🤖 AI

Agile Deliberation: Concept Deliberation for Subjective Visual Classification

यह शोध पत्र "एजाइल डेलिब्रेशन" (Agile Deliberation) का परिचय देता है, जो एक ह्यूमन-इन-द-लूप फ्रेमवर्क है जो संरचित स्कोपिंग और सीमावर्ती मामलों (borderline cases) के पुनरावृत्ति एक्सपोजर के माध्यम से उपयोगकर्ताओं को अस्पष्ट या व्यक्तिपरक दृश्य अवधारणाओं को परिष्कृत करने में मदद करता है, जिसके परिणामस्वरूप मौजूदा बेसलाइन की तुलना में काफी उच्च क्लासिफायर प्रदर्शन और कम संज्ञानात्मक प्रयास प्राप्त होता है।

मूल लेखक: Leijie Wang, Otilia Stretcu, Wei Qiao, Thomas Denby, Krishnamurthy Viswanathan, Enming Luo, Chun-Ta Lu, Tushar Dogra, Ranjay Krishna, Ariel Fuxman

प्रकाशित 2026-04-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Leijie Wang, Otilia Stretcu, Wei Qiao, Thomas Denby, Krishnamurthy Viswanathan, Enming Luo, Chun-Ta Lu, Tushar Dogra, Ranjay Krishna, Ariel Fuxman

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 बहुत ही बुद्धिमान, लेकिन थोड़ी शाब्दिक अर्थ निकालने वाली रोबोट को "स्वस्थ भोजन" (Healthy Food) पहचानना सिखाने की कोशिश कर रहे हैं।

आप सोच सकते हैं, "आसान है! मैं इसे बस कह दूँगा: 'मुझे सलाद, फल और ग्रिल्ड चिकन की तस्वीरें दिखाओ।'"

लेकिन समस्या यह है कि रोबोट भ्रमित है। क्या बहुत सारी क्रीमी ड्रेसिंग वाला सलाद स्वस्थ है? क्या मूंगफली के मक्खन (peanut butter) के एक चम्मच वाला स्मूदी स्वस्थ है? क्या अगर तस्वीर एक किसान की है जो सब्जियां उगा रहा है, लेकिन वे सब्जियां अभी भी मिट्टी में हैं, तो वह स्वस्थ है?

वास्तविक दुनिया में, "स्वस्थ", "गॉरमेट" (gourmet), या "असुरक्षित सामग्री" जैसे विचार ब्लैक एंड व्हाइट नहीं होते। वे धूसर रंग के शेड्स (shades of gray) हैं। यदि आप रोबोट को केवल एक स्थिर परिभाषा दे देते हैं, तो वह गलत होगा क्योंकि आपकी "स्वस्थ" की समझ भी बदल सकती है जैसे-जैसे आप अधिक उदाहरण देखते हैं।

यह पेपर "एजाइल डेलिब्रेशन" (Agile Deliberation) नामक एक नई प्रणाली पेश करता है। इसे एक शिक्षक द्वारा छात्र को व्याख्यान देने के रूप में नहीं, बल्कि एक सहयोगात्मक कला परियोजना (collaborative art project) के रूप में समझें, जहाँ आप और रोबोट मिलकर कदम-दर-कदम नियम तय करते हैं।

यह कैसे काम करता है, इसे एक सरल उपमा (analogy) से समझते हैं:

समस्या: "आंखों पर पट्टी बांधा हुआ कलाकार"

पारंपरिक AI प्रशिक्षण एक ऐसे कलाकार को "स्वस्थ भोजन" की तस्वीर बनाने के लिए कहने जैसा है जिसने आंखों पर पट्टी बांधी हुई है। आप उन्हें नियमों की एक सूची देते हैं (जैसे, "पिज्जा नहीं"), वे अनुमान लगाते हैं, और आप कहते हैं "गलत"। वे फिर से अनुमान लगाते हैं। यह निराशाजनक, धीमा है, और कलाकार वास्तव में कभी समझ नहीं पाता कि आपकी "स्वस्थ" की परिभाषा एक मानक पाठ्यपुस्तक की परिभाषा से अलग क्यों है।

समाधान: "मूर्तिकला स्टूडियो" (The Sculpting Studio)

