Query as Anchor: Scenario-Adaptive User Representation via Large Language Model
यह शोध पत्र "क्वेरी-एज़-एंकर" (Query-as-Anchor) को प्रस्तुत करता है, जो एक बड़े पैमाने के प्री-ट्रेनिंग डेटासेट (UserU) और क्लस्टर-आधारित सॉफ्ट प्रॉम्प्ट ट्यूनिंग वाले ड्यूल-टावर LLM आर्किटेक्चर का लाभ उठाकर गतिशील, क्वेरी-जागरूक उपयोगकर्ता प्रतिनिधित्व उत्पन्न करता है, जिससे Alipay के कई औद्योगिक परिदृश्यों में अत्याधुनिक प्रदर्शन और कुशल परिनियोजन 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
यहाँ सरल भाषा और रचनात्मक उपमाओं का उपयोग करके पेपर "Query as Anchor" की व्याख्या दी गई है।
बड़ी समस्या: "एक ही आकार सबके लिए" (One-Size-Fits-All) सूट
कल्पना कीजिए कि आप एक विशाल डिपार्टमेंट स्टोर (जैसे अलीपे/Alipay) में काम करते हैं जो लाखों ग्राहकों को सेवा देता है। आप हर ग्राहक को इतना अच्छी तरह समझना चाहते हैं कि आप:
- उन्हें सही जूते बेच सकें (मार्केटिंग)।
- यह तय कर सकें कि वे ऋण के लिए कितने जोखिम भरे हैं (जोखिम प्रबंधन)।
- जान सकें कि वे कब स्टोर पर आने वाले हैं (जुड़ाव/Engagement)।
वर्तमान में, अधिकांश कंपनियाँ एक "स्थिर उपयोगकर्ता प्रोफ़ाइल" (Static User Profile) का उपयोग करती हैं। इसे एक ग्राहक की एक ही, विशाल फोटो लेने और उसे एक फ़ाइल में रखने के रूप में सोचें।
- दोष: यदि आप वही फोटो जूते बेचने वाले सेल्समैन, क्रेडिट अधिकारी और सुरक्षा गार्ड को दिखाते हैं, तो वे सभी एक ही चीज़ देखते हैं। जूते बेचने वाले को उनकी फैशन पसंद जानने की ज़रूरत है; क्रेडिट अधिकारी को उनके कर्ज के इतिहास को जानने की ज़रूरत है। एक अकेली फोटो अलग-अलग लोगों के लिए अलग-अलग विवरणों को उजागर नहीं कर सकती।
- परिणाम: कंपनियाँ हर विभाग के लिए अलग, महंगे "फाइल रूम" बनाने लगती हैं। यह अव्यवस्थित, धीमा और बनाए रखने में महंगा है।
समाधान: "क्वेरी एज़ एंकर" (Query as Anchor)
लेखक उपयोगकर्ता डेटा के बारे में सोचने का एक नया तरीका प्रस्तावित करते हैं। एक स्थिर फोटो के बजाय, ग्राहक के एक स्मार्ट, आकार बदलने वाले होलोग्राम की कल्पना करें।
यह होलोग्राम ग्राहक के सभी पिछले कार्यों (बिल भुगतान, मिनी-प्रोग्राम का उपयोग, चीजों की खोज) से बना है। लेकिन यहाँ असली जादू है: यह होलोग्राम देखने वाले के आधार पर अपना आकार बदल लेता है।
- "एंकर" (Anchor): ग्राहक का इतिहास नीचे का भारी लंगर (anchor) है। यह समान रहता है।
- "क्वेरी" (Query): पूछा गया विशिष्ट प्रश्न (जैसे, "क्या यह व्यक्ति बाहर का खाना खाने की संभावना रखता है?" या "क्या यह व्यक्ति धोखाधड़ी का जोखिम है?") एक चुंबक की तरह कार्य करता है जो होलोग्राम के प्रासंगिक हिस्सों को सतह पर खींच लाता है।
यदि एक मार्केटिंग मैनेजर पूछता है, "यह व्यक्ति क्या खाना पसंद करता है?", तो होलोग्राम उनके भोजन के ऑर्डर को हाइलाइट करता है और उनके बैंक बैलेंस को अनदेखा कर देता है।
यदि एक जोखिम अधिकारी (Risk Officer) पूछता है, "क्या यह व्यक्ति सुरक्षित है?", तो होलग्राम उनके लेनदेन के पैटर्न को हाइलाइट करता है और उनके भोजन के ऑर्डर को अनदेखा कर देता है।
उपमा: उपयोगकर्ता के डेटा को एक विशाल, अव्यवस्थित लाइब्रेरी के रूप में सोचें।
- पुराना तरीका: आपको किसी भी प्रश्न का उत्तर देने के लिए लाइब्रेरी की हर एक किताब पढ़नी होगी।
- नया तरीका (Query as Anchor): आपके पास एक सुपर-स्मार्ट लाइब्रेरियन (AI) है। आप बस पूछते हैं, "मुझे इटालियन कुकिंग के बारे में सभी किताबें दिखाएं," और लाइब्रेरियन तुरंत केवल उन्हीं किताबों को बाहर निकाल लेता है, बाकी को अनदेखा कर देता है। आपको हर विषय के लिए अलग लाइब्रेरियन की आवश्यकता नहीं है; आपको बस अपना प्रश्न बदलना है।
उन्होंने इसे कैसे बनाया (सीक्रेट सॉस)
इसे काम करने योग्य बनाने के लिए, टीम ने तीन मुख्य काम किए:
1. उन्होंने एक "ट्रेनिंग जिम" बनाया (UserU Dataset)
