कल्पना कीजिए कि आप भविष्य की भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन एक क्रिस्टल बॉल के बजाय, आपके पास हर उस चीज़ की एक विशाल, जीवित डायरी है जो कभी हुई है। कंप्यूटर विज्ञान की दुनिया में, इस डायरी को टेम्पोरल नॉलेज ग्राफ (Temporal Knowledge Graph) कहा जाता है। इसे तथ्यों का एक विशाल जाल समझें, जैसे कि "एलिस 2020 में बॉब से मिली" या "मार्च में शेयर बाजार गिर गया।" "टेम्पोरल" (सामयिक) भाग का अर्थ केवल यह है कि प्रत्येक तथ्य के साथ एक टाइमस्टैम्प है, जिससे कंप्यूटर को पता चलता है कि चीजें कब हुईं। वैज्ञानिक इन ग्राफों के प्रति जुनूनी हैं क्योंकि वे अनुमान लगाना चाहते हैं कि आगे क्या होगा—जैसे कि क्या एलिस दोबारा बॉब से मिलेगी, या क्या कोई नया चलन शुरू होगा। आमतौर पर, ये अनुमान लगाने के लिए, कंप्यूटर विशाल, जटिल "न्यूरल नेटवर्क" का उपयोग करते हैं। ये एक सुपर-स्मार्ट लेकिन रहस्यमय 'ब्लैक बॉक्स' की तरह होते हैं जो पैटर्न खोजने के लिए नंबरों को क्रंच करते हैं। वे शक्तिशाली हैं, लेकिन वे भारी, धीमे और अक्सर समझने में असंभव होते हैं। आपको एक भविष्यवाणी मिलती है, लेकिन आपको पता ही नहीं चलता कि कंप्यूटर ने वह चुनाव क्यों किया।

यहाँ मैनहेम विश्वविद्यालय के शोधकर्ताओं द्वारा एक नया पेपर सामने आया है जिन्होंने कुछ अलग करने का फैसला किया। उन्होंने पूछा: "क्या होगा यदि हमें एक विशाल ब्लैक बॉक्स की आवश्यकता ही न हो? क्या होगा यदि हम केवल सरल, स्पष्ट नियमों का उपयोग कर सकें, जैसे कि हम रोजमर्रा की जिंदगी में करते हैं?" उन्होंने CountTRuCoLa नामक एक प्रणाली बनाई। एक जटिल मस्तिष्क के बजाय, यह प्रणाली एक जासूस की तरह काम करती है जो इतिहास को देखती है और कहती है, "हे, जब भी हाल ही में यह विशिष्ट चीज़ हुई, तो उसके बाद आमतौर पर वह दूसरी चीज़ होती है।" शोधकर्ताओं ने अपने सरल जासूस का परीक्षण नौ अलग-अलग डेटासेट्स पर उन विशाल ब्लैक बॉक्स के विरुद्ध किया। उन्होंने पाया कि उनकी सरल नियम-आधारित प्रणाली न केवल तेज़ और हल्की थी (यह अन्य लोगों की तरह विशाल डेटा पर क्रैश नहीं हुई), बल्कि यह भविष्य की भविष्यवाणी करने में उतनी ही अच्छी, और कभी-कभी उससे भी बेहतर थी। सबसे अच्छी बात? आप उनके उत्तर को देख सकते हैं और उस सटीक नियम और विशिष्ट पिछली घटना को देख सकते हैं जिसने इसकी ओर संकेत किया। यह एक ऐसे जादू की छड़ी को बदलने जैसा है जिसे आप समझ नहीं सकते, एक स्पष्ट, चरण-दर-चरण मानचित्र में जिसे कोई भी पढ़ सकता है।

जासूस का टूलकिट: CountTRuCoLa कैसे काम करता है

CountTRuCoLa के पीछे का मूल विचार यह है कि भविष्य अक्सर अतीत को दोहराता है, लेकिन एक ट्विस्ट के साथ: हालियापन (recency) और आवृत्ति (frequency) मायने रखते हैं। कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि क्या आपका दोस्त आपको वापस टेक्स्ट करेगा। यदि उसने पाँच मिनट पहले आपको टेक्स्ट किया था, तो आप अनुमान लगा सकते हैं कि वह जल्द ही जवाब देगा। यदि उसने एक सप्ताह तक हर दिन आपको टेक्स्ट किया है, तो आप और भी अधिक आश्वत हो सकते हैं। CountTRuCoLa नॉलेज ग्राफ में भविष्य के लिंक्स की भविष्यवाणी करने के लिए इसी तर्क का उपयोग करता है।

