🤖 AI

Collaborative AI Agents and Critics for Fault Detection and Cause Analysis in Network Telemetry

यह शोध पत्र एक फेडरेटेड मल्टी-एजेंट सिस्टम का प्रस्ताव करता है जहाँ निजी एआई एजेंट और क्रिटिक्स, एजेंटों के बीच आपसी संचार के बिना, एक केंद्रीय सर्वर के माध्यम से नेटवर्क दोष का पता लगाने जैसे मल्टीमॉडल कार्यों को सहयोगात्मक रूप से अनुकूलित करते हैं, जिससे एजेंटों की संख्या से स्वतंत्र संचार ओवरहेड के साथ अभिसरण गारंटी प्राप्त होती है।

मूल लेखक: Syed Eqbal Alam, Zhan Shu

प्रकाशित 2026-04-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Syed Eqbal Alam, Zhan Shu

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 "द नेटवर्क" (The Network) नामक एक विशाल, हाई-टेक फैक्ट्री चलाते हैं। यह फैक्ट्री लगातार डेटा (जैसे ट्रैफिक रिपोर्ट, सेंसर रीडिंग और लॉग्स) का उत्पादन करती है। कभी-कभी, चीजें गलत हो जाती हैं: कोई मशीन टूट जाती है, कोई पाइप लीक हो जाता है, या कोई कन्वेयर बेल्ट जाम हो जाता है। ये "दोष" (faults) हैं।

आपका लक्ष्य इन दोषों को तुरंत ढूंढना, यह समझना कि वे कितने गंभीर हैं, और यह समझना है कि वे क्यों हुए। लेकिन आप यह अकेले नहीं कर सकते; आपको एक टीम की आवश्यकता है।

यह पेपर इस टीम को व्यवस्थित करने का एक नया तरीका प्रस्तावित करता है जिसमें AI एजेंट्स (काम करने वाले) और AI क्रिटिक्स (गुणवत्ता निरीक्षक) एक सेंट्रल मैनेजर के तहत मिलकर काम करते हैं।

यहाँ उनके सिस्टम का विवरण सरल भाषा में दिया गया है:

1. पात्रों का परिचय

AI एजेंट्स (काम करने वाले): ये काम करने वाले हैं। वे डेटा को देखते हैं और समस्या को हल करने का प्रयास करते हैं। कुछ कार्यकर्ता "ओल्ड स्कूल" (पारंपरिक गणित जैसे XG-Boosting का उपयोग करने वाले) हैं, जबकि अन्य "न्यू स्कूल" (Llama या Mistral जैसे फैंसी जेनरेटिव AI का उपयोग करने वाले जो लिख और तर्क कर सकते हैं) हैं।
AI क्रिटिक्स (निरीक्षक): ये समीक्षक हैं। वे शुरुआती काम नहीं करते; वे एजेंट्स के काम पूरा करने का इंतज़ार करते हैं, उनके उत्तरों को पढ़ते हैं, और फीडबैक देते हैं। वे पूछते हैं: "क्या यह सही है? क्या यह स्पष्ट है? क्या आपने कुछ छोड़ दिया है?" वे एक स्कोर (जैसे 10 में से ग्रेड) भी दे सकते हैं।
सेंट्रल सर्वर (मैनेजर): यह बॉस है। यह स्वयं काम नहीं करता है। इसके बजाय, यह गिनता है कि वर्तमान में कितने कार्यकर्ता और निरीक्षक व्यस्त हैं। यदि एक ही कार्य पर बहुत अधिक लोग काम कर रहे हैं, तो यह कुछ को ब्रेक लेने के लिए कहता है। यदि बहुत कम लोग काम कर रहे हैं, तो यह अधिक लोगों को काम पर बुलाता है।

2. वे एक साथ कैसे काम करते हैं (नृत्य)

एक रिले रेस की कल्पना करें जहाँ धावक (एजेंट्स) और जज (क्रिटिक्स) किसी भी क्षण में दौड़ने के लिए लोगों की सही संख्या खोजने की कोशिश कर रहे हैं।

