Investigating the Representation of Backchannels and Fillers in Fine-tuned Language Models
यह शोध पत्र प्रदर्शित करता है कि एनोटेटेड संवाद कॉर्पोरा पर भाषा मॉडलों को फाइन-ट्यून करने से मानव-समान बैकचैनल्स और फिलर्स को पहचानने और उत्पन्न करने की उनकी क्षमता बढ़ती है, जिससे सामान्य मॉडलों को अधिक प्रभावी संवादात्मक एजेंटों में बदला जा सकता 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 रोबोट को स्वाभाविक बातचीत करना सिखा रहे हैं। आप उसे किताबें पढ़ने के लिए एक विशाल पुस्तकालय देते हैं। रोबोट व्याकरण, शब्दावली और तथ्यों को बहुत अच्छी तरह से सीख जाता है। लेकिन एक समस्या है: किताबें आमतौर पर "साफ-सुथरी" होती हैं। उनमें वे छोटी-छोटी आवाज़ें नहीं होतीं जो वास्तविक लोग बात करते समय निकालते हैं, जैसे "अह," "उम्म," "अह-हूँ," या "वेल" (well)।
कंप्यूटर विज्ञान की दुनिया में, इन ध्वनियों को अक्सर शोर (noise) माना जाता है—जैसे रेडियो लाइन पर आने वाली स्टेटिक, जिसे सिग्नल को स्पष्ट बनाने के लिए हटा दिया जाता है। लेकिन वास्तविक जीवन में, ये ध्वनियाँ वास्तव में सामाजिक गोंद (social glue) का काम करती हैं। वे दूसरे व्यक्ति को बताती हैं, "मैं सुन रहा हूँ," "मैं सहमत हूँ," या "मैं सोच रहा हूँ, इसलिए अभी मुझे टोकिए मत।"
यह शोध पत्र एक कार्यशाला की तरह है जहाँ शोधकर्ताओं ने एक रोबट को इस "सामाजिक गोंद" को अनदेखा करना बंद करने और इसका स्वाभाविक रूप से उपयोग करना सिखाने की कोशिश की।
समस्या: रोबोट बहुत अधिक विनम्र है
शोधकर्ताओं ने पाया कि मानक एआई मॉडल (रोबोट) बहुत अधिक विनम्र और बहुत सटीक होते हैं। क्योंकि उन्हें मुख्य रूप से साफ टेक्स्ट पर प्रशिक्षित किया गया था, वे यह नहीं जानते कि ध्यान देने के लिए "अह-हूँ" कैसे कहना है, या यह दिखाने के लिए कि "मैं सोच रहा हूँ" कैसे "उम्म" कहना है। वे एक चैट करने वाले इंसान की तरह नहीं, बल्कि एक स्क्रिप्ट पढ़ने वाले रोबोट की तरह लगते हैं।
प्रयोग: रोबोट को सिखाने के तीन तरीके
इसे ठीक करने के लिए, शोधकर्ताओं ने कई अलग-अलग एआई मॉडल (कुछ छोटे, कुछ बहुत बड़े) लिए और उन्हें अंग्रेजी और जापानी बोलने वालों की वास्तविक बातचीत का उपयोग करके एक विशेष "फिनिशिंग स्कूल" दिया। उन्होंने तीन अलग-अलग शिक्षण विधियों का परीक्षण किया:
- "खाली स्थान भरो" खेल (मास्किंग): उन्होंने एक बातचीत ली, उसमें "अह-हूँ" और "उम्म" वाले हिस्सों को ढक दिया, और रोबोट से पूछा कि संदर्भ के आधार पर वहां क्या गायब है। इससे रोबोट को यह सीखने में मदद मिली कि वे ध्वनियाँ क्यों होती हैं।
- "अगला शब्द" खेल (नेक्स्ट टोकन प्रेडिक्शन): उन्होंने रोबोट को एक बातचीत पढ़ने दी और बस अगले शब्द की भविष्यवाणी करने को कहा, चाहे वह "एलिफेंट" जैसा बड़ा शब्द हो या "अह" जैसा छोटा शब्द। इसने रोबोट को सिखाया कि ये छोटे शब्द भी उतने ही महत्वपूर्ण हैं जितने बड़े शब्द।