यह प्रणाली भविष्यवाणियों के लिए चार प्रकार के सरल "नियमों" को सीखती है:

1. "वही चीज़ फिर से" नियम (Recurrent Rules): यह सबसे सरल है। यदि "एलिस बॉब से मिली" कल हुई थी, तो नियम सुझाव देता है कि "एलिस कल फिर बॉब से मिलेगी।" यह वैसा ही है जैसे यह नोटिस करना कि आपकी कॉफी मशीन हमेशा मंगलवार को खराब हो जाती है।
2. "अलग मोड़" नियम (Non-Recurrent Rules): कभी-कभी, एक घटना से एक अलग घटना होती है। यदि "एलिस बॉब से मिली," तो शायद अगली चीज़ यह है कि "एलिस और बॉब लंच पर गए।" सिस्टम सीखता है कि मिलना अक्सर साथ में खाने की ओर ले जाता है।
3. "विशिष्ट पात्र" नियम (Constant Rules): यह नियम विशिष्ट लोगों या चीजों पर ध्यान केंद्रित करता है। उदाहरण के लिए, "यदि कोई व्यक्ति एम्स्टर्डम में पैदा हुआ है, तो वह अक्सर यूनिवर्सिटी ऑफ एम्स्टर्डम में पढ़ाई करता है।" इससे कोई फर्क नहीं पड़ता कि वह व्यक्ति कौन है; यदि वे एम्स्टर्डम से हैं, तो नियम सक्रिय हो जाता है।
4. "सामान्य रुझान" नियम (Frequency Rules): ये नियम बड़ी तस्वीर देखते हैं। "पिज्जा अक्सर खाया जाता है" या "किम विशेष रूप से पिज्जा पसंद करता है।" इन नियमों को किसी विशिष्ट ट्रिगर इवेंट की आवश्यकता नहीं होती; वे बस जानते हैं कि दुनिया में कुछ चीजें बार-बार होती हैं।

गुप्त सूत्र: कॉन्फिडेंस फंक्शन (Confidence Function)

असली जादू केवल नियमों में नहीं है, बल्कि इस बात में है कि सिस्टम यह तय कैसे करता है कि उन पर कितना भरोसा किया जाए। शोधकर्ताओं ने एक विशेष "कॉन्फिडेंस फंक्शन" बनाया है जो एक स्कोरकार्ड की तरह काम करता है। जब सिस्टम एक ऐसा नियम देखता है जो भविष्य की भविष्यवाणी कर सकता है, तो वह दो प्रश्न पूछता है:

• पिछली बार यह कब हुआ था? (हालियापन/Recency)
• हाल ही में यह कितनी बार हुआ है? (आवृत्ति/Frequency)

सिस्टम उच्च स्कोर तब देता है जब घटना बहुत हाल ही में हुई हो या कम समय के अंतराल में कई बार हुई हो। यदि यह लंबे समय पहले हुई थी या साल में केवल एक बार हुई थी, तो स्कोर गिर जाता है। यह इस तरह है जैसे आप मौसम के पूर्वानुमान पर अधिक भरोसा करेंगे यदि इस सप्ताह हर दिन बारिश हुई है, तुलना में यदि पिछले महीने केवल एक बार बारिश हुई थी। सिस्टम प्रत्येक नियम के लिए सही संतुलन सीखता है, यह पता लगाता है कि समय बीतने के साथ "भरोसा" कितनी तेज़ी से कम होना चाहिए।

मुकाबला: सरल बनाम जटिल

यह देखने के लिए कि क्या उनका सरल जासूस उन विशाल ब्लैक बॉक्स को हरा सकता है, शोधकर्ताओं ने छोटे तथ्यों के संग्रह से लेकर GDELT (जो वैश्विक समाचार घटनाओं को ट्रैक करता है) जैसे विशाल डेटासेट्स तक, नौ अलग-अलग डेटासेट्स पर CountTRuCoLa का परीक्षण किया। उन्होंने इसकी तुलना 11 अन्य अत्याधुनिक मॉडलों के साथ की, जिनमें से कई डीप लर्निंग का उपयोग करते हैं और जिन्हें चलाने के लिए शक्तिशाली ग्राफिक्स कार्ड (GPUs) की आवश्यकता होती है।

