WebChain: A Large-Scale Human-Annotated Dataset of Real-World Web Interaction Traces
यह शोधपत्र WebChain को प्रस्तुत करता है, जो मल्टी-मोडल संरेखण (multi-modal alignment) वाली वास्तविक दुनिया के वेब इंटरेक्शन ट्रेसेस का एक बड़े पैमाने का, मानव-एनोटेटेड डेटासेट है, जो एक नवीन डुअल मिड-ट्रेनिंग दृष्टिकोण को सक्षम बनाता है जो वेब एजेंट प्लानिंग और स्थानिक ग्राउंडिंग (spatial grounding) में अत्याधुनिक प्रदर्शन प्राप्त 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 रोबोट को इंटरनेट का उपयोग करना सिखाने की कोशिश कर रहे हैं। आप चाहते हैं कि यह रोबोट बिल्कुल एक इंसान की तरह फ्लाइट बुक कर सके, एक विशिष्ट शर्ट खरीद सके, या अपना बैंक बैलेंस चेक कर सके।
समस्या यह है कि इंटरनेट एक अराजक, अव्यवस्थित और लगातार बदलने वाली जगह है। आज के अधिकांश रोबोट उन छात्रों की तरह हैं जिन्होंने केवल एक आदर्श, नकली कक्षा (सिम्युलेटेड वेबसाइटों) में पढ़ाई की है। जब वे वास्तविक दुनिया में कदम रखते हैं, तो वे पॉप-अप विज्ञापनों, लॉगिन स्क्रीन और अजीब वेबसाइट लेआउट से भ्रमित हो जाते हैं। उनमें इन कठिन स्थितियों से निपटने के लिए "वास्तविक" उदाहरणों का एक विशाल पुस्तकालय भी नहीं है।
यह पेपर उस समस्या का समाधान पेश करता है: WebChain। यहाँ इसका विवरण सरल उपमाओं के साथ दिया गया है:
1. समस्या: "नकली दुनिया" बनाम "असली दुनिया"
पिछले डेटासेट (जैसे Mind2Web या WebArena) को ट्रेनिंग व्हील्स (सहायक पहिए) के रूप में सोचें। वे बुनियादी बातें सीखने के लिए अच्छे हैं, लेकिन वे बहुत सरल हैं। वे एक ड्राइविंग सिम्युलेटर की तरह हैं जिसमें कभी ट्रैफिक जाम, पुलिस अधिकारी या बारिश वाले दिन नहीं होते।
- अंतराल (The Gap): वास्तविक वेबसाइटों में सुरक्षा जांच (CAPTCHAs) होती हैं, लॉगिन की आवश्यकता होती है, और उनका लेआउट लगातार बदलता रहता है। "नकली" डेटा पर प्रशिक्षित रोबोट इन वास्तविक दुनिया की बाधाओं से टकराते ही क्रैश हो जाते हैं।
- पुराना तरीका: कुछ शोधकर्ताओं ने वास्तविक साइटों पर मानव क्लिक को "नकली" बनाने के लिए कंप्यूटर प्रोग्रामों का उपयोग करने की कोशिश की। लेकिन वेबसाइटें स्मार्ट होती हैं; उनके पास सुरक्षा गार्ड (एंटी-बॉट सिस्टम) होते हैं जो इन प्रोग्रामों को तुरंत बाहर निकाल देते हैं। वे लॉगिन स्क्रीन को पार नहीं कर पाते।
2. समाधान: WebChain (द "रियल-वर्ल्ड ड्राइविंग स्कूल")
लेखकों ने WebChain बनाया है, जो वास्तविक मनुष्यों द्वारा वास्तव में वास्तविक वेबसाइटों का उपयोग करने का सबसे बड़ा संग्रह है।
- पैमाना (The Scale): उन्होंने 31,000 से अधिक पूर्ण यात्राएं (ट्रैजेक्टरीज) एकत्र कीं जिनमें 318,000 स्टेप्स शामिल थे। यह 31,000 अलग-अलग लोगों को उनके घरों से विभिन्न गंतव्यों तक जाने, वास्तविक ट्रैफिक, डायवर्जन और बाधाओं से निपटने के रिकॉर्ड करने जैसा है।
- "ट्रिपल एलाइनमेंट" (The Secret Sauce): यह सबसे महत्वपूर्ण हिस्सा है। जब एक मानव एनोटेटर किसी बटन पर क्लिक करता है, तो सिस्टम एक साथ तीन चीजें रिकॉर्ड करता है, जैसे कि एक स्टंट फिल्म बनाने वाला हाई-टेक कैमरा क्रू:
- विजुअल (Visual): एक स्क्रीनशॉट जो इंसान ने देखा।
- स्ट्रक्चरल (Structural): पेज का "ब्लूप्रिंट" (बटन के पीछे का कोड), ताकि रोबोट को पता चले कि बटन क्या है, न कि वह केवल कैसा दिखता है।
- एक्शन (Action): सटीक पिक्सेल निर्देशांक (coordinates) जहाँ इंसान ने क्लिक किया।
