Modeling Hawkish-Dovish Latent Beliefs in Multi-Agent Debate-Based LLMs for Monetary Policy Decision Classification
यह अध्ययन एक नवीन मल्टी-एजेंट डिबेट फ्रेमवर्क पेश करता है जो फेडरल ओपन मार्केट कमेटी की विचार-विमर्श प्रक्रिया का अनुकरण करने के लिए लेटेंट हॉकिश-डोविश विश्वासों वाले इंटरैक्टिंग एलएलएम (LLMs) को मॉडल करता है, जो मानक स्टैटिक मॉडल्स की तुलना में मौद्रिक नीति निर्णय पूर्वानुमानों की सटीकता और व्याख्यात्मकता में महत्वपूर्ण सुधार 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 आप यह अनुमान लगाने की कोशिश कर रहे हैं कि 12 लोगों का एक समूह आगे क्या करने का निर्णय लेगा। ये लोग "फेडरल ओपन मार्केट कमेटी" (FOMC) हैं, जो ब्याज दरें तय करने के लिए जिम्मेदार समूह है। उनके निर्णय बहुत बड़े होते हैं: वे आपके होम लोन की दरें बढ़ा सकते हैं, आपके बचत खाते पर अधिक कमाई दिला सकते हैं, या आपकी सुबह की कॉफी की कीमत को भी प्रभावित कर सकते हैं।
आमतौर पर, जब लोग इस समूह के बारे में भविष्यवाणी करने की कोशिश करते हैं, तो वे केवल समाचार और आंकड़ों (जैसे मुद्रास्फीति या बेरोजगारी) को देखते हैं और एक एकल कंप्यूटर प्रोग्राम से पूछते हैं, "आपको क्या लगता है?"
पुराने तरीके के साथ समस्या
इस शोध पत्र के लेखक कहते हैं कि यह एक जटिल पारिवारिक बहस के परिणाम का अनुमान लगाने के लिए एक व्यक्ति से पूछने जैसा है। वास्तव में, FOMC एक एकल मस्तिष्क नहीं है; यह अलग-अलग व्यक्तित्वों वाले लोगों से भरा एक कमरा है। कुछ "हॉक्स" (Hawks) हैं (जो मुद्रास्फीति को लेकर बहुत चिंतित रहते हैं और आक्रामक रूप से दरें बढ़ाना चाहते हैं), और कुछ "डोव्स" (Doves) हैं (जो अर्थव्यवस्था के धीमे होने को लेकर अधिक चिंतित रहते हैं और दरों को कम रखना पसंद करते हैं)। वे चर्चा करते हैं, बहस करते हैं, और अंततः एक समझौते पर पहुँचते हैं।
पुराने कंप्यूटर मॉडल इस "बहस" वाले हिस्से को छोड़ देते थे। उन्होंने समिति को एक एकल रोबोट की तरह माना, और यह अनदेखा कर दिया कि कैसे इन विभिन्न व्यक्तित्वों का एक-दूसरे पर प्रभाव पड़ता है।
नया विचार: एक डिजिटल डिबेट क्लब
इसे ठीक करने के लिए, शोधकर्ताओं ने एक नए प्रकार का कंप्यूटर मॉडल बनाया है जो एक डिजिटल डिबेट क्लब की तरह काम करता है।
- पात्रों का चयन: एक रोबोट के बजाय, उन्होंने 7 अलग-अलग AI "एजेंटों" की एक टीम बनाई। प्रत्येक एजेंट को एक विशिष्ट व्यक्तित्व, या "विश्वास" (belief) के साथ प्रोग्राम किया गया है। कुछ को "स्ट्रॉन्ग हॉक्स" के रूप में प्रोग्राम किया गया है, कुछ को "मॉडरेट डोव्स" के रूप में, और कुछ को "न्यूट्रल्स" के रूप में।
- इनपुट: प्रत्येक एजेंट को एक ही होमवर्क मिलता है: एक रिपोर्ट जिसे "बेज बुक" (Beige Book) कहा जाता है (जो स्थानीय व्यवसायों से अर्थव्यवस्था के बारे में कहानियों का एक संग्रह है) और कुछ ठोस आंकड़े (जैसे बेरोजगारी दर)।
- पहला अनुमान: शुरुआत में, प्रत्येक एजेंट होमवर्क को देखता है और अपने आप में एक अनुमान लगाता है। एक "स्ट्रॉंग हॉक" का अनुमान हो सकता है "दरें बढ़ाएं", जबकि एक "स्ट्रॉन्ग डव" का अनुमान हो सकता है "दरें घटाएं"।
