Cross-lingual Self-Consistency for Multilingual Reasoning with Language Models
यह शोध पत्र एक अनसुपरवाइज्ड रिइन्फोर्समेंट लर्निंग दृष्टिकोण प्रस्तावित करता है जो क्रॉस-लिंगुअल सेल्फ-कंसिस्टेंसी को लागू करके लार्ज लैंग्वेज मॉडल्स में बहुभाषी तर्क क्षमता को बढ़ाता है, जिससे बिना किसी गोल्ड आन्सर्स या पैरेलल डेटा के, कई भाषाओं और अनदेखे परिदृश्यों में महत्वपूर्ण प्रदर्शन लाभ प्राप्त 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 प्रतिभाशाली छात्र है जो अंग्रेजी में गणित की समस्याओं को हल करने में माहिर है, लेकिन जब वही समस्याएँ स्पेनिश, जापानी या स्वाहिली में लिखी जाती हैं, तो वह भ्रमित हो जाता है और गलतियाँ करने लगता है। आज के कई उन्नत AI मॉडल के साथ बिल्कुल यही स्थिति है: वे कुछ "उच्च-संसाधन" (high-resource) भाषाओं (जैसे अंग्रेजी) में तर्क करने में बहुत अच्छे हैं, लेकिन जब उन्हें अन्य भाषाओं में सोचने के लिए कहा जाता है, तो वे संघर्ष करते हैं।
यह शोध पत्र इस समस्या को ठीक करने के लिए क्रॉस-लिंगुअल सेल्फ-कंसिस्टेंसी (Cross-lingual Self-Consistency) नामक एक चतुर, अनसुपरवाइज्ड (unsupervised) प्रशिक्षण पद्धति पेश करता है। यह इस प्रकार काम करता है, सरल उपमाओं का उपयोग करते हुए:
समस्या: "भ्रमित अनुवादक"
वर्तमान में, यदि आप एक AI से स्वाहिली में गणित का प्रश्न पूछते हैं, तो वह अपने दिमाग में उसे अंग्रेजी में अनुवाद करने की कोशिश कर सकता है, उसे हल कर सकता है, और फिर उत्तर को वापस अनुवाद कर सकता है। लेकिन यह प्रक्रिया अव्यवस्थित है। कभी-कभी, अनुवाद खराब होता है, या AI बीच में ही रास्ता भटक जाता है। परिणाम क्या होता है? AI स्वाहिली में गलत उत्तर देता है, भले ही उसे गणित का ज्ञान हो।
समाधान: "ग्रुप स्टडी" की उपमा
लेखक एक नया तरीका प्रस्तावित करते हैं जिससे AI को प्रशिक्षित किया जा सकता है, जिसके लिए किसी शिक्षक (जो सही उत्तर दे सके) या सटीक अनुवादों के शब्दकोश की आवश्यकता नहीं है। इसके बजाय, वे सेल्फ-कंसिस्टेंसी (Self-Consistency) की एक अवधारणा का उपयोग करते हैं।
AI को एक परीक्षा देने वाले छात्र के रूप में सोचें।
- पुराना तरीका (एकभाषी/Monolingual): छात्र अंग्रेजी में परीक्षा देता है। यदि वे लगातार तीन बार एक ही उत्तर प्राप्त करते हैं, तो वे आश्वस्त होते हैं। यदि उन्हें अलग-अलग उत्तर मिलते हैं, तो वे जानते हैं कि वे भ्रमित हैं।
- नया तरीका (क्रॉस-लिंगुअल/Cross-lingual): छात्र को वही गणित की समस्या दी जाती है, लेकिन 10 अलग-अलग भाषाओं (अंग्रेजी, स्पेनिश, फ्रेंच, आदि) में लिखी गई।
- AI अंग्रेजी में समस्या को हल करता है।
- AI स्पेनिश में समस्या को हल करता है।
- AI फ्रेंच में समस्या को हल करता है।
- ...और इसी तरह।
स्वर्ण नियम (The Golden Rule): शोध पत्र का तर्क है कि यदि गणित समान है, तो अंतिम उत्तर समान होना चाहिए, चाहे उसे हल करने के लिए किसी भी भाषा का उपयोग किया गया हो। यदि समस्या "2 + 2" है, तो हर भाषा में उत्तर "4" ही होना चाहिए।