एजाइल डेलिब्रेशन एक मूर्तिकला स्टूडियो की तरह है। आप मिट्टी के एक खुरदरे ब्लॉक से शुरुआत करते हैं (आपका अस्पष्ट विचार "स्वस्थ भोजन")। यह प्रणाली आपको उन हिस्सों को तराशने में मदद करती है जो वहां नहीं होने चाहिए और आकार को तब तक परिष्कृत करती है जब तक कि वह बिल्कुल वैसा न दिखने लगे जैसा आपके मन में है।

यह दो मुख्य चरणों में काम करता है:

चरण 1: इसे तोड़ना (द "मेन्यू" स्टेज)

सबसे पहले, प्रणाली आपसे अपने बड़े विचार को छोटे, प्रबंधनीय टुकड़ों में तोड़ने के लिए कहती है।

आप कहते हैं: "मैं स्वस्थ भोजन चाहता हूँ।"
प्रणाली पूछती है: "ठीक है, आइए इसे तोड़ते हैं। क्या आपका मतलब पेय (drinks) से है? क्या आपका मतलब पके हुए भोजन से है? क्या आपका मतलब कच्ची सामग्री से है?"
जादू: यह उप-अवधारणाओं (sub-concepts) का एक संरचित "मेन्यू" बनाता है। यह आपको यह समझने में मदद करता है, "ओह, मुझे वास्तव में मिट्टी में पड़ा कच्चा मांस नहीं चाहिए; मुझे तैयार भोजन चाहिए।" यह आपकी अस्पष्ट भावना को एक स्पष्ट चेकलिस्ट में बदल देता है।

चरण 2: "एज केस" वर्कआउट (द "बॉर्डरलाइन" स्टेज)

यह सबसे महत्वपूर्ण हिस्सा है। एक बार जब आपके पास चेकलिस्ट हो जाती है, तो प्रणाली केवल स्पष्ट उदाहरण (जैसे एक चमकीला हरा सेब) नहीं दिखाती है। इसके बजाय, यह एक स्पैरिंग पार्टनर (sparring partner) की तरह कार्य करती है।

यह "बॉर्डरलाइन केसेस" (Borderline Cases) को खोजती है—वे चित्र जो पेचीदा हैं और आपको सोचने पर मजबूर कर देते हैं।

उदाहरण: यह भारी रेंच ड्रेसिंग से ढके हुए सलाद की एक तस्वीर दिखाती है।
रोबोट पूछता है: "क्या यह स्वस्थ है?"
आप सोचते हैं: "हम्म, लेट्यूस (lettuce) स्वस्थ है, लेकिन वह ड्रेसिंग मूल रूप से एक मिल्कशेक की तरह है। मुझे लगता है कि यह स्कोप से बाहर (out of scope) है।"
रोबोट सीखता है: "आह! तो 'स्वस्थ' का मतलब 'स्वस्थ सामग्री' और 'हल्की ड्रेसिंग' है। मुझे अपने नियमों को अपडेट करने की आवश्यकता है।"

यह प्रणाली विशेष रूप से इन भ्रमित करने वाले चित्रों की तलाश करती है क्योंकि असली सीखना वहीं होता है। यह आपको अपने विचारों को स्पष्ट करने के लिए मजबूर करती है।

यह पुराने तरीके से बेहतर क्यों है?

यह संभालता है "मुझे नहीं पता कि मैं क्या जानता हूँ": आमतौर पर, AI सिस्टम मान लेते हैं कि आप शुरुआत से ही जानते हैं कि आपको क्या चाहिए। यह प्रणाली स्वीकार करती है, "आपको शायद अभी सटीक नियम नहीं पता हैं, इसलिए आइए हम इसे साथ मिलकर सुलझाते हैं।"
यह आपकी मानसिक ऊर्जा बचाता है: पुराने तरीके में, आपको AI को दिखाने के लिए उदाहरण खोजने के लिए गूगल पर "बहुत अधिक ड्रेसिंग वाला सलाद" मैन्युअल रूप से खोजना पड़ता। यह प्रणाली आपके लिए खोज का काम करती है, आपको सबसे कठिन चित्र प्रस्तुत करती है ताकि आपको समय बर्बाद न करना पड़े।
यह रोबोट की भाषा बोलता है: जैसे-जैसे आप फीडबैक देते हैं, प्रणाली स्वचालित रूप से रोबोट के निर्देशों (प्रॉम्प्ट्स) को अधिक सटीक बनाने के लिए फिर से लिखती है। यह आपकी अनौपचारिक टिप्पणियों ("बहुत अधिक क्रीम!") को एक सख्त नियम में अनुवादित करती है जिसे रोबोट पालन कर सके।

