DEI: Diversity in Evolutionary Inference for Quality-Diversity Search
यह शोध पत्र DEI को प्रस्तुत करता है, जो एक वितरित क्वालिटी-डाइवर्सिटी (Quality-Diversity) खोज ढांचा है जो एकल-मॉडल और सजातीय समानांतर बेसलाइन दोनों की तुलना में काफी उच्च समाधान कवरेज और विविधता स्कोर प्राप्त करने के लिए पूरक उत्परिवर्तन ऑपरेटरों (mutation operators) के रूप में विषम लार्ज लैंग्वेज मॉडल्स का लाभ उठाता 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 विशाल, जटिल पहेली को हल करने की कोशिश कर रहे हैं। आपके पास चार अलग-अलग विशेषज्ञों की एक टीम है, लेकिन उन्हें एक जैसे सोचने वाले चार लोगों को काम पर रखने के बजाय, आपने पूरी तरह से अलग पृष्ठभूमि वाले चार लोगों को काम पर रखा है: एक गणितज्ञ, एक कवि, एक मैकेनिक और एक जासूस।
यह शोध पत्र, जिसका शीर्षक "DEI: Diversity in Evolutionary Inference" है, समस्याओं को हल करने के लिए आर्टिफिशियल इंटेलिजेंस (विशेष रूप से लार्ज लैंग्वेज मॉडल्स या LLMs) का उपयोग करने का एक नया तरीका बताता है, जहाँ इन विविध विशेषज्ञों की एक टीम की तरह मिलकर काम करने के लिए इनका उपयोग किया जाता है।
इसका विवरण यहाँ दिया गया है, सरल उपमाओं (analogies) का उपयोग करते हुए:
1. समस्या: AI का "इको चैंबर" (Echo Chamber)
आमतौर पर, जब वैज्ञानिक किसी समस्या का सबसे अच्छा समाधान खोजने के लिए AI का उपयोग करना चाहते हैं, तो वे एक ही AI मॉडल को एक साथ कई अलग-अलग कंप्यूटरों पर चला सकते हैं।
- उपमा: कल्पना कीजिए कि आप चार जुड़वा भाई-बहनों को एक कहानी लिखने के लिए कह रहे हैं। भले ही वे अलग-अलग गति से लिखें, लेकिन उन सबका "दिमाग" एक जैसा ही होगा। वे बहुत समान विचार लेकर आएंगे, एक ही तरह के रचनात्मक चक्रव्यूह में फंस जाएंगे, और अनूठे दृष्टिकोणों को छोड़ देंगे।
- पेपर का दृष्टिकोण: इसे "होमोजीनियस" (homogeneous) सर्च कहा जाता है। यह तेज़ है, लेकिन यह विचारों के दायरे (idea space) को पर्याप्त रूप से एक्सप्लोर नहीं करता है।
2. समाधान: "ऑल-स्टार टीम" (DEI)
लेखकों ने DEI (Diversity in Evolutionary Inference) नामक एक प्रणाली बनाई है। चार अलग-अलग AI मॉडल्स (जैसे GPT और Claude, लेकिन उनके अलग संस्करण) को एक साथ काम करने के लिए जोड़ने के बजाय, उन्होंने चार अलग-अलग AI मॉडल्स का उपयोग किया।
- उपमा: अब, आपके पास पहेली को सुलझाने के लिए गणितज्ञ, कवि, मैकेनिक और जासूस हैं।
- गणितज्ञ एक ऐसा समाधान ढूंढ सकता है जो बहुत कुशल हो लेकिन उबाऊ हो।
- कवि एक ऐसा अजीब और रचनात्मक समाधान ढूंढ सकता है जिसके बारे में दूसरों ने कभी सोचा भी न हो।
- मैकेनिक एक मजबूत और व्यावहारिक समाधान ढूंढ सकता है।
- जादू: क्योंकि वे अलग हैं, वे स्वाभाविक रूप से पहेली के अलग-अलग हिस्सों को एक्सप्लोर करते हैं। जब वे अपने सर्वश्रेष्ठ विचार एक-दूसरे के साथ साझा करते हैं, तो पूरी टीम अधिक स्मार्ट हो जाती है और ऐसे समाधान खोज लेती है जो अकेले एक प्रकार का AI कभी नहीं खोज पाता।
3. वे एक साथ कैसे काम करते हैं: "नो-स्टॉप" रिले रेस
