Tacit Knowledge Extraction via Logic Augmented Generation and Active Inference
यह शोध पत्र एक न्यूरो-सिम्बोलिक ढांचे का प्रस्ताव करता है जो लॉजिक-ऑगमेंटेड जनरेशन और एक्टिव इन्फरेंस को जोड़ता है ताकि विनिर्माण जैसे प्रक्रियात्मक डोमेन से अंतर्निहित ज्ञान (tacit knowledge) को निकाला जा सके, जो सफलतापूर्वक अंतर्निहित विशेषज्ञता को बेहतर पूर्णता और अर्थपूर्ण गुणवत्ता वाले औपचारिक, मशीन-व्याख्या योग्य नॉलेज ग्राफ में परिवर्तित 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 आप एक रोबोट को एक टूटे हुए टोस्टर को ठीक करना सिखाने की कोशिश कर रहे हैं। आप चरणों की एक सूची लिख सकते हैं: "इसे अनप्लग करें," "पीछे का हिस्सा खोलें," "पेंच निकालें।" लेकिन समस्या यह है कि एक मानव विशेषज्ञ केवल एक सूची का पालन नहीं करता है। वे तुलनात्मक ज्ञान (tacit knowledge) पर भरोसा करते हैं—वह चीज़ जो वे जानते हैं लेकिन कभी कहते नहीं हैं।
उदाहरण के लिए, विशेषज्ञ जानता है कि पेचकश (screwdriver) को एक विशिष्ट कोण पर कैसे पकड़ना है, या बिना ज़रूरत से ज़्यादा कसने के बिना यह महसूस करना कि पेंच "पर्याप्त रूप से टाइट" है या नहीं, या एक छोटी सी स्प्रिंग को पकड़ने के लिए एक विशिष्ट चिमटी (tweezers) का उपयोग करना। वे वीडियो में इन बातों को कभी नहीं कहते क्योंकि, उनके लिए यह स्पष्ट है। लेकिन एक रोबोट (या कंप्यूटर) के लिए, ये छूटे हुए विवरण अदृश्य दीवारों की तरह हैं जो मरम्मत को होने से रोक देते हैं।
यह शोध पत्र एक नया "न्यूरो-सिम्बोलिक" ढांचा (एक फैंसी तरीका जिसका अर्थ है कि यह मानव जैसी AI को सख्त तार्किक नियमों के साथ जोड़ता है) पेश करता है ताकि इस समस्या को हल किया जा सके। इसे एक दो-चरणीय अनुवादक (two-step translator) के रूप में समझें जो वास्तविक दुनिया के मरम्मत वीडियो को एक पूर्ण, मशीन-पठनीय निर्देश पुस्तिका में बदल देता है।
दो-चरणीय अनुवादक
चरण 1: "सख्त वास्तुकार" (लॉजिक-ऑगमेंटेड जनरेशन)
सबसे पहले, सिस्टम एक सख्त वास्तुकार की तरह कार्य करता है। इसके पास एक ब्लूप्रिंट (जिसे ओन्टोलॉजी/Ontology कहा जाता है) है जो यह परिभाषित करता है कि एक मरम्मत प्रक्रिया का वर्णन वास्तव में कैसे किया जाना चाहिए। यह मनमानी चीजें नहीं कर सकता; इसे ब्लूप्रिंट के बक्सों में सब कुछ फिट करना ही होगा।
- यह कैसे काम करता है: AI वीडियो देखता है (या ट्रांसक्रिप्ट पढ़ता है) और ब्लूपिंट को भरने की कोशिश करता है।
- सुरक्षा जाल: क्योंकि AI को ब्लूप्रिंट का पालन करने के लिए मजबूर किया जाता है, इसलिए यह "भ्रम" (hallucinate) नहीं करता (यानी नकली उपकरण या चरण नहीं बनाता)। यदि वीडियो कहता है "अनस्क्रू," तो AI जानता है कि उसे किस प्रकार का "अनस्क्रूइंग" ऑब्जेक्ट बनाना है।
- सीमा: यह चरण उन चीजों को पकड़ने में शानदार है जो स्पष्ट रूप से कही या दिखाई गई हैं। लेकिन यदि विशेषज्ञ किसी उपकरण का उपयोग करता है और उसका उल्लेख नहीं करता, या यदि कोई चरण एक मानव के लिए स्पष्ट है लेकिन बोला नहीं गया, तो सख्त वास्तुकार उसे छोड़ देता है। ब्लूप्रिंट संरचनात्मक रूप से पूर्ण है, लेकिन इसमें "गुप्त नुस्खा" (secret sauce) गायब है।
चरण 2: "शरलॉक होम्स" (एक्टिव इन्फरेंस)
यहीं पर सिस्टम का दूसरा भाग आता है। इस मॉड्यूल को एक जासूस के रूप में सोचें जो सख्त वास्तुकार के अधूरे ब्लूप्रिंट को देखता है और पूछता है, "रुको जरा... यदि आप यह कर रहे हैं, तो आप निश्चित रूप से उसका उपयोग कर रहे होंगे।"
- जासूस का तर्क: यह एक्टिव इन्फरेंस (Active Inference) नामक अवधारणा का उपयोग करता है। केवल शब्दों को पढ़ने के बजाय, यह स्थिति के "छिपे हुए अवस्थाओं" (hidden states) के बारे में तर्क करता है।
- अवलोकन (Observation): वीडियो में एक व्यक्ति को पेंच कसते हुए दिखाया गया है।
