SearchSkill: Teaching LLMs to Use Search Tools with Evolving Skill Banks
यह शोधपत्र SearchSkill का प्रस्ताव करता है, जो एक ऐसा ढांचा है जो पुन: प्रयोज्य खोज कौशल के एक विकसित होते SkillBank के माध्यम से क्वेरीज़ की स्पष्ट रूप से योजना बनाकर भाषा मॉडलों के ओपन-डोमेन प्रश्न उत्तर देने की क्षमता को बढ़ाता है, जिससे बर्बाद होने वाले खोज बजट को कम करके और परमाणु (atomic), केंद्रित क्वेरीज़ को बढ़ावा देकर पुनर्प्राप्ति दक्षता और उत्तर सटीकता में सुधार होता 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 बहुत ही बुद्धिमान लाइब्रेरियन (AI) है जो याददाश्त से बहुत सारे तथ्य जानता है, लेकिन हाल की खबरों या बहुत विशिष्ट, पेचीदा विवरणों के बारे में पूछे जाने पर अटक जाता है। उनकी मदद करने के लिए, आप उन्हें एक लाइब्रेरी कार्ड देते हैं जो उन्हें जवाबों के लिए सर्च इंजन का उपयोग करने की अनुमति देता है।
समस्या यह नहीं है कि लाइब्रेरियन कार्ड का उपयोग नहीं कर सकता; समस्या यह है कि वे अक्सर गलत सवाल पूछते हैं। "1990 में न्यूयॉर्क का मेयर कौन था?" पूछने के बजाय, वे पूरे भ्रमित करने वाले प्रश्न को सीधे सर्च बार में कॉपी-पेस्ट कर सकते हैं, जैसे कि चिल्लाकर पूछना, "अमेरिका के सबसे बड़े शहर के पहले अफ्रीकी अमेरिकी मेयर के बारे में मुझे सब कुछ बताओ!" इससे समय बर्बाद होता है, सर्च इंजन भ्रमित हो जाता है, और अक्सर गलत उत्तर मिलता है।
SEARCHSKILL एक नया प्रशिक्षण तरीका है जो लाइब्रेरियन को लाइब्रेरी कार्ड का बेहतर उपयोग करना सिखाता है। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:
1. "स्किल मेनू" (The SkillBank)
लाइब्रेरियन को अंदाज़ा लगाने देने के बजाय, SEARCHSKILL उन्हें सर्च स्किल्स (खोज कौशल) का एक भौतिक मेनू देता है। इसे एक शेफ की रेसिपी बुक या मैकेनिक के टूलकिट की तरह समझें।
- पुराना तरीका: लाइब्रेरियन बस कहता है, "जाओ खोजो!" और उम्मीद करता है कि सब ठीक होगा।
- SEARCHSKILL का तरीका: खोजने से पहले, लाइब्रेरियन को मेनू से एक विशिष्ट टूल चुनना होगा, जैसे:
- द "ब्रिज बिल्डर" (पुल बनाने वाला): इसका उपयोग तब किया जाता है जब आपको एक छिपे हुए मध्य चरण को खोजने की आवश्यकता हो (जैसे, "X की माँ कौन है?" -> पहले X को खोजें, फिर X की माँ को खोजें)।
- द "कम्पैरेटर" (तुलना करने वाला): इसका उपयोग तब किया जाता है जब आपको दो चीजों की आमने-सामने जांच करनी हो (जैसे, "व्यक्ति A या व्यक्ति B में से किसकी मृत्यु पहले हुई?")।
- द "फैक्ट चेकर" (तथ्य जाँचने वाला): इसका उपयोग यह सत्यापित करने के लिए किया जाता है कि क्या दो प्रमाण एक-दूसरे का खंडन करते हैं।
2. "दो-चरणीय नृत्य" (The Two-Step Dance)
हर बार जब लाइब्रेरियन को उत्तर खोजने की आवश्यकता होती है, तो वे एक सख्त दो-चरणीय दिनचर्या का पालन करते हैं:
- एक स्किल चुनें: वे मेनू देखते हैं और कहते हैं, "मुझे अभी ब्रिज बिल्डर टूल की आवश्यकता है।"
- एक क्रिया करें: उस टूल के आधार पर, वे सर्च इंजन से एक बहुत ही विशिष्ट, केंद्रित प्रश्न पूछते हैं।
यह लाइब्रेरियन को यह सोचने के लिए मजबूर करता है, "अभी मुझे किस विशिष्ट लापता जानकारी की आवश्यकता है?" बजाय इसके कि वे पूरे प्रश्न को बिना सोचे-समझे सर्च इंजन पर डाल दें।
3. "प्रैक्टिस लूप" (मेन्यू का विकास)
पेपर इस बात का वर्णन करता है कि इस मेनू को बनाने का एक चतुर तरीका क्या है। उन्होंने इसे केवल एक बार लिखा और भूल नहीं गए। उन्होंने लाइब्रेरियन को हजारों अभ्यास समस्याओं के माध्यम से चलाया।
- गलती: जब लाइब्रेरियन विफल रहा (उदाहरण के लिए, वे एक गलत प्रश्न पूछने के कारण असफल हुए), तो सिस्टम ने विश्लेषण किया कि वे क्यों विफल हुए।
- सुधार: यदि लाइब्रेरियन एक विशिष्ट प्रकार की पहेली (जैसे, दो दूर के तथ्यों को जोड़ना) में बार-बार विफल होता रहा, तो सिस्टम ने उस विशेष समस्या के लिए मेनू में एक नया "स्किल कार्ड" जोड़ दिया।
- परिणाम: मेनू बढ़ता गया और बेहतर होता गया, जिससे यह नए, समान समस्याओं को लागू करने के लिए पुन: प्रयोज्य रणनीतियों का एक संग्रह बन गया।
4. परिणाम
शोधकर्ताओं ने विभिन्न AI मॉडलों (दोनों ओपन-सोर्स और प्रोप्रायटरी) पर इसका परीक्षण किया।
- बेहतर उत्तर: मॉडल अधिक सही उत्तर प्राप्त करने में काफी बेहतर रहे, विशेष रूप से पेचीदा, बहु-चरणीय प्रश्नों पर।
- कम बर्बाद प्रयास: उन्होंने कम और बेहतर प्रश्न पूछे। 5 अस्पष्ट प्रश्न पूछने के बजाय, उन्होंने 2 या 3 सटीक प्रश्न पूछे।
- किसी "जादू" की आवश्यकता नहीं: उन्होंने ये परिणाम मानक प्रशिक्षण विधियों (Supervised Fine-Tuning) का उपयोग करके प्राप्त किए, न कि महंगे, जटिल ट्रायल-एंड-एरर (Reinforcement Learning) तरीकों का उपयोग करके, जिनका अन्य सिस्टम उपयोग करते हैं।
सारांश में
SEARCHSKILL एक AI को केवल एक सर्च बटन देने के बजाय, उसे सर्च रणनीतियों की एक चेकलिस्ट देने जैसा है। यह AI को रुकने, विशिष्ट समस्या के लिए सही रणनीति चुनने और फिर एक स्मार्ट, लक्षित प्रश्न पूछने के लिए मजबूर करता है। यह AI को स्मार्ट, तेज़ और अपने स्वयं के खोज परिणामों में खो जाने से बहुत कम संभावित बनाता 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।