CityRiSE: Reasoning Urban Socio-Economic Status in Large Vision-Language Models via Reinforcement Learning
यह शोध पत्र CityRiSE को प्रस्तुत करता है, जो एक नवीन ढांचा है जो विविध और अनदेखे संदर्भों में शहरी सामाजिक-आर्थिक स्थिति की भविष्यवाणी करने के लिए लार्ज विजन-लैंग्वेज मॉडल्स (Large Vision-Language Models) की सटीक, व्याख्यात्मक और सामान्यीकरण योग्य तर्क करने की क्षमता को बढ़ाने के लिए सावधानीपूर्वक क्यूरेट किए गए मल्टी-मोडल डेटा और सत्यापन योग्य पुरस्कारों के साथ सुदृढीकरण शिक्षण (reinforcement learning) का लाभ उठाता 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 जासूस हैं जो एक रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन उंगलियों के निशान या पैरों के निशान खोजने के बजाय, आप शहरों की तस्वीरों को देखकर यह अनुमान लगाने की कोशिश कर रहे हैं कि वहां रहने वाले लोग कितने समृद्ध, स्वस्थ या शिक्षित हैं। विज्ञान का यह क्षेत्र "अर्बन सोशियो-इकोनॉमिक सेंसिंग" (urban socio-economic sensing) कहलाता है। लंबे समय तक, कंप्यूटर तस्वीरों में सरल चीजों को पहचानने में अच्छे रहे हैं, जैसे कि "वह एक कार है" या "वह एक पेड़ है।" लेकिन जटिल मानवीय कहानियों का अनुमान लगाना—जैसे कि किसी पड़ोस की औसत आय या जीवन प्रत्याशा—एक कैलकुलेटर से कविता लिखने के लिए कहने जैसा था। यह कठिन है क्योंकि ये संख्याएँ अमूर्त होती हैं, और डेटा बहुत अव्यवस्थित होता है। हाल ही में, हमने "लार्ज विजन-लैंग्वेज मॉडल्स" (LVLMs) बनाए हैं, जो सुपर-स्मार्ट AI दिमाग हैं जो तस्वीरों को देख सकते हैं और टेक्स्ट को एक साथ पढ़ सकते हैं। वे उन छात्रों की तरह हैं जिन्होंने पुस्तकालय की हर किताब पढ़ी है और इंटरनेट पर देखी गई हर फोटो को देखा है। बड़ा सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: क्या हम इन AI छात्रों को केवल नंबरों का अनुमान लगाने के लिए ही नहीं, बल्कि वास्तव में शहर की तस्वीर में मौजूद सुरागों के माध्यम से सोचने के लिए सिखा सकते हैं ताकि वे लोगों की कहानी समझ सकें?
यहीं पर CityRiSE नामक एक नया प्रोजेक्ट आता है। इसके पीछे के शोधकर्ताओं ने महसूस किया कि हालांकि ये AI मॉडल शक्तिशाली हैं, फिर भी वे उन शहरों के बारे में सटीक अनुमान लगाने में संघर्ष करते हैं जिन्हें उन्होंने पहले नहीं देखा है, या उन विशिष्ट सामाजिक मुद्दों के बारे में जिन्हें उन्हें स्पष्ट रूप से नहीं सिखाया गया है। वे अक्सर बिना कोई कारण बताए बस एक नंबर थमा देते हैं, जिससे उन पर भरोसा करना मुश्किल हो जाता है। इसे ठीक करने के लिए, टीम ने केवल AI को अधिक तस्वीरें नहीं खिलाईं; उन्होंने इसे रीइन्फोर्समेंट लर्निंग (Reinforcement Learning) नामक एक विधि का उपयोग करके तर्क करना सिखाया। इसे एक कुत्ते को प्रशिक्षित करने की तरह समझें, जहाँ उसे इनाम के रूप में 'ट्रीट्स' नहीं मिलते, बल्कि जब वह एक पहेली को सही ढंग से हल करता है तो उसे एक "रिवॉर्ड" (पुरस्कार) मिलता है। टीम ने एक विशेष प्रशिक्षण खेल बनाया जहाँ AI को स्ट्रीट व्यू और सैटेलाइट इमेज को देखना था, महत्वपूर्ण सुरागों (जैसे इमारतों के प्रकार, हरियाली की उपस्थिति, या सड़कों की स्थिति) को पहचानना था, और फिर अंतिम उत्तर देने से पहले अपने सोचने के तरीके को चरण-दर-चरण समझाना था।