कार्य: एक उपयोगकर्ता एक प्रश्न पूछता है (जैसे, "क्या यह नेटवर्क कनेक्शन टूटा हुआ है?")।
कामगार आगे आता है: एक AI एजेंट निर्णय लेता है, "मैं यह करूँगा!" वह अपने दिमाग (या तो पारंपरिक गणित या एक लार्ज लैंग्वेज मॉडल का उपयोग करके) का उपयोग करके एक उत्तर उत्पन्न करता है।
निरीक्षक जाँच करता है: एजेंट उत्तर को एक AI क्रिटिक को भेजता है। क्रिटिक उत्तर को पढ़ता है।
- यदि क्रिटिक कहता है: "यह बहुत अच्छा है, स्कोर 9/10," तो एजेंट उपयोगकर्ता को उत्तर भेज देता है।
- यदि क्रिटिक कहता है: "यह कमजोर है, स्कोर 4/10," तो एजेंट कहता है, "ठीक है, मैं फिर से कोशिश करूँगा," और फीडबैक के आधार पर उत्तर को फिर से लिखता है।
मैनेजर तालमेल बिठाता है: सेंट्रल सर्वर सभी पर नज़र रखता है। उसे यह नहीं पता होता कि एजेंट्स क्या सोच रहे हैं या वे अपनी लागत (cost) की गणना कैसे करते हैं (गोपनीयता महत्वपूर्ण है!)। वह केवल यह देखता है कि कौन सक्रिय है।
- यदि बहुत से एजेंट्स "टेक्स्ट" कार्यों पर काम कर रहे हैं, तो मैनेजर उन्हें धीमा होने का संकेत देता है।
- यदि पर्याप्त एजेंट्स "इमेज" कार्यों पर काम नहीं कर रहे हैं, तो मैनेजर उन्हें तेज करने का संकेत देता है।

3. असली सफलता का मंत्र: "स्टोकेस्टिक एप्रोक्सिमेशन" (Stochastic Approximation)

यह तकनीकी गणित वाला हिस्सा है, लेकिन इसे रेडियो ट्यून करने जैसा समझें।

कल्पना करें कि आप एक सही स्टेशन खोजने की कोशिश कर रहे हैं। आप डायल को थोड़ा सा घुमाते हैं, सुनते हैं, और यदि आवाज़ धुंधली है, तो आप थोड़ा सा और घुमाते हैं। आप तब तक ऐसा करते रहते हैं जब तक कि आवाज़ एकदम स्पष्ट न हो जाए।

एजेंट्स और क्रिटिक्स लगातार काम करने की अपनी इच्छा को "ट्यून" करते रहते हैं।
वे मल्टी-टाइम स्केल स्टोकेस्टिक एप्रोक्सिमेशन नामक एक विशेष गणितीय तकनीक का उपयोग करते हैं।
- फास्ट स्केल (तेज़ स्तर): वे तत्काल फीडबैक (जैसे क्रिटिक का स्कोर) के प्रति तेजी से प्रतिक्रिया करते हैं।
- स्लो स्केल (धीमा स्तर): वे अपनी दीर्घकालिक आदतों को धीरे-धीरे समायोजित करते हैं (जैसे यह तय करना कि वे मंगलवार को अधिक बार काम करेंगे या नहीं)।
परिणाम: समय के साथ, सिस्टम स्वाभाविक रूप से "गोल्डिलॉक्स ज़ोन" (Goldilocks Zone) में स्थिर हो जाता है—न बहुत अधिक कार्यकर्ता, न बहुत कम, बस काम पूरा करने के लिए बिल्कुल सही मात्रा, जिससे ऊर्जा (लागत) की कम से कम बर्बादी होती है।

4. वास्तविक दुनिया का परीक्षण: नेटवर्क टेलीमेट्री

लेखकों ने इस सिस्टम का परीक्षण एक वास्तविक दुनिया की समस्या पर किया: नेटवर्क टेलीमेट्री। यह कंप्यूटर नेटवर्क के लिए डॉक्टर के मॉनिटर की तरह है। यह डेटा प्रवाह, त्रुटियों और गति को ट्रैक करता है।

