Rosetta Memory: Adaptive Memory for Cross-LLM Agents
यह शोध पत्र Rosetta Memory को प्रस्तुत करता है, जो एक मेमोरी-केंद्रित फ्रेमवर्क है जो विविध और बार-बार परिवर्तित होने वाले लार्ज लैंग्वेज मॉडल्स में अनुकूलन योग्य मेमोरी शेयरिंग और सुदृढ़ प्रदर्शन सक्षम करने के लिए संयुक्त रूप से प्रशिक्षित, प्रोफाइल-कंडीशन्ड ऑपरेटर्स और एक मिनिमम-गेन सैंपलिंग करिकुलम का उपयोग 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
यहाँ "रोसेटा मेमोरी" (Rosetta Memory) पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।
बड़ी समस्या: "अनुवाद में खो जाने वाला" एजेंट
कल्पना कीजिए कि आपके पास एक जटिल रहस्य सुलझाने की कोशिश कर रहे श्रमिकों (AI एजेंट्स) की एक टीम है, जैसे कि कोई जासूसी कहानी। इसे सुलझाने के लिए, उन्हें एक-दूसरे को नोट्स (संदेश) भेजने की आवश्यकता होती है।
- श्रमिक A एक तेज़, अनौपचारिक कोडर है जो जल्दी में, संक्षिप्त बुलेट पॉइंट्स में नोट्स लिखता है।
- श्रमिक B एक धीमा, सावधान लेखक है जिसे चीजों को समझने के लिए पूर्ण, विनम्र वाक्यों की आवश्यकता होती है।
- श्रमिक C एक विजुअल थिंकर (दृश्य विचारक) है जिसे जानकारी को एक तालिका (टेबल) के रूप में व्यवस्थित करने की आवश्यकता होती है।
अतीत में, यदि श्रमिक A ने एक नोट लिखा और उसे श्रमिक B को दिया, तो श्रमिक B अक्सर भ्रमित हो जाता था। नोट "श्रमिक A की भाषा" में लिखा गया था, न कि "श्रमिक B की भाषा" में। टीम सुरागों को खो देती थी, महत्वपूर्ण विवरण भूल जाती थी, या निर्देशों को गलत समझ लेती थी। ऐसा तब होता है जब अलग-अलग लार्ज लैंग्वेज मॉडल्स (LLMs) मेमोरी साझा करने की कोशिश करते हैं: मेमोरी की "भाषा" पाठक की "भाषा" से मेल नहीं खाती।
समाधान: रोसेटा मेमोरी (RoMem)
लेखकों ने रोसेटा मेमोरी नामक एक प्रणाली बनाई है। इसे अपने AI टीम के लिए एक सार्वभौमिक अनुवादक (universal translator) और एक विशेष नोटरी के रूप में समझें।
हर श्रमिक को एक ही तरह से लिखने के लिए मजबूर करने के बजाय, रोसेटा मेमोरी बीच में बैठती है और इस आधार पर नोट्स को अनुकूलित करती है कि लिख कौन रहा है और पढ़ कौन रहा है।
यह दो विशेष उपकरणों (ऑपरेटर्स) का उपयोग करता है:
- "अनुवादक" (Write Operator): जब कोई श्रमिक एक नोट लिखता है, तो यह टूल देखता है कि किसने इसे लिखा है। यह उनके कच्चे, अव्यवस्थित नोट्स को लेता है और उन्हें एक "मानकीकृत" (standardized) प्रारूप में फिर से लिखता है जो बाद में किसी के लिए भी समझना आसान हो। यह लेखक की व्यक्तिगत विशिष्टताओं को हटा देता है।
- "एडेप्टर" (Read Operator): जब किसी श्रमिक को एक नोट पढ़ने की आवश्यकता होती है, तो यह टूल देखता है कि कौन पढ़ रहा है। यह उस मानकीकृत नोट को लेता है और उसे उस विशिष्ट प्रारूप में ढालता है जिसे वह पाठक पसंद करता है (जैसे, विजुअल थिंकर के लिए एक पैराग्राफ को तालिका में बदलना, या कोडर के लिए बुलेट लिस्ट में बदलना)।
