cotomi Act: Learning to Automate Work by Watching You
यह शोधपत्र cotomi Act को प्रस्तुत करता है, जो एक ब्राउज़र-आधारित एजेंट है जो अनुकूली अवलोकन (adaptive observation) और बेस्ट-ऑफ-N चयन के माध्यम से अत्याधुनिक स्वायत्त कार्य निष्पादन प्राप्त करता है, और साथ ही उपयोगकर्ता व्यवहार का निष्क्रिय रूप से अवलोकन करके और उसे संपादन योग्य आर्टिफ़ैक्ट्स में सारगर्भित करके निरंतर संगठनात्मक ज्ञान सीखता 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 नया, अविश्वसनीय रूप से स्मार्ट इंटर्न है जिसका नाम cotomi Act है। अन्य इंटर्नों के विपरीत जो केवल आपके द्वारा दिए गए निर्देशों की सूची का इंतज़ार करते हैं और काम पूरा होते ही सब कुछ भूल जाते हैं, cotomi Act के पास एक सुपरपावर है: यह आपको देखकर सीखता है।
यहाँ यह पेपर उस सुपरपावर को सरल अवधारणाओं में तोड़कर समझाता है:
1. समस्या: "भुलक्कड़" इंटर्न
अधिकांश कंप्यूटर प्रोग्राम जो आपके लिए वेब कार्य करने की कोशिश करते हैं, वे उसी भुलक्कड़ इंटर्न की तरह होते हैं। वे एक स्पष्ट निर्देश (जैसे "इस जूते की कीमत ढूँढें") का पालन करने में बहुत अच्छे होते हैं, लेकिन वे आपकी कंपनी के रहस्यों को नहीं जानते। वे नहीं जानते कि:
- आमतौर पर इन अनुरोधों को कौन स्वीकृत करता है?
- आपकी टीम विशेष शब्दावली (jargon) का उपयोग कैसे करती है?
- कौन से कार्य पहले से ही आधे पूरे हो चुके हैं?
क्योंकि उनमें इस "आंतरिक ज्ञान" की कमी होती है, इसलिए या तो वे बहुत अधिक सवाल पूछते हैं (जिससे आपकी गति धीमी हो जाती है) या गलत अनुमान लगाते हैं (जिससे गलतियाँ होती हैं)।
2. समाधान: दो सुपरपावर्स
लेखकों ने इस समस्या को हल करने के लिए cotomi Act के साथ दो अलग-अलग "मांसपेशियों" का निर्माण किया है:
मांसपेशी A: "सुपर-रनर" (निष्पादन/Execution)
इस प्रणाली का यह हिस्सा भ्रमित हुए बिना वेब पर वास्तव में काम करने के लिए डिज़ाइन किया गया है।
- उपमा: कल्पना कीजिए कि आप एक मैराथन दौड़ रहे हैं। यदि आप शुरुआत रेखा से अब तक उठाए गए हर एक कदम को याद रखने की कोशिश करते हैं, तो आपका दिमाग फट जाएगा। आपको केवल दृश्य में आए बदलाव (जैसे, "मैं अभी वॉटर स्टेशन के पास से गुजरा हूँ") को याद रखने की आवश्यकता है।
- यह कैसे काम करता है: AI को किए गए हर क्लिक के विशाल, उबाऊ इतिहास को खिलाने के बजाय, cotмi Act एक "आलसी" रणनीति का उपयोग करता है। यह केवल वर्तमान में स्क्रीन पर क्या है उसे ध्यान से देखता है और पिछले चरण से हुए बदलावों का सारांश देता है। यह AI के दिमाग को हल्का और तेज़ रखता है।
- परिणाम: "WebArena" नामक एक कठिन परीक्षण में (जो वास्तविक दुनिया के वेब कार्यों का एक वीडियो गेम जैसा है), यह "सुपर-रनर" 80.4% कार्य सही ढंग से कर पाया। यह वास्तव में औसत मानव (जिसने उसी परीक्षण में 78.2% सही किया) से बेहतर है।
मांसपेशी B: "शैडो स्क्राइब" (Shadow Scribe - छाया लेखक)
यह वह हिस्सा है जो बैकग्राउंड में आपको काम करते हुए देखता है।