डेटा: उन्होंने 99 अलग-अलग कॉलम वाले डेटासेट (जैसे "बाइट्स भेजे गए," "त्रुटियां," "बैंडविड्थ") और लॉग फाइलों का उपयोग किया।
प्रयोग:
- दोष का पता लगाना (Fault Detection): उन्होंने सिस्टम से टूटे हुए कनेक्शन खोजने के लिए कहा।
  - परिणाम: "ओल्ड स्कूल" कार्यकर्ता (XG-Boosting) केवल त्रुटि का पता लगाने में तेज और अधिक सटीक थे। वे एक मेटल डिटेक्टर की तरह थे: तेज़ और सटीक।
  - "न्यू स्कूल" कार्यकर्ता (जेनरेटिव AI) केवल त्रुटि का पता लगाने में थोड़े धीमे थे और कुछ गलतियाँ भी करते थे, लेकिन वे यह समझाने में बेहतर थे कि यह क्यों हुआ।
- गंभीरता और कारण विश्लेषण (Severity & Cause Analysis): उनसे पूछा गया कि त्रुटि क्यों हुई और क्या यह एक बड़ी समस्या है।
  - परिणाम: यहाँ, "न्यू स्कूल" कार्यकर्ता (जेनरेटिव AI) चमक उठे। वे लॉग पढ़ सकते थे और कह सकते थे, "ऐसा लगता है कि एक केबल अनप्लग हो गई है, और यह एक गंभीर विफलता है," या "यह सिर्फ भारी ट्रैफिक जाम है, कोई बड़ी बात नहीं है।"

5. यह क्यों महत्वपूर्ण है?

गोपनीयता (Privacy): कार्यकर्ताओं और निरीक्षकों को एक-दूसरे के साथ या मैनेजर के साथ अपने गुप्त फॉर्मूले (कॉस्ट फंक्शन) साझा करने की आवश्यकता नहीं है। वे केवल अपनी "काम करने की इच्छा" साझा करते हैं।
स्केलेबिलिटी (Scalability): यह सिस्टम तब भी बहुत अच्छा काम करता है जब आपके पास 10 कार्यकर्ता हों या 10,000। संचार लागत कम रहती है क्योंकि मैनेजर केवल सरल संकेत प्रसारित करता है, बड़े डेटा फ़ाइल नहीं।
अनुकूलन क्षमता (Adaptability): यह एक साथ विभिन्न प्रकार के कार्यों (टेक्स्ट, इमेज, वीडियो, सेंसर डेटा) को बिना भ्रमित हुए संभाल सकता है।

निष्कर्ष

यह पेपर एक स्व-संगठित AI टीम का वर्णन करता है। एक मानव बॉस द्वारा हर किसी के काम की सूक्ष्म निगरानी (micromanaging) कराने के बजाय, यह टीम एक चतुर फीडबैक लूप का उपयोग करती है ताकि यह पता लगाया जा सके कि किसी भी सेकंड में किसी कार्य के लिए कितने लोगों को काम करना चाहिए।

यह एक जैज़ बैंड की तरह है जहाँ संगीतकार (एजेंट्स) और कंडक्टर (सर्वर) शीट म्यूजिक के बजाय सूक्ष्म संकेतों के माध्यम से संवाद करते हैं, और अंततः नेटवर्क विफलताओं जैसी जटिल समस्याओं को हल करने के लिए एक आदर्श लय खोज लेते हैं, जबकि वे अपनी व्यक्तिगत संगीत शैलियों (एल्गोरिदम) को निजी रखते हैं।

यहाँ शोध पत्र "Collaborative AI Agents and Critics for Fault Detection and Cause Analysis in Network Telemetry" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र जटिल नेटवर्क वातावरण में मल्टीमॉडल कार्यों (जैसे टेक्स्ट, सेंसर डेटा, इमेज) को प्रबंधित करने की चुनौती को संबोधित करता है, जिसके लिए फेडरेटेड मल्टी-एजेंट सिस्टम (MAS) का उपयोग किया जाता है। विशेष रूप से, यह नेटवर्क टेलीमेट्री को लक्षित करता है, जहाँ लक्ष्य दोष का पता लगाना (fault detection), गंभीरता का आकलन (severity assessment) और मूल कारण विश्लेषण (root cause analysis) करना है।

पहचाने गए मुख्य चुनौतियाँ शामिल हैं:

