From Standalone LLMs to Integrated Intelligence: A Survey of Compound Al Systems
यह सर्वेक्षण कंपाउंड एआई सिस्टम्स को एक उभरते हुए प्रतिमान के रूप में परिभाषित करता है जो लार्ज लैंग्वेज मॉडल्स को रिट्रीवर्स और एजेंट्स जैसे बाहरी घटकों के साथ एकीकृत करता है, जो वर्तमान विखंडन को संबोधित करने और सिस्टम-स्तरीय आर्टिफिशियल इंटेलिजेंस में भविष्य के अनुसंधान को निर्देशित करने के लिए आरएजी (RAG) और एलएलएम (LLM) एजेंट्स जैसे मौलिक प्रतिमानों का एक एकीकृत वर्गीकरण और विश्लेषण प्रस्तावित करता है।
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 आपके पास एक अत्यंत प्रतिभाशाली, सुशिक्षित लाइब्रेरियन है जिसका नाम "LLM" (लार्ज लैंग्वेज मॉडल) है। इस लाइब्रेरियन ने एक निश्चित तिथि तक लिखी गई लगभग हर किताब पढ़ ली है। वे कहानियाँ लिखने, सवालों के जवाब देने और बातचीत करने में अविश्वसनीय रूप से तेज़ हैं। हालाँकि, उनकी तीन बड़ी समस्याएँ हैं:
- वे चीजें भूल जाते हैं: वे उन तथ्यों को याद नहीं रख सकते जो उनके अध्ययन छोड़ने के बाद घटित हुए (उनका ज्ञान "पुराना" या "स्टेल" है)।
- वे मनगढ़ंत बातें बनाते हैं: कभी-कभी, जब उन्हें उत्तर नहीं पता होता, तो वे आत्मविश्वास के साथ एक फर्जी तथ्य गढ़ देते हैं (इसे "हैलुसिनेशन" कहा जाता है)।
- वे गणित या टूल्स का उपयोग नहीं कर सकते: वे बात करने में बहुत अच्छे हैं, लेकिन वे वास्तव में एक जटिल समीकरण की गणना नहीं कर सकते, लाइव इंटरनेट खोज नहीं सकते, या रोबोटिक हाथ को नियंत्रित नहीं कर सकते।
यह पेपर कंपाउंड एआई सिस्टम (CAIS) नामक AI बनाने का एक नया तरीका पेश करता है। केवल उस एक लाइब्रेरियन पर निर्भर रहने के बजाय, CAIS इन समस्याओं को ठीक करने के लिए उस लाइब्रेरियन के चारों ओर एक टीम या एक ऑर्केस्ट्रा बनाता है।
यहाँ यह पेपर इस "टीम" को सरल उपमाओं (analogies) का उपयोग करके कैसे समझाता है:
1. चार मुख्य टीम सदस्य (अक्ष/Axes)
यह पेपर इस नई AI दुनिया को चार मुख्य भूमिकाओं में व्यवस्थित करता है जो एक साथ काम करती हैं:
द रिसर्चर (RAG - रिट्रीवल-ऑगमेंटेड जनरेशन):
- समस्या: लाइब्रेरियन को आज की खबरें या आपकी कंपनी की निजी फाइलें नहीं पता होतीं।
- समाधान: लाइब्रेरियन के जवाब देने से पहले, एक रिसर्चर विशिष्ट, अद्यतित (up-to-date) दस्तावेज़ खोजने के लिए लाइब्रेरी की अलमारियों (या इंटरनेट) की ओर दौड़ता है। वे लाइब्रेरियन को ये नोट्स सौंपते हैं ताकि वे अनुमान लगाने के बजाय तथ्यों के आधार पर उत्तर दे सकें।
- उपमा: यह परीक्षा से ठीक पहले लाइब्रेरियन को एक 'चीट शीट' देने जैसा है।
द प्रोजेक्ट मैनेजर (LLM एजेंट्स):
- समस्या: लाइब्रेरियन एक कार्य के लिए अच्छे हैं, लेकिन वे एक लंबे, जटिल प्रोजेक्ट से भ्रमित हो जाते हैं जिसमें कई चरणों की आवश्यकता होती है।
- समाधान: एक एजेंट लाइब्रेरियन का ही एक संस्करण है जो योजना बना सकता है। यह एक बड़े कार्य (जैसे "छुट्टियों की योजना बनाना") को छोटे चरणों में तोड़ देता है (फ्लाइट बुक करना -> होटल खोजना -> मौसम की जांच करना)। यह टूल्स का उपयोग भी कर सकता है, जैसे किसी ट्रैवल API को कॉल करना या गणित करना, और फिर अपनी गलतियों को सुधारने के लिए अपने काम की जांच कर सकता है।
- उपमा: यह एक फोरमैन (सुपरवाइजर) की तरह है जो केवल ईंटें नहीं बिछाता, बल्कि ब्लूप्रिंट भी बनाता है, सामग्री का ऑर्डर देता है और काम का निरीक्षण भी करता है।
द मल्टी-सेंसरी एक्सपर्ट (MLLMs - मल्टीमॉडल LLMs):
- समस्या: लाइब्रेरियन केवल टेक्स्ट पढ़ सकते हैं। यदि आप उन्हें एक टूटी हुई मशीन का चित्र या तूफान का वीडियो दिखाते हैं, तो वे अंधे होते हैं।
