Towards Robust Real-World Spreadsheet Understanding with Multi-Agent Multi-Format Reasoning
यह शोधपत्र SpreadsheetAgent को प्रस्तुत करता है, जो एक दो-चरणीय मल्टी-एजेंट फ्रेमवर्क है जो स्प्रेडशीट को सादे टेक्स्ट के रूप में मानने और विशाल पैमाने को संभालने की सीमाओं को पार करता है, जो मल्टी-मोडल रीजनिंग और वेरिफिकेशन के माध्यम से स्थानीयकृत क्षेत्रों (localized regions) की क्रमिक व्याख्या करके स्प्रेडशीट बेंचमार्क पर 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 आपके पास एक विशाल, अस्त-व्यस्त स्प्रेडशीट है। यह केवल संख्याओं का एक साधारण ग्रिड नहीं है; यह एक जटिल दस्तावेज़ है जिसमें मर्ज किए गए सेल्स (merged cells), रंग-कोडित सेक्शन, छिपे हुए हेडर्स और हज़ारों पंक्तियाँ हैं। आप एक स्मार्ट AI असिस्टेंट से पूछते हैं, "मार्च के लिए उत्तर (North) क्षेत्र की कुल बिक्री ज्ञात करें।"
यदि आप एक मानक AI (जैसे कि एक सामान्य लार्ज लैंग्वेज मॉडल) से यह पूछते हैं, तो यह एक 500 पन्नों की किताब देने और फिर उस पूरी किताब को एक ही बार में पढ़ने के लिए कहने जैसा है ताकि वह एक वाक्य ढूंढ सके। वे अभिभूत हो जाते हैं, विवरण भूल जाते हैं, या गलत तथ्य बताने लगते हैं क्योंकि वे लेआउट को "देख" नहीं पाते हैं। वे स्प्रेडशीट के साथ एक सादे टेक्स्ट लिस्ट की तरह व्यवहार करते हैं, उन विजुअल संकेतों को अनदेखा कर देते हैं जो किसी इंसान को बताते हैं कि डेटा वास्तव में कहाँ शुरू होता है और कहाँ समाप्त होता है।
SpreadsheetAgent इसे हल करने का एक नया, स्मार्ट तरीका है। इसे एक एकल सुपर-इंटेलिजेंट रीडर के रूप में नहीं, बल्कि एक विशेषज्ञ निर्माण दल (specialized construction crew) के रूप में सोचें जो स्प्रेडशीट को चरण-दर-चरण समझने के लिए मिलकर काम करता है।
यह कैसे काम करता है, इसके लिए यहाँ कुछ रचनात्मक उपमाएँ (analogies) दी गई हैं:
1. समस्या: "पूरा हाथी" वाली समस्या (The "Whole Elephant" Issue)
वर्तमान AI मॉडल्स की एक "कॉन्टेक्स्ट विंडो" सीमा होती है। कल्पना कीजिए कि आप एक ही बार में पूरा हाथी निगलने की कोशिश कर रहे हैं। यदि स्प्रेडशीट बहुत बड़ी है, तो AI घुटने लगता है। यह स्प्रेडशीट की जटिल 3D संरचना को शब्दों की 2D सूची में बदलने की कोशिश करता है, जिससे डेटा का "आकार" (जैसे कि कौन से सेल्स मर्ज किए गए हैं या कौन से हेडर किन कॉलमों पर लागू होते हैं) खो जाता है।
2. समाधान: "स्काउट और आर्किटेक्ट" टीम (The "Scout and Architect" Team)
एक अकेले AI के सारा काम एक साथ करने के बजाय, SpreadsheetAgent एक मल्टी-एजेंट फ्रेमवर्क का उपयोग करता है। यह काम को दो चरणों में विभाजित करता है: स्कौटिंग (Scouting) और निर्माण (Building)।
चरण 1: स्काउटिंग चरण (संरचना निष्कर्षण - Structure Extraction)
कल्पना कीजिए कि आप एक नए शहर को समझने की कोशिश कर रहे हैं। आप हर एक घर को याद करने की कोशिश नहीं करते। इसके बजाय, आप मोहल्लों का नक्शा बनाने के लिए स्काउट्स भेजते हैं।
- एक्सट्रैक्शन एजेंट (Extraction Agent) टीम का लीडर है। यह पूरी फाइल को नहीं पढ़ता। यह कहता है, "चलो पहले सिर्फ इस ऊपर-बाएँ कोने को देखते हैं।"
- विज़न एजेंट (Vision Agent) एक ईगल आई (Eagle Eye) की तरह है। यह एक विशिष्ट सेक्शन का स्नैपशॉट (एक इमेज) लेता है। यह रंगों, बॉर्डर्स और फोंट को देखता है। "हे, मैं देख रहा हूँ कि ये सेल्स नीले रंग के हैं; इसका मतलब है कि ये एक समरी सेक्शन हैं, न कि रॉ डेटा।"
