Relational Structural Causal Models
यह शोध पत्र रिलेशनल स्ट्रक्चरल कॉज़ल मॉडल्स और रिलेशनल न्यूरल कॉज़ल मॉडल्स को पेश करता है ताकि एआई सिस्टम्स को ऐसे कॉज़ल रिप्रेजेंटेशन्स सीखने में सक्षम बनाया जा सके जो अनसीन कॉम्बिनेशन ऑफ ऑब्जेक्ट्स के लिए इंटरवेंशन्स और काउंटरफैक्चुअल्स के बारे में तर्क करने में सहायता प्रदान करें, यहाँ तक कि अनऑब्जर्व्ड कन्फाउंडिंग की उपस्थिति में भी।
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 रोबोट को कार चलाना सिखाने की कोशिश कर रहे हैं। आप उसे ट्रैफिक के हजारों वीडियो दिखाते हैं। लेकिन यहाँ एक पेंच है: आपने उसे जो भी वीडियो दिखाए, उनमें हमेशा ठीक दो कारें और एक पैदल यात्री (pedestrian) थे।
अब, आप उस रोबोट को एक असली सड़क पर रखते हैं जहाँ तीन कारें और दो पैदल यात्री हैं। रोबोट घबरा जाता है। उसने पहले कभी यह विशिष्ट संयोजन (combination) नहीं देखा है। वह नहीं जानता कि तीसरी कार को रुकना चाहिए या चलना चाहिए।
यह वही समस्या है जिसे यह शोध पत्र (paper) हल करता है। यह पूछता है: हम एक ऐसा AI कैसे बना सकते हैं जो चीजों के आपस में जुड़ने के नियमों को समझ सके, ताकि वह बिना दोबारा ट्रेनिंग लिए, वस्तुओं के नए और अनदेखे संयोजनों को संभाल सके?
लेखक इसके समाधान को रिलेशनल स्ट्रक्चरल कॉज़ल मॉडल्स (Relational Structural Causal Models - RSCMs) कहते हैं। यहाँ उन्होंने जो किया है, उसका विवरण सरल उपमाओं (analogies) का उपयोग करके दिया गया है।
1. समस्या: "रेसिपी" बनाम "सामग्री" (The "Recipe" vs. The "Ingredients")
आज के अधिकांश AI मॉडल एक ऐसे शेफ की तरह हैं जिसने सलाद बनाने की एक सटीक रेसिपी याद कर ली है जिसमें ठीक तीन टमाटर और दो खीरे होते हैं। यदि आप उन्हें चार टमाटर और एक खीरे वाला सलाद देते हैं, तो वे भ्रमित हो जाते हैं। वे सलाद के तर्क (logic) को नहीं समझते; उन्होंने बस सामग्रियों की एक विशिष्ट सूची याद कर ली है।
वास्तविक दुनिया में (जैसे ट्रैफिक, जीव विज्ञान, या सोशल नेटवर्क में), वस्तुओं की संख्या लगातार बदलती रहती है।
- ट्रैफिक: कभी 2 कारें होती हैं, कभी 10। कभी कोई पैदल यात्री कार A के सामने होता है, तो कभी कार B के।
- लक्ष्य: हमें एक ऐसा AI चाहिए जो "रेसिपी" (कारण संबंधी नियमों/causal rules) को सीख सके, न कि केवल विशिष्ट सामग्रियों को। उसे यह जानना चाहिए कि: "यदि एक लाल बत्ती कार को नियंत्रित करती है, तो कार रुक जाती है," चाहे वहां एक कार हो या सौ।
2. समाधान: "सार्वभौमिक नियम पुस्तिका" (The "Universal Rulebook")
लेखकों ने एक नए प्रकार का मॉडल बनाया जिसे रिलेशनल स्ट्रक्चरल कॉज़ल मॉडल (RSCM) कहा जाता है।
एक RSCM को केवल विशिष्ट तथ्यों की सूची के रूप में नहीं, बल्कि एक सार्वभौमिक नियम पुस्तिका (Universal Rulebook) के रूप में सोचें।
- यह कहने के बजाय कि "कार 1 रुकती है जब लाइट 1 लाल होती है," नियम पुस्तिका कहती है: "कोई भी कार रुक जाएगी यदि कोई भी लाइट जो उसे नियंत्रित करती है लाल हो।"
- यह संबंधों को भी संभालता है: "एक कार तब रुकती है जब उसके रास्ते में आने वाला कोई भी पैदल यात्री सड़क पार कर रहा हो।"
यह AI को उसी नियम पुस्तिका का उपयोग करने और उसे 2 कारों वाले दृश्य या 50 कारों वाले दृश्य में लागू करने की अनुमति देता है। उसे यह जानने के लिए कि क्या करना है, हर संभावित संयोजन को देखने की आवश्यकता नहीं है।
3. बड़ी खोज: आप केवल "अनुमान" नहीं लगा सकते
यह शोध पत्र एक बहुत ही महत्वपूर्ण, और कुछ हद तक डराने वाली खोज करता है। उन्होंने गणितीय रूप से सिद्ध किया है कि आप केवल एक सेट के दृश्यों से डेटा देखकर स्वचालित रूप से यह पता नहीं लगा सकते कि एक पूरी तरह से नए दृश्य में क्या होगा।
उपमा:
कल्पना कीजिए कि आपके पास एक मशीन है जो सैंडविच बनाती है।
- दृश्य A: आपने हमेशा केवल देखा है कि मशीन एक स्लाइस चीज़ के साथ सैंडविच बनाती है।
