The Pragmatic Persona: Discovering LLM Persona through Bridging Inference
यह शोध पत्र अंतर्निहित ब्रिजिंग अनुमानों (bridging inferences) को संरचित ज्ञान ग्राफ के रूप में मॉडल करके लार्ज लैंग्वेज मॉडल व्यक्तित्वों (LLM personas) की खोज के लिए एक नवीन ढांचे का प्रस्ताव करता है, जो यह प्रदर्शित करता है कि विमर्श-स्तरीय अर्थ संबंधी सुसंगतता (discourse-level semantic coherence), पारंपरिक सतही-स्तरीय शाब्दिक या शैलीगत संकेतों की तुलना में व्यक्तित्व पहचान के लिए अधिक सुदृढ़ और स्थिर आधार प्रदान करती 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 केवल किसी व्यक्ति को बात करते हुए सुनकर यह समझने की कोशिश कर रहे हैं कि वह वास्तव में कौन है।
अधिकांश वर्तमान कंप्यूटर प्रोग्राम किसी व्यक्ति के व्यक्तित्व का अनुमान लगाने के लिए इस बात की गिनती करते हैं कि वे विशिष्ट शब्दों का कितनी बार उपयोग करते हैं। यदि कोई "खुश" शब्द का बहुत अधिक उपयोग करता है, तो प्रोग्राम सोचता है कि वह प्रसन्न स्वभाव का है। यदि वे बड़े, जटिल शब्दों का उपयोग करते हैं, तो प्रोग्राम सोचता है कि वे एक प्रोफेसर हैं। यह एक फिल्म को समझने जैसा है जहाँ आप केवल स्क्रीन पर दिखने वाले शब्दों की सूची पढ़ रहे हैं, लेकिन कथानक (plot), पात्रों के उद्देश्यों और एक दृश्य से दूसरे दृश्य तक पहुँचने के तरीके को अनदेखा कर रहे हैं।
आपके द्वारा प्रदान किया गया पेपर, "द प्रैग्मैटिक पर्सोना" (The Pragmatic Persona), तर्क देता है कि यह तरीका असली कहानी को छोड़ देता है। इसके बजाय, लेखक AI व्यक्तित्वों (जिन्हें "पर्सोना" कहा जाता है) को समझने का एक नया तरीका प्रस्तावित करते हैं, जो इस बात पर आधारित है कि विचार आपस में कैसे जुड़ते हैं, न कि केवल इस पर कि किन शब्दों का उपयोग किया गया है।
यहाँ उनके विचार का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:
1. समस्या: "शब्द गिनने वाला" बनाम "जासूस"
कल्पना कीजिए कि दो जासूस एक रहस्य सुलझाने की कोशिश कर रहे हैं।
- जासूस A (पुराना तरीका): इस बात की गिनती करता है कि संदिग्ध कितनी बार "कॉफी" का उल्लेख करता है। यदि यह संख्या अधिक है, तो वे मान लेते हैं कि संदिग्ध एक बरिस्ता (barista) है। यह सतही है। यह केवल सतह को देखता है।
- जासूस B (नया तरीका - PD-Agent): बातचीत के तर्क (logic) को सुनता है। यदि संदिग्ध कहता है, "मैंने अपनी चाबियाँ गिरा दीं," और फिर बाद में कहता है, "मुझे एक टॉर्च चाहिए," तो जासूस B बिंदुओं को जोड़ता है: चाबियाँ खो गई हैं -> अंधेरा है -> रोशनी की जरूरत है। यह जासूस दोनों वाक्यों के बीच के छिपे हुए पुल (hidden bridge) को समझता है।
लेखक इस छिपे हुए संबंध को "ब्रिजिंग इन्फरेंस" (Bridging Inference) कहते हैं। यह वह मानसिक छलांग है जो मनुष्य बातचीत करते समय खाली स्थानों को भरने के लिए लगाते हैं। हमें सब कुछ स्पष्ट रूप से कहने की आवश्यकता नहीं होती; हम एक-दूसरे को समझने के लिए साझा ज्ञान पर भरोसा करते हैं।
2. समाधान: एक "कॉन्सेप्ट मैप" बनाना
लेखकों ने PD-Agent (पर्सोना-डिस्कवरिंग एजेंट) नामक एक उपकरण बनाया है। इस एजेंट को बातचीत का एक मानचित्रकार (map-maker) समझें।
- बातचीत: AI, PD-Agent से बात करता है।
- पुल बनाना: PD-Agent उन "छिपे हुए पुलों" को सुनने के लिए तैयार रहता है। यह पूछता है: यह वाक्य पिछले वाक्य से कैसे जुड़ता है?
