Evolutionary Context Search for Automated Skill Acquisition
यह शोध पत्र इवोल्यूशनरी कॉन्टेक्स्ट सर्च (ECS) को पेश करता है, जो एक इन्फरेंस-ओनली विधि है जो विशिष्ट कार्यों पर लार्ज लैंग्वेज मॉडल के प्रदर्शन को महत्वपूर्ण रूप से बढ़ाने वाले गैर-स्पष्ट, मॉडल-अज्ञेय (मॉडल-एग्नोस्टिक) कॉन्टेक्स्ट संयोजनों की खोज करने के लिए इवोल्यूशनरी एल्गोरिदम का उपयोग करता है, जो रिट्रेनिंग या मैनुअल प्रॉम्प्ट इंजीनियरिंग के एक कुशल विकल्प के रूप में कार्य 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 आपके पास एक शानदार, अत्यंत बुद्धिमान सहायक (एक लार्ज लैंग्वेज मॉडल, या LLM) है जो दुनिया के बारे में बहुत कुछ जानता है, लेकिन उसने उस विशिष्ट नए काम के बारे में नहीं सीखा है जिसके लिए आपने अभी उसे काम पर रखा है। शायद उन्हें एक बिल्कुल नई प्रोग्रामिंग भाषा के लिए कोड लिखना है, या सख्त, अजीब नियमों के अनुसार जटिल एयरलाइन रिफंड को संभालना है।
समस्या यह है: आप उनके दिमाग में एक नई पाठ्यपुस्तक अपलोड नहीं कर सकते। एक बार जब ये मॉडल बन जाते हैं, तो उनका "दिमाग" (वेट्स/weights) स्थिर हो जाता है। आप उन्हें बिना भारी खर्च और विशाल कंप्यूटिंग पावर के फिर से प्रशिक्षित (retrain) नहीं कर सकते।
तो, आप क्या करते हैं? आप उन्हें काम करने के समय एक "चीट शीट" (संदर्भ/context) देने की कोशिश करते हैं। इसे रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) कहा जाता है।
पुराने तरीके की समस्या (RAG)
पुराने तरीके को ऐसे समझें जैसे आप किसी लाइब्रेरियन से आपके लिए एक किताब खोजने के लिए कहते हैं। आप कहते हैं, "मुझे रिफंड के बारे में जानकारी चाहिए।" लाइब्रेरियन "रिफंड" शब्द वाले किताबों को खोजने के लिए कंप्यूटर का उपयोग करता है।
- दोष: लाइब्रेरियन आपको लाइब्रेरी कार्ड रिफंड करने वाली किताब लाकर दे सकता है बजाय इसके कि वह एयरलाइन टिकट के बारे में हो। या वे आपको एक 500 पन्नों का उपन्यास ला कर दे सकते हैं जहाँ एक उपयोगी वाक्य पेज नंबर 499 पर छिपा हुआ है।
- परिणाम: सहायक अप्रासंगिक जानकारी से भ्रमित हो जाता है या महत्वपूर्ण विवरण को मिस कर देता है क्योंकि "खोज" केवल कीवर्ड मैचिंग पर आधारित थी, न कि इस पर कि वास्तव में उन्हें समस्या हल करने में क्या मदद करेगा।
नया समाधान: इवोल्यूशनरी कॉन्टेक्स्ट सर्च (ECS)
इस शोध पत्र के लेखक एक नई विधि प्रस्तावित करते हैं जिसे इवोल्यूशनरी कॉन्टेक्स्ट सर्च (ECS) कहा जाता है।
एक लाइब्रेरियन से सबसे अच्छी किताब खोजने के बजाय, कल्पना करें कि आप एक एथलीट को प्रशिक्षित करने वाले कोच हैं।
- शुरुआती लाइनअप (जनसंख्या/Population): आपके पास प्रशिक्षण मैनुअल, कोड स्निपेट्स और नियमपुस्तिकाओं का एक बड़ा ढेर है (टेक्स्ट रिसोर्सेज)। आप अभी तक "सर्वश्रेष्ठ" नहीं चुनते हैं। इसके बजाय, आप यादृच्छिक रूप से (randomly) कुछ पन्ने उठाते हैं और उन्हें एक साथ जोड़कर एथलीट के लिए एक "चीट शीट" बना देते हैं।
- ट्राईआउट (फिटनेस मूल्यांकन): आप एथलीट को एक टेस्ट देते हैं (अभ्यास समस्याओं का एक छोटा सेट)। आप देखते हैं कि उस विशिष्ट चीट शीट के साथ वे कैसा प्रदर्शन करते हैं।
- क्या उन्होंने पास किया? बहुत बढ़िया! वह चीट शीट एक "विजेता" है।
