के "ट्रिगर्स" (जैसे समय या मौसम) की भविष्यवाणी करना, "एक्शन" (जो उपकरणों में किए गए विशिष्ट परिवर्तन हैं) की भविष्यवाणी करने की तुलना में छोटे मॉडलों के लिए आसान था। यह अनुमान लगाना एक छोटे मॉडल के लिए आसान था कि उपयोगकर्ता शाम को लाइट जलाना चाहता है, बजाय इसके कि उपयोगकर्ता 40 प्रतिशत ब्राइटनेस पर लाइट चाहता है। यह सुझाव देता है कि हालांकि छोटे उपकरण सरल कमांड संभाल सकते हैं, लेकिन वास्तव में व्यक्तिगत घर के लिए आवश्यक सूक्ष्म नियंत्रण फिलहाल पहुंच से बाहर है। शोधकर्ताओं ने जोर दिया कि उनका काम एक सिमुलेशन था, जिसमें मॉडलों की सीमाओं का परीक्षण करने के लिए उत्पन्न डेटा का उपयोग किया गया था। उन्होंने वास्तविक लोगों या वास्तविक घरों पर इसका परीक्षण नहीं किया, इसलिए परिणाम यह दर्शाते हैं कि मॉडल संरचित डेटा को कितनी अच्छी तरह संभालते हैं, न कि यह कि वे वास्तविक, जीवंत घर में कैसे व्यवहार करेंगे।

सीमाओं के बावजूद, एजवाइजपर्सोना (EdgeWisePersona) डेटासेट एक महत्वपूर्ण कदम है। यह इस क्षेत्र में प्रगति को मापने के लिए एक स्पष्ट, संरचित तरीका प्रदान करता है। यह परिभाषित करके कि एक "दिनचर्या" कैसी दिखती है और उसका पुनर्निर्माण कैसे किया जाना चाहिए, शोधकर्ताओं ने वैज्ञानिक समुदाय को भविष्य के सुधारों को मापने के लिए एक मानक पैमाना दिया है। यह कार्य दिखाता है कि ऑन-डिवाइस इंटेलिजेंस का सपना, जो आपकी आदतों को सीखता है, सैद्धांतिक रूप से संभव है, लेकिन तकनीक अभी वहां तक नहीं पहुंची है। छोटे मॉडलों को वास्तव में एक घर को चलाने के लिए क्लाउड कनेक्शन के बिना भरोसेमंद होने से पहले मानव व्यवहार के सूक्ष्म विवरणों को समझने में बहुत बेहतर होना होगा। तब तक, उपयोगकर्ता के जीवन को समझने का सबसे सटीक तरीका क्लाउड में मौजूद बड़े, शक्तिशाली सिस्टम ही रहेगा। आगे का रास्ता छोटे और बड़े के बीच के अंतर को पाटने में निहित है, यह सुनिश्चित करते हुए कि ऑन-डिवाइस कंप्यूटिंग की गोपनीयता और गति उस बुद्धिमत्ता की कीमत पर न आए जो एक घर को वास्तव में व्यक्तिगत महसूस कराने के लिए आवश्यक है।