स्केलेबिलिटी और समन्वय (Scalability and Coordination): एजेंटों के बीच संचार ओवरहेड के बिना बड़ी संख्या में AI एजेंटों और क्रिटिक्स (critics) को प्रबंधित करना।
गोपनीयता (Privacy): सहयोग करते समय एजेंटों और क्रिटिक्स को अपने स्थानीय लागत कार्यों (cost functions) और डेरिवेटिव्स को निजी रखना चाहिए ताकि वैश्विक सिस्टम लागत को कम किया जा सके।
संसाधन अनुकूलन (Resource Optimization): प्रदर्शन और कम्प्यूटेशनल लागत के बीच संतुलन बनाने के लिए किसी दिए गए समय पर विशिष्ट मोडैलिटीज के लिए सक्रिय एजेंटों और क्रिटिक्स की इष्टतम संख्या निर्धारित करना।
भ्रम (Hallucination) और सटीकता: यह सुनिश्चित करना कि जेनेरेटिव AI (फाउंडेशन मॉडल्स) सटीक और विश्वसनीय आउटपुट प्रदान करे, विशेष रूप से नेटवर्क प्रबंधन जैसे महत्वपूर्ण बुनियादी ढांचे में।

2. कार्यप्रणाली (Methodology)

लेखक एक फेडरेटेड आर्किटेक्चर के भीतर AI एजेंटों और क्रिटिक्स के सहयोगात्मक नियंत्रण के लिए एक स्टोकेस्टिक इटरेटिव एल्गोरिदम (stochastic iterative algorithm) का प्रस्ताव करते हैं।

सिस्टम आर्किटेक्चर

फेडरेटेड मल्टी-एजेंट सिस्टम: इसमें एक सेंट्रल सर्वर के साथ सहयोग करने वाले $N$ AI एजेंट और $C$ क्रिटिक्स शामिल हैं।
भूमिकाएँ (Roles):
- AI एजेंट्स: प्रतिक्रियाएँ उत्पन्न करने के लिए फाउंडेशन मॉडल्स (LLMs, LVMs) या क्लासिकल ML मॉडल्स तक पहुँच रखते हैं (जैसे, दोष का पता लगाना)।
- AI क्रिटिक्स: मानदंडों (सटीकता, प्रासंगिकता, पूर्णता) के आधार पर एजेंट की प्रतिक्रियाओं का मूल्यांकन करते हैं और फीडबैक/स्कोर प्रदान करते हैं।
- सेंट्रल सर्वर: प्रत्येक मोडैलिटी के लिए सक्रिय एजेंटों/क्रिटिक्स की संख्या को ट्रैक करता है और गतिविधि को विनियमित करने के लिए फीडबैक सिग्नल प्रसारित करता है।
गोपनीयता: एजेंट और क्रिटिक्स अपने कॉस्ट फंक्शन या ग्रेडिएंट्स को एक-दूसरे के साथ या सर्वर के साथ साझा नहीं करते हैं। वे केवल अपनी भागीदारी की "इच्छा" (active state) साझा करते हैं।

एल्गोरिद्मिक फ्रेमवर्क

सिस्टम को क्षमता बाधाओं (प्रति मोडैलिटी सक्रिय प्रतिभागियों की वांछित संख्या) के अधीन कुल लागत फ़ंक्शन को कम करने के लिए एक प्रतिबंधित अनुकूलन समस्या (constrained optimization problem) के रूप में तैयार किया गया है।