- उपमा: कल्पना कीजिए कि आप एक रोबोट को गेंद पकड़ना सिखा रहे हैं। पुराने तरीके केवल रोबोट को गेंद दिखाते थे। WebChain रोबोट को गेंद, हवा का भौतिक विज्ञान और गेंद को पकड़ने के लिए आवश्यक सटीक हाथ की गति, ये सभी चीजें एक साथ दिखाता है।
3. प्रशिक्षण विधि: "डुअल मिड-ट्रेनिंग" (The "Two-Step Dance")
एक बार जब उनके पास डेटा आ गया, तो उन्हें रोबोट को इसे उपयोग करना सिखाना था। उन्होंने पाया कि रोबोट को एक ही समय में "देखना" और "योजना बनाना" सिखाना ऐसा है जैसे किसी डांसर को संगीत की गिनती करना और अपने पैरों को पूरी तरह से चलाना एक साथ सिखाना। यह बहुत कठिन है।
उन्होंने Dual Mid-Training का प्रस्ताव दिया:
- चरण 1: "ग्राउंडिंग" चरण (देखना सीखना): पहले, वे रोबोट को स्पेशियल ग्राउंडिंग (स्थानिक आधार) का मास्टर बनने के लिए सिखाते हैं। यह रोबोट को कमरे की हर एक वस्तु को पहचानने और उस पर सटीक रूप से इशारा करने के लिए सिखाने जैसा है। वे WebChain के "डेंस" डेटा का उपयोग करके रोबोट को न केवल लक्षित बटन दिखाते हैं, बल्कि स्क्रीन पर मौजूद हर बटन दिखाते हैं, ताकि वह एक क्लिक करने योग्य बटन और एक सजावटी तस्वीर के बीच अंतर सीख सके।
- चरण 2: "प्लानिंग" चरण (सोचना सीखना): एक बार जब रोबोट देख सकता है, तो वे उसे लॉन्ग-होरिजन प्लानिंग सिखाते हैं। यह "सोचने" वाला हिस्सा है। अब जब रोबोट जानता है कि सब कुछ कहाँ है, तो वह रणनीति पर ध्यान केंद्रित कर सकता है: "पहले मुझे लॉग इन करना होगा, फिर सर्च बार ढूंढना होगा, फिर कीमत के आधार पर फ़िल्टर करना होगा।"
- परिणाम: इन दो कौशलों को अलग करके, रोबोट बहुत स्मार्ट हो जाता है। यह "स्टेट-ऑफ-द-आर्ट" (SOTA) प्रदर्शन प्राप्त करता है, जिसका अर्थ है कि यह जटिल कार्यों पर पिछले सभी रोबोटों को पछाड़ देता है।
4. यह क्यों महत्वपूर्ण है
- लोकतांत्रीकरण (Democratization): इससे पहले, केवल बड़े कंपनियां जिनके पास गुप्त और महंगी डेटा थी, वे ही अच्छे एजेंट बना सकती थीं। WebChain ओपन-सोर्स है, जिसका अर्थ है कि कोई भी इसे डाउनलोड कर सकता है और बेहतर रोबोट बना सकता है।
- पुनरुत्पादकता (Reproducibility): क्योंकि डेटा वास्तविक है और विधियाँ साझा की गई हैं, अन्य वैज्ञानिक परिणामों को सत्यापित कर सकते हैं। अब कोई "ब्लैक बॉक्स" रहस्य नहीं रहेगा।
- भविष्य: यह डेटासेट साबित करता है कि यदि आप AI को पर्याप्त वास्तविक मानव उदाहरण देते हैं और उसे "देखने" को "सोचने" से अलग करना सिखाते हैं, तो वह अराजक इंटरनेट पर महारत हासिल कर सकता है।
सारांश उपमा
यदि वेब एजेंट बनाना एक पायलट को प्रशिक्षित करने जैसा था:
- पुराना डेटा: बिना हवा, बिना अन्य विमानों और आदर्श मौसम वाले फ्लाइट सिम्युलेटर में प्रशिक्षण।
- WebChain: हजारों वास्तविक पायलटों के वीडियो फुटेज का एक विशाल पुस्तकालय, जो वास्तविक तूफानों के बीच उड़ रहे हैं, वास्तविक एयर ट्रैफिक कंट्रोल से निपट रहे हैं, और वास्तविक हवाई अड्डों पर उतर रहे हैं।
- नई ट्रेनिंग: केवल वीडियो देखने के बजाय, यह नई विधि छात्र पायलट को पहले नियंत्रणों (Grounding) में महारत हासिल करना और फिर नेविगेशन रणनीति (Planning) सीखना सिखाती है, जिससे एक ऐसा पायलट तैयार होता है जो किसी भी स्थिति को संभाल सकता है।
संक्षेप में, WebChain वह "रियल-वर्ल्ड ड्राइविंग स्कूल" है जो अंततः AI को बिना क्रैश हुए जटिल और अव्यवस्थित इंटरनेट पर नेविगेट करना सिखाता 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।