परिणाम: एक स्पष्ट तस्वीर

शोधकर्ताओं ने इसका परीक्षण वास्तविक लोगों के साथ किया। उन्होंने पाया कि:

बेहतर सटीकता: इस पद्धति से प्रशिक्षित रोबोट वास्तव में यह अनुमान लगाने में बहुत बेहतर थे कि मानव वास्तव में क्या चाहता था (अन्य तरीकों की तुलना में लगभग 7.5% बेहतर)।
कम तनाव: मनुष्यों ने कम निराशा और कम थकान महसूस की। उन्हें लगा कि वे AI के साथ संघर्ष करने के बजाय उसके साथ बातचीत कर रहे हैं।
स्पष्ट सोच: अंत तक, मनुष्य वास्तव में अपने स्वयं के विचारों को बेहतर ढंग से समझ गए थे। वे यह समझाने में सक्षम थे कि कोई तस्वीर "स्वस्थ" क्यों थी या क्यों नहीं थी।

निष्कर्ष

एजाइल डेलिब्रेशन मानवीय अंतर्ज्ञान (intuition) और मशीन तर्क के बीच का एक सेतु है। यह पहचानता है कि जटिल, व्यक्तिपरक विषयों के लिए, हम एक आदर्श परिभाषा के साथ शुरुआत नहीं करते हैं। हम एक भावना के साथ शुरू करते हैं, और हम इसे धुंधले, ग्रे क्षेत्रों को देखकर परिष्कृत करते हैं।

मानव को मशीन के कठोर नियमों में फिट होने के लिए मजबूर करने के बजाय, यह मशीन को अपने नियमों को मानव के विकसित होते मन के अनुरूप ढालने की अनुमति देता है। यह AI को सिखाने की प्रक्रिया को एक उबाऊ काम से बदलकर एक सहयोगात्मक खोज में बदल देता है।

यहाँ शोध पत्र "Agile Deliberation: Concept Deliberation for Subjective Visual Classification" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पारंपरिक कंप्यूटर विज़न पाइपलाइनें वस्तुनिष्ठ (objective), अच्छी तरह से परिभाषित ग्राउंड ट्रुथ (जैसे, "कुत्ता," "कार") पर निर्भर करती हैं। हालाँकि, कई वास्तविक दुनिया के अनुप्रयोगों, जैसे कि कंटेंट मॉडरेशन और पर्सनलाइज्ड क्यूरेशन, के लिए व्यक्तिपरक अवधारणाओं (subjective concepts) (जैसे, "असुरक्षित इमेजरी," "गॉरमेट फूड," "स्वस्थ भोजन") के वर्गीकरण की आवश्यकता होती है।