स्टोकेस्टिक एप्रोक्सिमेशन (Stochastic Approximation): लेखक एक फेडरेटेड आर्किटेक्चर के भीतर AI एजेंटों और क्रिटिक्स के सहयोगात्मक नियंत्रण के लिए मल्टी-टाइम-स्केल स्टोकेस्टिक एप्रोक्सिमेशन तकनीकों का उपयोग करते हैं।
- फास्ट टाइम स्केल (Fast Time Scale): एजेंट अपने स्थानीय कॉस्ट डेरिवेटिव्स और फीडबैक सिग्नल के आधार पर अपनी सक्रिय अवस्थाओं ( $X_{ji}$ ) को अपडेट करते हैं।
- स्लो टाइम Scale (Slow Time Scale): सेंट्रल सर्वर फीडबैक सिग्नल ( $\Theta_j$ ) को अपडेट करता है, जो सिस्टम को इष्टतम क्षमता की ओर ले जाता है।
अभिसरण तंत्र (Convergence Mechanism):
- एजेंट और क्रिटिक्स अपने समय-औसत सक्रिय अवस्थाओं, कॉस्ट फंक्शन डेरिवेटिव्स और सर्वर के फीडबैक सिग्नल के आधार पर सक्रिय होने की संभावना ( $\sigma$ ) की गणना करते हैं।
- एक बर्नौली ट्रायल (Bernoulli trial) वास्तविक सक्रिय अवस्था (0 या 1) को निर्धारित करता है।
- अभिसरण सुनिश्चित करने के लिए फीडबैक सिग्नल को घटते स्टेप साइज ( $\eta(k)$ ) का उपयोग करके अपडेट किया जाता है।
सैद्धांतिक गारंटी: शोध पत्र गणितीय प्रमाण (मार्टिंगेल डिफरेंस सीक्वेंस और हॉफडिंग की असमानता का उपयोग करके) प्रदान करता है कि एजेंटों और क्रिटिक्स की समय-औसत सक्रिय अवस्थाएँ लगभग निश्चित रूप से उनके अद्वितीय इष्टतम मानों की ओर अभिसरित होती हैं, जिससे वैश्विक लागत न्यूनतम हो जाती है।

नेटवर्क टेलीमेट्री में अनुप्रयोग

इस फ्रेमवर्क को एक वास्तविक दुनिया के डेटासेट (नेटवर्क टेलीमेट्री डेटासेट 4) पर लागू किया गया है जिसमें शामिल हैं:

दोष का पता लगाना (Fault Detection): नेटवर्क घटनाओं को "Fault" या "No Fault" के रूप में वर्गीकृत करना।
गंभीरता और कारण विश्लेषण (Severity & Cause Analysis): दोषों को "Critical" या "Non-critical" के रूप में वर्गीकृत करना और कारण का प्राकृतिक भाषा सारांश तैयार करना।

हाइब्रिड दृष्टिकोण: सिस्टम डिटेक्शन में गति/सटीकता के लिए क्लासिकल ML (XGBoost) बनाम सूक्ष्म तर्क (nuanced reasoning) और कारण विश्लेषण के लिए जेनेरेटिव AI (LLMs) की तुलना करता है।
RAG एकीकरण: LLMs के लिए, नेटवर्क लॉग को एम्बेड करने और संदर्भ प्रदान करने के लिए ChromaDB के साथ Retrieval-Augmented Generation (RAG) का उपयोग किया जाता है, जिससे भ्रम (hallucinations) कम होता है।

3. प्रमुख योगदान (Key Contributions)

नवीन नियंत्रण एल्गोरिदम: बिना इंटर-एजेंट संचार के फेडरेटेड सेटिंग में सहयोगात्मक नियंत्रण के लिए स्टोकेस्टिक इटरेटिव एल्गोरिदम का विकास।
अभिसरण गारंटी (Convergence Guarantees): गणितीय प्रमाण कि सिस्टम मल्टी-टाइम-स्केल स्टोकेस्टिक एप्रोक्सिमेशन का उपयोग करके एक अद्वितीय इष्टतम समाधान की ओर अभिसरित होता है, जिससे सुनिश्चित होता है कि एजेंटों और क्रिटिक्स की समय-औसत सक्रिय अवस्थाएँ वांछित क्षमताओं से मेल खाती हैं।
कम संचार ओवरहेड: संचार लागत $O(m)$ है (जहाँ $m$ मोडैलिटीज की संख्या है), जो एजेंटों या क्रिटिक्स की संख्या से स्वतंत्र है, जिससे यह अत्यधिक स्केलेबल हो जाता है।
गोपनीयता संरक्षण: एजेंट और क्रिटिक्स वैश्विक अनुकूलन प्राप्त करते हुए भी अपने निजी कॉस्ट फंक्शन बनाए रखते हैं।
अनुभवजन्य सत्यापन: कई मॉडल्स (Llama3.2, Mistral, DeepSeek-R1, Granite, Phi4, Llava) के माध्यम से क्लासिकल ML (XGBoost) बनाम जेनेरेटिव AI (LLMs) की तुलना करते हुए नेटवर्क टेलीमेट्री डेटा पर व्यापक मूल्यांकन।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने पोर्ट स्टेट परिवर्तनों (ऑप्टिकल ट्रांससीवर, एडमिन स्टेट, लिंक स्टेट) वाले डेटासेट पर सिस्टम का मूल्यांकन किया।

