IntentCUA: Learning Intent-level Representations for Skill Abstraction and Multi-Agent Planning in Computer-Use Agents
IntentCUA एक मल्टी-एजेंट फ्रेमवर्क है जो मल्टी-व्यू इंटेंट रिप्रेजेंटेशन और रियूजेबल स्किल्स को एब्स्ट्रैक्ट करने के लिए शेयर्ड मेमोरी का लाभ उठाकर लॉन्ग-होरिज़न कंप्यूटर-यूज़ ऑटोमेशन को बढ़ाता है, जिससे मौजूदा दृष्टिकोणों की तुलना में निष्पादन को स्थिर करता है और कार्य सफलता दर एवं दक्षता में महत्वपूर्ण सुधार 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 अपने एक बहुत ही बुद्धिमान, लेकिन थोड़े भुलक्कड़ रोबोट सहायक को अपना कंप्यूटर चलाना सिखा रहे हैं। आप चाहते हैं कि वह एक जटिल कार्य करे, जैसे कि "कल मैंने मशीन लर्निंग के बारे में जो वीडियो देखा था उसे ढूँढो, उसका सारांश बनाओ, और मेरे वर्क फोल्डर में नोट्स सेव कर दो।"
यदि आप सिर्फ एक मानक AI को यह करने के लिए कहेंगे, तो वह भटक सकता है। वह गलत बटन क्लिक कर सकता है, बीच में ही अपना काम भूल सकता है, या उसी वेबसाइट को खोलने की कोशिश करता रह सकता है जिसे वह पहले ही देख चुका है। यह एक ऐसे पर्यटक की तरह है जो एक बड़े शहर में है, जो बार-बार रास्ता पूछता है, भ्रमित हो जाता है, और गोल-गोल घूमता रहता है।
IntentCUA एक नया सिस्टम है जिसे इस रोबोट को भटकने से रोकने के लिए डिज़ाइन किया गया है। यह कैसे काम करता है, यहाँ रोजमर्रा के उदाहरणों के साथ समझाया गया है:
1. समस्या: "भुलक्कड़ पर्यटक" (The Forgetful Tourist)
वर्तमान कंप्यूटर एजेंट उन पर्यटकों की तरह हैं जो केवल अपने सामने लगे सड़क के साइन बोर्ड को देखते हैं। उन्हें यह याद नहीं रहता कि वे कहाँ से आए हैं या उनका अंतिम गंतव्य क्या है।
- भटकाव (The Drift): वे एक योजना के साथ शुरू करते हैं लेकिन धीरे-धीरे रास्ते से भटक जाते हैं।
- लूप (The Loop): यदि उनसे कोई गलती होती है, तो वे अक्सर घबरा जाते हैं और बार-बार वही चीज़ करने की कोशिश करते रहते हैं, जिससे समय बर्बाद होता है।
- शोर (The Noise): कंप्यूटर स्क्रीन अव्यवस्थित होती है (पॉप-अप, बदलती हुई विंडोज़), और ये एजेंट विजुअल क्लटर (दृश्य अव्यवस्था) से भ्रमित हो जाते हैं।
2. समाधान: "अनुभवी प्रोजेक्ट मैनेजर" (The Experienced Project Manager)
IntentCUA एक पर्यटक की तरह नहीं, बल्कि एक अनुभवी प्रोजेक्ट मैनेजर की तरह काम करता है जिसके पास पिछले अनुभवों की एक विशाल, व्यवस्थित फाइलिंग कैबिनेट है। यह ट्रैक पर रहने के लिए तीन मुख्य तरीकों का उपयोग करता है:
A. "इंटेंट ट्रांसलेटर" (इरादा समझना, न कि केवल क्रिया को)
सिर्फ यह याद रखने के बजाय कि "मैंने नीला बटन क्लिक किया," IntentCUA उस क्रिया के पीछे के इरादे (Intent) को सीखता है।
- उदाहरण: कल्पना कीजिए कि आप एक बच्चे को खाना बनाना सिखा रहे हैं। एक मानक रोबोट याद करेगा: "हाथ को चम्मच की ओर ले जाओ, चम्मच उठाओ, डालो।"
- IntentCUA सीखता है: "लक्ष्य सूप में नमक डालना है।"
यह क्रिया को चार अलग-अलग कोणों से देखता है (कौन सा ऐप खुला था, कौन सा बटन दबाया गया, किन कीवर्ड्स का उपयोग किया गया, और विवरण क्या था) ताकि कदम के वास्तविक अर्थ को समझा जा सके। यह समझने में सक्षम है कि "सर्च बार पर क्लिक करना" और "URL टाइप करना" दोनों एक ही लक्ष्य का हिस्सा हैं: "एक वेबसाइट पर जाना।"