मुख्य चुनौती: उपयोगकर्ताओं के पास इन व्यक्तिपरक अवधारणाओं के अस्पष्ट, विकसित होते मानसिक मॉडल होते हैं। वे पहले से ही एक स्थिर, पूर्ण परिभाषा प्रदान नहीं कर सकते।
मौजूदा विधियों की सीमाएँ:
- क्राउडसोर्सिंग/फिक्स्ड टैक्सोनॉमी: ये एक एकल ग्राउंड ट्रुथ मान लेते हैं, जिससे वैचारिक परिवर्तनशीलता (conceptual variability) को पकड़ने में विफलता होती है।
- एजाइल मॉडलिंग/मैनुअल लेबलिंग: ये मानते हैं कि उपयोगकर्ता के पास पहले से ही एक स्पष्ट अवधारणा परिभाषा है और वे डेटा को पुनरावृत्ति (iteratively) के साथ लेबल करते हैं। वे स्वयं अवधारणा को परिष्कृत करने की प्रक्रिया का समर्थन नहीं करते हैं।
- LLM/VLM प्रॉम्प्टिंग: डोमेन विशेषज्ञ विजन-लैंग्वेज मॉडल्स (VLMs) के लिए प्रॉम्प्ट लिख सकते हैं, लेकिन एक संरचित विचार-विमर्श प्रक्रिया के बिना, ये प्रॉम्प्ट अक्सर सूक्ष्म निर्णय सीमाओं (decision boundaries) को पकड़ने में विफल रहते हैं, जिससे मॉडल द्वारा मनमाना अस्पष्टता समाधान (ambiguity resolution) होता है।
- मानक एक्टिव लर्निंग: आमतौर पर मॉडल अनिश्चितता (0.5 के करीब संभाव्यता) के आधार पर नमूने चुनता है। यह VLMs के लिए अप्रभावी है क्योंकि उनके कॉन्फिडेंस स्कोर अक्सर मानवीय समझ के साथ कैलिब्रेटेड नहीं होते हैं, और वे उन सेमेंटिक रूप से अस्पष्ट "बॉर्डरलाइन" मामलों को मिस कर सकते हैं जिन्हें मनुष्य कठिन पाते हैं।

2. कार्यप्रणाली: एजाइल डेलिब्रेशन फ्रेमवर्क (Methodology: Agile Deliberation Framework)

लेखक एजाइल डेलिब्रेशन (Agile Deliberation) का प्रस्ताव करते हैं, जो व्यक्तिपरक अवधारणा परिभाषाओं के विकास का समर्थन करने के लिए डिज़ाइन किया गया एक ह्यूम-इन-द-लूप फ्रेमवर्क है। सिस्टम एक VLM-आधारित क्लासिफायर के प्रशिक्षण लूप में उपयोगकर्ता के फीडबैक को सीधे एकीकृत करते हुए दो अलग-अलग चरणों के माध्यम से संचालित होता है।

A. सिस्टम आर्किटेक्चर

यह फ्रेमवर्क एक व्यक्तिपरक अवधारणा का नाम ( $s$ ) और एक अनलेबल डेटासेट ( $D$ ) इनपुट के रूप में लेता है। यह एक संरचित अवधारणा परिभाषा ( $d$ ) और एक क्लासिफायर ( $f_d$ ) आउटपुट के रूप में देता है जो छवियों को "इन-स्कोप" होने की संभावना में मैप करता है।

प्रक्रिया को एक पुनरावृत्ति अनुकूलन (iterative optimization) के रूप में औपचारिक रूप दिया गया है जहाँ संचित लेबल किए गए सेट $\mathcal{L}_t$ पर F1-स्कोर को अधिकतम करने के लिए $d_{t+1}$ को चुना जाता है:
$d_{t+1} = \arg \max_{d' \in \mathcal{C}_t} F_1(f_{d'}, \mathcal{L}_t)$

B. चरण 1: कॉन्सेप्ट स्कोपिंग (Concept Scoping)

यह चरण उपयोगकर्ता की प्रारंभिक अस्पष्ट अवधारणा को एक संरचित पदानुक्रम (hierarchy) में तोड़ता है।

विघटन (Decomposition): प्रॉम्प्ट-चेन्ड रीजनिंग (LLMs) का उपयोग करके, सिस्टम मिश्रित अवधारणा को यूनिट अवधारणाओं में तोड़ता है (जैसे, "स्वस्थ भोजन" $\to$ "स्वस्थ व्यंजन" + "स्वस्थ पेय")।
सब-कॉन्सेप्ट एक्सपेंशन: प्रत्येक यूनिट के लिए, सिस्टम संभावित सकारात्मक और नकारात्मक उप-अवधारणाएं उत्पन्न करता है (जैसे, "ताजा फल" बनाम "तली हुई फास्ट फूड")।
उपयोगकर्ता सत्यापन: सिस्टम इन उम्मीदवारों के लिए प्रतिनिधि छवियां पुनर्प्राप्त (retrieve) करता है। उपयोगकर्ता चुनता है कि किन उप-अवधारणाओं को शामिल करना है, जिससे एक प्रारंभिक संरचित परिभाषा ( $d_0$ ) और एक सीड क्लासिफायर बनता है।