एक सामान्य टीम में, जब तक अगला व्यक्ति अपना काम पूरा नहीं कर लेता, तब तक सबको अगले चरण के लिए इंतजार करना पड़ता है। यदि "मैकेनिक" धीमा है, तो पूरी टीम रुक जाती है।
- पेपर का नवाचार: DEI प्रणाली एक विशेष "एसिंक्रोनस" (asynchronous) संचार पद्धति का उपयोग करती है।
- उपमा: एक रिले रेस की कल्पना करें जहाँ धावक बैटन (baton) सौंपने के लिए इंतजार नहीं करते। इसके बजाय, जैसे ही कवि एक पैराग्राफ पूरा करता है, वह उसे जासूस की ओर उछाल देता है। जासूस अपनी दौड़ जारी रखते हुए ही उसे पकड़ लेता है। सबसे धीमा धावक किसी को रोक कर नहीं रखता; हर कोई अपनी गति से चलता रहता है और चलते-चलते अपने सर्वश्रेष्ठ काम को लगातार साझा करता रहता है।
4. उन्होंने कौन सा खेल खेला: "कोर वॉर" (Core War)
इसका परीक्षण करने के लिए, शोधकर्ताओं ने वास्तविक दुनिया के चिकित्सा या व्यावसायिक डेटा का उपयोग नहीं किया। उन्होंने "कोर वॉर" नामक एक खेल का उपयोग किया।
- यह क्या है? एक डिजिटल अखाड़े की कल्पना करें जहाँ कंप्यूटर प्रोग्राम (जिन्हें "वॉरियर्स" कहा जाता है) एक-दूसरे से लड़ते हैं। लक्ष्य एक ऐसा प्रोग्राम लिखना है जो जीवित रह सके और दूसरों को हरा सके।
- परीक्षण: उन्होंने तीन परिदृश्य (scenarios) सेट किए:
- सोलो (Solo): एक अकेला AI लड़ रहा है।
- होमोजीनियस टीम (Homogeneous Team): चार एक जैसे AI मिलकर लड़ रहे हैं।
- विविध टीम (Diverse Team - DEI): चार अलग-अलग AI मिलकर लड़ रहे हैं।
5. परिणाम: विविधता की जीत
परिणाम स्पष्ट थे। "विविध टीम" (DEI) ने सभी को पीछे छोड़ दिया।
- आंकड़े: विविध टीम ने समग्र गुणवत्ता में 124% बेहतर समाधान खोजे और अकेले काम करने वाले एकल AI की तुलना में 28% अधिक संभावित रणनीतियों को कवर किया।
- मुख्य निष्कर्ष: भले ही "होमोजीनियस टीम" (चार एक जैसे AI) के पास समान मात्रा में कंप्यूटिंग पावर थी, फिर भी वे विविध टीम जितना अच्छा प्रदर्शन नहीं कर सके।
- क्यों? पेपर निष्कर्ष निकालता है कि विविधता (variety) ही असली सफलता का मंत्र है। अलग-अलग "मस्तिष्क" (अलग-अलग AI मॉडल) होना, केवल अधिक "शक्ति" (अधिक कंप्यूटिंग पावर) होने से अधिक महत्वपूर्ण है।
सारांश
इस पेपर को इस तरह समझें कि यह इस बात का प्रमाण है कि अलग-अलग विशेषज्ञों की टीम क्लोन की टीम से बेहतर होती है। विभिन्न AI मॉडल्स को इस तरह जोड़ने से, ताकि वे एक-दूसरे का इंतजार किए बिना अपने अनूठे विचार साझा कर सकें, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो केवल एक प्रकार के AI का उपयोग करने की तुलना में बहुत बेहतर, रचनात्मक और उच्च-गुणवत्ता वाले समाधान खोजने में सक्षम है, चाहे वह कितना भी शक्तिशाली क्यों न हो।
महत्वपूर्ण नोट: इस पेपर ने सख्ती से कंप्यूटर गेम (Core War) पर इसका परीक्षण किया है। हालांकि लेखक मानते हैं कि यह तर्क अन्य क्षेत्रों में भी लागू होता है, लेकिन वे यह दावा नहीं करते हैं कि उन्होंने इस अध्ययन में वास्तविक दुनिया के चिकित्सा निदान, वित्तीय बाजारों या अन्य विशिष्ट अनुप्रयोगों पर इसका परीक्षण किया है। परिणाम इस प्रकार के पहेली को हल करने के लिए इन AI मॉडल्स के विशिष्ट तरीके तक ही सीमित 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।