Controlling Output Rankings in Generative Engines for LLM-based Search
यह शोध पत्र CORE को प्रस्तुत करता है, जो एक ऐसी अनुकूलन विधि है जो LLM-आधारित जनरेटिव इंजनों के आउटपुट रैंकिंग को हेरफेर करने के लिए खोज इंजन के परिणामों में रणनीतिक रूप से सामग्री जोड़ती है, जिससे सामग्री की प्रवाहपूर्णता बनाए रखते हुए कई मॉडलों और श्रेणियों में लक्षित उत्पादों के लिए उच्च प्रचार सफलता दर प्राप्त होती 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 विशिष्ट पुस्तक खोजने के लिए एक विशाल पुस्तकालय में जाते हैं। पुराने दिनों में, आपको खुद अलमारियों को खंगालना पड़ता, स्पाइन्स (किताबों की रीढ़) को पढ़ना पड़ता और शीर्षकों की तुलना करनी पड़ती। पारंपरिक सर्च इंजन इसी तरह काम करते हैं: वे आपको लिंक्स की एक सूची देते हैं, और सारा भारी काम आपको करना पड़ता है।
लेकिन अब, कल्पना कीजिए कि एक सुपर-स्मार्ट लाइब्रेरियन (एक AI) आपके लिए स्कैनिंग कर रहा है। आप पूछते हैं, "एक अच्छा कैमरा कौन सा है?" और लाइब्रेरियन तुरंत आपको बेहतरीन सिफारिशों की एक छोटी सूची थमा देता है। यही जेनरेटिव इंजनों (LLM-आधारित खोज) की नई दुनिया है।
समस्या क्या है? यह लाइब्रेरियन खुद किताबें नहीं पढ़ रहा है। वह एक अलग सिस्टम (जैसे Amazon या Google) द्वारा प्रदान की गई किताबों की सूची देख रहा है, और वह उस सूची के क्रम (order) पर बहुत अधिक भरोसा करता है। यदि एक छोटा, स्वतंत्र कैमरा ब्रांड सूची के नीचे दबे हुए स्थान पर है, तो लाइब्रेरियन संभवतः उसे अनदेखा कर देगा, भले ही वह एक बेहतरीन उत्पाद हो। वहीं दूसरी ओर, सूची में सबसे ऊपर रहने वाले बड़े ब्रांडों को ही सारा ध्यान मिलता है।
यह शोध पत्र CORE (Controlling Output Rankings in gEnerative Engines) नामक एक विधि पेश करता है, जो एक "जादुई फुसफुसाहट" (magic whisper) की तरह काम करती है ताकि उन दबे हुए उत्पादों को पहचान मिल सके।
मुख्य विचार: CORE कैसे काम करता है
AI लाइब्रेरियन को एक 'ब्लैक बॉक्स' की तरह समझें। आप उनके दिमाग के अंदर नहीं देख सकते, और आप उन्हें सीधे यह नहीं कह सकते कि, "हे, इस कैमरे को पहले स्थान पर रखो!" हालांकि, आप उत्पाद के उस टेक्स्ट विवरण (description) को बदल सकते हैं जिसे लाइब्रेरियन पढ़ता है।
CORE एक ऐसा टूल है जो सूची में नीचे फंसे हुए उत्पाद को लेता है और गुप्त रूप से उसके विवरण को इस तरह से फिर से लिखता है कि AI लाइब्रेरियन उससे प्यार करने लगे। यह सिस्टम को हैक नहीं करता है; यह केवल उस कहानी को अनुकूलित (optimize) करता है जो उत्पाद सुना रहा है।
शोधकर्ताओं ने तीन अलग-अलग "कहानियों" (रणनीतियों) का परीक्षण किया यह देखने के लिए कि कौन सी सबसे अच्छी काम करती है:
- "गिबरिश" (बड़बड़ाहट) की कहानी (String-based): कल्पना करें कि आप लाइब्रेरियन को बेवकूफ बनाने की कोशिश कर रहे हैं जिसमें रैंडम प्रतीकों और निरर्थक शब्दों से भरा विवरण लिखा गया है।
- परिणाम: इसने थोड़ा काम किया, लेकिन लाइब्रेरियन (और कोई भी पढ़ने वाला) तुरंत समझ गया कि यह नकली है। यह वैसा ही है जैसे नौकरी के इंटरव्यू में जोकर की नाक पहनकर जाना; यह ध्यान तो खींचता है, लेकिन अच्छे तरीके से नहीं।
