VeriOS: Query-Driven Proactive Human-Agent-GUI Interaction for Trustworthy OS Agents
यह शोध पत्र VeriOS को प्रस्तुत करता है, जो एक क्वेरी-संचालित फ्रेमवर्क और एजेंट है जो अविश्वसनीय परिदृश्यों में सक्रिय रूप से मनुष्यों से प्रश्न पूछकर OS ऑटोमेशन की विश्वसनीयता को बढ़ाता है, जो सामान्य प्रदर्शन से समझौता किए बिना बेसलाइन्स की तुलना में स्टेप-वाइज सफलता दर में 19.72% का महत्वपूर्ण सुधार प्राप्त 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 बहुत ही बुद्धिमान, सुपर-फास्ट रोबोट सहायक है जो आपके फोन या कंप्यूटर की स्क्रीन को देख सकता है और आपके लिए काम कर सकता है। यह आपके वॉयस कमांड (आवाज़ के निर्देशों) को सुनकर बटन क्लिक कर सकता है, मैसेज टाइप कर सकता है और ऐप्स खोल सकता है। शोधकर्ता इसे एक OS एजेंट (ऑपरेटिंग सिस्टम एजेंट) कहते हैं।
हालाँकि, एक बड़ी समस्या है: यह रोबोट बहुत अधिक आत्मविश्वासी है।
समस्या: अति-उत्साही रोबोट
कल्पना कीजिए कि आपने अपने रोबोट को कहा, "मम्मी को एक टेक्स्ट भेजो।"
- एक आदर्श दुनिया में: रोबोट मैसेजिंग ऐप खोलता है, मम्मी को ढूँढता है, और टेक्स्ट भेज देता है। आसान है!
- वास्तविक दुनिया में: अचानक, एक पॉप-अप दिखाई देता है जो पूछता है, "क्या आप अपनी लोकेशन साझा करना चाहते हैं?" या ऐप क्रैश हो जाता है, या आपका निर्देश अस्पष्ट था ("किसी को टेक्स्ट भेजो")।
एक सामान्य रोबोट घबरा सकता है या, इससे भी बुरा, वह केवल अंदाज़ा लगा सकता है। वह गलती से किसी अजनबी के साथ आपकी लोकेशन साझा कर सकता है या गलत व्यक्ति को टेक्स्ट भेज सकता है। इसे "ओवर-एग्जीक्यूशन" (अति-निष्पादन) कहा जाता है। यह वे काम कर देता है जो उसे नहीं करने चाहिए क्योंकि उसे यह नहीं पता होता कि कब रुकना है और मदद मांगनी है।
मौजूदा रोबोट इसे "कॉन्फिडेंस स्कोर" (आत्मविश्वास स्कोर) की जाँच करके हल करने की कोशिश करते हैं। यदि वे 100% सुनिश्चित नहीं होते हैं, तो वे बस रुक जाते हैं और प्रतीक्षा करते हैं। लेकिन यह उस छात्र की तरह है जो गणित के सवाल का जवाब जानने के लिए निश्चित नहीं होने पर काम करना छोड़ देता है, बजाय इसके कि वह शिक्षक से संकेत मांगे। यह बहुत समझदारी भरा नहीं है।
समाधान: VeriOS (एक "पहले पूछने वाला" रोबलेट)
यह शोध पत्र VeriOS नामक एक नई प्रणाली पेश करता है। VeriOS को केवल एक ऐसे रोबोट के रूप में न सोचें जो केवल काम करता है, बल्कि एक स्मार्ट पार्टनर के रूप में सोचें जो ठीक जानता है कि उसे कब कहना है, "हे, मुझे इसमें आपकी मदद चाहिए।"
यह कैसे काम करता है, इसके लिए एक सरल उपमा (analogy) का उपयोग किया गया है:
1. "डिटेक्टिव" बनाम "डूअर" (जासूस बनाम करने वाला)
अधिकांश रोबोट एक ही समय में डिटेक्टिव (यह समझने वाला कि क्या हो रहा है) और डूअर (बटन दबाने वाला) दोनों बनने की कोशिश करते हैं, जिससे वे अक्सर भ्रमित हो जाते हैं।
VeriOS इस कार्य को दो अलग-अलग शक्तियों में विभाजित करता है जिन्हें यह अलग-अलग सीखता है, और फिर उन्हें जोड़ता है:
- सुपरपावर A (डिटेक्टिव): "क्या यह एक सुरक्षित स्थिति है?" यह स्क्रीन को देखता है और पूछता है, "क्या यहाँ कोई पॉप-अप है? क्या निर्देश अस्पष्ट है? क्या यह एक संवेदनशील क्रिया है?"
- सुपरपावर B (डूअर): "ठीक है, अब जब मैं जान गया हूँ कि क्या हो रहा है, तो मुझे कौन सा बटन क्लिक करना चाहिए?"
