DialogPII: A multilingual dataset of synthetic dialog transcripts to detect personal information
यह शोध पत्र DialogPII को प्रस्तुत करता है, जो सिंथेटिक संवाद ट्रांसक्रिप्ट और संबंधित स्पीच-व्युत्पन्न संसाधनों का एक बहुभाषी डेटासेट है, जिसमें आठ इंटरेक्शन परिदृश्यों में 11 भाषाओं और 19 इकाई प्रकारों को कवर किया गया है, जिसे संवादात्मक डेटा में गोपनीयता की सुरक्षा के लिए स्वचालित डी-आइडेंटिफिकेशन सिस्टम के विकास और मूल्यांकन में सहायता के लिए डिज़ाइन किया गया 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 बातचीत का एक विशाल पुस्तकालय है—लोग अपने स्वास्थ्य के बारे में बात कर रहे हैं, पुलिस को फोन कर रहे हैं, या कस्टमर सपोर्ट के साथ चैट कर रहे हैं। ये बातचीत उन शोधकर्ताओं के लिए सोने की खान जैसी हैं जो कंप्यूटर को यह सिखाने की कोशिश कर रहे हैं कि मानव भाषण को कैसे समझा जाए। लेकिन एक समस्या है: ये बातचीत "गुप्त सामग्रियों" से भरी होती हैं जैसे वास्तविक नाम, फोन नंबर, घर के पते या चिकित्सा स्थितियाँ। यदि आप इन रहस्यों को छिपाए बिना इस पुस्तकालय को साझा करते हैं, तो आप अनजाने में लोगों के निजी जीवन को उजागर कर देते हैं।
यह पेपर DialogPII पेश करता है, जो एक नया, विशाल "प्रशिक्षण जिम" (training gym) है जिसे कंप्यूटर को यह सिखाने के लिए डिज़ाइन किया गया है कि डेटा साझा करने से पहले उन गुप्त सामग्रियों को कैसे पहचाना और छिपाया जाए।
इसे उन्होंने कैसे बनाया, यहाँ सरल भाषा में समझाया गया है:
1. "नकली" लेकिन वास्तविक लाइब्रेरी
आप सीधे असली लोगों की निजी फोन कॉल लेकर उन्हें साझा नहीं कर सकते; यह अवैध और अनैतिक है। इसलिए, शोधकर्ताओं ने एक "डिजिटल शेफ" (एक लार्ज लैंग्वेज मॉडल) का उपयोग करके सिंथेटिक (कृत्रिम) बातचीत तैयार की।
इसे एक टीवी राइटर के कमरे की तरह समझें। असली लोगों की फिल्म बनाने के बजाय, उन्होंने 8 अलग-अलग प्रकार के दृश्यों के लिए स्क्रिप्ट लिखी:
- आपातकालीन कॉल (जैसे 911)।
- डॉक्टर के क्लिनिक के दौरे।
- थेरेपी सत्र।
- पुलिस रिपोर्ट।
- कस्टमर सपोर्ट चैट।
- और बहुत कुछ।
उन्होंने 1,029 बातचीत बनाईं (उनके द्वारा समर्थित 11 भाषाओं में से प्रत्येक के लिए लगभग 147)। यह सुनिश्चित करने के लिए कि "अभिनेता" रोबोट की तरह न लगें, मानव संपादकों ने अजीब वाक्यों को ठीक करने, दोहराव वाले नामों को बदलने और यह सुनिश्चित करने के लिए हस्तक्षेप किया कि सांस्कृतिक विवरण (जैसे सड़क के नाम या स्थानीय रीति-रिवाज) प्रत्येक देश के लिए वास्तविक महसूस हों।
2. "लाल पेन" का खेल (एनोटेशन)
एक बार जब स्क्रिप्ट लिख ली गई, तो टीम ने "गुप्त पहचानो" का खेल खेला। वे हर पंक्ति पर गए और किसी भी ऐसी चीज़ को हाइलाइट किया जिससे किसी व्यक्ति की पहचान हो सके।
- नाम? हाइलाइट किया गया।
- फोन नंबर? हाइलाइट किया गया।
- "मेरा चचेरा भाई बॉब" (एक रिश्ता)? हाइलाइट किया गया।
- "मैं स्थानीय अस्पताल में काम करता हूँ" (एक नौकरी)? हाइलाइट किया गया।
उन्होंने खोजने के लिए 19 अलग-अलग प्रकार के रहस्य पाए। उन्होंने इसे 11 भाषाओं (अंग्रेजी, जर्मन, अरबी, हिंदी और तुर्की सहित) में किया, यह सुनिश्चित करते हुए कि "लाल पेन" के नियम हर जगह काम करें।
3. "रोबोटिक आवाज़" की चुनौती
यहाँ चालाकी भरा हिस्सा है। अधिकांश गोपनीयता उपकरण केवल टेक्स्ट (पाठ) देखते हैं। लेकिन लोग बोलते हैं!