- समाधान: ये वे लाइब्रेरियन हैं जिन्हें आंखें और कान दिए गए हैं। वे छवियों को देख सकते हैं, ऑडियो सुन सकते हैं और वीडियो देख सकते हैं, और फिर जो वे देखते हैं उसका वर्णन कर सकते हैं या उसके बारे में सवालों के जवाब दे सकते हैं।
- उपमा: यह लाइब्रेरियन को चश्मा और हेडफ़ोन देने जैसा है ताकि वे केवल लिखित शब्दों के अलावा अन्य चीजों को भी समझ सकें।
द कंडक्टर (ऑर्केस्ट्रेशन):
- समस्या: यदि आपके पास एक रिसर्चर, एक प्रोजेक्ट मैनेजर और एक मल्टी-सेंसरी एक्सपर्ट है, तो वे सभी एक-दूसरे के ऊपर बोल सकते हैं या भ्रमित हो सकते हैं कि किसे क्या करना है।
- समाधान: कंडक्टर वह सिस्टम है जो पूरी टीम का प्रबंधन करता है। यह तय करता है कि कब रिसर्चर को बुलाना है, कब एजेंट को योजना बनाने के लिए कहना है, और कैसे उनके उत्तरों को एक अंतिम परिणाम में मिलाना है। यह सुनिश्चित करता है कि टीम सुचारू रूप से काम करे।
- उपमा: एक सिम्फनी ऑर्केस्ट्रा के बारे में सोचें। लाइब्रेरियन वायलिन वादक है, लेकिन कंडक्टर यह सुनिश्चित करता है कि ड्रम, बांसुरी और वायलिन सभी सही समय पर बजाएं ताकि संगीत बने, शोर नहीं।
2. वे एक साथ कैसे काम करते हैं (पाइपलाइन)
पेपर बताता है कि एक वास्तविक दुनिया का कंपाउंड एआई सिस्टम केवल इनमें से एक चीज़ नहीं है; यह आमतौर पर ये सभी एक साथ है।
कल्पना कीजिए कि आप सिस्टम से पूछते हैं: "एक टूटी हुई मशीन की इस फोटो का विश्लेषण करें और इसे ठीक करने के लिए मैनुअल खोजें।"
- मल्टी-सेंसरी एक्सपर्ट फोटो को देखता है और समझता है कि मशीन क्या है।
- रिसर्चर बाहर जाता है और उस मशीन के मॉडल के लिए विशिष्ट मैनुअल खोजता है।
- प्रोजेक्ट मैनेजर (एजेंट) इसे ठीक करने के चरणों का पता लगाता है और यह जांचने के लिए एक टूल का उपयोग करने का निर्णय लेता है कि पुर्जा स्टॉक में है या नहीं।
- कंडक्टर (ऑर्केस्ट्रेशन) प्रवाह का प्रबंधन करता है, यह सुनिश्चित करता है कि फोटो विश्लेषण मैनुअल खोज से पहले हो, और सब कुछ एक स्पष्ट उत्तर में जोड़कर आपको देता है।
3. वर्तमान चुनौतियाँ
पेपर स्वीकार करता है कि हालांकि यह "टीम" दृष्टिकोण शक्तिशाली है, लेकिन यह अभी भी अव्यवस्थित है:
- यह जटिल है: एक व्यक्ति को काम पर रखने की तुलना में एक टीम बनाना कठिन है। यदि एक हिस्सा टूट जाता है, तो पूरा सिस्टम विफल हो सकता है।
- वे एक ही भाषा नहीं बोलते: विभिन्न टूल्स और एजेंट्स अक्सर अलग-अलग फॉर्मेट का उपयोग करते हैं, जिससे उन्हें जोड़ना कठिन हो जाता है (जैसे अमेरिकी सॉकेट में यूरोपीय चार्जर लगाने की कोशिश करना)।
- इसका परीक्षण करना कठिन है: हमारे पास अभी तक आदर्श टेस्ट नहीं हैं जिससे यह देखा जा सके कि पूरी टीम अच्छी तरह से काम कर रही है या नहीं, विशेष रूपकर जब वे चित्रों को देख रहे हों और टूल्स के साथ बात कर रहे हों।
4. भविष्य: मानकीकरण (Standardization)
पेपर इस बात पर प्रकाश डालता है कि लोग अब "यूनिवर्सल एडेप्टर" (जैसे मॉडल कॉन्टेक्स्ट प्रोटोकॉल या MCP) बना रहे हैं। ये यूनिवर्सल पावर स्ट्रिप्स की तरह हैं जो किसी भी AI टूल को किसी भी AI सिस्टम में आसानी से प्लग करने की अनुमति देते हैं। लक्ष्य हर एक कनेक्शन के लिए कस्टम ब्रिज बनाना बंद करना और एक मानक तरीका बनाना है जिससे ये सभी AI घटक एक-दूसरे से बात कर सकें।
सारांश
संक्षेप में, यह पेपर कहता है: एक विशाल मस्तिष्क बनाने की कोशिश छोड़ दें जो सब कुछ पूरी तरह से करता हो। इसके बजाय, एक स्मार्ट सिस्टम बनाएं जो एक मस्तिष्क (LLM) को एक मेमोरी बैंक (रिट्रीवल), एक प्लानर (एजेंट्स), आंख/कान (मल्टीमॉडल) और एक मैनेजर (ऑर्केस्ट्रेशन) के साथ जोड़ता है। यह "कंपाउंड" सिस्टम ही AI का भविष्य है क्योंकि यह किसी भी एकल मॉडल की सीमाओं को पार कर लेता 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।