- क्या वे फेल हो गए? वह चीट शीट एक "हारने वाला" है।
- इवोल्यूशन (प्रजनन/Breeding):
- आप "विजेता" चीट शीट्स को रखते हैं।
- आप "हारने वालों" को फेंक देते हैं।
- क्रॉसओवर (Crossover): आप दो विजेता चीट शीट्स को लेते हैं और उन्हें आपस में मिला देते हैं। हो सकता है कि शीट A में "बुकिंग" के लिए सही नियम हो, और शीट B में "कैंसलिंग" के लिए सही नियम हो। आप उन्हें एक नई, सुपर-शीट में मिला देते हैं।
- म्यूटेशन (Mutation): आप यादृच्छिक रूप से एक पन्ने को बड़े ढेर से एक अलग पन्ने से बदल देते हैं, ताकि यदि आपने कोई छिपा हुआ रत्न मिस कर दिया हो तो भी।
- परिष्करण (Refinement): कभी-कभी, मिश्रित चीट शीट में दो नियम एक-दूसरे का विरोध करते हैं (जैसे, "हमेशा रिफंड करें" बनाम "कभी रिफंड न करें")। आप विरोधाभासों को ठीक करने के लिए एक स्मार्ट संपादक (एक अन्य AI) से कहते हैं ताकि शीट तर्कसंगत बने।
- दोहराना: आप इसे बार-बार करते हैं (विकास के कई पीढ़ियों की तरह)। हर दौर के साथ, चीट शीट्स एथलीट को टेस्ट पास करने में मदद करने के लिए बेहतर और बेहतर होती जाती हैं।
यह एक बड़ी बात क्यों है?
1. यह "छिपे हुए रत्नों" को खोज लेता है
पुराना लाइब्रेरियन तरीका केवल वही चीजें ढूंढता है जो प्रश्न की तरह दिखती हैं। ECS वह ढूंढता है जो वास्तव में काम करती हैं।
- उपमा: कल्पना कीजिए कि आप एक कार इंजन को ठीक करने की कोशिश कर रहे हैं। लाइब्रेरियन आपको "इंजन" पर एक मैनुअल देता है (बहुत व्यापक)। ECS आपको किसी दूसरी कार मॉडल का एक विशिष्ट, अजीब आरेख (diagram) दे सकता है जो दिखाता है कि विशेष रूप से एक बोल्ट को कैसे कसना है, भले ही उस आरेख में शब्द आपकी कार के मैनुअल से मेल न खाते हों। इसने समाधान खोज लिया, न कि केवल विषय।
2. यह विभिन्न "मस्तिष्क" (Brains) पर काम करता है
यह शोध पत्र कुछ अद्भुत दिखाता है: उन्होंने एक AI मॉडल (Gemini) के लिए चीट शीट बनाने के लिए इस पद्धति का उपयोग किया। फिर, उन्होंने वही सटीक चीट शीट दो पूरी तरह से अलग AI मॉडलों (Claude और DeepSeek) को दी।
- परिणाम: दूसरे मॉडल तुरंत स्मार्ट हो गए! यह एक "शतरंज का मास्टर गाइड" लिखने जैसा है जो एक नौसिखिया, एक ग्रैंडमास्टर और एक रोबोट तीनों को बेहतर खेलने में मदद करता है, भले ही उन्हें अलग तरह से प्रशिक्षित किया गया हो। यह गाइड एक कौशल के तर्क को पकड़ती है, न कि केवल एक AI की विशिष्ट शैली को।
3. यह सस्ता और तेज़ है
आपको AI के दिमाग को फिर से बनाने की आवश्यकता नहीं है (जिसमें लाखों का खर्च आता है)। आपको बस "ट्राईआउट्स" के कुछ दौर चलाने की आवश्यकता है ताकि एकदम सही चीट शीट मिल सके। एक बार जब आप इसे पा लेते हैं, तो आप इसे हमेशा के लिए उपयोग कर सकते हैं।
निचोड़ (The Bottom Line)
यह शोध पत्र AI को महंगी रिट्रेनिंग के बिना स्वचालित रूप से नए कौशल सिखाने का एक तरीका पेश करता है। AI को क्या जानकारी देनी है, इसका अनुमान लगाने के बजाय, वे इसे हजारों संयोजनों का परीक्षण करके सबसे अच्छा काम करने वाले निर्देशों को "विकसित" (evolve) करने देते हैं।
यह भूसे के ढेर में सुई खोजने (पुराना तरीका) से बदलकर एक सुपर-सुई को विकसित करने (नया तरीका) जैसा है जो जानती है कि ठीक कहाँ जाना 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।