- हिडन स्टेट इन्फरेंस: "आप अपने नंगे हाथों से पेंच नहीं कस सकते। इसलिए, एक पेचकश (screwdriver) वहां ज़रूर मौजूद होगा, भले ही कैमरे ने उस पर ध्यान केंद्रित न किया हो।"
- टैसिट रिकवरी (Tacit Recovery): यह लुप्त उपकरणों, आवश्यक चेतावनियों और सूक्ष्म बाधाओं का अनुमान लगाता जिन्हें विशेषज्ञ स्वाभाविक रूप से मानकर चलते हैं।
- परिणाम: जासूस इन "अदृश्य" विवरणों को ब्लूप्रिंट में वापस जोड़ देता है, उन्हें स्पष्ट रूप से "अनुमानित" (inferred) के रूप में चिह्नित करता है ताकि हमें पता चल सके कि वे अनुभव के आधार पर लगाए गए शिक्षित अनुमान हैं, न कि केवल जो देखा गया था।
प्रयोग: इलेक्ट्रॉनिक्स की मरम्मत
इसका परीक्षण करने के लिए, शोधकर्ताओं ने कारखाने की असेंबली लाइनों का उपयोग नहीं किया (जिनके लिए डेटा प्राप्त करना कठिन है)। इसके बजाय, उन्होंने iFixit मरम्मत वीडियो (जैसे iPhone या Game Boy को ठीक करना) का उपयोग किया। ये आदर्श हैं क्योंकि इनमें शामिल हैं:
- बहुत छोटे, नाजुक पुर्जे।
- विशिष्ट उपकरण।
- सख्त सुरक्षा नियम।
- विशेषज्ञ ऐसी चीजें करते हैं जिन्हें वे हमेशा समझाते नहीं हैं।
उन्होंने इस सिस्टम का परीक्षण कई अलग-अलग AI मॉडल पर किया (कुछ जो वीडियो देख सकते हैं, और कुछ जो केवल टेक्स्ट ट्रांसक्रिप्ट पढ़ते हैं)।
उन्होंने क्या पाया
- सख्त वास्तुकार सुरक्षित है: जब AI ने केवल नियमों का पालन किया, तो इसने कभी भी नकली उपकरण नहीं बनाए। यदि इसने कहा कि एक उपकरण का उपयोग किया गया था, तो वह निश्चित रूप से वीडियो में था। हालांकि, इसने उन उपकरणों को मिस कर दिया जो केवल परोक्ष रूप से संकेतित थे।
- जासूस कमियों को भरता है: जब उन्होंने "एक्टिव इन्फरेंस" चरण जोड़ा, तो सिस्टम अचानक सभी छूटे हुए उपकरणों और चरणों को याद कर आया।
- उदाहरण: एक ट्रांसक्रिप्ट में, एक आवाज़ कह सकती है, "ब्रैकेट को वापस रखें।" सख्त वास्तुकार को कोई उपकरण नहीं दिखता। जासूस कहता है, "आप एक छोटे ब्रैकेट को हाथ से वापस नहीं रख सकते; आपको चिमटी (tweezers) की आवश्यकता होगी।" यह चिमटी को सूची में जोड़ देता है और नोट लिखता है: "अनुमानित क्योंकि छोटे हिस्सों के लिए आमतौर पर चिमटी की आवश्यकता होती है।"
- वीडियो बनाम टेक्स्ट: जो AI मॉडल वीडियो देख सकते थे, वे उन मॉडलों से बेहतर प्रदर्शन करते थे जो केवल टेक्स्ट पढ़ते थे, लेकिन वीडियो मॉडल भी उन चीजों को मिस कर जाते थे जिन्हें "जासूस" तर्क पकड़ सकता था।
- विजेता: सबसे अच्छे परिणाम एक विशिष्ट मॉडल (Gemini 2.5 Flash) से मिले जो वीडियो देख रहा था, और जिसे जासूस तर्क के साथ जोड़ा गया था। इसने उपकरणों और पुर्जों दोनों की पहचान करने में लगभग पूर्ण स्कोर प्राप्त किया।
यह क्यों महत्वपूर्ण है
शोध पत्र निष्कर्ष निकालता है कि यह तरीका ज्ञान हस्तांतरण (Knowledge Transfer) के लिए एक बड़ी छलांग है। यह हमें एक विशेषज्ञ के "अनकहे ज्ञान" को एक डिजिटल प्रारूप में बदलने की अनुमति देता जिसे कंप्यूटर समझ सकते हैं, जांच सकते हैं और दूसरों को सिखाने के लिए उपयोग कर सकते हैं।
शोधकर्ता वर्तमान में इसे KnowledgeX नामक एक प्रोजेक्ट में उपयोग कर रहे हैं ताकि विनिर्माण (manufacturing) में ज्ञान के हस्तांतरण में मदद मिल सके। वे एक ऑगमेंटेड रियलिटी (AR) सिस्टम (जैसे स्मार्ट ग्लास) भी बना रहे हैं जो एक कार्यकर्ता को वास्तविक मशीन पर ओवरले किए गए "पूर्ण" मशीन-पठनीय निर्देश दिखा सकता है, जिससे यह सुनिश्चित होता है कि वे उन सूक्ष्म चरणों को न चूकें जो आमतौर पर गलतियों का कारण बनते हैं।
संक्षेप में: उन्होंने एक ऐसा सिस्टम बनाया है जो न केवल विशेषज्ञ जो कहते हैं उसे सुनता है, बल्कि वे क्या कहना चाहते हैं उसे समझता है, और पूर्ण, अचूक मार्गदर्शिका बनाने के लिए तार्किक जासूसी कार्य के साथ कमियों को भरता 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।