Ontology-Constrained Neural Reasoning in Enterprise Agentic Systems: A Neurosymbolic Architecture for Domain-Grounded AI Agents
यह शोध पत्र फाउंडेशन एजेंटिकओएस (Foundation AgenticOS) प्लेटफॉर्म के भीतर एक न्यूरोसिम्बोलिक आर्किटेक्चर प्रस्तुत करता है जो बड़े भाषा मॉडल (LLM) एजेंटों को नियंत्रित करने के लिए एक त्रि-स्तरीय ऑन्टोलॉजिकल ढांचे का उपयोग करता है, जो इनपुट और आउटपुट दोनों पर औपचारिक सिमेंटिक ग्राउंडिंग को लागू करके उनकी सटीकता, नियामक अनुपालन और भूमिका निरंतरता में महत्वपूर्ण सुधार करता है—विशेष रूप से सीमित प्रशिक्षण डेटा वाले डोमेन में।
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
यहाँ इस शोध पत्र (paper) का हिंदी अनुवाद दिया गया है:
बड़ी समस्या: "अति-आत्मविश्वासी इंटर्न" (The Overconfident Intern)
कल्पना कीजिए कि आपने अपने बैंक, अस्पताल या बीमा कंपनी को चलाने के लिए एक बेहद बुद्धिमान और तेज़ इंटर्न (AI Agent) को काम पर रखा है। इस इंटर्न ने लाइब्रेरी की लगभग हर किताब पढ़ ली है (Large Language Model या LLM)। वे बहुत सुंदर लिख सकते हैं और किसी से भी बात कर सकते हैं।
लेकिन एक पेंच है: वे "भ्रम" (hallucinations) का शिकार हो सकते हैं।
यदि आप उनसे वियतनामी बैंकिंग कानून के किसी विशिष्ट, अस्पष्ट नियम के बारे में पूछेंगे, तो वे आत्मविश्वास के साथ कुछ भी मनगढ़ंत बना सकते हैं क्योंकि उन्होंने वास्तव में उस विशिष्ट नियम को अपने ट्रेनिंग डेटा में नहीं देखा है। एक सामान्य चैट में, यह मज़ेदार हो सकता है। लेकिन एक बैंक या अस्पताल में, यह कानूनी मुसीबत का कारण बन सकता है।
वर्तमान AI इसे ठीक करने के लिए इंटर्न को जवाब देने से पहले कागज़ों का एक ढेर पढ़ने के लिए देता है (जिसे RAG या "Retrieval-Augmented Generation" कहा जाता है)। लेकिन यह शोध पत्र तर्क देता है कि यह किसी को नोट्स का एक अस्त-व्यस्त ढेर देने जैसा है; वे सही पन्ना तो ढूँढ सकते हैं, लेकिन वे यह समझने में गलती कर सकते हैं कि वे पन्ने आपस में कैसे जुड़े हुए हैं।
समाधान: "तीन-परत वाला नियम पुस्तिका" (The Three-Layer Rulebook)
लेखक, थान्ह लुओंग तुआन (Thanh Luong Tuan), FAOS (Foundation AgenticOS) नामक एक नया सिस्टम प्रस्तावित करते हैं। AI को केवल कागजों का ढेर देने के बजाय, वे एक औपचारिक, संरचित नियम पुस्तिका (एक Ontology) बनाते हैं जो एक सख्त मैनेजर की तरह काम करती है।
इस नियम पुस्तिका को तीन विशिष्ट परतों के रूप में सोचें:
रोल लेयर (भूमिका की परत - "जॉब डिस्क्रिप्शन"):
- उपमा: एक कॉस्ट्यूम पार्टी की कल्पना करें जहाँ हर कोई एक विशिष्ट बैज पहने हुए है। यदि आप CFO हैं, तो आप केवल पैसे और जोखिम के बारे में बात करेंगे। यदि आप प्रोडक्ट मैनेजर हैं, तो आप यूजर एक्सपीरियंस के बारे में बात करेंगे।
- समाधान: AI केवल चीज़ों को "जानता" नहीं है; वह जानता है कि उसे क्या होना चाहिए। वह उस विशिष्ट नौकरी की मानसिकता, शब्दावली और निर्णय लेने की शैली को अपना लेता है।
डोमेन लेयर (क्षेत्र की परत - "विशेषज्ञ शब्दकोश"):
- उपमा: एक डॉक्टर और एक मैकेनिक दोनों "प्रेशर" (pressure) शब्द का उपयोग करते हैं, लेकिन उनके अर्थ बहुत अलग होते हैं।
- समाधान: यह सिस्टम AI को उद्योग के लिए सही परिभाषा का उपयोग करने के लिए मजबूर करता है। यदि यह एक बैंक है, तो "प्रेशर" का अर्थ ऋण तनाव (loan stress) है। यदि यह एक अस्पताल है, तो इसका अर्थ रक्तचाप (blood pressure) है। यह AI को उद्योग की शब्दावली को आपस में मिलाने से रोकता है।
इंटरैक्शन लेयर (परस्पर क्रिया की परत - "वर्कफ़्लो मैप"):
- उपमा: एक अस्पताल में, एक नर्स सीधे सर्जरी का आदेश नहीं दे सकती; उसे डॉक्टर से पूछना होगा, जिसे एडमिन से मंजूरी लेनी होगी।
- समाधान: AI खेल के नियमों को जानता है। वह जानता है कि निर्णय के लिए किसे साइन-ऑफ की आवश्यकता है और अगले कदम से पहले कौन से चरण पूरे होने चाहिए। वह लाइन को बायपास नहीं कर सकता।
यह कैसे काम करता है: "एसिमेट्रिक" सुरक्षा जाल (The Asymmetric Safety Net)
यह पेपर एक चतुर अवधारणा पेश करता है जिसे न्यूरोसिम्बोलिक कपलिंग (Neurosymbolic Coupling) कहा जाता है।
- "न्यूरल" (Neural) भाग: AI का मस्तिष्क (LLM) लचीला और रचनात्मक है।
- "सिम्बोलिक" (Symbolic) भाग: नियम पुस्तिका (Ontology) कठोर और तार्किक है।
वर्तमान स्थिति (इनपुट-साइड कपलिंग):
अभी, सिस्टम एक सख्त संपादक की तरह है जो आपके निबंध लिखने से पहले आपके नोट्स की जाँच करता है।
- AI को सोचने से पहले ही सही "जॉब डिस्क्रिप्शन," "डिक्शनरी," और "वर्कफ़्लो मैप" दे दिया जाता है।
- यह उसे विषय से भटकने या गलत शब्दों का उपयोग करने से रोकता है।
- परिणाम: AI बहुत अधिक सटीक है, लेकिन यह पूर्ण नहीं है। यदि वह बहुत रचनात्मक हो जाता है, तो भी वह एक गलत वाक्य लिख सकता है।
भविवी लक्ष्य (आउटपुट-साइड कपलिंग):
यह पेपर एक ऐसे सख्त संपादक का प्रस्ताव करता है जो आपके निबंध लिखने के बाद भी उसकी जाँच करता है।
- सिस्टम जाँच करेगा: "क्या आपने सही नियम का उल्लेख किया? क्या आपने सही नंबरों का उपयोग किया? क्या आपने अनुमोदन श्रृंखला (approval chain) का पालन किया?"