C. चरण 2: कॉन्सेप्ट इटरेशन (Concept Iteration)

यह चरण केवल मॉडल-अनिश्चित नमूनों के बजाय सेमेंटिकली बॉर्डरलाइन उदाहरणों को उपयोगकर्ता को दिखाकर परिभाषा को परिष्कृत करता है।

बॉर्डरलाइन इमेज रिट्रीवल:
- मानक अनिश्चितता सैंपलिंग के बजाय, सिस्टम "अस्पष्ट" श्रेणियों (जैसे, "भारी मेयोनेज़ के साथ सलाद") के लिए क्वेरी उत्पन्न करता है।
- यह छवियां पुनर्प्राप्त करता है, उन्हें डी-डुप्लिकेट करता है, और उन्हें विजुअल फीचर्स के आधार पर क्लस्टर करता है।
- मल्टी-आर्म्ड बैंडिट सिलेक्शन: सिस्टम यह चुनने के लिए कि अगली बार कौन सा बॉर्डरलाइन इमेज क्लस्टर दिखाना है, एक अपर कॉन्फिडेंस बाउंड (UCB) एल्गोरिदम का उपयोग करता है। यह उन क्लस्टरों को प्राथमिकता देता है जहाँ मॉडल उपयोगकर्ता के साथ असहमत है या जहाँ उपयोगकर्ता का फीडबैक ऐतिहासिक रूप से सबसे अधिक सूचनात्मक रहा है।
- एम्बिग्युटी माइनिंग: एक चयनित क्लस्टर के भीतर, सिस्टम यह सुनिश्चित करता है कि बैच एक एकल सुसंगत अस्पष्टता आयाम (जैसे, पोर्शन साइज) पर केंद्रित हो ताकि केंद्रित चिंतन (focused reflection) की सुविधा मिल सके।
उपयोगकर्ता लेबलिंग और फीडबैक:
- उपयोगकर्ता छवियों को इन-स्कोप/आउट-ऑफ-स्कोप के रूप में लेबल करते हैं और असहमति के लिए टेक्स्टुअल औचित्य (justifications) प्रदान करते हैं।
- इंटरफ़ेस VLM के प्रेडिक्शन और तर्क (rationale) को उपयोगकर्ता के लेबल के साथ तुलनात्मक रूप से दिखाता है।
कॉन्सेप्ट रिफाइनमेंट (प्रॉम्प्ट ऑप्टिमाइजेशन):
- उपयोगकर्ता के फीडबैक को स्पष्ट तर्कों (rationales) में विस्तारित किया जाता है।
- एक LLM इन नए प्रतिबंधों को शामिल करने वाले कई उम्मीदवार परिभाषाओं ( $\mathcal{C}_t$ ) को सिंथेसाइज करता है (जैसे, "उन व्यंजनों को बाहर करें जिनमें >50% क्रीम है")।
- सिस्टम पूरे लेबल किए गए इतिहास के विरुद्ध उम्मीदवारों का मूल्यांकन करता है और अगले दौर के लिए सबसे अच्छा प्रदर्शन करने वाली परिभाषा ( $d_{t+1}$ ) को लालची (greedily) रूप से चुनता है।

3. मुख्य योगदान (Key Contributions)

कॉन्सेप्ट डेलिब्रेशन को संचालित करना: यह पेपर मानव विशेषज्ञों द्वारा उपयोग किए जाने वाले "कॉन्सेप्ट डेलिब्रेशन" वर्कफ़्लो (स्कोपिंग $\to$ एज केस पर इटरेशन) को एक स्केलेबल सॉफ्टवेयर फ्रेमवर्क में पहचानता है और औपचारिक रूप देता है।
सेमेंटिक बॉर्डरलाइन रिट्रीवल: एक नवीन रिट्रीवल रणनीति जो मॉडल की संभाव्यता अनिश्चितता के बजाय सेमेंटिक अस्पष्टता (LLM-जेनरेटेड क्वेरी और क्लस्टरिंग के माध्यम से) को लक्षित करती है, जो VLMs और मानवीय इरादे के बीच कैलिब्रेशन गैप को संबोधित करती है।
ह्यूमन-इन-द-लूप प्रॉम्प्ट ऑप्टिमाइजेशन: एक विधि जो अवधारणा परिभाषा को एक डायनेमिक प्रॉम्प्ट के रूप में मानती है, जो स्थिर फ्यू-शॉट उदाहरणों के बजाय संरचित उपयोगकर्ता फीडबैक के आधार पर निरंतर अनुकूलित होती है।
मूल्यांकन प्रोटोकॉल: लेखक स्थिर बेंचमार्क से आगे बढ़कर, उपयोगकर्ता के इरादे के गतिशील विकास को समर्थन देने की प्रणाली की क्षमता को मापने के लिए 18 लाइव यूजर सेशन (प्रत्येक 1.5 घंटे) आयोजित करते हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