- "बारी लेने" का खेल (टर्न-टेकिंग प्रीडिक्शन): उन्होंने रोबोट से पूछा कि कब एक व्यक्ति को बोलना बंद करना चाहिए और दूसरे को शुरू करना चाहिए। चूंकि "अह-हूँ" अक्सर संकेत देता है कि सुनने वाला बोलने के लिए तैयार है, इसलिए इससे रोबोट को बातचीत की लय समझने में मदद मिली।
परिणाम: रोबोट को एक "मानवीय" अहसास मिलता है
शोधकर्ताओं ने केवल रोबोट को चैट करने के लिए नहीं कहा; उन्होंने रोबोट के दिमाग के अंदर झांकने के लिए गणित का उपयोग किया ताकि यह देखा जा सके कि वह इन ध्वनियों के बारे में कैसे सोच रहा है।
- प्रशिक्षण से पहले: कल्पना कीजिए कि रोबोट का दिमाग एक बड़ा, अस्त-व्यस्त कमरा है जहाँ सभी अलग-अलग "अह-हूँ" और "उम्म" ध्वनियों को एक विशाल ढेर में फेंक दिया गया है। रोबोट यह अंतर नहीं कर सका कि कौन सा "अह-हूँ" "मैं सहमत हूँ" का अर्थ है और कौन सा "मैं हैरान हूँ" का। वे सभी एक जैसे दिखते थे।
- प्रशिक्षण के बाद: विशेष पाठों के बाद, रोबोट के दिमाग ने उस अस्त-व्यस्त कमरे को व्यवस्थित कर दिया। अब, विभिन्न प्रकार की ध्वनियों के लिए अपने अलग शेल्फ (अलमारियां) थे। रोबोट ने सीखा कि "अह-हूँ" (सहमति) "उम्म" (सोचना) से अलग है। गणितीय स्कोर (जिन्हें "सिलुएट स्कोर" कहा जाता है) बढ़ गए, जिससे यह सिद्ध हुआ कि रोबोट अंततः इन सूक्ष्म सामाजिक संकेतों के बीच अंतर करने में सक्षम हो गया था।
उन्होंने रोबोट का परीक्षण यह पूछकर भी किया कि वह एक बातचीत को कैसे आगे बढ़ाता है।
- पहले: रोबोट के उत्तर उबाऊ और रोबोटिक थे।
- बाद में: रोबोट ने "हाँ," "वेल," और "अह" जैसी स्वाभाविक ध्वनियों का उपयोग करना शुरू कर दिया। यह बहुत अधिक मानव जैसा लगने लगा।
निष्कर्ष
मुख्य खोज सरल है: आप एक रोबोट को अधिक मानव जैसा बनाकर सिखा सकते हैं यदि आप उसे विशेष रूप से भाषण के "अस्त-व्यस्त" हिस्सों को सिखाएं।
भले ही इन छोटी ध्वनियों (बैकचैनल्स और फिलर्स) में "सेब" या "कार" की तरह भारी अर्थ नहीं होता, लेकिन वे बहुत बड़ा सामाजिक अर्थ रखती हैं। मॉडलों को वास्तविक संवाद डेटा के साथ फाइन-ट्यून करके, शोधकर्ताओं ने दिखाया कि एआई इन ध्वनियों का उपयोग बातचीत के प्रवाह को प्रबंधित करने के लिए कर सकता है, ठीक वैसे ही जैसे हम करते हैं।
यह शोध पत्र क्या नहीं कहता:
- यह दावा नहीं करता कि ये रोबोट आपके थेरेपिस्ट या डॉक्टर बनने के लिए तैयार हैं।
- यह नहीं कहता कि यह सभी एआई समस्याओं को ठीक कर देगा।
- यह पूरी तरह से इन ध्वनियों की सीखने की प्रक्रिया और आंतरिक प्रतिनिधित्व पर केंद्रित है, जो यह सिद्ध करता है कि सही प्रशिक्षण के साथ, एआई इन्हें पहले की तुलना में बेहतर समझ और उत्पन्न कर सकता है।
संक्षेप में, शोधकर्ताओं ने साबित कर दिया कि यदि आप "उम्म" और "अह" को कचरा मानने के बजाय उन्हें महत्वपूर्ण सामाजिक संकेत मानना शुरू कर दें, तो आपका एआई अंततः एक कैलकुलेटर की तरह नहीं बल्कि एक बातचीत करने वाले की तरह सुनाई देगा।
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।