Five Fatal Assumptions: Why T-Shirt Sizing Systematically Fails for AI Projects
यह शोध पत्र तर्क देता है कि रैखिकता और पूर्वानुमेयता के बारे में पांच त्रुटिपूर्ण धारणाओं के कारण एआई परियोजनाओं के लिए पारंपरिक टी-शर्ट साइजिंग अनुमान विफल हो जाता है, और इसके बजाय एक "चेकपॉइंट साइजिंग" ढांचे का प्रस्ताव देता है जो निरंतर सीखने के आधार पर दायरे को अनुकूलित करने के लिए पुनरावृत्ति निर्णय द्वारों का उपयोग 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 एक ठेकेदार (contractor) हैं जिसे घर बनाने के लिए काम पर रखा गया है। आपने पहले भी सैकड़ों घर बनाए हैं। आप जानते हैं कि एक छोटा कॉटेज बनाने में दो सप्ताह लगते हैं, एक मध्यम घर में चार, और एक हवेली (mansion) में आठ। आप एक सरल "टी-शर्ट साइजिंग" पद्धति का उपयोग करते हैं: आप ब्लूप्रिंट देखते हैं, कहते हैं "यह एक मीडियम है," और अपने क्लाइंट को एक कीमत और एक तारीख दे देते हैं। यह घरों के लिए बहुत अच्छा काम करता है क्योंकि घर अनुमानित होते हैं। यदि आप कमरों की संख्या दोगुनी करते हैं, तो काम भी लगभग दोगुना हो जाता है।
अब, कल्पना कीजिए कि आपका क्लाइंट आपसे एक जीवित, सांस लेते हुए घर बनाने के लिए कहता है जो सीखता है, पलटकर जवाब देता है, और हर बार किसी के दरवाजे से अंदर आने पर अपना मन बदल लेता है। यह एक AI प्रोजेक्ट है।
इस पेपर के लेखक, जो सिस्को (Cisco) के इंजीनियर हैं, कह रहे हैं: "AI प्रोजेक्ट्स का अनुमान लगाने के लिए वैसे ही कोशिश करना बंद करें जैसे आप घर बनाने के लिए करते हैं। नियम पूरी तरह से अलग हैं, और आपकी पुरानी टी-शर्ट साइजिंग पद्धति आपको नौकरी से हाथ धो बैठने पर मजबूर कर देगी।"
यहाँ पाँच घातक धारणाओं (Five Fatal Assumptions) का विवरण दिया गया है जो टी-शर्ट साइजिंग को AI के लिए विफल बना देती हैं, जिन्हें सरल उपमाओं (analogies) के साथ समझाया गया है।
1. "लीनियर लैडर" (Linear Ladder) का भ्रम
पुराना तरीका: सामान्य सॉफ्टवेयर में, यदि आप किसी फीचर को दोगुना बड़ा करना चाहते हैं, तो इसमें दोगुना काम लगता है। यह एक सीढ़ी चढ़ने जैसा है: स्टेप 1, स्टेप 2, स्टेप 3।
AI की वास्तविकता: AI एक पहाड़ चढ़ने जैसा है जहाँ ऊपर जाने पर हवा पतली होती जाती है।
- उपमा: एक मॉडल को 85% सटीक बनाना आसान है। लेकिन इसे 85% से 95% तक ले जाना? इसके लिए 10 गुना अधिक डेटा, 10 गुना अधिक कंप्यूटर पावर और 10 गुना अधिक परीक्षण और त्रुटि (trial and error) की आवश्यकता हो सकती है।
- जाल: आप सोचते हैं कि एक और "स्मार्ट फीचर" जोड़ना एक छोटा सा कदम है। AI में, वह एक कदम संसाधनों की एक विशाल, घातीय (exponential) छलांग की मांग कर सकता है। AI का "आखिरी मील" (last mile) एक मील नहीं है; यह एक मैराथन है।
2. "कॉपी-पेस्ट" (Copy-Paste) का भ्रम
