Graph-Based Alternatives to LLMs for Human Simulation
यह शोध पत्र ग्राफ-आधारित मॉडल्स फॉर ह्यूमन सिमुलेशन (GEMS) को प्रस्तुत करता है, जो एक ग्राफ न्यूरल नेटवर्क दृष्टिकोण है जो क्लोज-एंडेड ह्यूमन सिमुलेशन कार्यों को लिंक प्रेडिक्शन के रूप में सूत्रबद्ध करता है ताकि बड़े लैंग्वेज मॉडल्स के प्रदर्शन के बराबर या उससे बेहतर प्रदर्शन करते हुए उनके मुकाबले तीन गुना कम पैरामीटर्स का उपयोग 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
कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि कोई विशिष्ट व्यक्ति चुनाव में कैसे मतदान करेगा, वह दुकान पर क्या खरीदेगा, या वह सर्वेक्षण के प्रश्न का उत्तर कैसे देगा। लंबे समय से, तकनीकी दुनिया का पसंदीदा समाधान लार्ज लैंग्वेज मॉडल्स (LLMs) रहा है—वही शक्तिशाली AI मस्तिष्क जो कविताएँ लिखता है, कोड करता है और आपसे बातें करता है।
सोच यह थी: "मानव व्यवहार की भविष्यवाणी करने के लिए, हमें एक ऐसे मॉडल की आवश्यकता है जो मानव भाषा को पूरी तरह से समझ सके।"
लेकिन यूसी बर्कले (UC Berkeley) के शोधकर्ताओं की एक टीम ने एक सरल प्रश्न पूछा: "क्या हमें इसके लिए एक सुपर-कंप्यूटर मस्तिष्क की वास्तव में आवश्यकता है, या हम एक सरल, स्मार्ट मानचित्र (map) का उपयोग कर सकते हैं?"
उनका उत्तर है GEMS (Graph-basEd Models for Human Simulation)। यहाँ इस शोध पत्र को सरल शब्दों में समझाया गया है, कुछ रोज़मर्रा के उपमाओं (analogments) का उपयोग करते हुए।
1. पुराना तरीका: "विश्वकोश" दृष्टिकोण (LLMs)
एक LLM को एक विशाल, विश्वकोश जैसे पुस्तकालयाध्यक्ष (librarian) के रूप में सोचें जिसने अब तक लिखी गई लगभग हर किताब पढ़ी है।
- यह कैसे काम करता है: जब आप पूछते हैं, "ओहियो के एक 30 वर्षीय शिक्षक इस टैक्स कानून के बारे में क्या सोचेंगे?" तो पुस्तकालयाध्यक्ष अपनी विशाल स्मृति में खोज करता है, समान लोगों को याद करने की कोशिश करता है, और एक लंबा, तर्कसंगत उत्तर लिखता है।
- समस्या: यह पुस्तकालयाध्यक्ष महंगा है (इसे चलाने में एक बड़ी राशि खर्च होती है), धीमा है, और कभी-कभी भ्रमित (hallucinate) हो जाता है (चीजें बना देता है)। साथ ही, क्योंकि उन्होंने पूरे इंटरनेट से सीखा है, वे अनजाने में पूर्वाग्रह ला सकते हैं या निजी डेटा को "लीक" कर सकते हैं जिसे उन्हें नहीं जानना चाहिए।
2. नया तरीका: "सोशल नेटवर्क मैप" (GMS)
शोधकर्ताओं ने महसूस किया कि मानवीय विकल्प केवल इस बारे में नहीं हैं कि हम क्या कहते हैं; वे इस बारे में भी हैं कि हम कौन हैं और हम किनसे जुड़े हुए हैं।
एक पुस्तकालयाध्यक्ष के बजाय, एक विशाल, जीवित मानचित्र (ग्राफ) की कल्पना करें।
- नोड्स (बिंदु): इस मानचित्र पर, आपके पास लोगों के लिए बिंदु हैं, समूहों (जैसे "किशोर" या "कुत्ते के मालिक") के लिए बिंदु हैं, और विकल्पों (जैसे "हाँ में वोट दें" या "ब्रांड A खरीदें") के लिए बिंदु हैं।
- एजेस (रेखाएं): रेखाएं लोगों को उन समूहों से जोड़ती हैं जिनसे वे संबंधित हैं, और रेखाएं लोगों को उन विकल्पों से जोड़ती हैं जिन्हें उन्होंने अतीत में चुना है।
मानचित्र का जादू:
यदि आप भविष्यवाणी करना चाहते हैं कि एक नया व्यक्ति क्या चुनेगा, तो आपको उसके बारे में कोई किताब पढ़ने की आवश्यकता नहीं है। आपको बस मानचित्र देखना है:
- वह कहाँ खड़ा है? (वह "युवा" समूह से जुड़ा हुआ है)।
- उस समूह में और कौन है?
- उन लोगों ने क्या विकल्प चुने थे?
