Iterate Until Retrieved: Factual Nugget Optimization for Discoverable Continual Corrections in Agentic RAG
यह शोध पत्र इटरेटिव नगेट ऑप्टिमाइज़ेशन (INO) का परिचय देता है, जो एक इंडेक्स-टाइम विधि है जो मुक्त-रूप तथ्यात्मक सुधारों को उत्पादन RAG एजेंट परीक्षण के माध्यम से पुनरावृत्त रूप से परिष्कृत करके अनुकूलित "तथ्यात्मक नगेट्स" में परिवर्तित करती है ताकि B2B ज्ञान-सहायता प्रणालियों में उनकी खोज क्षमता और प्रभावी उपयोग सुनिश्चित किया जा सके।
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 बहुत ही बुद्धिमान, सहायक रोबोट असिस्टेंट के लिए काम करते हैं जो किसी कंपनी के उत्पादों के बारे में सवालों के जवाब देता है। कभी-कभी, रोबोट कोई तथ्य गलत बता देता है। एक मानव उपयोगकर्ता कह सकता है, "असल में, यह सही नहीं है। पासवर्ड रीसेट केवल प्रबंधकों (managers) के लिए काम करता है, सामान्य कर्मचारियों के लिए नहीं।"
अतीत में, इसे ठीक करना कठिन था। आप केवल रोबोट की विशाल निर्देश पुस्तिका (instruction manual) को संपादित नहीं कर सकते थे क्योंकि इससे अन्य चीजें टूट सकती थीं, या रोबोट उस नए नियम को "सुन" भी नहीं पाता यदि वह एक बड़े दस्तावेज़ में कहीं दब गया हो।
यह शोध पत्र आपको रोबोट को सिखाने का एक नया तरीका पेश करता है: इटरेटिव नगेट ऑप्टिमाइजेशन (Iterative Nugget Optimization - INO)। इसे एक "कोशिश करो, विफल हो और सुधारो" प्रणाली के रूप में सोचें जो उपयोगकर्ता के सुधार को एक छोटे, बेहद टिकाऊ तथ्य कार्ड में बदल देती है जिसे "फैक्टुअल नगेट" (factual nugget) कहा जाता है।
यह कैसे काम करता है, यहाँ सरल उपमाओं (analogies) का उपयोग किया गया है:
1. समस्या: "भूसे के ढेर में सुई" (The Needle in a Haystack)
कल्पना कीजिए कि रोबोट का ज्ञान आधार (knowledge base) लाखों किताबों (दस्तावेजों) वाला एक विशाल पुस्तकालय है। जब कोई उपयोगकर्ता प्रश्न पूछता है, तो रोबot को तुरंत सही किताब ढूँढनी होती है।
- समस्या: यदि आप बस एक नया तथ्य कार्ड लिखते हैं और उसे पुस्तकालय में डाल देते हैं, तो हो सकता है कि रोबोट उसे मिस कर दे। उपयोगकर्ता पूछ सकता है, "मैं पासवर्ड कैसे रीसेट करूँ?" लेकिन नए कार्ड का शीर्षक "मैनेजर्स के लिए SSO रीसेट पॉलिसी" हो सकता है। रोबोट उन दोनों के बीच संबंध नहीं बना पाएगा क्योंकि शब्द पूरी तरह से मेल नहीं खाते।
2. समाधान: "फैक्टुअल नगेट" (The Factual Nugget)
पूरे पुस्तकालय को फिर से लिखने के बजाय, सिस्टम एक फैक्टुअल नगेट बनाता है।
- यह क्या है? यह एक छोटा, आत्मनिर्भर नोट (जैसे एक स्टिकी नोट) है जो ठीक एक सुधारा गया तथ्य बताता है।
- लक्ष्य: इस नोट को इतना स्पष्ट और अच्छी तरह से लेबल किया जाना चाहिए कि बाद में उपयोगकर्ता चाहे किसी भी तरह से प्रश्न पूछे, रोबot उसे तुरंत ढूँढ ले।