परिणाम आश्चर्यजनक थे।

• यह चार डेटासेट्स पर जीता और अन्य पर दूसरे या तीसरे स्थान पर रहा।
• इसने "Recurrency Baseline" को हराया (एक सरल विधि जो केवल यह अनुमान लगाती है कि चीजें दोहराई जाएंगी) नौ में से सात डेटासेट्स पर, यह साबित करते हुए कि उन अतिरिक्त नियमों और स्मार्ट कॉन्फिडेंस स्कोर को जोड़ने से वास्तव में मदद मिलती है।
• यह क्रैश नहीं हुआ। यह एक बड़ी बात है। जब शोधकर्ताओं ने सबसे बड़े डेटासेट्स पर जटिल न्यूरल नेटवर्क मॉडल चलाने की कोशिश की, तो उनमें से कई मेमोरी की कमी (out of memory) या बहुत अधिक समय लेने के कारण (out-of-time errors) के कारण रुक गए। Count-TRuCoLa ने बिना किसी क्रैश के सभी डेटासेट्स को संभाला।

पेपर सुझाव देता है कि इन कई भविष्यवाणी कार्यों के लिए, विशाल न्यूरल नेटवर्क की "जटिलता" वास्तव में आवश्यक नहीं है। डेटा में पैटर्न अक्सर इतने सरल होते हैं कि स्पष्ट नियमों का एक सेट उन्हें उतनी ही अच्छी तरह, या उससे भी बेहतर तरीके से खोज सकता है।

यह क्यों मायने रखता है: "क्यों" की शक्ति

CountTRuCoLa का सबसे बड़ा लाभ यह नहीं है कि यह काम करता है; बल्कि यह है कि यह समझाता है कि क्यों। जटिल न्यूरल नेटवर्क के साथ, यदि कंप्यूटर भविष्यवाणी करता है कि "एलिस बॉब से मिलेगी," तो आप पूछ नहीं सकते, "क्यों?" उत्तर लाखों नंबरों में दबा होता है। लेकिन CountTRuCoLa के साथ, आपको एक पूरी रिपोर्ट मिलती है।

कल्पना कीजिए कि सिस्टम भविष्यवाणी करता है कि "Alexis_T. Evangelos_V के साथ परामर्श करेगा।" सिस्टम आपको दिखा सकता है:

• नियम: "जो लोग मिलने का इरादा व्यक्त करते हैं, वे आमतौर पर बाद में परामर्श करते हैं।"
• ट्रिगर: "Alexis_T. ने 4 टाइम स्टेप पहले मिलने की इच्छा व्यक्त की थी।"
• स्कोर: "इस पैटर्न के हालियापन और आवृत्ति के आधार पर इस नियम का कॉन्फिडेंस 0.17 है।"

यह पारदर्शिता एक ऐसे जासूस की तरह है जो न केवल केस सुलझाता है बल्कि आपको सबूत की फाइल, टाइमलाइन और हर निष्कर्ष के पीछे का तर्क भी दिखाता है। शोधकर्ताओं ने एक ऐसा टूल बनाया है जो उपयोगकर्ताओं को भविष्यवाणी पर क्लिक करने और उस सटीक ग्राफ और नंबरों को देखने की अनुमति देता है जिन्होंने उन भविष्यवाणियों को जन्म दिया। यह वैज्ञानिकों को न केवल यह समझने में मदद करता है कि क्या होने वाला है, बल्कि यह भी कि डेटा में कौन से पैटर्न उनकी भविष्यवाणियों को चला रहे हैं।

निचोड़

इस पेपर के लेखक यह दावा नहीं कर रहे हैं कि उन्होंने समय यात्रा के रहस्य को हल कर लिया है या जटिल AI बेकार है। वे सुझाव दे रहे हैं कि नॉलेज ग्राफ में भविष्य के लिंक्स की भविष्यवाणी करने के विशिष्ट कार्य के लिए, हम शायद चीजों को बहुत जटिल बना रहे थे। उनका सरल, नियम-आधारित दृष्टिकोण, CountTRuCoLa, दिखाता है कि आप डीप लर्निंग की भारी मशीनरी के बिना शीर्ष-स्तरीय प्रदर्शन प्राप्त कर सकते हैं। यह तेज़ है, बड़े डेटा पर क्रैश नहीं होता है, और सबसे महत्वपूर्ण बात यह है कि यह "ब्लैक बॉक्स" को खुला रखता है ताकि हम देख सकें कि जादू कैसे होता है। एक ऐसी दुनिया में जहाँ AI अधिक जटिल और समझने में कठिन होता जा रहा है, CountTRuCoLa एक ताज़ा रिमाइंडर देता है कि कभी-कभी, सरल नियम ही सबसे शक्तिशाली होते हैं।