उन्होंने सिस्टम को कैसे सिखाया
इस सिस्टम को काम करना सिखाने के लिए, शोधकर्ताओं ने केवल एक प्रकार के श्रमिक को नहीं दिखाया। उन्होंने कई अलग-अलग प्रकार के AI मॉडल्स (कुछ तेज़, कुछ धीमे, कुछ अलग कंपनियों के) के साथ एक "ट्रेनिंग कैंप" बनाया।
उन्होंने "मिनिमम-गेन सैंपलिंग" (Minimum-Gain Sampling) नामक एक चतुर प्रशिक्षण तकनीक का उपयोग किया।
- कल्पना कीजिए कि एक शिक्षक देखता है कि "धीमा, सावधान लेखक" (श्रमिक B) नोट्स समझने में सबसे अधिक संघर्ष कर रहा है।
- आसान छात्रों के साथ अभ्यास करने के बजाय, शिक्षक सिस्टम को संघर्ष कर रहे छात्रों के साथ अतिरिक्त कठिन अभ्यास करने के लिए मजबूर करता है।
- यह सुनिश्चित करता है कि सिस्टम उन मॉडल्स की मदद करने में वास्तव में कुशल हो जाए जिन्हें आमतौर पर पीछे छोड़ दिया जाता है, न कि केवल औसत मामले में अच्छा हो जाए।
उन्होंने एक "स्कोरकार्ड" का भी उपयोग किया जो केवल तभी अंक देता था यदि सिस्टम ने कच्चे नोट्स पास करने की तुलना में टीम के प्रदर्शन में वास्तव में सुधार किया हो। इसने सुनिश्चित किया कि सिस्टम अनुवाद करना सीख रहा है, न कि केवल उत्तरों को याद कर रहा है।
उन्हें क्या मिला
शोधकर्ताओं ने इसका परीक्षण तीन अलग-अलग "रहस्य" खेलों (डेटासेट जिन्हें HotpotQA, 2WikiMultihopQA, और MuSiQue कहा जाता है) पर किया जहाँ AI को उत्तर खोजने के लिए कई सुरागों को जोड़ना था।
- परिणाम: रोसेटा मेमोरी का उपयोग करने वाली टीमों ने मानक तरीकों का उपयोग करने वाली टीमों की तुलना में रहस्यों को बहुत बेहतर ढंग से सुलझाया।
- "अनसीन" (Unseen) टेस्ट: यहाँ तक कि जब उन्होंने सिस्टम का परीक्षण एक ऐसे नए प्रकार के श्रमिक के साथ किया जिसे उन्होंने प्रशिक्षण के दौरान कभी नहीं देखा था, तब भी यह अच्छी तरह से काम कर गया। जब टीम का संयोजन बदला, तो यह टूटा नहीं।
- "मिसमैच" (Mismatch) का प्रमाण: उन्होंने दिखाया कि बिना इस सिस्टम के, यदि आप कार्य के बीच में श्रमिकों को बदलते हैं, तो टीम अक्सर विफल हो जाती है क्योंकि नोट्स नए श्रमिक के लिए समझ में नहीं आते। रोसेटा मेमोरी के साथ, नोट्स हमेशा समझ में आते हैं, चाहे कोई भी पढ़ रहा हो।
संक्षेप में
रोसेटा मेमोरी एक स्मार्ट बिचौलिया है जो यह सुनिश्चित करता है कि AI एजेंट निर्बाध रूप से नोट्स का आदान-प्रदान कर सकें, भले ही वे अलग-अलग "भाषाएं" बोलते हों या उनकी शैलियां अलग हों। यह मेमोरी को लिखते समय अनुवाद करता है और पढ़ते समय उसे अनुकूलित करता है, जिससे यह सुनिश्चित होता है कि पूरी टीम एक ही पृष्ठ पर रहे, चाहे उस समय कोई भी विशिष्ट AI मॉडल काम कर रहा हो।
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।