Latent Preference Modeling for Cross-Session Personalized Tool Calling
यह शोध पत्र टूल-ऑगमेंटेड एजेंटों में अपूर्ण उपयोगकर्ता अनुरोधों को संबोधित करने के लिए MPT बेंचमार्क और PRefine विधि प्रस्तुत करता है, जो एक मेमोरी-ऑगमेंटेड जनरेट-वेरिफाई-रिफाइन लूप के माध्यम से विकसित होती उपयोगकर्ता प्राथमिकताओं को मॉडल करके, टोकन के उपयोग में काफी कमी के साथ उच्च सटीकता 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
यहाँ शोध पत्र "Latent Preference Modeling for Cross-Session Personalized Tool Calling" का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ विवरण दिया गया है।
बड़ी समस्या: "भुलक्कड़" सहायक
कल्पना कीजिए कि आपके पास एक सुपर-स्मार्ट रोबोट सहायक है। आप उससे फ्लाइट बुक करने के लिए कहते हैं, और वह पूछता है, "आप कौन सी क्लास चाहते हैं? इकोनॉमी या फर्स्ट?" आप कहते हैं, "इकोनॉमी।"
अगले दिन, आप उससे कोई रेस्टोरेंट खोजने के लिए कहते हैं। वह पूछता है, "क्या आप कुछ शानदार (fancy) चाहते हैं या सस्ता?" आप कहते हैं, "सस्ता।"
उसके अगले दिन, आप उससे कार किराए पर लेने के लिए कहते हैं। वह पूछता है, "क्या आप लग्जरी SUV चाहते हैं या कॉम्पैक्ट कार?" आप कहते हैं, "कॉम्पैक्ट।"
अब, कल्पना कीजिए कि आप एक सप्ताह बाद वापस आते हैं और कहते हैं, "मेरी यात्रा के लिए एक फ्लाइट बुक कर दो।"
एक मानक AI केवल इस विशिष्ट बातचीत को देखता है, इसलिए वह बस यह कह सकता है, "ठीक है, आप कौन सी क्लास चाहते हैं?" क्योंकि वह भूल गया है कि आपका एक सुसंगत पैटर्न (consistent pattern) है: आप हमेशा बजट-अनुकूल विकल्प चुनते हैं।
समस्या यह है कि उपयोगकर्ता अक्सर इन विवरणों को हर बार बताना भूल जाते हैं। वे उम्मीद करते हैं कि AI अलग-अलग दिनों और अलग-अलग कार्यों में उनके "वाइब" (vibe) या "स्टाइल" को याद रखे। लेकिन वर्तमान AI गोल्डफिश की तरह हैं; बातचीत समाप्त होते ही वे सब कुछ भूल जाते हैं।
समाधान: "क्या" नहीं, बल्कि "क्यों" को समझना
शोधकर्ताओं (येजिन यून, मिनसेओ किम और टेउक किम) ने महसूस किया कि इसे ठीक करने के लिए, AI को केवल यह याद रखने की ज़रूरत नहीं है कि आपने क्या किया (जैसे, "उपयोगकर्ता ने इकोनॉमी चुनी") बल्कि यह समझने की ज़रूरत है कि आपने ऐसा क्यों किया (जैसे, "उपयोगकर्ता बजट के प्रति सचेत है")।
वे इसे लेटेंट प्रेफरेंस मॉडलिंग (Latent Preference Modeling) कहते हैं।
- लेटेंट (Latent) का अर्थ है "छिपा हुआ"। यह वह अदृश्य नियम है जो आपके विकल्पों को संचालित करता है।
- प्रेफरेंस (Preference) आपकी व्यक्तिगत शैली है।
इसे एक दर्जी (Tailor) की तरह समझें।
- एक बुरा दर्जी आपका माप लेता है, फिर आपको भूल जाता है। अगली बार जब आप आते हैं, तो वह पूछता है, "आपका आकार क्या है?"
