A Rule-Aware Prompt Framework for Structured Numeric Reasoning in Cyber-Physical Systems
यह शोध पत्र एक मॉड्यूलर, नियम-जागरूक प्रॉम्प्ट फ्रेमवर्क प्रस्तावित करता है जो स्मार्ट ग्रिड जैसे साइबर-फिजिकल सिस्टम में संरचित संख्यात्मक तर्क और विसंगति का पता लगाने की लार्ज लैंग्वेज मॉडल्स की क्षमता को बढ़ाने के लिए पावर सिस्टम डोमेन संदर्भ, संख्यात्मक सामान्यीकरण (numeric normalization) और स्पष्ट परिचालन नियमों को एकीकृत 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
एक स्मार्ट ग्रिड की कल्पना एक विशाल, उच्च गति वाले ऑर्केस्ट्रा के रूप में करें जो बिजली की एक जटिल सिम्फनी बजा रहा है। हर वाद्य यंत्र (पावर लाइन्स, ट्रांसफार्मर, सेंसर) लगातार अपने प्रदर्शन के बारे में नोट्स भेज रहा है—वोल्टेज स्तर, पावर फ्लो और गति। सामान्य परिस्थितियों में, ये नोट्स एक सख्त, गणितीय शीट संगीत (यानी "संचालन नियमों") का पालन करते हैं। यदि कोई वाद्य यंत्र बहुत तेज़ या बहुत धीमा नोट बजाने लगता है, तो यह परेशानी का संकेत है, जैसे कि वायलिन का तार टूट जाना या कोई साइबर हमला।
समस्या यह है कि इस ऑर्केस्ट्रा के "कंडक्टर्स" (कंप्यूटर सिस्टम) आमतौर पर बहुत कठोर होते हैं। वे केवल कच्चे नंबरों को पढ़ सकते हैं। यदि नंबर थोड़े भी बदलते हैं, तो सिस्टम भ्रमित हो सकता है या त्रुटि को मिस कर सकता है।
हाल ही में, वैज्ञानिकों ने इस ऑर्केस्ट्रा को संचालित करने के लिए लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग करना शुरू किया है—वही प्रकार का AI जो कविता लिख सकता है या आपसे चैट कर सकता है। उन्होंने सोचा, "यदि AI मानवीय भाषा को समझ सकता है, तो शायद वह ग्रिड के डेटा को भी समझ सकता है।" लेकिन एक पेंच था: यदि आप AI को कच्चे नंबरों की एक विशाल सूची देते हैं, तो वह अभिभूत हो जाता है। वह नियमों का पालन करने के बजाय अनुमान लगाने लगता है, जो बिजली के मामले में खतरनाक है।
समाधान: एक "नियम-जागरूक" प्रॉम्प्ट फ्रेमवर्क (A "Rule-Aware" Prompt Framework)
लेखकों ने एक विशेष "अनुवादक" या एक स्ट्रक्चर्ड प्रॉम्प्ट फ्रेमवर्क बनाया है। इस फ्रेमवर्क को एक अनुकूलित निर्देश पुस्तिका के रूप में समझें जो आप डेटा देखने से पहले AI को देते हैं। केवल यह कहने के बजाय कि, "यहाँ कुछ नंबर हैं, मुझे बताओ कि क्या वे अजीब हैं," यह फ्रेमवर्क कार्य को छह स्पष्ट, मॉड्यूलर चरणों में विभाजित करता है, जैसे कि एक रेसिपी:
- भूमिका (R): "आप एक पावर सिस्टम एनालिस्ट हैं।" (AI की मानसिकता निर्धारित करता है)।
- संदर्भ (C): "यह ग्रिड का मानचित्र है और इन नंबरों का अर्थ क्या है।" (यह भौतिकी को समझाता है)।
- नॉर्मलाइजेशन (N): "कच्चे नंबरों को न देखें। उन्हें 'Z-स्कोर' में बदलें।"
- उपमा: कल्पना कीजिए कि आप एक दौड़ का निर्णय ले रहे हैं। एक धावक और मैराथन धावक के बीच अंतर करने के लिए उन्हें सेकंड में सटीक समय बताने के बजाय, आप उन्हें बताते हैं, "यह व्यक्ति औसत धावक से कितने सेकंड धीमा है?" यह 100 मीटर की दौड़ की तुलना 10 मील की दौड़ से करने में आसान बना देता है। "Z-स्कोर" वही मानकीकृत तुलना है।
- नियम (S): "यहाँ नियम है: यदि कोई नंबर औसत से 3 मानक विचलन (standard deviations) दूर है, तो यह एक विसंगति (anomaly) है।" (यह "थ्री-सिग्मा" नियम है, जो एक मानक सांख्यिकीय सुरक्षा जाल है)।
