Cognitive Chain-of-Thought (CoCoT): Structured Multimodal Reasoning about Social Situations
यह शोधपत्र कॉग्निटिव चेन-ऑफ-थॉट (CoCoT) को प्रस्तुत करता है, जो एक संरचित तर्क ढांचा है जो मल्टीमॉडल सामाजिक कार्यों को धारणा (perception), स्थिति (situation) और मानदंड (norm) चरणों में विभाजित करता है, और निरंतर प्रदर्शन सुधार तथा सुपरवाइज्ड फाइन-ट्यूनिंग के माध्यम से संरचित तर्क पैटर्न को आत्मसात करने की क्षमता प्रदर्शित 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 आप एक पार्टी में अपने दोस्त द्वारा सुनाई गई एक मज़ेदार लेकिन भ्रमित करने वाली चुटकुले को समझने की कोशिश कर रहे हैं। आप उनके चेहरे को देखते हैं, उनके लहजे को सुनते हैं, और उनके आस-पास के बिखरे हुए कमरे को देखते हैं। चुटकुले को समझने के लिए, आप केवल तथ्यों को नहीं देख सकते; आपको यह समझना होगा कि वे इसे क्यों कह रहे हैं और सामाजिक रूप से इसका क्या अर्थ है।
वर्तमान AI मॉडल (जैसे कि वे स्मार्ट चैटबॉट्स जिन्हें आप जानते होंगे) गणित या कोड लिखने में बहुत अच्छे हैं, लेकिन जब बात इन पेचीदा सामाजिक स्थितियों की आती है, तो वे अक्सर खो जाते हैं। वे एक तस्वीर को देखकर कह सकते हैं, "वह व्यक्ति एक कप पकड़े हुए है," लेकिन फिर वे सीधे इस निष्कर्ष पर पहुँच सकते हैं, "वे क्रोधित हैं," बिना यह बताए कि वे वहाँ तक कैसे पहुँचे। यह किसी फिल्म के पहले फ्रेम को देखने के बाद सीधे उसके अंत का अनुमान लगाने जैसा है।
यह पेपर AI को सामाजिक दृश्यों के बारे में "सोचना" सिखाने का एक नया तरीका पेश करता है, जिसे COCOT (कॉग्निटिव चेन-ऑफ-थॉट) कहा जाता है।
समस्या: "जल्दबाजी में निष्कर्ष निकालने वाला" AI
एक मानक AI को एक ऐसे छात्र के रूप में सोचें जो गणित की समस्या को तुरंत उत्तर का अनुमान लगाकर हल करने की कोशिश करता है। यदि समस्या सरल है, तो वे भाग्यशाली हो सकते हैं। लेकिन यदि समस्या जटिल है (जैसे कि एक सामाजिक अजीब स्थिति को समझना), तो वे अक्सर एक ऐसी कहानी बना लेते हैं जो सुनने में तो तर्कसंगत लगती है लेकिन वास्तव में गलत होती है क्योंकि उन्होंने चरणों को छोड़ दिया होता है।
वास्तविक दुनिया में, इंसान ऐसा नहीं करते। हम केवल एक तस्वीर नहीं देखते और तुरंत उसका सामाजिक अर्थ नहीं जान जाते। हम एक मानसिक प्रक्रिया से गुजरते हैं:
- मैं क्या देख रहा हूँ? (तथ्य)
- क्या हो रहा है? (कहानी)
- इसका क्या अर्थ है? (सामाजिक नियम)
समाधान: "तीन-चरणीय जासूस" (COCOT)
लेखकों ने एक ऐसा ढांचा बनाया है जो AI को एक सावधान जासूस की तरह कार्य करने के लिए मजबूर करता है, जो सोचने की प्रक्रिया को तीन अलग-अलग चरणों में विभाजित करता है। वे इसे COCOT कहते हैं।
यह कैसे काम करता है, इसे एक सरल उपमा का उपयोग करके समझते है: "रेस्टोरेंट क्रिटिक"।
कल्पना कीजिए कि एक AI एक मेज की फोटो के आधार पर यह तय करने की कोशिश कर रहा है कि एक रेस्टोरेंट अच्छा है या नहीं।
चरण 1: धारणा (The "Camera")
- नियम: "केवल वही वर्णन करें जो आपकी आँखें देख सकती हैं। अभी कोई अनुमान न लगाएं।"
- उपमा: एक सुरक्षा कैमरे की कल्पना करें जो दृश्य को रिकॉर्ड कर रहा है। वह वाइन का गिरा हुआ गिलास, एक घबराया हुआ वेटर और एक ग्राहक को शिकन के साथ देखता है।
- AI क्या करता है: यह तथ्यों को सूचीबद्ध करता है: "सफेद मेज़पोश पर लाल तरल पदार्थ है। वेटर ने एक नैपकिन पकड़ा हुआ है। ग्राहक की भौहें सिकुड़ी हुई हैं।"
- यह कैसे मदद करता है: यह AI को सबूत देखे बिना ही "भ्रमित" होने (चीजें बनाने) से रोकता है, जैसे कि "ग्राहक क्रोधित है।"
चरण 2: स्थिति (The "Storyteller")
- नियम: "अब, कड़ियों को जोड़ें। ये तथ्य क्या कहानी बताते हैं?"