पुराना तरीका: यदि आपने पिछले साल एक बैंक के लिए चैटबॉट बनाया था, तो आप सोचते हैं कि आपको एक अस्पताल के लिए इसे बनाने में कितना समय लगेगा, यह आप ठीक से जानते हैं। आप पिछले अनुभव पर भरोसा करते हैं।
AI की वास्तविकता: प्रत्येक डेटासेट एक नया, अनछुआ द्वीप है।
- उपमा: एक बैंक के लिए चैटबॉट बनाना एक शांत नदी में नौकायन करने जैसा है। एक अस्पताल के लिए चैटबॉट बनाना एक तूफानी समुद्र में नौकायन करने जैसा है जिसमें अलग धाराएं, अलग राक्षस और अलग मौसम हैं।
- जाल: आप सोचते हैं कि आप बैंक प्रोजेक्ट के अपने "मानचित्र" का पुन: उपयोग कर सकते हैं। लेकिन AI में, डेटा अलग है, बोलचाल की भाषा अलग है, और 'एज केसेस' (edge cases) अलग हैं। आप उन "अज्ञात अज्ञात" (unknown unknowns - ऐसी समस्याएं जिनके बारे में आपको पता भी नहीं था) से टकराएंगे जो केवल मॉडल को प्रशिक्षित (training) करते समय ही सामने आती हैं।
3. "अधिक हाथ" (More Hands) का मिथक
पुराना तरीका: यदि किसी कार्य में एक व्यक्ति को 8 सप्ताह लगते हैं, तो आप सोचते हैं कि दो लोगों के साथ इसमें 4 सप्ताह लगेंगे। आप काम को तेज करने के लिए बस अधिक कार्यकर्ता जोड़ सकते हैं।
AI की वास्तविकता: AI विकास में ऐसे ट्रैफिक जाम होते हैं जिन्हें आप अधिक कारें जोड़कर ठीक नहीं कर सकते।
- उपमा: एक रिले रेस की कल्पना करें जहाँ बैटन (baton) को एक विशिष्ट क्रम में पास किया जाना अनिवार्य है: पहले, आपको डेटा एकत्र करना होगा। फिर आप उसे साफ (clean) कर सकते हैं। फिर आप मॉडल को प्रशिक्षित कर सकते हैं। फिर आप उसका परीक्षण कर सकते हैं।
- जाल: आप डेटा इकट्ठा करने की गति बढ़ाने के लिए 10 लोगों को काम पर नहीं रख सकते यदि डेटा अभी मौजूद ही नहीं है। आप मॉडल को प्रशिक्षित करने के लिए 10 लोगों को नहीं रख सकते यदि कंप्यूटर को सिमुलेशन चलाने में 3 दिन का समय लगता है। कुछ चरण पूरी तरह से क्रमिक (sequential) होते; अधिक लोग जोड़ने से केवल लाइन में खड़ा हुआ भीड़ पैदा होता है, तेज़ प्रगति नहीं।
4. "लेगो ब्लॉक" (Lego Block) का जाल
पुराना तरीका: सामान्य सॉफ्टवेयर में, आप किचन, बेडरूम और बाथरूम को अलग-अलग बना सकते हैं, फिर अंत में उन्हें एक साथ जोड़ सकते हैं।
AI की वास्तविकता: AI एक मजबूत बुना हुआ मकड़ी का जाल (spiderweb) है।
- उपमा: AI में, डेटा, मॉडल और प्रॉम्प्ट्स (prompts) सब आपस में जुड़े हुए हैं। यदि आप डेटा बदलते हैं (जाल का आधार), तो पूरा मॉडल (जाल) खिसक जाता है। यदि आप प्रॉम्प्ट में बदलाव करते हैं, तो पूरा सिस्टम टूट जाता है।
- जाल: आप "UI टीम" और "AI टीम" का अलग-अलग आकार (size) निर्धारित करने की कोशिश करते हैं। लेकिन क्योंकि वे एक-दूसरे से इतने मजबूती से जुड़े हुए हैं, एक टीम के काम में छोटा सा बदलाव दूसरी टीम के काम को बिगाड़ने वाला एक बड़ा प्रभाव डालता है। आप उन्हें अलग-थलग रहकर अनुमानित नहीं कर सकते।