- वैल्यू ब्लॉक (V): वास्तविक डेटा, जिसे उन मानकीकृत "Z-स्कोर" की एक साफ, संक्षिप्त सूची के रूप में प्रस्तुत किया गया है।
- आउटपुट (O): "बताएं कि 'सामान्य' (Normal) या 'विसंगति' (Anomaly) और एक वाक्य में कारण दें।"
प्रयोग: ऑर्केस्ट्रा का परीक्षण
शोधकर्ताओं ने इस फ्रेमवर्क का परीक्षण एक प्रसिद्ध, जटिल इलेक्ट्रिकल नेटवर्क पर किया जिसे IEEE 118-बस सिस्टम कहा जाता है (जो एक लघु शहर के पावर ग्रिड जैसा है)। उन्होंने एक विशिष्ट ओपन-सोर्स AI मॉडल (GPT-OSS-20B) का उपयोग किया और डेटा देने के विभिन्न तरीकों को आजमाया:
- "कच्चा डेटा" (Raw Data) की गलती: जब उन्होंने AI को केवल कच्चे नंबर दिए (जैसे "वोल्टेज 115.4 है"), तो AI संघर्ष करता रहा। यह बिना चुंबक के घास के ढेर में सुई खोजने जैसा था। इसने केवल 36% बार सही उत्तर दिया।
- "मानकीकृत" (Standardized) सफलता: जब उन्होंने डेटा को Z-स्कोर (यानी "औसत से कितना दूर" वाला मीट्रिक) में बदलने के लिए अपने फ्रेमवर्क का उपयोग किया और उन्हें सख्त "3-सिग्मा" नियम दिया, तो AI का प्रदर्शन आसमान छू गया। यह "टूटे हुए वायलिन के तारों" को पहचानने में बहुत बेहतर हो गया।
- "हाइब्रिड" चैंपियन: सबसे अच्छा परिणाम एक हाइब्रिड टीम से आया। इस सेटअप में, AI एक स्मार्ट फिल्टर के रूप में कार्य करता था। इसने डेटा को देखा, अपने तर्क का उपयोग करके सबसे संदिग्ध वाद्य यंत्रों को चुना, और फिर अंतिम निर्णय के लिए केवल उन कुछ यंत्रों को एक पारंपरिक, सुपर-फास्ट कंप्यूटर डिटेक्टर को पास कर दिया।
- परिणाम: इस टीम ने लगभग पूर्ण सटीकता (उनके द्वारा बजाए गए सभी अलार्म वास्तविक थे) प्राप्त की और 88% वास्तविक समस्याओं को पकड़ा। यह AI के अकेले काम करने या पारंपरिक कंप्यूटर के अकेले काम करने की तुलना में अधिक तेज़ और सटीक था।
मुख्य निष्कर्ष
- आकार से अधिक संरचना महत्वपूर्ण है: AI को अधिक डेटा की आवश्यकता नहीं थी; उसे बेहतर डेटा की आवश्यकता थी। कच्चे नंबरों को हटाकर और AI को मानकीकृत "Z-स्कोर" और स्पष्ट नियम देकर, AI बहुत बेहतर तरीके से तर्क कर सका। यह एक जासूस को अनसॉर्ट किए गए सबूतों के ढेर के बजाय एक स्पष्ट संदिग्ध प्रोफाइल देने जैसा है।
- "नियम-जागरूक" दृष्टिकोण काम करता है: ग्रिड के गणितीय नियमों को स्पष्ट रूप से बताने से, AI ने अनुमान लगाना बंद कर दिया और "शीट संगीत" का पालन करना शुरू कर दिया।
- दक्षता (Efficiency): सबसे अच्छे प्रॉम्प्ट वास्तव में सबसे छोटे थे। अनावश्यक कच्चे डेटा को हटाकर, AI ने जानकारी को तेज़ी से प्रोसेस किया और कम कंप्यूटर पावर (कम "टोकन") का उपयोग किया।
निष्कर्ष
यह पेपर दिखाता है कि हमें पावर ग्रिड के पुराने, विश्वसनीय सुरक्षा प्रणालियों को AI से बदलने की आवश्यकता नहीं है। इसके बजाय, हम AI को एक स्मार्ट सहायक के रूप में उपयोग कर सकते हैं जो नियमों को समझता है और ग्रिड की भाषा बोलता है। डेटा को एक स्पष्ट, नियम-आधारित प्रारूप ( "Rule-Aware Prompt") में व्यवस्थित करके, हम AI को हमारी बिजली को सुरक्षित और स्थिर रखने में एक विश्वसनीय भागीदार बना सकते हैं, बिना इस डर के कि वह नंबरों की भारी मात्रा से भ्रमित हो जाएगा।
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।