3. जादुई ट्रिक: "टेस्ट ड्राइव" (The Test Drive - INO)
यही मुख्य नवाचार है। केवल नोट लिखकर और उम्मीद करके कि सब ठीक होगा, इसके बजाय, सिस्टम नोट को लाइव होने से पहले एक टेस्ट ड्राइव से गुजारता है।
INO को एक रिहर्सल रूम के रूप में सोचें:
- एक ड्राफ्ट बनाएँ: सिस्टम उपयोगकर्ता के सुधार को लेता है और एक ड्राफ्ट नगेट लिखता है।
- टेस्ट रन: यह इस ड्राफ्ट को रोबोट के पुस्तकालय में डालता है और रोबोट से प्रश्नों की एक श्रृंखला पूछता है। यह केवल मूल प्रश्न ही नहीं पूछता; यह कई अलग-अलग संस्करण पूछता है (जैसे, "मैं अपना पासवर्ड कैसे बदलूँ?", "मैं अपना लॉगिन कैसे रीसेट करूँ?", "पासवर्ड कौन रीसेट कर सकता है?")।
- "फेल" चेक: यदि रोबोट नगेट को नहीं ढूँढ पाता है, या गलत किताब ढूँढ लेता है, तो सिस्टम हार नहीं मानता।
- रिफ्लेक्शन (चिंतन): एक AI "कोच" देखता है कि रोबोट क्यों विफल हुआ। क्या शीर्षक बहुत तकनीकी था? क्या इसने कोई कीवर्ड मिस कर दिया?
- पुनर्लेखन (Rewrite): कोच नगेट को फिर से लिखता है ताकि इसे ढूँढना आसान हो सके। शायद यह एक समानार्थी शब्द (synonym) जोड़ता है या शीर्षक को स्पष्ट करता है।
- दोहराएँ: सिस्टम फिर से इस नए संस्करण का परीक्षण करता है। यह इस लूप (3 बार तक) को तब तक दोहराता रहता है जब तक कि रोबोट पूछे जाने पर हमेशा नगेट को ढूँढ ही न ले।
4. परिणाम: यह क्यों मायने रखता है
शोधकर्ताओं ने वास्तविक दुनिया के बिजनेस रोबोट्स पर इसका परीक्षण किया (एक जो ग्राहकों के सवालों के जवाब देता है, दूसरा जो सपोर्ट इंजीनियरों की मदद करता है)।
- बेसलाइन (Baseline): इस टेस्ट-ड्राइव लूप के बिना, रोबोट केवल 50-60% बार नया तथ्य ढूँढ पाता था।
- INO के साथ: रोबोट ने नया तथ्य 77-97% बार ढूँढा।
- प्रभाव: क्योंकि रोबोट ने तथ्य को ढूँढ लिया, इसलिए उसने बहुत अधिक बार सही उत्तर दिया। उसने केवल सटीक प्रश्न को याद नहीं किया; उसने प्रश्न के पीछे के विचार को पहचानना सीख लिया, भले ही शब्द अलग हों।
5. वास्तविक दुनिया की स्थिति
यह केवल एक सिद्धांत नहीं है। शोध पत्र बताता है कि यह सिस्टम उनके ग्राहकों के लिए पहले से ही प्रोडक्शन में चल रहा है। यह हर सप्ताह सैकड़ों ऐसे "नगेट्स" को प्रोसेस करता है, जिससे बिना किसी इंसान द्वारा रोबोट के दिमाग को मैन्युअल रूप से एडिट किए, त्रुटियों को स्वचालित रूप से ठीक किया जा सके।
संक्षेप में: यह शोध पत्र हमें सिखाता है कि कैसे उपयोगकर्ता के एक एकल सुधार को एक "सुपर-फैक्ट" में बदला जाए जो गारंटी के साथ रोबोट द्वारा पाया जा सके, ऐसा करके कि रोबोट इसे खोजने का अभ्यास बार-बार करता रहे जब तक कि वह इसे सही ढंग से न कर ले।
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।