5. "फिनिश लाइन" (Finish Line) का मृगतृष्णा (Mirage)
पुराना तरीका: सॉफ्टवेयर में, "पूरा हुआ" (Done) का अर्थ है कि कोड कंपाइल हो गया और टेस्ट पास हो गए। एक बार जब यह हो जाता है, तो यह हो जाता है।
AI की वास्तविकता: AI में, "पूरा हुआ" एक बदलता हुआ लक्ष्य है।
- उपमा: कल्पना कीजिए कि आपने एक दौड़ पूरी की है, लेकिन हर बार दौड़ने पर फिनिश लाइन आगे खिसकती जा रही है।
- जाल: आप सोच सकते हैं कि आपका प्रोजेक्ट "मीडियम" है और पूरा हो गया है। लेकिन फिर, एक सुरक्षा जांच से पता चलता है कि AI पक्षपाती (biased) हो रहा है। या, एक लंबी बातचीत में, AI भ्रमित (hallucinating - मनगढ़ंत बातें बनाना) होने लगता है। अचानक, आपके "पूरे हुए" प्रोजेक्ट को सुरक्षा, नैतिकता और विश्वसनीयता को ठीक करने के लिए हफ्तों के अतिरिक्त काम की आवश्यकता होती है। वास्तविक दुनिया में AI कैसे व्यवहार करता है, इसके आधार पर "पूरा हुआ" की परिभाषा बदलती रहती है।
समाधान: "चेकपॉइंट साइजिंग" (Checkpoint Sizing)
चूंकि हम टी-शर्ट साइज के साथ भविष्य का अनुमान नहीं लगा सकते, इसलिए लेखक एक नई पद्धति प्रस्तावित करते हैं जिसे "चेकपॉइंट साइजिंग" कहा जाता है।
उपमा: पूरे सफर का अनुमान लगाने के बजाय, इसे सीरीज ऑफ बेस कैंपों के साथ पहाड़ की चढ़ाई करने के रूप में सोचें।
- पूरी चोटी का अनुमान न लगाएं: आप यह नहीं कहते कि, "हम 6 महीने में समाप्त करेंगे।"
- बेस कैंप स्थापित करें: छोटे चेकपॉइंट्स (गेट A, गेट B, गेट C) की योजना बनाएं।
- गेट A: "क्या हमारा डेटा तैयार है?" (यदि नहीं, तो रुकें और डेटा ठीक करें)।
- गेट B: "क्या मॉडल वास्तव में काम करता है?" (यदि नहीं, तो आगे न बढ़ें)।
- गेट C: "क्या यह सुरक्षित है?" (यदि नहीं, तो सुरक्षा ठीक करें)।
- हर कैंप पर पुनर्मूल्यांकन करें: प्रत्येक चेकपॉइंट पर, आप यह देखते हैं कि आपने वास्तव में क्या सीखा है, न कि आपने क्या मान लिया था। फिर आप निर्णय लेते हैं: क्या हमें आगे बढ़ना चाहिए? क्या हमें दिशा बदलनी चाहिए? या क्या हमें रुक जाना चाहिए क्योंकि यह बहुत कठिन है?
मुख्य निष्कर्ष (The Bottom Line)
टी-शर्ट साइजिंग मानती है कि दुनिया अनुमानित और रैखिक (linear) है। AI अप्रत्याशित और अराजक (chaotic) है।
- पुरानी मानसिकता: "आइए एक आकार का अनुमान लगाएं और जो भी हो उसे स्वीकार करें।"
- नई मानसिकता: "आइए छोटे कदम उठाएं, हर मोड़ पर जमीन की जांच करें, और अगला कदम तभी लें जब हमें पता हो कि वह सुरक्षित है।"
यदि आप एक AI प्रोजेक्ट का अनुमान एक मानक सॉफ्टवेयर प्रोजेक्ट की तरह लगाने की कोशिश करते हैं, तो संभावना है कि आपका प्रोजेक्ट महीनों की देरी से, बजट से बाहर और आश्चर्यों से भरा होगा। अज्ञात रास्तों पर चलने के लिए "चेकपॉइंट" पद्धति का उपयोग करें।
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।