- बहस: यही जादू वाला हिस्सा है। एजेंट केवल अपने पहले अनुमान पर टिके नहीं रहते। वे एक-दूसरे द्वारा कही गई बातें पढ़ने के लिए बारी-बारी से आते हैं।
- एजेंट A कहता है: "मुझे लगता है कि हमें दरें बढ़ानी चाहिए क्योंकि मुद्रास्फीति अधिक है।"
- एजेंट B (एक डव) इसे पढ़ता है और सोचता है: "हम्म, मुद्रास्फीति अधिक है, लेकिन मैंने स्थानीय व्यवसायों के बारे में जो पढ़ा है, वे संघर्ष कर रहे हैं। शायद मुझे अपना रुख थोड़ा नरम करना चाहिए।"
- एजेंट B अपने अनुमान को अपडेट करता है।
- आम सहमति (Consensus): वे कई राउंड तक ऐसा करते रहते हैं। वे बहस करते हैं, सुनते हैं, और अपने विचारों को समायोजित करते हैं जब तक कि वे ज्यादातर एक अंतिम निर्णय पर सहमत नहीं हो जाते।
"सीक्रेट सॉस": लेटेंट बिलीफ (Latent Belief)
शोधकर्ताओं ने इस AI को अधिक पारदर्शी बनाने के लिए एक विशेष सुविधा भी जोड़ी। उन्होंने प्रत्येक एजेंट को एक छिपा हुआ "विश्वास चर" (belief variable) दिया। इसे एजेंट के मस्तिष्क के भीतर एक दिशा-सूचक यंत्र (Compass) की तरह समझें।
भले ही एजेंट एक ही समाचार पढ़ रहा हो, लेकिन इसका "कम्पास" एक अलग दिशा में संकेत करता है। यह शोध पत्र गणित का उपयोग करके दिखाता है कि यह कम्पास (विश्वास) ही वह चीज़ है जो सूचना को फिल्टर करती है। यह समझाता है कि क्यों एक 'हॉक' उच्च बेरोजगारी संख्या को दरें कम रखने के कारण के रूप में देखता है, जबकि एक 'डव' इसे अलग तरह से देख सकता है। यह AI की निर्णय लेने की प्रक्रिया को समझने में आसान बनाता है, न कि एक "ब्लैक बॉक्स" की तरह।
उन्हें क्या मिला?
टीम ने 2000 से 2025 के वास्तविक ऐतिहासिक डेटा का उपयोग करके इस प्रणाली का परीक्षण किया। उन्होंने पूछा: "क्या हमारा डिजिटल डिबेट क्लब यह अनुमान लगा सकता है कि वास्तविक FOMC ने वास्तव में क्या निर्णय लिया था?"
- विजेता: वह प्रणाली जिसमें बहस और विभिन्न व्यक्तित्व शामिल थे, सबसे सटीक थी।
- कहानियों का महत्व: उन्होंने पाया कि "बेज बुक" (स्थानीय व्यवसायों की कहानियाँ) वास्तव में केवल कच्चे आंकड़ों से अधिक महत्वपूर्ण थी। अच्छा अनुमान लगाने के लिए AI को "मानवीय कहानियों" की आवश्यकता थी।
- बातचीत की शक्ति: जब उन्होंने बहस की सुविधा को बंद कर दिया और एजेंटों को एक-दूसरे से बात किए बिना केवल वोट देने दिया, तो सिस्टम खराब हो गया। इससे पता चला कि तर्क करने और विचार बदलने की प्रक्रिया सही उत्तर पाने के लिए महत्वपूर्ण है।
- "होल्ड" पूर्वाग्रह (Hold Bias): विभिन्न व्यक्तित्वों और बहस के बिना, AI बहुत सुरक्षित रहने की प्रवृत्ति रखता था और हर समय "होल्ड" (कुछ न करना) का अनुमान लगाता था। बहस ने इस पूर्वाग्रह को तोड़ने में मदद की और दर वृद्धि या कटौती के अधिक सटीक भविष्यवाणियों की अनुमति दी।
संक्षेप में
यह शोध पत्र दिखाता है कि जटिल वित्तीय निर्णयों की भविष्यवाणी करने के लिए, आप केवल एक स्मार्ट कैलकुलेटर का उपयोग नहीं कर सकते। आपको अलग-अलग राय रखने वाले लोगों के एक कमरे का अनुकरण (simulate) करने की आवश्यकता है जो आपस में चर्चा कर रहे हों। AI एजेंटों को अलग-अलग "व्यक्तित्व" देकर और उन्हें बहस करने देकर, यह मॉडल बहुत बेहतर हो जाता है कि वास्तविक दुनिया का केंद्रीय बैंक क्या करेगा।
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।