Deterministic vs. LLM-Controlled Orchestration for COBOL-to-Python Modernization
यह शोध पत्र एक नियंत्रित अनुभवजन्य अध्ययन प्रस्तुत करता है जो यह प्रदर्शित करता है कि कोबोल-टू-पायथन (COBOL-to-Python) आधुनिकीकरण में नियतात्मक ऑर्केस्ट्रेशन (deterministic orchestration), एलएलएम-नियंत्रित एजेंटिक वर्कफ़्लो (LLM-controlled agentic workflows) की तुलना में बेहतर प्रदर्शन करता है, क्योंकि यह तुलनीय अनुवाद सटीकता प्राप्त करने के साथ-साथ मजबूती में उल्लेखनीय सुधार करता है, प्रदर्शन परिवर्तनशीलता को कम करता है, और परिचालन लागत को 3.5 गुना तक कम 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
द दशकों से, वित्तीय और सरकारी क्षेत्र कोबोले (COBOL) नामक भाषा में लिखे गए विशाल, जटिल कंप्यूटर प्रोग्रामों पर निर्भर रहे हैं। ये प्रणालियाँ दुनिया के बैंकिंग लेनदेन और सामाजिक सुरक्षा भुगतानों को संचालित करती हैं, फिर भी इन्हें बनाने वाले विशेषज्ञ सेवानिवृत्त हो रहे हैं, और स्वयं कोड अक्सर दशकों पुराना, खराब तरीके से प्रलेखित (documented), और बदलने में कठिन है। इन महत्वपूर्ण सेवाओं को चालू रखने के लिए, संगठनों को इस प्राचीन कोड को पायथन (Python) जैसी आधुनिक भाषाओं में अनुवादित करना होगा, एक ऐसी प्रक्रिया जिसमें अत्यधिक सटीकता की आवश्यकता होती है क्योंकि एक छोटी सी त्रुटि भी सिस्टम को विफल कर सकती है। हाल ही में, लार्ज लैंग्वेज मॉडल (large language model) के रूप में एक नया प्रकार का आर्टिफिशियल इंटेलिजेंस इस कार्य के लिए एक संभावित उपकरण के रूप में उभरा है। ये मॉडल कोड को पढ़ सकते हैं और नया कोड लिख सकते हैं, लेकिन वे अक्सर स्वायत्त एजेंटों (autonomous agents) की तरह कार्य करके काम करते हैं: वे स्वयं तय करते हैं कि उन्हें कौन से कदम उठाने हैं, कब किसी कार्य को पुन: प्रयास करना है, और चलते समय गलतियों को कैसे ठीक करना है। यह इंजीनियरों के लिए एक महत्वपूर्ण प्रश्न खड़ा करता है: क्या यह बेहतर है कि आर्टिफिशियल इंटेलिजेंस को पूरी प्रक्रिया को संचालित करने दिया जाए, जो वास्तविक समय में हर चाल खुद तय करे, या यह अधिक प्रभावी है कि प्रक्रिया को एक सख्त, पूर्व-निर्धारित पथ पर रखा जाए जहाँ कंप्यूटर नियमों के एक निश्चित सेट का पालन करता है?
बकलनेल यूनिवर्सिटी (Bucknell University) और एस्ट्रियो (Astrio) के शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने के लिए एक नियंत्रित प्रयोग आयोजित करके यह पता लगाने का प्रयास किया कि ये दो अलग-अलग दृष्टिकोण कोबोले कोड को पायथन में बदलने के कठिन कार्य को कैसे संभालते हैं। उन्होंने अनुवादक के रूप में कार्य करने के लिए एटलस (ATLAS) नामक एक प्रणाली बनाई, लेकिन उन्होंने प्रयोग को इस तरह से डिजाइन किया कि परीक्षणों के बीच केवल नियंत्रण करने वाला व्यक्ति ही बदलता था। एक संस्करण में, आर्टिफिशियल इंटेलिजेंस को पूर्ण नियंत्रण दिया गया था, जिससे वह अपना स्वयं का मार्ग चुनने, अपने स्वयं के उपकरण चुनने और यह तय करने के लिए स्वतंत्र था कि कब रुकना है या कब से पुनः शुरू करना है। दूसरे संस्करण में, उसी आर्टिफिशियल इंटेलिजेंस का उपयोग कोड लिखने के लिए किया गया था, लेकिन नियमों के एक कठोर, अपरिवर्तनीय सेट ने ठीक से निर्देशित किया कि कौन से कदम लेने हैं, किस क्रम में लेने हैं, और यदि कुछ गलत हो जाने पर कितनी बार प्रयास करना है। सिस्टम के मस्तिष्क—लैंग्वेज मॉडल—को दोनों परिदृश्यों में बिल्कुल समान रखकर, शोधकर्ताओं ने नियंत्रण पद्धति के प्रभाव को अलग किया, जिससे अन्य सभी चरों (variables) को हटाकर यह देखा जा सके कि कौन सी रणनीति वास्तव में बेहतर काम करती है।
