Bridging Natural Language and Formal Specification--Automated Translation of Software Requirements to LTL via Hierarchical Semantics Decomposition Using LLMs
यह शोध पत्र Req2LTL को प्रस्तुत करता है, जो एक मॉड्यूलर फ्रेमवर्क है जो पदानुक्रमित अर्थ संबंधी अपघटन (hierarchical semantic decomposition) के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है और वास्तविक दुनिया के एयरोस्पेस डेटासेट पर बेहतर प्रदर्शन प्राप्त करते हुए, प्राकृतिक भाषा सॉफ्टवेयर आवश्यकताओं को स्वचालित रूप से सिंटैक्टिक रूप से वैध और अर्थ संबंधी रूप से सटीक लीनियर टेम्पोरल लॉजिक (Linear Temporal Logic) विनिर्देशों में अनुवादित करने के लिए नियतात्मक नियम-आधारित संश्लेषण (deterministic rule-based synthesis) का उपयोग 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 एक बहुत ही सख्त, शाब्दिक अर्थ समझने वाले रोबोट को निर्देश देने की कोशिश कर रहे हैं। आप स्वाभाविक, प्रवाहपूर्ण अंग्रेजी में बात करते हैं (जैसे "यदि लाइट लाल हो जाए, तो जाने से पहले पीले रंग की होने तक प्रतीक्षा करें")। लेकिन रोबोट केवल एक कठोर, गणितीय कोड समझता है जिसे LTL (लीनियर टेम्पोरल लॉजिक) कहा जाता है। यदि आप अपने निर्देशों में एक छोटी सी भी गलती करते हैं, तो रोबोट सिस्टम को क्रैश कर सकता है।
वर्तमान में, मनुष्यों को इन निर्देशों को रोबोट के कोड में फिर से लिखने के लिए अनुवादक के रूप में कार्य करना पड़ता है। यह धीमा, उबाऊ और मानवीय त्रुटियों के प्रति संवेदनशील है।
यह शोध पत्र REQ2LTL नामक एक नया टूल पेश करता है जो इस अनुवाद को स्वचालित करता है। इसे एक "स्मार्ट ट्रांसलेटर" के रूप में सोचें जो केवल कोड का अनुमान नहीं लगाता; बल्कि यह समस्या को प्रबंधनीय परतों में तोड़ देता है।
यह कैसे काम करता है, इसके लिए कुछ रचनात्मक उपमाओं का उपयोग किया गया है:
1. समस्या: "ब्लैक बॉक्स" ट्रांसलेटर
लेखकों ने सीधे अनुवाद करने के लिए शक्तिशाली AI मॉडल (जैसे GPT-4o) का उपयोग करने का प्रयास किया। उन्होंने पाया कि हालांकि AI व्यक्तिगत शब्दों को समझने में बहुत अच्छा है, लेकिन यह अक्सर "बड़ी तस्वीर" के तर्क (logic) में खो जाता है।
- उपमा: कल्पना कीजिए कि आप एक छात्र को एक जटिल कानूनी अनुबंध लिखने के लिए कह रहे हैं। यदि आप केवल कहते हैं, "अनुबंध लिखें," तो छात्र शब्दों को सही लिख सकता है लेकिन घटनाओं के क्रम में गलती कर सकता है (उदाहरण के लिए, "कागज पर हस्ताक्षर करने" से पहले "पैसे भुगतान करने" की बात कहना)।
- परिणाम: AI अक्सर ऐसा कोड बनाता था जो दिखने में सही लगता था लेकिन उसमें छिपे हुए तार्किक जाल होते थे, जैसे कि "प्रतीक्षा करें" (wait) निर्देश का छूट जाना या "जब तक" (until) को "और" (and) के साथ भ्रमित कर देना।
2. समाधान: "अनियन" (प्याज) रणनीति
इस समस्या को ठीक करने के लिए, टीम ने OnionL नामक एक मध्य चरण बनाया।
- उपमा: एक प्राकृतिक भाषा की आवश्यकता को एक प्याज (onion) के रूप में सोचें। इसमें कई परतें होती हैं: बाहरी त्वचा (मुख्य लक्ष्य), मध्य परतें (शर्तें और समय), और केंद्र (विशिष्ट तथ्य)।
