Evo-DKD: Dual-Knowledge Decoding for Autonomous Ontology Evolution in Large Language Models
Evo-DKD एक नवीन ढांचा है जो बड़े भाषा मॉडलों (Large Language Models) के भीतर एक डुअल-डिकोडर तंत्र का लाभ उठाकर स्वायत्त ऑन्टोलॉजी विकास को सक्षम बनाता है ताकि संरचित संपादन और प्राकृतिक भाषा स्पष्टीकरणों को एक साथ उत्पन्न किया जा सके, जिन्हें एक गतिशील गेटिंग सिस्टम के माध्यम से समन्वित किया जाता है और एक क्लोज्ड रीजनिंग लूप में मान्य किया जाता है ताकि परिशुद्धता और डाउनस्ट्रीम टास्क प्रदर्शन में सिंगल-स्ट्रीम बेसलाइन्स से बेहतर प्रदर्शन 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
इंटरनेट की कल्पना एक विशाल, अराजक पुस्तकालय के रूप में करें जहाँ किताबें लगातार लिखी जा रही हैं, लेकिन उनकी कैटलॉग प्रणाली पत्थर युग में फंसी हुई है। इस पुस्तकालय में, "ऑन्टोलॉजी" (ontologies) एक मास्टर फाइलिंग सिस्टम की तरह हैं—नियमों का एक सख्त सेट जो हमें बताता है कि चीजें एक-दूसरे से कैसे संबंधित हैं (उदाहरण के लिए, कि एक "कुत्ता" एक "स्तनधारी" का प्रकार है, और "स्तनधारियों" को "भोजन" की आवश्यकता होती है)। इस कैटलॉग को अपडेट रखना मनुष्यों के लिए एक दुःस्वप्न है क्योंकि दुनिया बहुत तेज़ी से बदलती है; हर सेकंड नए तथ्य सामने आते हैं, और फाइलिंग सिस्टम को मैन्युअल रूप से अपडेट करना धीमा और उबाऊ है।
"लार्ज लैंग्वेज मॉडल्स" (LLMs) से मिलिए। इन्हें ऐसे समझें जैसे कि अत्यंत बुद्धिमान, सब कुछ पढ़ने के शौकीन पाठक जिन्होंने पुस्तकालय की लगभग हर चीज़ पढ़ ली है। वे नई कहानियों और तथ्यों को तुरंत समझ सकते हैं। हालाँकि, एक पेंच है: हालांकि वे बातचीत करने और कहानियाँ लिखने में माहिर हैं, लेकिन वे सख्त फाइलिंग नियमों का पालन करने में बहुत खराब हैं। यदि आप उनसे कैटलॉग अपडेट करने के लिए कहते हैं, तो वे तथ्य बना सकते हैं (जिसे "हैलुसिनेशन" या भ्रम की समस्या कहा जाता है) या जानकारी को एक व्यवस्थित प्रविष्टि के बजाय एक अव्यवस्थित पैराग्राफ में लिख सकते हैं। बड़ा सवाल यह है कि वैज्ञानिक क्या पूछ रहे हैं: क्या हम इन सुपर-रीडर्स को न केवल चीजें जानना, बल्कि बिना किसी मानवीय सहायता के उन्हें पूरी तरह से व्यवस्थित करना सिखा सकते हैं?
यहीं पर Evo-DKD नामक एक नया विचार आता है। इस प्रोजेक्ट के पीछे के शोधकर्ताओं, विशाल रमन, विजय अरविंध आर, और अभिजीत राघव ने एक चतुर तरीका प्रस्तावित किया है जिससे ये AI मॉडल दो विशेषज्ञों की एक टीम के रूप में मिलकर काम कर सकें। एक अकेले मस्तिष्क द्वारा सब कुछ करने के बजाय, वे एक "डुअल-डिकोडर" (dual-decoder) सिस्टम का अनुकरण करते हैं। एक निर्माण दल की कल्पना करें जहाँ एक कार्यकर्ता एक सख्त आर्किटेक्ट है जो केवल ब्लूप्रिंट और माप में बोलता है ("स्ट्रक्चर्ड डिकोडर"), जबकि दूसरा एक बातूनी फोरमैन है जो साधारण अंग्रेजी में समझाता है कि वह इसे उस तरह से क्यों बना रहा है ("अनस्ट्रक्क्चर्ड डिकोडर")।
