LLaMEA-SAGE: Guiding Automated Algorithm Design with Structural Feedback from Explainable AI
यह शोध पत्र LLaMEA-SAGE को प्रस्तुत करता है, जो एक नवीन ढांचा है जो उत्पन्न कोड से संरचनात्मक विशेषताओं को निकालने और उन्हें प्राकृतिक-भाषा मार्गदर्शन में अनुवादित करने के लिए व्याख्यात्मक एआई (explainable AI) का लाभ उठाकर स्वचालित एल्गोरिदम डिजाइन को बढ़ाता है, जिससे अभिसरण (convergence) में तेजी आती है और मौजूदा विधियों की तुलना में बेहतर प्रदर्शन प्राप्त होता 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 प्रतिभाशाली, लेकिन थोड़े बिखरे हुए दिमाग वाले, प्रशिक्षु शेफ (AI) को एक बेहतरीन केक के लिए एक बिल्कुल नया नुस्खा (recipe) आविष्कार करना सिखाने की कोशिश कर रहे हैं।
पुराना तरीका (वैनिला LLaMEA)
अतीत में, आप प्रशिक्षु को कहते: "एक केक बनाओ।" वे कुछ न कुछ बनाकर तैयार कर देते, आप उसे चखते, और कहते, "हूँ, पर्याप्त मीठा नहीं है।" फिर प्रशिक्षु अनुमान लगाता, "ठीक है, मैं और चीनी डाल दूँगा," एक नया केक बनाता, और फिर आप उसे दोबारा चखते। यह पूरी तरह से अंतिम स्वाद (स्कोर) पर आधारित "गरम और ठंडा" का खेल था। प्रशिक्षु अंधे होकर उड़ रहा था, अंदाजे लगा रहा था, और अक्सर ऐसे केक बनाने में समय बर्बाद कर रहा था जो संरचनात्मक रूप से बहुत खराब थे (बहुत अधिक सामग्री, भ्रमित करने वाले चरण), भले ही वे गलती से स्वाद में ठीक हों।
नया तरीका (LLaMEA-SAGE)
यह शोध पत्र एक नया तरीका पेश करता है जिसे LLaMEA-SAGE कहा जाता है। केवल केक चखने के बजाय, यह तरीका केक बेक होने से पहले ही उसके ब्लूप्रिंट (खाके) को देखता है।
यह यहाँ कैसे काम करता है, चरण-दर-चरण:
- ब्लूप्रिंट की जाँच (संरचनात्मक विश्लेषण): हर बार जब प्रशिक्षु एक नया नुस्खा लिखता है, तो सिस्टम केवल सामग्री को नहीं देखता; यह निर्देशों की संरचना का विश्लेषण करता है। यह गिनता है कि कितने चरण हैं, तर्क (logic) कितना जटिल है, और निर्देश एक-दूसरे से कैसे जुड़े हैं। इसे "साइक्लोमैटिक कॉम्प्लेक्सिटी" (निर्देश कितने उलझे हुए हैं) को मापना या उपयोग किए गए शब्दों की कुल संख्या गिनना समझें।
- स्मार्ट कोच (सरोगेट मॉडल): सिस्टम एक विशाल नोटबुक (अभिलेखागार) रखता है जिसमें हर आज़माया गया नुस्खा, उसके संरचनात्मक आँकड़े और उसका स्वाद कैसा था, यह सब दर्ज होता है। यह एक "कोच" (एक मशीन लर्निंग मॉडल) का उपयोग पैटर्न खोजने के लिए करता है। उदाहरण के लिए, कोच यह नोटिस कर सकता है: "हे, हर बार जब नुस्खे में 20 से कम चरण होते हैं और एक विशिष्ट प्रकार के मिश्रण निर्देश का उपयोग किया जाता है, तो केक बेहतर स्वाद देता है।"
- व्याख्यात्मक संकेत (XAI): केवल "बेहतर करो" कहने के बजाय, सिस्टम यह बताने के लिए एक विशेष टूल (SHAP) का उपयोग करता है कि ब्लूप्रिंट का कौन सा हिस्सा समस्याग्रस्त है। यह इसे प्रशिक्षु के लिए एक सरल, प्राकृतिक भाषा के संकेत में अनुवादित करता है: "हमारे नोट्स के आधार पर, अपने अगले नुस्खे में मिश्रण के चरणों की संख्या को बढ़ाने का प्रयास करें।"
- निर्देशित अनुमान: प्रशिक्षु को सामान्य "केक बनाओ" कमांड के साथ यह विशिष्ट संकेत भी मिलता है। उन्हें इसे आँख मूंदकर पालन करने की आवश्यकता नहीं है, लेकिन यह उन्हें अव्यवस्थित, उलझे हुए नुस्खे बनाने से दूर ले जाता है और साफ, अधिक कुशल ब्लूप्रिंट बनाने की ओर निर्देशित करता है।
परिणाम
लेखकों ने यह देखने के लिए दो मुख्य परीक्षण चलाए कि क्या इस "ब्लूप्रिंट कोच" ने वास्तव में मदद की:
- स्पीड टेस्ट (गति परीक्षण): एक छोटे, नियंत्रित प्रयोग में, निर्देशित प्रशिक्षु (LLaMEA-SAGE) अननिर्देशित प्रशिक्षु की तुलना में बहुत तेज़ी से एक बेहतरीन स्वाद वाला केक खोज पाया। उन्होंने कम प्रयासों में ही उतना ही उच्च स्कोर प्राप्त किया।
- बड़ा टूर्नामेंट: उन्होंने अन्य शीर्ष स्तर के AI शेफ के खिलाफ एक प्रमुख प्रतियोगिता (MA-BBOB) में भाग लिया। निर्देशित प्रशिक्षु ने न केवल जीता; इसने अन्य सर्वोत्तम तरीकों को लगातार पछाड़ दिया। इसने बेहतर समाधान तेज़ी से खोजे और यह अधिक स्थिर था (इस बात की कम संभावना थी कि उसका कोई "बुरा दिन" हो जहाँ परिणाम बहुत अधिक भिन्न होते हों)।
मुख्य बातें
- संरचना मायने रखती है: आपको केवल यह जानने की आवश्यकता नहीं है कि कोई समाधान काम करता है या नहीं; यह जानना कि वह अपनी आंतरिक संरचना के आधार पर क्यों काम करता है, आपको बेहतर समाधान तेज़ी से खोजने में मदद करता है।
- कोई कठोर नियम नहीं: सिस्टम AI को एक कठोर टेम्पलेट का पालन करने के लिए मजबूर नहीं करता है। यह बस उसे सही दिशा में एक हल्का सा धक्का देता है, जिससे उसकी रचनात्मकता चमक सके।
- दक्षता: इस तरीके ने पुराने तरीके की तुलना में कंप्यूटर पावर या "टोकन" (AI बातचीत की मुद्रा) के रूप में बहुत अधिक लागत नहीं उठाई। यह एक स्मार्ट अपग्रेड था, न कि एक भारी बोझ।
संक्षेप में, LLaMEA-SAGE एक AI को अपने काम को देखते समय एक आवर्धक लेंस (magnifying glass) देने जैसा है, जिससे वह न केवल अंतिम परिणाम, बल्कि अपनी गलतियों के आकार से भी सीख सकता है। यह उस अंतर को पाटता है जो AI द्वारा लिखे गए अव्यवस्थित कोड और उस स्पष्ट, समझने योग्य फीडबैक के बीच होता है जिसकी एक इंसान (या एक स्मार्ट कोच) को मार्गदर्शन के लिए आवश्यकता होती 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।