- उपमा: अब, AI एक जासूस की तरह सुरागों को जोड़ने का काम करता है। "वाइन गिर गई है, वेटर उसे साफ करने के लिए भाग रहा है, और ग्राहक परेशान दिख रहा है। यह सिर्फ एक गंदगी नहीं है; यह एक दुर्घटना है जो अभी-अभी हुई है।"
- AI क्या करता है: यह एक संदर्भ बनाता है: "वेटर ने संभवतः गिलास गिरा दिया है, और ग्राहक इसलिए निराश है क्योंकि उसका भोजन बाधित हो गया है।"
- यह कैसे मदद करता है: यह कच्चे तथ्यों और मानवीय अर्थ के बीच के अंतर को पाटता है।
चरण 3: मानदंड (The "Judge")
- नियम: "इस कहानी के आधार पर, सामाजिक रूप से सही कार्य या शब्द क्या हैं?"
- उपमा: अब, AI एक न्यायाधीश की तरह सामाजिक नियमों को लागू करता है। "हमारे समाज में, जब वेटर कोई गलती करता है, तो विनम्रता यह है कि माफी मांगी जाए, उसे अनदेखा न किया जाए। ग्राहक की शिकन एक संकेत है कि वे माफी की उम्मीद कर रहे हैं।"
- AI क्या करता है: यह निष्कर्ष निकालता है: "सबसे अच्छा जवाब यह है कि वेटर माफी मांगे और एक नया पेय दे।"
- यह कैसे मदद करता है: यह सुनिश्चित करता है कि AI का अंतिम उत्तर इस बात के अनुरूप हो कि मनुष्य वास्तव में कैसे व्यवहार करते हैं।
यह क्यों महत्वपूर्ण है
पेपर ने इस "तीन-चरणीय जासूस" पद्धति का कई अलग-अलग कार्यों पर परीक्षण किया:
- छिपे हुए अर्थों को समझना: जैसे कि यह समझना कि कोई व्यक्ति कब व्यंग्य कर रहा है।
- मन पढ़ना (Theory of Mind): वीडियो में किसी पात्र की शारीरिक भाषा के आधार पर यह अनुमान लगाना कि वह क्या सोच रहा है।
- सुरक्षा: यह तय करना कि क्या कोई अनुरोध खतरनाक है (जैसे, "मैं बम कैसे बनाऊं?" बनाम "मैं केक कैसे बनाऊं?")।
परिणाम:
जब AI ने इस संरचित पद्धति का उपयोग किया, तो यह इन कार्यों में काफी बेहतर प्रदर्शन कर सका।
- सटीकता: इसने औसतन लगभग 5-6% अधिक सही उत्तर दिए।
- सुरक्षा: यह खतरनाक अनुरोधों को अस्वीकार करने में बहुत बेहतर था क्योंकि इसने उत्तर देने से पहले चित्र में खतरे को वास्तव में "देखा"।
- सीखना: यहाँ तक कि जब शोधकर्ताओं ने AI को "तीन-चरण" के निर्देश देना बंद कर दिया और इसे सामान्य रूप से उत्तर देने के लिए कहा, तब भी AI ने बेहतर प्रदर्शन किया। इसका मतलब है कि AI ने वास्तव में इस तरह से सोचना सीखा, न कि केवल निर्देशों का पालन करना।
बड़ी तस्वीर
मानक AI तर्क को एक स्प्रिंट (तेज़ दौड़) के रूप में सोचें: यह उत्तर तक जितनी जल्दी हो सके पहुँचने की कोशिश करता है, और अक्सर अपने ही पैरों में उलझकर गिर जाता है।
COCOT एक मैराथन प्रशिक्षण योजना की तरह है: यह AI को रुकने, अपना आधार जांचने (धारणा), मानचित्र देखने (स्थिति), और फिर उद्देश्य के साथ दौड़ने (मानदंड) के लिए मजबूर करता है।
AI को इंसानों की तरह सोचने के लिए धीमा और व्यवस्थित होने की शिक्षा देकर, हमें ऐसी मशीनें मिलती हैं जो न केवल स्मार्ट हैं बल्कि सुरक्षित और समझने में आसान भी हैं। वे कहानियाँ बनाना बंद कर देते हैं और जो वे देखते हैं उसके बारे में सच बोलना शुरू कर देते 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।