2. "तीन-चरणीय प्रशिक्षण" (स्कूली शिक्षा)
इन कौशलों को सिखाने के लिए, शोधकर्ताओं ने इसे सीधे गहरे पानी में नहीं फेंका। उन्होंने एक विशेष तीन-चरणीय प्रशिक्षण पद्धति का उपयोग किया:
- चरण 1: "डिकपलिंग" (कौशलों को अलग करना): उन्होंने हजारों उदाहरणों को लिया और उन्हें विभाजित किया। कुछ उदाहरण केवल समस्या को पहचानने के बारे में थे (जैसे, "यह एक खतरनाक पॉप-अप है")। अन्य समस्या को हल करने के बारे में थे (जैसे, "'Allow' पर क्लिक करें")।
- चरण 2: "इंटरलीव्ड" अभ्यास (मिश्रण करना): रोबोट को एक सप्ताह तक "डिटेक्टिव कौशल" और फिर एक सप्ताह तक "डूअर कौशल" सिखाने के बजाय, उन्होंने उन्हें आपस में मिला दिया। उन्होंने रोबोट को तुरंत आगे-पीछे स्विच करना सिखाया। इससे रोबोट को समस्या को पहचानने और उसे हल करने के बीच के संबंध को समझने में मदद मिलती है।
- चरण 3: "रिवॉर्ड सिस्टम" (रिपोर्ट कार्ड): उन्होंने रोबोट का टेस्ट लिया। यदि इसने एक पेचीदा स्थिति की सही पहचान की और इंसान से सही सवाल पूछा, तो इसे एक गोल्ड स्टार मिला। यदि इसने गलत अंदाज़ा लगाया या जब इसे पूछना चाहिए था तब नहीं पूछा, तो इसे रेड मार्क मिला। समय के साथ, इसने यह सीखने में महारत हासिल कर ली कि कब पूछना है।
वास्तविक जीवन में यह कैसे काम करता है
यहाँ इंटरैक्शन का नया प्रवाह है:
- आप कहते हैं: "पेरिस के लिए फ्लाइट बुक करो।"
- VeriOS स्क्रीन को देखता है: वह एक पॉप-अप देखता है जो आपके संपर्कों (contacts) तक पहुँच प्राप्त करने की अनुमति मांग रहा है।
- VeriOS (डिटेक्टिव) बोलता है: "रुको! यह एक संवेदनशील स्थिति है। मैं आपकी अनुमति के बिना 'Allow' पर क्लिक नहीं कर सकता। क्या आप चाहते हैं कि मैं आपके कॉन्टैक्ट्स साझा करूँ?"
- आप कहते हैं: "नहीं, बस पॉप-अप को कैंसिल कर दो।"
- VeriOS (डूअर) कार्य करता है: यह "Cancel" पर क्लिक करता है और फ्लाइट बुकिंग जारी रखता है।
यदि स्क्रीन सामान्य होती (कोई पॉप-अप नहीं), तो VeriOS बिना आपको परेशान किए तुरंत फ्लाइट बुक कर देता।
यह एक बड़ी बात क्यों है?
शोधकर्ताओं ने उपलब्ध सर्वश्रेष्ठ रोबोटों के मुकाबले VeriOS का परीक्षण किया।
- परिणाम: VeriOS पेचीदा, उलझी हुई स्थितियों (जैसे पॉप-अप या अस्पष्ट निर्देश) को बिना गलती किए संभालने में 20% बेहतर था।
- बोनस: यह सरल कार्यों में धीमा या खराब नहीं हुआ। यह एक ऐसे ड्राइवर की तरह है जो ट्रैक पर रेसिंग करने में माहिर है लेकिन कोहरे भरे शहर में कब धीमा होना है और दिशा-निर्देश मांगने हैं, यह भी ठीक जानता है।
सारांश
VeriOS एक नए प्रकार का कंप्यूटर सहायक है जिसने सबसे महत्वपूर्ण सबक सीखा है: मदद मांगना ठीक है।
जब चीजें उलझ जाती हैं, तो अंधे होकर अंदाज़ा लगाने के बजाय, यह सक्रिय रूप से आपसे पूछता है, "क्या यह ठीक है?" यह इसे वास्तविक दुनिया के उपयोग के लिए बहुत सुरक्षित और भरोसेमंद बनाता है, जहाँ कंप्यूटर क्रैश होते हैं, पॉप-अप आते हैं, और निर्देश हमेशा स्पष्ट नहीं होते। यह एक ऐसे रोबोट के बीच का अंतर है जो स्टॉप साइन न देखने के कारण आपकी कार क्रैश कर देता है, और एक ऐसे रोबोट के बीच का अंतर है जो धीरे से आपके कंधे को थपथपाता है और कहता है, "हे, मुझे लगता है कि हमें यहाँ रुकने की ज़रूरत 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।