- दृश्य B: आप जानना चाहते हैं कि क्या होगा यदि आप चीज़ के दो स्लाइस डालें।
लेखकों ने सिद्ध किया कि बिना आंतरिक तंत्र (internal mechanism या "causal graph") को जाने, आप दृश्य A को देखकर दृश्य B के परिणाम का अनुमान नहीं लगा सकते।
- हो सकता है कि मशीन चीज़ को रैखिक रूप से (linearly) जोड़ती हो (2 स्लाइस = दोगुना स्वाद)।
- हो सकता है कि मशीन की एक सीमा हो (2 स्लाइस = मशीन जाम हो जाएगी)।
- हो सकता है कि मशीन दूसरे स्लाइस को पूरी तरह से अनदेखा कर दे।
यदि आप केवल मशीन को सिंगल-स्लाइस सैंडविच बनाते हुए देखते हैं, तो आपके पास यह जानने का कोई तरीका नहीं है कि इनमें से कौन सा नियम सच है। आपको यह जानने के लिए कि क्या परिणाम होगा, मशीन की संरचना (causal graph) को जानने की आवश्यकता है।
4. समाधान: मानचित्र बनाना (Drawing the Map)
इस "अनुमान लगाने" वाली समस्या को हल करने के लिए, लेखक कहते हैं कि हमें एक संबंधों का मानचित्र (Relational Causal Graph) प्रदान करने की आवश्यकता है।
यह मानचित्र AI को बताता है:
- "संकेत (Signals) पैदल यात्रियों को नियंत्रित करते हैं।"
- "कार के रास्ते में आने वाले पैदल यात्री कार को प्रभावित करते हैं।"
- "संकेत सीधे कारों को प्रभावित नहीं करते जब तक कि वे उन्हें नियंत्रित न करें।"
एक बार जब AI के पास यह मानचित्र होता है, तो वह यह पता लगाने के लिए एक विशेष गणितीय उपकरण (जिसे "पहचान मानदंड" या identification criteria कहा जाता है) का उपयोग कर सकता है कि क्या वह एक नए दृश्य के बारे में उत्तर दे सकता है।
- यदि मानचित्र कहता है "हाँ": तो AI पुराने दृश्यों के डेटा का उपयोग करके नए दृश्य के परिणाम की सटीक भविष्यवाणी कर सकता है।
- यदि मानचित्र कहता है "नहीं": तो AI जानता है कि उसके पास पर्याप्त जानकारी नहीं है और उसे अनुमान नहीं लगाना चाहिए।
5. "न्यूरल" इंजन (The "Neural" Engine)
अंत में, लेखकों ने एक कंप्यूटर प्रोग्राम (न्यूरल नेटवर्क) बनाया जो इस नियम पुस्तिका और मानचित्र का उपयोग करता है। वे इसे रिलेशनल न्यूरल कॉज़ल मॉडल कहते हैं।
उन्होंने इसका परीक्षण सिम्युलेटेड ट्रैफिक दृश्यों पर किया।
- उन्होंने AI को कारों और पैदल यात्रियों की विशिष्ट संख्या वाले दृश्यों पर प्रशिक्षित किया।
- उन्होंने उससे पूछा कि कारों और पैदल यात्रियों की अलग-अलग संख्या वाले दृश्यों में क्या होगा।
परिणाम:
नया मॉडल, मानक AI मॉडलों की तुलना में अनदेखे दृश्यों की भविष्यवाणी करने में बहुत बेहतर था। भले ही मानक मॉडलों को सीधे "अनदेखे" दृश्यों पर प्रशिक्षित किया गया था, फिर भी नया मॉडल (जो अलग दृश्यों पर प्रशिक्षित था लेकिन सही नियमों का उपयोग कर रहा था) अक्सर उतना ही अच्छा या उससे बेहतर प्रदर्शन करता था।
सारांश
- समस्या: जब वस्तुओं की संख्या या उनका विन्यास (arrangement) बदल जाता है, तो AI संघर्ष करता है (जैसे 2 कारें बनाम 10 कारें)।
- अंतर्दृष्टि: आप केवल पुराने डेटा को देखकर नए संयोजनों के नियम नहीं सीख सकते; आपको अंतर्निहित कारण संरचना (causal structure) को जानने की आवश्यकता है।
- उपकरण: उन्होंने एक "नियम पुस्तिका" (RSCM) और एक "मानचित्र" (Causal Graph) बनाया जो यह बताता है कि वस्तुएं कैसे परस्पर क्रिया करती हैं।
- प्रमाण: उन्होंने गणितीय रूप से दिखाया कि आप कब नए परिदृश्यों की भविष्यवाणी कर सकते हैं और कब नहीं कर सकते, और एक न्यूरल नेटवर्क बनाया जो इन नियमों का सफलतापूर्वक उपयोग करके अनदेखे ट्रैफिक दृश्यों में सामान्यीकरण (generalize) करता है।
संक्षेप में, उन्होंने AI को केवल वस्तुओं की सूचियों को याद करने के बजाय संबंधों के तर्क को समझने का एक तरीका दिया, जिससे यह वास्तविक दुनिया की जटिल और परिवर्तनशील स्थितियों को संभालने में सक्षम हुआ।
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।