B. "स्किल लाइब्रेरी" (एक टूलबॉक्स बनाना)
एक बार जब सिस्टम इरादे को समझ लेता है, तो वह समान क्रियाओं को पुन: प्रयोज्य (reusable) "कौशलों" (skills) में समूहित करता है।
- उदाहरण: एक बढ़ई (carpenter) के बारे में सोचें। वे हर बार घर बनाने के लिए कील ठोकने के तरीके को फिर से नहीं खोजते। उनके पास अपने टूलबॉक्स में एक "कीले ठोकने का कौशल" होता है।
- IntentCUA उपयोगकर्ता की हजारों पिछली क्रियाओं को लेता है और उन्हें "स्किल हिंट्स" (Skill Hints) में बदल देता है। यदि इसे "फाइल खोलनी" है, तो यह अनुमान नहीं लगाता; यह अपने टूलबॉक्स से "फाइल खोलें" वाला कौशल निकाल लेता है। यह उन बुनियादी चरणों को समझने में समय बर्बाद करने से रोकता है जिन्हें वह पहले से जानता है।
C. "तीन लोगों की टीम" (योजनाकार, अनुकूलक, आलोचक)
यह सिस्टम एक अकेले दिमाग पर निर्भर नहीं है; यह मिलकर काम करने वाले तीन विशिष्ट एजेंटों की एक टीम का उपयोग करता है:
- द प्लानर (The Planner): "आर्किटेक्ट।" यह आपके अनुरोध को देखता है और एक उच्च-स्तरीय ब्लूप्रिंट बनाने के लिए "स्किल लाइब्रेरी" की जाँच करता है। यह पूछता है, "क्या मेरे पास इसके लिए कोई योजना है? यदि नहीं, तो चलिए हमारे कौशलों का उपयोग करके एक योजना बनाते हैं।"
- द ऑप्टिमाइज़र (The Optimizer): "फोरमैन।" यह ब्लूप्रिंट लेता है और वर्तमान स्क्रीन के लिए विशिष्ट विवरणों को भरता है। यदि स्क्रीन उम्मीद के मुताबिक थोड़ी अलग दिखती है, तो यह चलते-चलते कदमों को समायोजित करता है।
- द क्रिटिक (The Critic): "क्वालिटी इंस्पेक्टर।" यह रोबोट को काम करते हुए देखता है। यदि रोबोट गलत चीज़ पर क्लिक करता है, तो क्रिटिक तुरंत कहता है, "रुको! यह काम नहीं किया। चलो बैकअप प्लान आज़माते हैं," जिससे रोबोट लूप में फंसने से बच जाता है।
3. यह कैसे काम सफल बनाता है
जब आप IntentCUA को एक लंबा, जटिल कार्य देते हैं:
- यह पहले अपनी मेमोरी चेक करता है: "क्या मैंने पहले ऐसा कुछ किया है?" यदि हाँ, तो यह पुराने प्लान का पुन: उपयोग करता है (समय की भारी बचत करता है)।
- यह कमियों को भरता है: यदि पुराना प्लान 90% सही है, तो यह शुरू से शुरू करने के बजाय अपने "स्किल हिंट्स" का उपयोग करके छूटे हुए 10% हिस्से को पूरा करता है।
- यह केंद्रित रहता है: क्योंकि यह इरादे (लक्ष्य) को समझता है, इसलिए यह पॉप-अप विज्ञापन या अजीब तरह से नाम किए गए बटन से विचलित नहीं होता। इसे पता है, "मुझे फाइल तक पहुँचना है," इसलिए यह शोर को अनदेखा कर देता है।
परिणाम
परीक्षणों में, यह सिस्टम एक बड़ी सफलता रहा:
- सफलता दर (Success Rate): इसने जटिल कार्यों को लगभग 75% सफलतापूर्वक पूरा किया, जबकि अन्य सिस्टम केवल 40-50% ही प्रबंधित कर पाते थे।
- दक्षता (Efficiency): इसे काम पूरा करने में कम कदम लगे। इसने काम को दोबारा करने में समय बर्बाद नहीं किया।
- गति (Speed): इसने प्रतिस्पर्धा की तुलना में कार्यों को 4.5 गुना तेजी से पूरा किया क्योंकि यह लूप में नहीं फंसा।
संक्षेप में: IntentCUA आपके कंप्यूटर सहायक को एक नक्शा, समाधानों का एक टूलबॉक्स और पर्यवेक्षकों की एक टीम देने जैसा है। बिना किसी उद्देश्य के भटकने के बजाय, इसे पता है कि इसे कहाँ जाना है, वहाँ कैसे पहुँचना है, और गलतियों को आपदा बनने से पहले कैसे ठीक करना 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।