Chain of Evidence: Pixel-Level Visual Attribution for Iterative Retrieval-Augmented Generation
यह शोधपत्र चेन ऑफ एविडेंस (CoE) प्रस्तुत करता है, जो एक रिट्रीवर-अज्ञेय (retriever-agnostic) फ्रेमवर्क है जो विज़न-लैंग्वेज मॉडल्स का लाभ उठाकर इटरेटिव रिट्रीवल-ऑगमेंटेड जनरेशन में पिक्सेल-स्तरीय विज़ुअल एट्रीब्यूशन को सक्षम बनाता है, जिससे दस्तावेज़ के स्क्रीनशॉट पर सीधे तर्क करने के माध्यम से सटीक बाउंडिंग बॉक्स साइटेशन प्रदान करने और आवश्यक विज़ुअल लेआउट जानकारी को संरक्षित करने के लिए केवल टेक्स्ट-आधारित पार्सिंग की सीमाओं को दूर किया जा सकता 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 एक जटिल रहस्य को सुलझाने की कोशिश कर रहे एक जासूस हैं। अतीत में, आपको सुराग खोजने के लिए सैकड़ों पन्नों की टाइप की हुई रिपोर्ट पढ़नी पड़ती थी। यदि रिपोर्ट कहती, "संदिग्ध पेरिस में था," तो आपको उस पर भरोसा करना होता था। लेकिन क्या होता अगर वह रिपोर्ट वास्तव में एक बिखरा हुआ फ्लायर होता जिसमें एक नक्शा, एक ट्रेन टिकट की फोटो और एक हस्तलिखित नोट होता? यदि आप उस फ्लायर से केवल शब्दों को टाइप करते, तो आप नक्शे और फोटो को खो देते और आपको पता भी नहीं चलता कि सुराग उस पन्ने पर कहाँ छिपा था।
यही वह समस्या है जिसे इस शोध पत्र के लेखक चेन ऑफ एविडेंस (CoE) नामक एक नई प्रणाली के साथ हल कर रहे हैं।
समस्या: "धुंधली फोटोकॉपी"
वर्तमान एआई सिस्टम जो प्रश्नों के उत्तर देते हैं (जिन्हें रिट्रीवल-ऑगमेंटेड जनरेशन या RAG कहा जाता है), आमतौर पर इस तरह काम करते हैं:
- आप एक प्रश्न पूछते हैं।
- एआई कुछ दस्तावेज़ ढूँढता है।
- यह सभी चित्रों, चार्टों और फैंसी लेआउट को हटा देता है, जिससे सब कुछ साधारण टेक्स्ट (जैसे एक धुंधली फोटोकॉपी) में बदल जाता है।
- यह एक उत्तर देता है और कहता है, "मुझे यह दस्तावेज़ A में मिला।"
पेंच: यदि दस्तावेज़ A एक स्लाइड डेक है जिसमें ग्राफ है या एक पीडीएफ है जिसमें जटिल तालिका (टेबल) है, तो उसे साधारण टेक्स्ट में बदलना तर्क को नष्ट कर देता है। यह एक रेसिपी को केवल सामग्री की सूची पढ़कर समझने की कोशिश करने जैसा है, लेकिन उन्हें मिलाने के तरीके के चित्रों को अनदेखा कर देना। इसके अलावा, जब एआई कहता है "दस्तावेज़ A," तो वह आपको यह नहीं बताता कि उस दस्तावेज़ का कौन सा हिस्सा उत्तर रखता है। आपको उस विशिष्ट वाक्य को खोजने के लिए 50 पन्ने मैन्युअल रूप से स्क्रॉल करना पड़ता है। यह "वेरिफिकेशन बॉटलनेक" (सत्यापन की बाधा) है।
समाधान: "पिक्सेल-लेवल डिटेक्टिव"
लेखक चेन ऑफ एविडेंस (CoE) का प्रस्ताव करते हैं, जो गेम बदल देता है क्योंकि यह दस्तावेज़ों को केवल टेक्स्ट के बजाय इमेज (स्क्रीनशॉट) के रूप में देखता है।
CoE को एक ऐसे जासूस के रूप में सोचें जो न केवल रिपोर्ट को पढ़ता है बल्कि दस्तावेज़ की मूल, बिना संपादित फोटो को भी देखता है।
- कोई स्ट्रिपिंग नहीं: यह पहले दस्तावेज़ को टेक्स्ट में नहीं बदलता। यह स्क्रीनशॉट को देखता है, जिससे सभी चार्ट, तीर और लेआउट बरकरार रहते हैं।