- उदाहरण: यदि AI कहता है, "मैं एक यात्रा पर गया था," और फिर "सूर्योदय सुंदर था," तो PD-Agent एक पुल बनाता है: यात्रा सूर्योदय (क्योंकि यात्राओं में अक्सर सूर्योदय देखना शामिल होता है)।
- उदाहरण: यदि AI कहता है, "मैं एक मिररलेस कैमरा उपयोग करता हूँ," तो PD-Agent एक पुल बनाता है: कैमरा यात्रा (क्योंकि कैमरा यात्राओं के दौरान उपयोग किए जाने वाले उपकरण हैं)।
- मानचित्र: PD-Agent एक मानचित्र (ग्राफ) बनाता है जहाँ शब्द बिंदु (dots) हैं और "पुल" उन्हें जोड़ने वाली रेखाएँ हैं।
3. परिणाम: AI की "आत्मा" को देखना
एक बार जब मानचित्र बन जाता है, तो PD-Agent केवल बिंदुओं को नहीं, बल्कि मानचित्र की संरचना (structure) को देखता है।
- यदि मानचित्र उपकरणों और कार्यों के बीच के कनेक्शनों से भरा है (जैसे, "चाकू" का संबंध "काटने" से है), तो AI का व्यक्तित्व व्यावहारिक या तकनीकी हो सकता है।
- यदि मानचित्र भावनाओं और घटनाओं के बीच के कनेक्शनों से भरा है (जैसे, "उदासी" का संबंध "बारिश" से है), तो AI अधिक भावनात्मक या चिंतनशील हो सकता है।
पेपर का दावा है कि इस संरचना को देखकर, PD-Agent पुराने "शब्द गिनने वाले" तरीकों की तुलना में AI के छिपे हुए व्यक्तित्व (जैसे "क्या वे एक प्रोफेसर हैं?" या "क्या वे अकेले रहते हैं?") का बहुत बेहतर अनुमान लगा सकता है।
4. उन्होंने क्या पाया (प्रमाण)
शोधकर्ताओं ने कई अलग-अलग AI मॉडल पर इसका परीक्षण किया, छोटे से लेकर विशाल (80 बिलियन पैरामीटर्स तक) मॉडल्स तक।
- पुराना तरीका (शब्द गिनना): लगभग 75-80% व्यक्तित्व लक्षणों का सही अनुमान लगा सका।
- नया तरीका (ब्रिजिंग इन्फरेंस): लगभग 90-98% लक्षणों का सही अनुमान लगा सका।
सबसे महत्वपूर्ण निष्कर्ष यह था कि बड़े, स्मार्ट AI मॉडल वास्तव में इस नए तरीके के साथ बेहतर काम करते थे। क्यों? क्योंकि स्मार्ट मॉडल विचारों के बीच अधिक जटिल "पुल" बनाते हैं। पुराना तरीका जटिलता से भ्रमित हो जाता था, लेकिन नया तरीका उस जटिलता का उपयोग व्यक्तित्व की एक स्पष्ट तस्वीर बनाने के लिए करता है।
सारांश उपमा
एक AI के व्यक्तित्व को एक घर की तरह समझें।
- पुराना तरीका: घर के चारों ओर घूमता है और गिनता है कि कितने लाल ईंटें हैं। वह अनुमान लगाता है कि घर "लाल" है।
- नया तरीका (PD-Agent): घर के अंदर जाता है और ब्लूप्रिंट (नक्शा) देखता है। वह देखता है कि रसोई लिविंग रूम से कैसे जुड़ती है, और बेडरूम बाथरूम से कैसे जुड़ता है। इस लेआउट और प्रवाह को समझकर, वह सटीक रूप से अनुमान लगा सकता है कि वहाँ कौन रहता है (जैसे, "यह एक पारिवारिक घर है" या "यह एक कुंवारे का घर है")।
संक्षेप में: यह पेपर कहता है कि हम AI के व्यक्तित्व का अनुमान शब्दों को गिनकर लगाना बंद करें और यह समझना शुरू करें कि उनके विचार तार्किक रूप से एक-दूसरे से कैसे जुड़ते हैं। यह मशीन के भीतर छिपे एक बहुत गहरे, अधिक सटीक "व्यक्तित्व" को प्रकट करता 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।