अध्ययन में 9 गैर-विशेषज्ञ प्रतिभागियों (18 सत्र) ने दो अवधारणाओं का परीक्षण किया: "पेड टू प्ले" (कंटेंट मॉडरेशन) और "हेल्दी फूड" (क्यूरेशन)।

प्रदर्शन लाभ:
- जीरो-शॉट के मुकाबले: एजाइल डेलिब्रेशन ने औसत F1 स्कोर में 10.5% का सुधार किया।
- ऑटोमेटेड डिकम्पोजिशन (मॉडलिंग कोलैबोरेटर) के मुकाबले: F1 में 7.5% का सुधार किया।
- मैनुअल डेलिब्रेशन के मुकाबले: F1 में >3% का सुधार किया।
- नोट: लाभ उन अवधारणाओं के लिए सबसे महत्वपूर्ण थे जहाँ उपयोगकर्ताओं के पास सूक्ष्म व्याख्याएँ थीं जो जेनेरिक VLM प्रायोरिटीज़ से अलग थीं।
उपयोगकर्ता अनुभव:
- प्रतिभागियों ने मैनुअल डेलिब्रेशन की तुलना में काफी कम संज्ञानात्मक प्रयास (cognitive effort) और निराशा (p < 0.05) रिपोर्ट की।
- उपयोगकर्ताओं ने पाया कि सिस्टम के संरचित मार्गदर्शन के साथ एज केस की पहचान करना और अपनी परिभाषाओं को व्यक्त करना आसान था।
ट्रांसफरेबिलिटी: एजाइल डेलिब्रेशन द्वारा उत्पन्न अवधारणा परिभाषाएँ (जो Gemini 2.5 के लिए अनुकूलित थीं) अन्य VLMs (Qwen3-VL) पर प्रभावी ढंग से स्थानांतरित हुईं, जिसमें अधिक सक्षम मॉडल्स पर प्रदर्शन लाभ बढ़ गया।

5. महत्व और प्रभाव (Significance and Impact)

विषयपरक AI का लोकतंत्रीकरण: यह फ्रेमवर्क गैर-विशेषज्ञों के लिए अपने विशिष्ट मूल्यों और दृष्टिकोणों को विजन सिस्टम में एनकोड करने की बाधा को कम करता है, जिससे उच्च-दांव वाले वर्गीकरण (जैसे कंटेंट मॉडरेशन) मानवीय इरादे के साथ अधिक सुसंगत और सुलभ हो जाता है।
कैलिब्रेशन गैप को पाटना: सेमेंटिक बॉर्डरलाइन मामलों पर ध्यान केंद्रित करके, सिस्टम जेनरेटिव VLMs को मानवीय तर्क के साथ प्रभावी ढंग से संरेखित करता है, जो अक्सर अनकैलिब्रेटेड होता है।
सक्रिय जोखिम शमन: कंटेंट मॉडरेशन जैसे डोमेन में, यह दृष्टिकोण चिकित्सकों को केवल तैनाती के बाद प्रतिक्रिया देने के बजाय, सूक्ष्म जोखिमों और हानियों का अनुमान लगाने वाले क्लासिफायर को सक्रिय रूप से डिजाइन करने की अनुमति देता है।
भविष्य की दिशा: पेपर सुझाव देता है कि भविष्य के AI सिस्टम को केवल स्थिर ट्रेनिंग डेटा तक सीमित नहीं रहना चाहिए, बल्कि इसमें इंटरैक्टिव, डेलिब्रेटिव लूप शामिल होने चाहिए जो मानवीय समझ के विकास को मॉडल करते हैं।