लार्ज लैंग्वेज मॉडल्स (LLMs) को आमतौर पर किताबों और लेखों पर प्रशिक्षित किया जाता है। लेकिन उपयोगकर्ता डेटा (जैसे "उपयोगकर्ता ने दोपहर 3 बजे बटन X पर क्लिक किया") टेक्स्ट से बहुत अलग है। यह बिखरा हुआ और अव्यवस्थित होता है।
- समाधान: उन्होंने UserU नामक एक विशाल डेटासेट बनाया। उन्होंने केवल AI को कच्चा डेटा नहीं खिलाया; उन्होंने इसे "भविष्यवाणी करना" और "इंटरव्यू" खेलना सिखाया।
- उपमा: केवल शब्दकोश को रटने के बजाय, उन्होंने AI को अभ्यास कराया कि वह किसी व्यक्ति के अतीत को देखे और अनुमान लगाए कि वह आगे क्या करेगा, या "क्या वे घर खरीदने के लिए बचत कर रहे हैं?" जैसे प्रश्नों का उत्तर दे। इसने AI को संख्याओं के पीछे की कहानी समझने में सक्षम बनाया।
2. "पदानुक्रमित एनकोडर" (The Hierarchical Encoder - द स्मार्ट ऑर्गनाइज़र)
उपयोगकर्ता डेटा कई रूपों में आता है: टेक्स्ट, नंबर, क्लिक और स्थान।
- समाधान: उन्होंने एक ऐसा सिस्टम बनाया जो इस डेटा को एक रशियन नेस्टिंग डॉल (रूसी गुड़िया) की तरह व्यवस्थित करता है।
- लेयर 1 (घटनाएँ/Events): व्यक्तिगत क्रियाएं (जैसे, "कॉफी खरीदी")।
- लेयर 2 (मोड्स/Modes): क्रियाओं के समूह (जैसे, "सभी खाद्य खरीदारी")।
- लेयर 3 (संपूर्ण व्यक्ति): बड़ी तस्वीर।
- उपमा: एक जासूस की कल्पना करें जो सुरागों को व्यवस्थित कर रहा है। वे केवल सभी सबूतों को मेज पर नहीं फेंक देते। वे उन्हें प्रकार के आधार पर समूहबद्ध करते हैं (फिंगरप्रिंट, फोन रिकॉर्ड, गवाह के बयान) ताकि AI किसी विशिष्ट प्रश्न के पूछे जाने पर आसानी से सही सुराग ढूंढ सके।
3. "सॉफ्ट प्रॉम्प्ट" (The Magic Remote Control - द मैजिक रिमोट कंट्रोल)
यह सबसे चतुर हिस्सा है। आमतौर पर, किसी AI को नए कार्य में कुशल बनाने के लिए, आपको पूरे मस्तिष्क को फिर से प्रशिक्षित (retrain) करना पड़ता है (जो धीमा और महंगा है)।
- समाधान: वे सॉफ्ट प्रॉम्प्ट ट्यूनिंग का उपयोग करते हैं। पूरे मस्तिष्क को फिर से प्रशिक्षित करने के बजाय, वे क्वेरी में एक छोटा, समायोज्य "रिमोट कंट्रोल" (कुछ अतिरिक्त टोकन) जोड़ते हैं।
- उपमा: कल्पना कीजिए कि आपके पास एक हाई-एंड टीवी है। स्पोर्ट्स गेम देखने के लिए, आप टीवी को फिर से नहीं बनाते; आप बस "स्पोर्ट्स मोड" बटन दबाते हैं। चित्र तुरंत बदल जाता है। इसी तरह, AI अपने मूल ज्ञान को बनाए रखता है लेकिन किसी विशिष्ट व्यावसायिक परिदृश्य (जोखिम बनाम मार्केटिंग) पर अपना ध्यान केंद्रित करने के लिए एक छोटे "बटन" का उपयोग करता है, बिना किसी बड़े बदलाव की आवश्यकता के।
यह गेम चेंजर क्यों है
- गति और लागत: क्योंकि "उपयोगकर्ता प्रोफ़ाइल" (भारी हिस्सा) एक बार गणना की जाती है और सहेजी जाती है, इसलिए सिस्टम उस उपयोगकर्ता के बारे में 100 अलग-अलग प्रश्नों का उत्तर पलक झपकते ही दे सकता है। यह एक लाइब्रेरी कार्ड होने जैसा है जो लाइब्रेरी के हर सेक्शन के लिए तुरंत काम करता है।
- बेहतर सटीकता: अलीपे (एक बड़ा चीनी भुगतान ऐप) में वास्तविक दुनिया के परीक्षणों में, इस पद्धति ने सभी पिछले मॉडलों को पछाड़ दिया। यह धोखाधड़ी का पता लगाने, यह भविष्यवाणी करने कि कौन चीजें खरीदेगा, और जोखिम भरे उपयोगकर्ताओं की पहचान करने में बेहतर था।
- एक मॉडल जो सब पर राज करे: 10 विभागों के लिए 10 अलग-अलग AI मॉडल रखने के बजाय, अब उनके पास एक मॉडल है जो उन सभी के अनुकूल ढल जाता है।
निष्कर्ष
"Query as Anchor" एक कंपनी को एक एकल, सुपर-इंटेलिजेंट सहायक देने जैसा है जो हर ग्राहक के बारे में सब कुछ जानता है। सहायक को 10 अलग-अलग नियम पुस्तिकाएं याद करने के लिए मजबूर करने के बजाय, आप बस उससे सही प्रश्न पूछते हैं, और वह आपकी विशिष्ट स्थिति के लिए एकदम सही उत्तर देने हेतु अपने ज्ञान को तुरंत पुनर्गठित कर देता है। यह पहले की तुलना में तेज़, सस्ता और अधिक स्मार्ट 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।