- यदि उत्तर "नहीं" है, तो AI को इसे फिर से लिखना होगा।
- यह एक क्लोज्ड लूप (Closed Loop) बनाता है जहाँ AI को निर्देशित भी किया जाता है और सत्यापित भी किया जाता है।
प्रयोग: "वियतनामी टेस्ट" (The Vietnamese Test)
यह साबित करने के लिए कि यह काम करता है, लेखक ने पाँच उद्योगों (वित्त, बीमा, स्वास्थ्य सेवा और दो वियतनामी-विशिष्ट उद्योग) में 600 परिदृश्यों के साथ एक बड़ा परीक्षण चलाया।
बड़ी खोज: "इनवर्स नॉलेज इफेक्ट" (The Inverse Knowledge Effect)
यह सबसे दिलचस्प हिस्सा है।
- परिदृश्य A: AI से "कंबाइंड रेशियो" (एक सामान्य बीमा शब्द) के बारे में पूछें। AI इसे अपनी ट्रेनिंग से पहले से ही जानता है। जब आप इस पर नियम पुस्तिका लागू करते हैं, तो यह वास्तव में थोड़ा भ्रमित हो जाता है क्योंकि नियम पुस्तिका उसकी स्वाभाविक स्मृति में बाधा डालती है।
- परिदृश्य B: AI से एक विशिष्ट, अस्पष्ट वियतनामी बैंकिंग नियम (जैसे, स्टेट बैंक ऑफ वियतनाम का 2023 का सर्कुलर) के बारे में पूछें। AI इसके बारे में कुछ नहीं जानता।
- परिणाम: जब AI को उत्तर नहीं पता था, तब नियम पुस्तिका ने काम बचा लिया। नियम पुस्तिका के साथ वाला AI, बिना नियम पुस्तिका वाले AI की तुलना में वियतनामी-विशिष्ट प्रश्नों के उत्तर देने में 2 गुना बेहतर था।
रूपक (Metaphor):
AI को एक यात्री के रूप में सोचें।
- यदि वे एक प्रसिद्ध शहर (जैसे न्यूयॉर्क) की यात्रा कर रहे हैं, तो वे पहले से ही नक्शा जानते हैं। उन्हें नक्शा देना शायद उनके हाथों में भीड़ बढ़ा सकता है।
- यदि वे एक दूरदराज के पहाड़ी गाँव (एक विशिष्ट, स्थानीय डोमेन) की यात्रा कर रहे हैं, तो वे खो गए हैं। उन्हें एक विस्तृत, सटीक नक्शा (Ontology) देना, घर पहुँचने और हमेशा के लिए खो जाने के बीच का अंतर है।
यह क्यों महत्वपूर्ण है?
- सुरक्षा: यह AI को कानून या चिकित्सा सलाह मनगढ़ंत बनाने से रोकता है।
- निरंतरता: यह सुनिश्चित करता है कि एक "CFO एजेंट" हमेशा एक CFO की तरह ही व्यवहार करे, न कि एक सामान्य चैटबॉट की तरह।
- स्थानीय भाषा: यह साबित करता है कि गैर-अंग्रेजी भाषाओं या स्थानीय नियमों (जैसे वियतनाम में) के लिए, AI को इस तरह की संरचित मदद की आवश्यकता होती है क्योंकि उसने इंटरनेट से उन विशिष्ट नियमों को अभी तक नहीं सीखा है।
सारांश
पेपर कहता है: "AI को केवल एक किताब पढ़ने न दें। उसे एक संरचित, तार्किक नियम पुस्तिका दें जो उसके काम, उसकी शब्दावली और उसके वर्कफ़्लो को परिभाषित करती हो। यह तब सबसे अच्छा काम करता है जब AI को उत्तर पहले से पता नहीं होता, और यही वह समय है जब हमें इसकी सबसे अधिक आवश्यकता होती है।"
उन्होंने पहले ही इसका एक संस्करण बना लिया है जो सैकड़ों एजेंटों के साथ वास्तविक कंपनियों में चल रहा है, और वे अगले चरण पर काम कर रहे हैं: AI को आपको दिखाने से पहले अपना होमवर्क खुद चेक करने के लिए तैयार करना।
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।