इस अध्ययन के परिणाम एक स्पष्ट समझौते (trade-off) को प्रकट करते हैं जो लचीलेपन और विश्वसनीयता के बीच है। जब आर्टिफिशियल इंटेलिजेंस को प्रक्रिया को नियंत्रित करने की अनुमति दी गई, तो वह अक्सर एक चालू प्रोग्राम बनाने में सफल रहा, और अक्सर एक ऐसा परिणाम उत्पन्न करने में सफल रहा जो बिना क्रैश हुए चल सके। हालाँकि, इस सफलता की एक छिपी हुई लागत थी: परिणाम असंगत थे। क्योंकि मॉडल निर्णय ले रहा था कि कैसे आगे बढ़ना है, इसलिए एक ही शुरुआती कोड अलग-अलग प्रयासों में बहुत भिन्न परिणामों की ओर ले जा सकता था, कभी पूर्ण अनुवाद उत्पन्न करता था तो कभी अप्रत्याशित तरीकों से विफल हो जाता था। इसके अलावा, यह "एजेंटिक" (agentic) दृष्टिकोण अविश्वसनीय रूप से महंगा था। मॉडल अक्सर तर्क के लंबे, घुमावदार रास्तों पर भटक जाता था, खुद से सवाल पूछता था और कई ऐसी रणनीतियों को आजमाता था जो आवश्यक नहीं थीं, जिससे गणना संबंधी संसाधनों (computational resources) की भारी खपत होती थी। कुछ मामलों में, लचीले दृष्टिकोण ने समान परिणाम प्राप्त करने के लिए निश्चित दृष्टिकोण की तुलना में तीन गुना से अधिक टोकन (सूचना की बुनियादी इकाइयाँ जिन्हें मॉडल संसाधित करता है) का उपयोग किया।
इसके विपरीत, एक निश्चित, नियतात्मक (deterministic) पथ का पालन करने वाली प्रणाली ने परिणाम बहुत अधिक स्थिर और पूर्वानुमेय (predictable) बनाए। जबकि कोड को अनुवादित करने की समग्र क्षमता लचीले संस्करण के समान ही थी, कठोर प्रणाली शायद ही कभी सबसे खराब मामलों में विफल हुई। वह अनावश्यक सोच के चक्रों में नहीं खोई, और न ही इसने एक रन से दूसरे रन में अपने व्यवहार को बदला। सबसे महत्वपूर्ण बात यह है कि इसे चलाना काफी सस्ता था। एक सख्त कार्यक्रम के चरणों पर टिके रहकर और केवल कोड लिखने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करके (न कि यात्रा की योजना बनाने के लिए), सिस्टम ने अनुवाद की लागत को तीन से साढ़े तीन गुना तक कम कर दिया। शोधकर्ताओं ने पाया कि विरासत सॉफ्टवेयर (legacy software) के आधुनिकीकरण जैसे कार्यों के लिए, जहाँ चरण अच्छी तरह से परिभाषित हैं और परिणामों को सख्त नियमों के विरुद्ध जांचा जा सकता है, आर्टिफिशियल इंटेलिजेंस को कार चलाने देने से न केवल अधिक खर्च होता था, बल्कि मानव-निर्मित मानचित्र द्वारा मार्ग दिखाए जाने की तुलना में यह कम विश्वसनीय भी था।
यह अध्ययन सुझाव देता है कि जटिल इंजीनियरिंग कार्यों में आर्टिफिशियल इंटेलिजेंस का भविष्य मशीनों को यह तय करने की पूर्ण स्वतंत्रता देने में नहीं हो सकता है कि कैसे काम किया जाए। इसके बजाय, सबसे प्रभावी दृष्टिकोण इन शक्तिशाली मॉडलों को एक संरचित ढांचे के भीतर स्थापित करना प्रतीत होता है जहाँ जुड़ाव के नियम निश्चित हों और मार्ग स्पष्ट हो। आर्टिफिशियल इंटेलिजेंस एक विशेषज्ञ लेखक बना रहता है, जो जटिल निर्देशों को समझने और नया कोड उत्पन्न करने में सक्षम है, लेकिन कार्य का संचालन (orchestration)—योजना बनाना, समय निर्धारण और सुरक्षा जाँच—सख्त, नियतात्मक नियंत्रण के अधीन रहता है। यह सुनिश्चित करता है कि प्रक्रिया न केवल उच्च गुणवत्ता वाले परिणाम देने में सक्षम है, बल्कि उन बड़े पैमाने के, महत्वपूर्ण सिस्टमों के लिए मजबूत, पूर्वानुमेय और आर्थिक रूप से व्यवहार्य भी बनी रहती है जो हमारी आधुनिक दुनिया को चला रहे हैं।
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।