प्रशिक्षण कैसे काम करता है (द "स्कोरकार्ड")
शोधकर्ताओं ने AI के लिए रीइन्फोर्समेंट लर्निंग (Reinforcement Learning) (एक ऐसी विधि जहाँ AI को अच्छे व्यवहार के लिए पुरस्कार मिलता है) का उपयोग करके एक खेल तैयार किया।
- सेटअप: AI को अंग्रेजी में एक गणित का प्रश्न दिया जाता है। इसके बाद वह अपने आंतरिक ज्ञान का उपयोग करके इस प्रश्न को अन्य भाषाओं (जैसे स्पेनिश या जापानी) में "स्वयं-अनुवाद" (self-translates) करता है।
- चुनौती: AI को मूल अंग्रेजी में और उन सभी नई भाषाओं में समस्या को हल करना होता है जो उसने अभी बनाई हैं।
- पुरस्कार (Reward): AI को उच्च स्कोर (पुरस्कार) तभी मिलता है जब इन सभी अलग-अलग भाषाओं में अंतिम उत्तर मेल खाते हों।
- यदि अंग्रेजी का उत्तर "4" है और स्पेनिश का उत्तर "4" है, तो AI को पुरस्कार मिलता है।
- यदि अंग्रेजी का उत्तर "4" है लेकिन स्पेनिश का उत्तर "5" है, तो AI को दंड (penalty) मिलता है।
इसे बार-बार करने से, AI अपने सोचने के तरीके को संरेखित (align) करना सीख जाता है। वह समझ जाता है, "हे, अगर मुझे अंग्रेजी में सही उत्तर मिलता है, तो मुझे यह भी सुनिश्चित करना होगा कि मुझे स्पेनिश में भी वही सही उत्तर मिले।" यह AI को कमजोर भाषाओं में अपने तर्क को सुधारने के लिए मजबूर करता है ताकि वह अंग्रेजी की अपनी शक्ति से मेल खा सके।
परिणाम: एक समान अवसर (A Level Playing Field)
शोधकर्ताओं ने विभिन्न AI मॉडलों (छोटे से बड़े तक) पर 10 अलग-अलग भाषाओं में गणित की समस्याओं का परीक्षण किया।
- बड़ी बढ़त: इस पद्धति ने मुख्य परीक्षण (MGSM) पर AI की सटीकता में औसतन 21.7% का सुधार किया।
- शिक्षक की आवश्यकता नहीं: महत्वपूर्ण बात यह है कि यह बिना किसी मानव-प्रदान किए गए सही उत्तरों या पूर्व-अनुवादित डेटा के काम कर गया। AI ने खुद को सिखाया कि क्या उसके अपने उत्तर भाषाओं के बीच सुसंगत (consistent) हैं।
- सामान्यीकरण (Generalization): यहाँ तक कि जब AI को उन भाषाओं पर प्रशिक्षित किया गया जिन्हें उसने पहले कभी नहीं देखा था, तब भी वह उन नई भाषाओं में समस्याओं को हल करने में बेहतर हो गया। यह केवल गणित ही नहीं, बल्कि विभिन्न प्रकार की तार्किक पहेलियों (logic puzzles) पर भी अच्छी तरह काम करता है।
मुख्य निष्कर्ष
यह शोध पत्र दिखाता है कि AI को कई भाषाओं में तर्क करने के लिए सिखाने के लिए आपको सटीक, मानव-अनुवादित पाठ्यपुस्तकों के विशाल पुस्तकालय की आवश्यकता नहीं है। आपको बस उसे एक सरल नियम सिखाने की आवश्यकता है: "सत्य एक ही रहता है, चाहे आप कोई भी भाषा बोलें।" AI को भाषाओं के बीच सुसंगत होने के लिए मजबूर करके, वह स्वाभाविक रूप से सभी भाषाओं में अधिक स्मार्ट और विश्वसनीय बन जाता 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।