- लैटेक्स एजेंट (LaTeX Agent) एक आर्किटेक्ट है। यह एक विशिष्ट सेक्शन को एक साफ, स्ट्रक्चरल ब्लूप्रिंट (एक कोड प्रतिनिधित्व) में बदल देता है। यह कहता है, "मैं यहाँ एक हेडर देख रहा हूँ जो तीन कॉलमों तक फैला हुआ है; चलिए इसे नोट कर लेते हैं ताकि बाद में भ्रम न हो।"
- कोड एजेंट (Code Agent) एक कैलकुलेटर है। यह सटीक संख्याएँ प्राप्त करने के लिए एक त्वरित पायथन स्क्रिप्ट चलाता है, जिससे यह सुनिश्चित होता है कि गणित की कोई गलती न हो।
साथ मिलकर, वे एक "स्ट्रक्चरल स्केच" (Structural Sketch) बनाते हैं। यह पूरी स्प्रेडशीट नहीं है; यह एक उच्च-स्तरीय मानचित्र है जो कहता है, "यहाँ हेडर है, यहाँ डेटा है, यहाँ टोटल है।" यह स्प्रेडशीट के हर स्टेशन को सूचीबद्ध करने के बजाय एक सबवे मैप बनाने जैसा है।
चरण 2: निर्माण चरण (तर्क और सत्यापन - Reasoning & Verification)
अब जब टीम के पास "सबवे मैप" (स्केच) है, तो वे आपके प्रश्न का उत्तर दे सकते हैं।
- सॉल्वर (Solver) मैप को देखता है और कहता है, "ठीक है, नॉर्थ रीजन की सेल्स खोजने के लिए, मुझे मैप पर इस विशिष्ट ब्लॉक को देखना होगा।"
- वेरिफिकेशन एजेंट (Verification Agent) एक क्वालिटी कंट्रोल इंस्पेक्टर है। टीम द्वारा उत्तर को अंतिम रूप देने से पहले, इंस्पेक्टर काम की दोबारा जाँच करता है। वे कह सकते हैं, "रुको, मैप कहता है कि डेटा पंक्ति 50 पर समाप्त होता है, लेकिन इमेज दिखाती है कि यह पंक्ति 55 तक जाता है। चलिए मैप को ठीक करते हैं।"
यह चेक-एंड-रिफाइन (Check-and-Refine) लूप सुनिश्चित करता है कि AI केवल अनुमान न लगाए; वह मूल दस्तावेज़ के विरुद्ध अपनी समझ को सत्यापित करता है, और गलतियों को अंतिम उत्तर बनने से पहले सुधारता है।
यह गेम-चेंजर क्यों है?
- यह "बिग डेटा" की समस्या को संभालता है: स्प्रेडशीट को छोटे, प्रबंधनीय टुकड़ों में पढ़कर (जैसे पूरी किताब एक साथ पढ़ने के बजाय एक समय में एक अध्याय पढ़ना), यह उन विशाल फाइलों को भी संभाल सकता है जो अन्य AI को क्रैश कर सकती हैं।
- यह "विजुअल्स" का सम्मान करता है: यह समझता है कि एक लाल सेल का मतलब काले सेल से अलग होता है, और एक मर्ज किया गया सेल एक एकल इकाई है। यह केवल टेक्स्ट नहीं पढ़ता; यह लेआउट को "देखता" है।
- यह स्व-सुधारात्मक (Self-correcting) है: यदि यह मैप बनाने में कोई गलती करता है, तो क्वालिटी कंट्रोल इंस्पेक्टर इसे पकड़ लेता है और अंतिम उत्तर देने से पहले इसे ठीक कर देता है।
परिणाम
परीक्षणों में, इस "निर्माण दल" के दृष्टिकोण ने पिछले सर्वश्रेष्ठ AI एजेंटों को महत्वपूर्ण अंतर से पीछे छोड़ दिया। यह एक ऐसे व्यक्ति से अपग्रेड करने जैसा है जो चाबी के छेद से झाँककर गोदाम की सामग्री का अनुमान लगाने की कोशिश कर रहा है, बनाम विशेषज्ञों की एक टीम के पास ड्रोन, ब्लूप्रिंट और चेकलिस्ट है जो गोदाम में पूरी तरह से नेविगेट कर सकती है।
संक्षेप में: SpreadsheetAgent पूरी स्प्रेडशीट को एक साथ "पढ़ने" की कोशिश करना बंद करता है। इसके बजाय, यह लेआउट का नक्शा बनाने, विवरणों को सत्यापित करने और फिर पहेली को हल करने के लिए एक टीम भेजता है, जिससे यह वास्तविक दुनिया की जटिल और अस्त-व्यस्त स्प्रेडशीट के लिए अविश्वसनीय रूप से मजबूत बन जाता 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।