- "जादुई हाइलाइटर": केवल यह कहने के बजाय कि "यह दस्तावेज़ 3 में है," CoE इमेज पर उस सटीक स्थान के चारों ओर एक सटीक बॉक्स (बाइंडिंग बॉक्स) बनाता है जहाँ उत्तर मौजूद है। यह चार्ट में उस विशिष्ट संख्या या पैराग्राफ की विशिष्ट पंक्ति की ओर सीधे संकेत करता है।
- चेन (श्रृंखला): जटिल प्रश्नों के लिए जिनमें कई चरण आवश्यक होते हैं (जैसे, "फिल्म का निर्देशन किसने किया, और वे कहाँ पढ़ने गए थे?"), CoE एक विजुअल चेन बनाता है। यह आपको दिखाता है: "चरण 1: निर्देशक को खोजने के लिए दस्तावेज़ A पर इस बॉक्स को देखें। चरण 2: स्कूल खोजने के लिए दस्तावेज़ B पर इस बॉक्स को देखें।"
उन्होंने इसका परीक्षण कैसे किया
इसे सिद्ध करने के लिए, टीम ने दो नए "प्रशिक्षण मैदान" (डेटासेट) बनाए:
- Wiki-CoE: विकिपीडिया पेजों का एक विशाल संग्रह जिन्हें स्क्रीनशॉट में बदल दिया गया है। उन्होंने ऐसे प्रश्न लिए जिनके लिए कई पेजों के बीच कूदने की आवश्यकता होती है और एआई को उत्तर के लिए सटीक विजुअल स्पॉट खोजने के लिए प्रशिक्षित किया।
- SlideVQA: प्रेजेंटेशन स्लाइड्स का एक संग्रह जिसमें बिखरे हुए लेआउट, तीर और जटिल आरेख (डायग्राम) हैं। यह "हार्ड मोड" टेस्ट है क्योंकि टेक्स्ट-आधारित सिस्टम आमतौर पर यहाँ विफल हो जाते हैं।
परिणाम: यह क्यों मायने रखता है
शोध पत्र दिखाता है कि CoE एक गेम-चेंजर है, विशेष रूप से उन दस्तावेज़ों के लिए जो केवल साधारण टेक्स्ट नहीं हैं:
- यह "कहाँ" के मामले में अधिक स्मार्ट है: जटिल स्लाइड्स पर, मानक एआई सिस्टम जो टेक्स्ट पर निर्भर होते हैं, अक्सर खो जाते हैं। CoE, विजुअल लेआउट को देखकर, बहुत अधिक बार सही साक्ष्य की पहचान करता है।
- यह भरोसेमंद है: क्योंकि CoE साक्ष्य के चारों ओर एक बॉक्स बनाता है, आप तुरंत उत्तर को सत्यापित कर सकते हैं। आपको अनुमान लगाने की ज़रूरत नहीं है; आप प्रमाण को वहीं स्क्रीन पर देख सकते हैं।
- इसे किसी विशिष्ट सर्च इंजन की आवश्यकता नहीं है: CoE किसी भी सर्च टूल के साथ काम करता है जो दस्तावेज़ ढूँढता है। यह बस शीर्ष 5 परिणामों (इमेज के रूप में) को लेता है और तर्क को समझ लेता है।
निचोड़
लेखकों का तर्क है कि एआई के वास्तव में भरोसेमंद होने के लिए, विशेष रूप से रिपोर्ट, स्लाइड्स और चार्ट जैसे जटिल दस्तावेज़ों के लिए, इसे दस्तावेज़ के टेक्स्ट संस्करण को केवल "पढ़ने" के बजाय दस्तावेज़ को "देखने" की आवश्यकता है। चेन ऑफ एविडेंस एआई को एक विजुअल डिटेक्टिव में बदल देता है जो सत्य की ओर सीधे अपनी उंगली से इशारा कर सकता है, जिससे तर्क प्रक्रिया पारदर्शी और मनुष्यों के लिए जांचने में आसान हो जाती है।
संक्षेप में: आपको किसी किताब का अस्पष्ट संदर्भ देने के बजाय, CoE आपको वह किताब थमाता है, उसे सटीक पन्ने पर खोलता है, और उस वाक्य के चारों ओर एक घेरा बनाता जिसकी आपको आवश्यकता 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।