- एक बेहतरीन दर्जी याद रखता है कि आप "लंबे और दुबले" हैं और "गहरे रंगों को पसंद करते हैं।" भले ही आप इसे न कहें, वे स्वचालित रूप से उसी तरह कपड़ा काटते हैं।
नया बेंचमार्क: MPT (AIs के लिए "परीक्षा")
AIs यह कैसे कर सकते हैं, यह परखने के लिए, टीम ने एक नई परीक्षा बनाई जिसे MPT (Multi-Session Personalized Tool Calling) कहा जाता है। यह AI सहायकों के लिए तीन कठिनाई स्तरों वाली एक फाइनल परीक्षा की तरह है:
- प्रेफरेंस रिकॉल (Preference Recall - आसान स्तर): AI देखता है कि आपने कल एक इकोनॉमी फ्लाइट बुक की थी। आज, आप फिर से फ्लाइट के लिए पूछते हैं। AI बस कल के जवाब की नकल करता है। आसान।
- प्रेफरेंस इंडक्शन (Preference Induction - डिटेक्टिव स्तर): आपने तीन अलग-अलग दिनों में एक सस्ती फ्लाइट, एक सस्ता होटल और एक सस्ती रेंटल कार बुक की। आज, आप फिर से फ्लाइट के लिए पूछते हैं, लेकिन AI ने पहले कभी आपको फ्लाइट बुक करते नहीं देखा है। उसे आपके होटल और कार के विकल्पों को देखना होगा और कहना होगा, "आह, यह व्यक्ति बजट-सचेत है, इसलिए मैं इकोनॉमी चुनूँगा।" कठिन।
- प्रेफरेंस ट्रांसफर (Preference Transfer - जीनियस स्तर): आपके पास "इको-फ्रेंडली" उत्पाद (बोतलें, बैग, कपड़े) खरीदने का इतिहास है। आज, आप एक फ्लाइट बुक करने के लिए कहते हैं। AI ने पहले कभी इको-फ्रेंडली फ्लाइट नहीं खरीदी है, लेकिन वह महसूस करता है, "यह व्यक्ति पर्यावरण की परवाह करता है," और कार्बन ऑफसेट के साथ एक फ्लाइट चुनता है। बहुत कठिन।
नई विधि: PREFINE (एक "स्मार्ट नोटबुक")
टीम ने AIs को इस परीक्षा में पास होने में मदद करने के लिए एक नई विधि भी बनाई जिसे PREFINE कहा जाता है।
AI को आपके जीवन का पूरा इतिहास (जो बहुत बड़ा, अव्यवस्थित और भ्रमित करने वाला है) खिलाने के बजाय, PREFINE एक स्मार्ट, विकसित होने वाली नोटबुक की तरह काम करता है।
यह "जेनरेट-वेरिफाई-रिफाइन" (Generate-Verify-Refine) लूप का उपयोग करके कैसे काम करता है, यहाँ बताया गया है:
- जेनरेट (अनुमान लगाना): AI आपके हालिया कार्यों को देखता है और आपके छिपे हुए नियम के बारे में एक अनुमान लगाता है।
- AI सोचता है: "शायद उपयोगकर्ता को लाल कार पसंद है?"
- वेरिफाई (तथ्य-जांच): AI का दूसरा हिस्सा एक सख्त संपादक (editor) की तरह कार्य करता है। यह नोटबुक की जाँच करता है।
- संपादक कहता है: "रुको, तुमने केवल एक बार लाल कार खरीदी थी। यह कोई नियम नहीं है। यह बस एक बार की बात है। इस अनुमान को खारिज करो।"
- रिफाइन (सुधार करना): AI एक बेहतर अनुमान के साथ फिर से प्रयास करता है।
- AI सोचता है: "ठीक है, उन्होंने एक लाल कार, एक लाल बाइक और एक लाल फोन खरीदा। उन्हें लाल रंग पसंद है।"
- संपादक कहता है: "हाँ! यह एक सुसंगत पैटर्न है। इसे नोटबुक में लिख लो।"
जादू:
समय के साथ, यह नोटबुक बहुत छोटी और शक्तिशाली होती जाती है। आपके हजारों चैट संदेशों को याद रखने के बजाय, AI केवल कुछ स्पष्ट वाक्य रखता है जैसे: "उपयोगकर्ता बजट विकल्पों को प्राथमिकता देता है" या "उपयोगकर्ता कॉम्पैक्ट आकार पसंद करता है।"
यह क्यों मायने रखता है
शोध पत्र में दो अद्भुत बातें सामने आईं:
- यह अत्यंत कुशल है: इसे करने का पुराना तरीका (पूरा इतिहास पढ़ना) बहुत अधिक कंप्यूटर शक्ति का उपयोग करता है। PREFINE केवल 1.24% ऊर्जा और मेमोरी का उपयोग करता है। यह एक 500 पन्नों की किताब पढ़ने बनाम उस 5 पन्नों के सारांश को पढ़ने जैसा है जिसमें सभी महत्वपूर्ण घटनाक्रम शामिल हैं।
- यह वास्तव में काम करता है: जब AI इस "स्मार्ट नोटबुक" का उपयोग करता है, तो यह अनुमान लगाने में बहुत बेहतर हो जाता है कि आप क्या चाहते हैं, भले ही आपने इसे कहा न हो। यह "डिटेक्टिव" और "जीनियस" स्तरों को अन्य विधियों की तुलना में बहुत बेहतर तरीके से संभालता है।
निष्कर्ष (The Takeaway)
AI सहायकों का भविष्य यह याद रखने के बारे में नहीं है कि आपने जो कुछ भी कहा है उसे याद रखना। यह यह याद रखने के बारे में है कि आप कौन हैं।
आपके बिखरे हुए इतिहास को कुछ स्पष्ट, छिपे हुए नियमों (जैसे "मैं एक बजट खरीदार हूँ" या "मुझे तीखा खाना पसंद है") में बदलकर, AI अंततः "आप क्या चाहते हैं?" पूछना बंद कर सकता है और "मुझे पता है कि आपको क्या चाहिए। यह रहा।" कहना शुरू कर सकता 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।