इस सेटअप में, "आर्किटेक्ट" नॉलेज ग्राफ में जोड़ने के लिए एक नया तथ्य सुझाता है (जैसे कि "ओज़ेम्पिक वजन घटाने में मदद करता है"), जबकि "फोरमैन" तुरंत कारण बताते हुए एक वाक्य लिखता है ("डॉक्टर ओज़ेम्पिक की सिफारिश इसलिए करते हैं क्योंकि...")। एक विशेष "गेटिंग मैकेनिज्म" (gating mechanism)—जिसे आप एक ट्रैफिक लाइट या रेफरी मान सकते हैं—यह तय करता है कि कब आर्किटेक्ट की बात सुननी है और कब फोरमैन की। सबसे अच्छी बात यह है कि फोरमैन के स्पष्टीकरण का उपयोग आर्किटेक्ट के ब्लूप्रिंट की दोबारा जांच करने के लिए किया जाता है। यदि स्पष्टीकरण समझ में नहीं आता है, तो नए तथ्य को खारिज कर दिया जाता है। यह एक "क्लोज्ड लूप" बनाता है जहाँ AI अपने काम की जांच करता है, डेटाबेस को अपडेट करता है, और फिर भविष्य के प्रश्नों का बेहतर उत्तर देने के लिए उस नए ज्ञान का उपयोग करता है।
शोधकर्ताओं ने इस विचार का परीक्षण एक छोटे AI मॉडल (TinyLlama-1.1B) का उपयोग करके किया क्योंकि उनके पास बड़े सुपरकंप्यूटर तक पहुंच नहीं थी। दो अलग-अलग भौतिक मस्तिष्क बनाने के बजाय, उन्होंने टेक्स्ट की एक ही स्ट्रीम पर दो-डिकोडर टीम का अनुकरण करने के लिए प्रॉम्प्ट्स के साथ एक चतुर ट्रिक का उपयोग किया। उन्होंने इसे तीन अलग-अलग क्षेत्रों में आज़माया: स्वास्थ्य सेवा (चिकित्सा तथ्य), सिमेंटिक सर्च (लोग खोजते समय क्या मतलब निकालते हैं यह समझना), और सांस्कृतिक विरासत (इतिहास और कलाकृतियाँ)।
परिणाम उत्साहजनक थे, हालांकि लेखक सावधानी बरतते हुए कहते हैं कि यह एक सिमुलेशन था। जब उन्होंने अपने "डुअल-डिकोडर" टीम की तुलना उन मॉडलों से की जो या तो केवल ब्लूप्रिंट में बोलते थे या केवल पैराग्राफ में बोलते थे, तो उनकी टीम जीत गई। उनके परीक्षणों में, डुअल-डिकोडर दृष्टिकोण ने 0.97 का स्कोर "रिलैक्स्ड एक्यूरेसी" (Relaxed Accuracy) के लिए प्राप्त किया (जिसका अर्थ है कि उन्होंने तथ्यों को सही पाया भले ही उनकी शब्दावली थोड़ी अलग हो) और 0.93 का स्कोर "एक्जैक्ट एक्यूरेसी" (Exact Accuracy) के लिए प्राप्त किया। इसने बेहतर स्पष्टीकरण भी दिए, जिसने सिमेंटिक समानता परीक्षण (BERTScore) पर 0.88 और एक जज के स्कोर पर 0.76 प्राप्त किया।
उदाहरण के लिए, एक स्वास्थ्य सेवा परिदृश्य में, जब AI को बताया गया कि "ओज़ेम्पिक वजन घटाने में मदद करता है," तो सिस्टम ने इसे बिना सोचे-समझे डेटाबेस में जोड़ने के बजाय, स्ट्रक्चर्ड फैक्ट (Ozempic, manages, weight) जनरेट किया और साथ ही, "डॉक्टर मधुमेह में वजन घटाने में मदद करने के लिए ओज़ेम्पिक की सिफारिश करते हैं" लिखा। जब उन्होंने इस नए ज्ञान का उपयोग करके एक सर्च इंजन का परीक्षण किया, तो सिस्टम अंततः मधुमेह रोगियों के लिए वजन घटाने वाली दवाओं के बारे में सवालों के जवाब दे सका, जबकि पहले उसे इसके बारे में कोई जानकारी नहीं थी।
हालाँकि, पेपर इसकी सीमाओं के बारे में स्पष्ट है। यह कोई जादू की छड़ी नहीं है जो अभी तक सब कुछ हल कर देती है। सिस्टम AI के आंतरिक ज्ञान पर निर्भर करता है, इसलिए यदि AI को कोई तथ्य पहले से पता नहीं है, तो वह उसे सही ढंग से आविष्कार नहीं कर सकता। इसके अलावा, "वैलिडेशन" (सत्यापन) चरण AI द्वारा ही किया जाता है, मानव द्वारा नहीं, जिसका अर्थ है कि यह सत्य की पूर्ण गारंटी नहीं है। शोधकर्ता सुझाव देते हैं कि भविष्य में, इसे अधिक सुरक्षित बनाने के लिए बाहरी खोज इंजनों या मानव समीक्षकों के साथ जोड़ा जा सकता है। लेकिन फिलहाल के लिए, Evo-DKD एक दिलचस्प रास्ता दिखाता है: AI को खुद से दो आवाजों में बात करना सिखाना—एक सख्त, एक बातूनी—ताकि मानव ज्ञान का एक स्मार्ट, स्व-अपडेट होने वाला पुस्तकालय बनाया जा सके।
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।