- नवाचार: इसके बजाय कि सिस्टम एक बार में पूरे प्याज को छील दे, यह इसे परत-दर-परत छीलता है।
- परत 1 (दायरा/Scope): यह AI से पूछता है, "क्या यह हमेशा हो रहा है? अंततः? या केवल तब जब एक विशिष्ट मोड सक्रिय हो?" यह लॉजिक ट्री का बाहरी ढांचा तैयार करता है।
- परत 2 (विवरण): इसके बाद यह प्रत्येक परत में गहराई से जाता है, जटिल वाक्यों को छोटे, परमाणु तथ्यों (जैसे "तापमान > 50" या "लाइट लाल है") में तोड़ता है।
- परिणाम: AI को एक साथ पूरी संरचना का अनुमान लगाने की आवश्यकता नहीं है। उसे बस परतों को व्यवस्थित करना है, जो उसके लिए सही ढंग से करना बहुत आसान है।
3. सुरक्षा जाल: "नियम-आधारित शेफ"
एक बार जब AI प्याज को छील लेता है और परतों को एक संरचित पेड़ (OnionL) में व्यवस्थित कर देता है, तो सिस्टम इसे दूसरे भाग को सौंप देता है: एक डिटरमिनिस्टिक नियम-आधारित इंजन।
- उपमा: सोचिए कि AI एक रचनात्मक शेफ है जो सब्जियों (परतों) को काटता है। नियम-आधारित इंजन एक सख्त गुणवत्ता नियंत्रण निरीक्षक (quality control inspector) है। वह खाना नहीं बनाता; वह केवल जाँचता है: "क्या आपने ठीक दो गाजरें काटीं? क्या चाकू तेज है? क्या कटोरा साफ है?"
- लाभ: क्योंकि यह हिस्सा सख्त, अपरिवर्तनीय नियमों का पालन करता है, यह गारंटी देता है कि अंतिम कोड सिंटैक्टिक रूप से पूर्ण (100% सही संरचना वाला) है। यदि AI ने परतों में कोई गलती की है, तो निरीक्षक अंतिम कोड लिखे जाने से पहले उसे पकड़ लेता है।
4. मानवीय सुरक्षा वाल्व (Human Safety Valve)
कभी-कभी, निर्देश बहुत अस्पष्ट होते हैं (जैसे, "इसे जितनी जल्दी हो सके करें")। AI गलत अनुमान लगा सकता है।
- उपमा: सिस्टम प्याज की परतों का एक दृश्य मानचित्र (visual map) प्रदान करता है। यदि कोई मानव विशेषज्ञ देखता है कि AI ने "प्रतीक्षा करें" निर्देश को गलत स्थान पर रख दिया है, तो वे मानचित्र पर क्लिक करके उसे ठीक कर सकते हैं। यह एक पूरे पैराग्राफ के कोड को फिर से लिखने के बजाय एक फ्लोचार्ट को संपादित करने जैसा है।
उन्होंने क्या पाया?
टीम ने वास्तविक दुनिया की एयरोस्पेस आवश्यकताओं (अंतरिक्ष यान नेविगेशन और नियंत्रण के निर्देश) पर इसका परीक्षण किया।
- स्कोर: उनके नए सिस्टम, REQ2LTL ने 88.4% अर्थों को बिल्कुल सही तरीके से और 100% कोड संरचना को सही ढंग से प्राप्त किया।
- तुलना: पिछले तरीकों (केवल AI से सीधे अनुवाद करने के लिए कहना) ने केवल लगभग 44% से 65% तक ही सही परिणाम दिए।
- यह क्यों मायने रखता है: अंतरिक्ष यात्रा जैसे सुरक्षा-महत्वपूर्ण क्षेत्रों में, 100% संरचनात्मक गारंटी अत्यंत महत्वपूर्ण है। सिस्टम ने "अनियन" पद्धति का उपयोग करके AI को केंद्रित रखने और सुरक्षा सुनिश्चित करने के लिए नियम-आधारित इंजन का उपयोग करके, अव्यवस्थित मानवीय भाषा और पूर्ण मशीन तर्क के बीच के अंतर को सफलतापूर्वक पाट दिया।
संक्षेप में, यह शोध पत्र दावा करता है कि जटिल निर्देशों को "अनियन" की परतों में तोड़ने और अंत में एक सख्त नियम-जांचकर्ता का उपयोग करने से, हम जटिल मशीनों के लिए पूर्ण सुरक्षा कोड का निर्माण स्वचालित कर सकते हैं, जो पहले AI के लिए अकेले करना बहुत कठिन था।
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।