दोष पहचान प्रदर्शन (Fault Detection Performance):
- XGBoost (क्लासिकल ML): इसने 96.44% सटीकता, 0.9656 F1-स्कोर और काफी तेज़ प्रोसेसिंग समय के साथ बेहतर प्रदर्शन किया।
- LLMs (जेनेरेटिव AI): बिना RAG के, प्रदर्शन गिर गया (F1 ~0.50)। RAG के साथ, F1 सुधरकर 0.6957 हो गया, लेकिन फिर भी यह XGBoost से कम और बहुत धीमा था।
- निष्कर्ष: दोष का पता लगाने के लिए उच्च गति/उच्च सटीकता हेतु क्लासिकल ML को प्राथमिकता दी जाती है।
गंभीरता और कारण विश्लेषण (Severity and Cause Analysis):
- LLMs का उपयोग दोष की गंभीरता (Critical बनाम Non-critical) को वर्गीकृत करने और कारण सारांश उत्पन्न करने के लिए किया गया था।
- मॉडल भिन्नता: विभिन्न LLMs ने अलग-अलग प्रवृत्तियाँ दिखाईं। Llama3.2 ने सबसे अधिक प्रतिशत दोषों को "Critical" (25.8%) के रूप में वर्गीकृत किया, जबकि Granite3.2 ने सबसे कम (8.7%)।
- गुणात्मक आउटपुट: एजेंटों ने सफलतापूर्वक मानव-पठनीय कारण सारांश (जैसे, "High data rate... indicates potential interface issue") उत्पन्न किए, हालांकि कुछ मॉडल्स को भ्रम से बचने के लिए RAG की आवश्यकता थी।
अभिसरण (Convergence):
- सिमुलेशन परिणामों ने पुष्टि की कि एजेंटों और क्रिटिक्स की समय-औसत सक्रिय अवस्थाएँ एक केंद्रीकृत CVX सॉल्वर द्वारा गणना किए गए इष्टतम मानों की ओर अभिसरित हुईं।
- एल्गोरिदम की कुल लागत और इष्टतम लागत का अनुपात 1 की ओर अभिसरित हुआ।
- फीडबैक सिग्नल ( $\Theta$ ) समय के साथ स्थिर हो गए, जो मल्टी-टाइम-स्केल नियंत्रण की प्रभावशीलता को प्रदर्शित करते हैं।

5. महत्व (Significance)

स्केलेबल AI प्रबंधन: प्रस्तावित फ्रेमवर्क वितरित प्रणालियों में पियर-टू-पियर संचार के बिना बड़े AI एजेंट बेड़े को प्रबंधित करने के लिए एक स्केलेबल समाधान प्रदान करता है।
हाइब्रिड AI रणनीति: यह अध्ययन एक व्यावहारिक "हाइब्रिड AI" दृष्टिकोण को प्रमाणित करता है: प्रारंभिक पहचान के लिए तेज़, सटीक क्लासिकल ML का उपयोग करना और जटिल विश्लेषण एवं स्पष्टीकरण के लिए शक्तिशाली, तर्क-क्षम LLM (RAG के साथ) का उपयोग करना।
वास्तविक दुनिया की प्रयोज्यता: नेटवर्क टेलीमेट्री पर सफलता प्रदर्शित करके, यह शोध पत्र अन्य महत्वपूर्ण क्षेत्रों जैसे स्मार्ट एनर्जी ग्रिड, इंडस्ट्रियल IoT और हेल्थकेयर डायग्नोस्टिक्स में समान सहयोगात्मक AI आर्किटेक्चर को लागू करने का मार्ग प्रशस्त करता है।
सैद्धांतिक आधार: यह शोध पत्र वितरित अनुकूलन (स्टोकेस्टिक एप्रोक्सिमेशन) और व्यावहारिक जेनेरेटिव AI अनुप्रयोगों के बीच के अंतर को पाटता है, जो स्वायत्त एजेंट समन्वय के लिए एक मजबूत गणितीय आधार प्रदान करता है।