- उपमा: कल्पना कीजिए कि एक लेखक चुपचाप आपके पीछे बैठा है, आपको वेब ब्राउज़ करते हुए देख रहा है। केवल आपकी स्क्रीन का कच्चा वीडियो रिकॉर्ड करने के बजाय (जो बहुत अव्यवस्थित और विशाल होता है), लेखक नोट्स लेता है और उन्हें उपयोगी उपकरणों में बदल देता है:
- टास्क बोर्ड: उन चीज़ों की सूची जिन पर आप काम कर रहे हैं।
- विकि (Wikis): आपकी टीम कैसे काम करती है इसका एक नियम पुस्तिका (जैसे, "हम प्रिंटिंग के लिए हमेशा वेंडर X का उपयोग करते हैं")।
- टाइमलाइन्स: आपकी हालिया गतिविधियों का एक कैलेंडर।
- ट्विस्ट: यह कोई गुप्त डायरी नहीं है। यह एक साझा कार्यक्षेत्र (Shared Workspace) है। आप देख सकते हैं कि लेखक ने क्या लिखा है, यदि वह गलत है तो उसे ठीक कर सकते हैं, या नोट्स जोड़ सकते हैं। AI इन नोट्स को पढ़ने के लिए इनका उपयोग करता है ताकि वह आपकी दुनिया को समझ सके।
3. वे एक साथ कैसे काम करते हैं
पेपर एक चक्र का वर्णन करता है जिसे "अवलोकन → निष्कर्षण → क्रिया" (Observe → Extract → Act) कहा जाता है।
- अवलोकन (Observe): आप सामान्य रूप से वेब ब्राउज़ करते हैं। "शैडो स्क्राइब" देखता है।
- निष्कर्षण (Extract): सिस्टम आपके बिखरे हुए ब्राउज़िंग को साफ, व्यवस्थित नोट्स में बदल देता है (जैसे, "हार्डवेयर कैसे ऑर्डर करें" मार्गदर्शिका)।
- क्रिया (Act): बाद में, जब आप AI को "कुछ हार्डवेयर ऑर्डर करें" कहते हैं, तो वह अनुमान नहीं लगाता। वह आपके व्यवहार से सीखी गई "कैसे ऑर्डर करें" वाली नोट को देखता है, उन चरणों का पालन करता है, और काम पूरा करता है।
4. प्रमाण
शोधकर्ताओं ने इसे एक "प्रॉक्सी" प्रयोग (वास्तविक काम का एक सिमुलेशन) के साथ परखा।
- निष्कर्ष: जब AI के पास आपके व्यवहार के बारे में कोई नोट्स नहीं थे, तो वह अक्सर विफल रहा।
- सुधार: जैसे-जैसे AI ने आपके काम करने के तरीके के बारे में अधिक नोट्स (व्यवहार संबंधी ज्ञान) एकत्र किए, इसकी सफलता दर काफी बढ़ गई।
- सीमा: दिलचस्प बात यह है कि यदि AI ने केवल आपकी स्क्रीन के कच्चे, अव्यवस्थित वीडियो लॉग को याद करने की कोशिश की, तो वह शुरू में वास्तव में और खराब हो गया। इसे जानकारी को सारांशित और साफ करने के लिए "शैडो स्क्राइब" की आवश्यकता थी।
5. लाइव डेमो
पेपर में एक लाइव डेमो का उल्लेख है जहाँ लोग इसे आज़मा सकते हैं। वे कर सकते हैं:
- AI को एक कार्य करने के लिए कहना (जैसे कॉन्फ्रेंस की समय सीमा ढूँढना)।
- "साझा कार्यक्षेत्र" को देखना कि AI ने उनकी आदतों के बारे में क्या सीखा है।
- बोर्ड पर एक कार्य को संपादित करना, और देखना कि AI तुरंत उस नई जानकारी का उपयोग करके सही चीज़ पर काम करना शुरू कर देता है।
सारांश
cotomi Act एक ब्राउज़र असिस्टेंट है जो केवल आदेशों का पालन नहीं करता; यह आपको काम करते हुए देखता है, आपकी आदतों को एक साझा नियम पुस्तिका में बदलता है, और उस नियम पुस्तिका का उपयोग करके एक बेहतर, अधिक विश्वसनीय सहकर्मी बनता है। इसने सिद्ध किया कि तेज़, स्मार्ट निष्पादन को आपके दैनिक व्यवहार से सीखने के साथ जोड़कर, एक AI वास्तव में जटिल वेब कार्यों में मनुष्यों से बेहतर प्रदर्शन 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।