CityRiSE का असली मंत्र यह है कि यह AI को कैसे पुरस्कृत करता है। शोधकर्ताओं ने दो प्रकार के रिवॉर्ड्स डिज़ाइन किए। पहला है "रिग्रेशन रिवॉर्ड" (Regression Reward), जो एक स्कोरकार्ड की तरह काम करता है। यदि AI अनुमान लगाता है कि आर्थिक स्थिति "7" है और वास्तविक उत्तर "8" है, तो उसे एक अच्छा रिवॉर्ड मिलता है। यदि वह "1" का अनुमान लगाता है, तो उसे बड़ी पेनल्टी मिलती है। यह AI को सिखाता है कि बहुत गलत होने के बजाय करीब होना बेहतर है। दूसरा है "कीवर्ड रिवॉर्ड" (Keyword Reward), जो एक चेकलिस्ट की तरह है। यदि AI अपने स्पष्टीकरण में विशिष्ट, उपयोगी चीजें जैसे कि "वाहन" (vehicles), "हरियाली" (greenery), या "स्ट्रीट फर्नीचर" (street furniture) का उल्लेख करता है, तो उसे अंक मिलते हैं। यह AI को मजबूर करता है कि वह चित्र के सही हिस्सों को देखे और अपने तर्क को समझाए, न कि केवल मनगढ़ंत उत्तर दे। उन्होंने AI को कुछ अतिरिक्त अभ्यास पहेलियाँ भी दीं, जैसे कि यह पता लगाना कि फोटो किस शहर की है या वस्तुओं की गिनती करना, ताकि उसके सामान्य तर्क कौशल को तेज किया जा सके।
इसके परिणाम काफी प्रभावशाली हैं। टीम ने केवल लगभग 5,109 उदाहरणों का उपयोग करके CityRiSE को प्रशिक्षित किया, जो उन लाखों छवियों की तुलना में बहुत कम है जिनकी अन्य मॉडल्स को आमतौर पर आवश्यकता होती है। इस छोटे से डेटासेट के बावजूद, CityRiSE ने कई मौजूदा मॉडल्स, जिनमें कुछ बहुत महंगे और व्यावसायिक AI सिस्टम भी शामिल हैं, से बेहतर प्रदर्शन किया। इससे भी रोमांचक बात यह है कि इसमें "जनरलाइजेशन" (generalization) नामक एक दुर्लभ क्षमता दिखाई दी। इसका मतलब है कि यह एक ऐसे शहर को देख सकता था जिसे इसने पहले कभी नहीं देखा था (जैसे किसी दूसरे देश का शहर) या किसी नए प्रकार के सांख्यिकीय डेटा का अनुमान लगा सकता था जिसके बारे में इसे पहले नहीं पूछा गया था (जैसे आय के बजाय मानसिक स्वास्थ्य तक पहुंच), और फिर भी एक अच्छा अनुमान लगा सकता था। पेपर यह सुझाव देता है कि दृश्य सुरागों के माध्यम से तर्क करना सीखकर, AI ने केवल प्रशिक्षण डेटा को रटा नहीं; बल्कि इसने सोचने का एक लचीला तरीका सीखा जो नई स्थितियों में भी काम करता है।
संक्षेप में, CityRiSE दिखाता है कि यदि आप एक बड़े AI मॉडल को "अपना काम दिखाना" (show its work) सिखाते हैं और उसे सही दृश्य सुराग खोजने के लिए पुरस्कृत करते हैं, तो यह हमारे शहरों को समझने के लिए एक बहुत बेहतर जासूस बन सकता है। यह केवल एक 'ब्लैक बॉक्स' से आगे बढ़कर जो सिर्फ नंबर थमाता है, एक ऐसे टूल में बदल जाता है जो समझा सकता है कि कोई पड़ोस क्यों संघर्ष कर रहा है या क्यों फल-फूल रहा है, और वह भी उन छवियों के आधार पर जो वह वास्तव में देख रहा है। यह दृष्टिकोण बताता है कि एक भविष्य है जहाँ AI हमें हर नए स्थान के लिए भारी मात्रा में प्री-लेबल डेटा की आवश्यकता के बिना जटिल सामाजिक मुद्दों को समझने में मदद कर सकता 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।