मॉडल सीखता है कि "समूह X के लोग आमतौर पर विकल्प Y चुनते हैं।" यह एक फिल्म की समीक्षा पढ़ने के बजाय यह देखकर भविष्यवाणी करने जैसा है कि आपके समान पसंद वाले दोस्तों ने उसे पसंद किया था।
3. तीन परिदृश्य (द "टेस्ट ड्राइव")
शोधकर्ताओं ने तीन अलग-अलग स्थितियों में इस मानचित्र का "पुस्तकालयाध्यक्ष" (LLM) के विरुद्ध परीक्षण किया:
परिदृश्य A: लापता पहेली का टुकड़ा (Imputation)
- कार्य: हमारे पास एक सर्वेक्षण है, लेकिन किसी ने प्रश्न 5 का उत्तर देना छोड़ दिया। उन्होंने क्या चुना?
- परिणाम: मानचित्र (GEMS) उतनी ही बार सही अनुमान लगा सका जितना कि पुस्तकालयाध्यक्ष, लेकिन इसने इसे 1,000 गुना तेज़ किया और 1,000 गुना कम कंप्यूटर पावर का उपयोग किया। इसे प्रश्न के टेक्स्ट को पढ़ने की भी आवश्यकता नहीं थी; इसने केवल कनेक्शन के पैटर्न को देखा।
परिदृश्य B: अजनबी (नए व्यक्ति)
- कार्य: एक बिल्कुल नया व्यक्ति आता है। हम उनकी आयु और पेशा जानते हैं, लेकिन हमने उन्हें पहले कभी नहीं देखा है। वे क्या चुनेंगे?
- परिणाम: मानचित्र ने उन "समूहों" को देखा जिनसे यह नया व्यक्ति संबंधित है और उनके चुनाव की भविष्यवाणी की। इसने पुस्तकालयाध्यक्ष की सटीकता से पूरी तरह मेल खाया।
परिदृश्य C: नया प्रश्न (नए प्रश्न)
- कार्य: हमारे पास एक बिल्कुल नया सर्वेक्षण प्रश्न है जिसे पहले किसी ने नहीं देखा है। लोग उत्तर कैसे देंगे?
- परिणाम: यह सबसे कठिन हिस्सा है। यहाँ, मानचित्र को नए प्रश्न को समझने के लिए एक छोटे "अनुवादक" की आवश्यकता थी। इस अतिरिक्त चरण के साथ भी, मानचित्र ने पुस्तकालयाध्यक्ष के समान ही प्रदर्शन किया, लेकिन यह अभी भी बहुत सस्ता और तेज़ था।
4. यह क्यों मायने रखता है (द "अहा!" मोमेंट)
💰 यह सस्ता और तेज़ है
पुस्तकालयाध्यक्ष (LLM) को चलाना एक साधारण गणित की समस्या को हल करने के लिए 100 पीएचडी विशेषज्ञों की एक टीम को काम पर रखने जैसा है। मानचित्र (GEMS) एक सुव्यवस्थित स्प्रेडशीट का उपयोग करने जैसा है। शोधकर्ताओं ने पाया कि GEMS 100 गुना कम कंप्यूटिंग पावर का उपयोग करता है और इसमें LLMs की तुलना में 1,000 गुना कम पैरामीटर (AI के "मस्तिष्क कोशिकाएं") हैं, फिर भी यह समान परिणाम प्राप्त करता है।
🔍 यह पारदर्शी है (कोई जादू नहीं)
पुस्तकालयाध्यक्ष के साथ, आप अक्सर यह नहीं जान पाते कि उसने उत्तर क्यों दिया। यह एक "ब्लैक बॉक्स" है।
मानचित्र के साथ, आप सीधे तौर पर कनेक्शन देख सकते हैं। आप कह सकते हैं, "आह, मॉडल ने इसकी भविष्यवाणी इसलिए की क्योंकि यह व्यक्ति 'उच्च आय' समूह से जुड़ा है, और उस समूह के 80% लोगों ने विकल्प A चुना।" यह इसे बहुत अधिक विश्वसनीय और पूर्वाग्रह की जांच के लिए आसान बनाता है।
🛡️ यह सुरक्षित है
LLMs को पूरे इंटरनेट पर प्रशिक्षित किया गया है, जिसका अर्थ है कि वे निजी डेटा को "याद" कर सकते हैं या हानिकारक रूढ़ियों को सीख सकते हैं। GEMS को केवल उस विशिष्ट डेटा से शुरू से प्रशिक्षित किया जाता है जो आप इसे देते हैं। इसमें पूरे इंटरनेट का बोझ नहीं है।
निष्कर्ष
यह शोध पत्र तर्क देता है कि कई कार्यों के लिए जहाँ हमें केवल एक सूची से विकल्प की भविष्यवाणी करने की आवश्यकता होती है (जैसे सर्वेक्षण, मतदान या टेस्ट के उत्तर), हमें एक विशाल, महंगे AI मस्तिष्क की आवश्यकता नहीं है।
हमें बस एक स्मार्ट मानचित्र की आवश्यकता है जो समझता है कि लोग और विकल्प कैसे जुड़ते हैं। यह एक याद दिलाता है कि कभी-कभी सबसे सरल उपकरण—जो रिश्तों और पैटर्न को देखता है—सबसे शक्तिशाली होता है।
संक्षेप में: मानव व्यवहार की भविष्यवाणी करने के लिए आपको सुपरकंप्यूटर की आवश्यकता नहीं है; आपको बस सोशल नेटवर्क को समझने की आवश्यकता 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।