- "तार्किक विश्लेषक" की कहानी (Reasoning-based): यह रणनीति एक ऐसा विवरण लिखती है जो एक स्मार्ट, चरण-दर-चरण तुलना जैसा लगता है। यह कहता है, "मैंने इस कैमरे की शीर्ष ब्रांडों से तुलना की, और यहाँ बताया गया है कि बैटरी लाइफ और कीमत के मामले में यह वास्तव में क्यों जीतता है।"
- परिणाम: यह बहुत प्रभावी था। AI को तार्किक प्रवाह पसंद आया, और उत्पाद की रैंकिंग तेजी से ऊपर बढ़ गई।
- "खुश ग्राहक" की कहानी (Review-based): यह रणनीति विवरण को एक वास्तविक व्यक्ति के वास्तविक, भूतकाल के रिव्यू (समीक्षा) की तरह लिखती है। "इस कैमरे को खरीदने के बाद, मैंने Sony और Canon के साथ इसका परीक्षण किया, और मैं इसके उपयोग में आसानी देखकर दंग रह गया।"
- परिणाम: यह विजेता रहा। यह इतना स्वाभाविक और मानवीय लगा कि AI ने इस पर पूरी तरह से भरोसा कर लिया। उत्पाद लगभग हर बार सूची में सबसे ऊपर पहुँच गया।
"जादुई" बेंचमार्क
यह साबित करने के लिए कि यह केवल एक इत्तेफाक नहीं था, शोधकर्ताओं ने ProductBench नामक एक विशाल टेस्ट किचन बनाया।
- उन्होंने 3,000 उत्पाद एकत्र किए (कैमरों से लेकर पालतू जानवरों के सामान तक 15 श्रेणियों में से प्रत्येक में 200)।
- उन्होंने चार अलग-अलग सुपर-स्मार्ट लाइब्रेरियन (GPT-4o, Gemini, Claude, और Grok) से सिफारिशें मांगने का अनुकरण (simulate) किया।
- उन्होंने उस उत्पाद को लिया जो मूल रूप से अंतिम स्थान (10वां आइटम) पर था और CORE का उपयोग करके उसे #1 स्थान पर धकेलने की कोशिश की।
परिणाम:
- बिना CORE के, अंतिम आइटम के शीर्ष पर पहुँचने की संभावना 0% थी।
- CORE के साथ (विशेष रूप से "खुश ग्राहक" या "तार्किक विश्लेषक" की कहानियों के साथ), अंतिम आइटम लगभग 80% बार #1 स्थान पर पहुँच गया।
- यह लगभग 86% बार टॉप 3 में भी शामिल हुआ।
यह क्यों मायने रखता है (और यह कठिन क्यों है)
यह शोध पत्र एक दोधारी तलवार की ओर इशारा करता है:
- अच्छा: छोटे व्यवसाय और स्वतंत्र निर्माता, जिन्हें आमतौर पर शोर में दबा दिया जाता है, अब उनके पास सुने जाने का एक तरीका है। वे AI द्वारा "सुने जाने" के लिए अपने उत्पाद विवरण को अनुकूलित कर सकते हैं।
- बुरा: इसका मतलब है कि यह सिस्टम असुरक्षित है। यदि कोई खराब उत्पाद को ऊपर धकेलना चाहता है, तो वे इन ट्रिक्स का उपयोग कर सकते हैं। शोधकर्ताओं ने "सुरक्षा गार्ड" (जैसे अजीब शब्दों या लंबे टेक्स्ट की जाँच करना) बनाने की कोशिश की ताकि इसे रोका जा सके, लेकिन "खुश ग्राहक" वाली कहानी इतनी स्वाभाविक थी कि गार्ड उसे पकड़ नहीं सके।
निष्कर्ष
यह शोध पत्र दिखाता है कि AI खोज के युग में, आप अपनी कहानी कैसे सुनाते हैं, यह केवल सूची में होने से अधिक महत्वपूर्ण है।
यदि आप एक उत्पाद हैं, तो आप केवल लाइन के पीछे बैठकर उम्मीद नहीं कर सकते कि AI आपको नोटिस करेगा। आपको AI की भाषा बोलनी होगी। अपने विवरण को एक तार्किक विशेषज्ञ या एक संतुष्ट ग्राहक की तरह बदलकर, आप AI को आपको कमरे के पीछे से मंच के सामने लाने के लिए मजबूर कर सकते हैं। शोधकर्ताओं ने सिद्ध किया कि यह विभिन्न AI मॉडल और उत्पाद प्रकारों में काम करता है, लेकिन उन्होंने यह चेतावनी भी दी है कि हमें यह समझने की आवश्यकता है कि लोगों को इस तरह के सिस्टम में हेरफेर करने से कैसे रोका जाए।
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।