- टीम ने अपनी लिखित स्क्रिप्ट ली और एक कंप्यूटर का उपयोग करके उन्हें ज़ोर से पढ़वाया (Text-to-Speech)।
- फिर, उन्होंने एक अलग कंप्यूटर प्रोग्राम का उपयोग किया जो उस ऑडियो को सुन सके और उसे वापस लिख सके (Speech-to-Text)।
इससे बातचीत का एक "अव्यवस्थित" संस्करण बन गया। वास्तविक स्पीच-टू-टेक्स्ट सॉफ़्टवेयर की तरह, इस संस्करण में टाइपो, छूटे हुए शब्द और अजीब ठहराव थे। शोधकर्ताओं ने अपने "लाल पेन" हाइलाइट्स को साफ टेक्स्ट से लिया और उन्हें इस अव्यवस्थित ऑडियो ट्रांसक्रिप्ट पर मैप करने की कोशिश की। उन्होंने शोर वाले, बोले गए डेटा में भी रहस्यों को खोजने के लिए कंप्यूटरों को प्रशिक्षित करने हेतु एक सटीक "उत्तर कुंजी" (answer key) बनाने के लिए गलतियों को मैन्युअल रूप से ठीक किया।
4. "टेस्ट ड्राइव"
यह साबित करने के लिए कि उनका नया जिम काम करता है, उन्होंने एक बुनियादी कंप्यूटर मस्तिष्क (एक मॉडल) बनाया और उन्हें इन नकली बातचीत पर प्रशिक्षित किया।
- परिणाम: कंप्यूटर साफ टेक्स्ट में रहस्यों को खोजने में बहुत अच्छा रहा (लगभग 90% सटीकता)।
- कठिन टेस्ट: जब उन्होंने इसे अव्यवस्थित, स्पीच-व्युत्पन्न ट्रांसक्रिप्ट पर टेस्ट किया, तो सटीकता थोड़ी कम हो गई (लगभग 82%), जो अपेक्षित है क्योंकि ऑडियो ट्रांसक्रिप्शन काम को कठिन बना देता है।
- वास्तविक दुनिया की जाँच: उन्होंने एक अलग डेटाबेस से एक छोटे सेट के वास्तविक (लेकिन गुमनाम) फोन कॉल पर भी परीक्षण किया। कंप्यूटर ने अभी भी ठीक से काम किया, जिससे सिद्ध हुआ कि उसने केवल नकली स्क्रिप्ट को रटा नहीं, बल्कि सामान्य नियम सीखे हैं।
यह क्यों महत्वपूर्ण है
DialogPII को एक सुरक्षित, कानूनी और विविध "फ्लाइट सिम्युलेटर" के रूप में समझें।
- पहले: शोधकर्ताओं को वास्तविक, संवेदनशील डेटा (जो जोखिम भरा है) या बहुत छोटे, उबाऊ डेटासेट (जो उपयोगी नहीं हैं) का उपयोग करना पड़ता था।
- अब: उनके पास एक विशाल, बहुभाषी, बहु-परिदृश्य वाला डेटासेट है जिसे साझा करना 100% सुरक्षित है।
यह डेवलपर्स को AI सिस्टम के लिए बेहतर "प्राइवेसी शील्ड" (गोपनीयता कवच) बनाने की अनुमति देता है। एक बार जब ये शील्ड DialogPII पर प्रशिक्षित हो जाती हैं, तो उन्हें अस्पतालों, कॉल सेंटरों और थेरेपी ऐप्स में वास्तविक लोगों के डेटा की रक्षा के लिए उपयोग किया जा सकता है, यह सुनिश्चित करते हुए कि जब हम विज्ञान के लिए डेटा साझा करते हैं, तो हम अनजाने में अपने रहस्य साझा न कर दें।
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।