Nigeria Machinery: A Low-Resource Industrial Dataset with a Domain-Grounded Reasoning Layer

कल्पना कीजिए कि आप एक सुपर-स्मार्ट रोबोट को नाइजीरिया में एक टूटी हुई तेल रिफाइनरी ठीक करना सिखाने की कोशिश कर रहे हैं। आप उसे वास्तविक कहानियाँ दिखाना चाहेंगे: "2020 में, पोर्ट हारकोर्ट रिफाइनरी X के कारण तीन दिनों तक काम करना बंद कर दी थी," या "विनिर्माण क्षेत्र ने अपनी मशीनों का केवल 40% उपयोग किया।" लेकिन यहाँ एक पेंच है: वे सभी वास्तविक कहानियाँ धूल भरी, विशाल PDF रिपोर्टों में बंद हैं, विभिन्न सरकारी इमारतों में बिखरी हुई हैं, और ऐसी तालिकाओं (tables) में लिखी गई हैं जिन्हें रोबोट पढ़ नहीं सकते। यह एक ऐसी लाइब्रेरी की तरह है जहाँ हर नक्शा एक अलग भाषा में लिखा गया है और अलग-अलग अटारी में छिपा हुआ है।

यही वह समस्या है जिसे गॉस्पेल बासे और विन्सेंट फाकिएसी ने हल किया। उन्होंने न केवल नक्शे खोजे; बल्कि उन्होंने एक छोटा, अत्यंत विस्तृत खजाना बनाया जिसे नाइजीरिया मशीनरी यूसेज एंड फेलियर्स डेटासेट (Nigeria Machinery Usage and Failures Dataset) कहा जाता है।

खजाना: 89 वास्तविक सुराग

इस डेटासेट को नाइजीरिया में मशीनों के बारे में 89 विशिष्ट, वास्तविक दुनिया के सुरागों के संग्रह के रूप में सोचें, जो 2006 से 2025 तक फैले हुए हैं। ये सुराग दो मुख्य क्षेत्रों को कवर करते हैं: औद्योगिक विनिर्माण (Industrial Manufacturing) (38 सुराग) और तेल एवं गैस (Oil and Gas) (51 सुराग)।

इसके अंदर, आपको ईंधन उत्पादन की मात्रा, कितनी मशीनें बेकार बैठी हैं (डाउनटाइम), और मरम्मत पर कितना पैसा खर्च होता है, जैसी चीजों के तथ्य मिलेंगे। लेकिन सबसे महत्वपूर्ण बात यह है कि प्रत्येक सुराग के पास एक "रसीद" है। लेखकों ने अनुमान नहीं लगाया या मनगढ़ंत बातें नहीं बनाईं। यदि कोई संख्या कहती है "40% क्षमता," तो वे आपको उस सटीक पृष्ठ तक ले जा सकते हैं जहाँ वह संख्या सरकारी रिपोर्ट में छपी है।

हालाँकि, लेखक अपने इस खजाने के आकार के बारे में बहुत ईमानदार हैं। वे इसे एक "सीड" (seed) डेटासेट कहते हैं, न कि एक विशाल जंगल। क्यों? क्योंकि 28 प्रकार के सुरागों में से 17 के पास केवल एक एकल प्रविष्टि (entry) है। यह एक ऐसे शब्दकोश की तरह है जहाँ अधिकांश शब्दों के केवल एक उदाहरण वाक्य हैं। आप उन शब्दों का अर्थ सीख सकते हैं, लेकिन आप अभी उनसे पूरा उपन्यास नहीं लिख सकते। यह एक शुरुआती बिंदु है, एक संदर्भ मार्गदर्शिका, न कि एक विशाल प्रशिक्षण मैनुअल जिससे रोबട്ട് अपने आप सब कुछ सीख सके।

"नकली विशेषज्ञ" की समस्या

अब, यहाँ उनकी कहानी का चतुर हिस्सा है। लेखकों ने महसूस किया कि केवल संख्याओं का होना ही काफी नहीं है। आपको रोबोट को यह भी सिखाना होगा कि उनके बारे में सोचना कैसे है। यहीं पर वे एक मजेदार लेकिन खतरनाक जाल में फंसे।

कल्पना कीजिए कि आपके पास एक रोबोट है जो गणित में बहुत अच्छा है लेकिन संदर्भ (context) समझने में बहुत बुरा है। आप उसे एक संख्या देते हैं, मान लीजिए 35.5, और उसे समझाने के लिए कहते हैं।

• गलत तरीका: रोबोट कह सकता है, "आह, 35.5 किसी मरीज के बुखार का तापमान है!" उसने संख्या तो सही ली, लेकिन कहानी पूरी तरह से गलत है। यह एक जासूस की तरह है जो हत्या के मामले को यह अनुमान लगाकर सुलझाता है कि पीड़ित एक मछली थी।
• पुराला संस्करण: उनके काम के एक पिछले संस्करण में, उनके पास ऐसे 78 "सोचने वाले" उदाहरण थे। लेकिन उनमें से 77 इस बुखार वाले उदाहरण की तरह थे। उनके पास सही संख्याएँ थीं, लेकिन कहानियाँ मेडिकल सेंसर या अमूर्त गणित के बारेारे में थीं, न कि नाइजीरियाई तेल रिफाइनरी के बारे में। केवल 1/78 वास्तव में वास्तविक औद्योगिक दुनिया के बारे में बात करता था।

लेखक तर्क देते हैं कि यह एक बड़ी गलती है। यदि आप एक रोबोट को नाइजीरियाई तेल डेटा का उपयोग करके मेडिकल सेंसर के बारे में सिखाते हैं, तो रोबोट रिफाइनरी को कैसे ठीक करना है, इसके बारे में कुछ भी नहीं सीख पाता है। यह एक पायलट को कार चलाने वाले वीडियो गेम का उपयोग करके विमान उड़ाना सिखाने जैसा है। नियंत्रण समान दिख सकते हैं, लेकिन वास्तविकता पूरी तरह से अलग है।

समाधान: वास्तविक कहानियाँ, वास्तविक सोच

इसे ठीक करने के लिए, लेखकों ने (एडैप्शन लैब्स की मदद से) "सोचने वाले" हिस्से को फिर से शून्य से बनाया। उन्होंने 94 नए उदाहरण बनाए जहाँ रोबोट को एक वास्तविक इंजीनियर की तरह कार्य करने के लिए मजबूर किया जाता है।

यह पूछने के बजाय कि, "512 का लॉग बेस 2 क्या है?", वे पूछते हैं, "NUPRC रिपोर्ट के अनुसार 2015 में वार्री रिफाइनरी की क्षमता उपयोगिता (capacity utilization) क्या थी?"

• परिणाम: उनके 94 नए उदाहरणों में से प्रत्येक वास्तविक दुनिया में आधारित है।
• गणित: उन्होंने 6 ऐसे उदाहरण भी जोड़े जहाँ रोबोट को वास्तविक, बहु-चरणीय गणित (जैसे कि मशीन के टूटे होने पर प्रति दिन की लागत की गणना करना) करना पड़ता है, न कि केवल एक संख्या ढूँढना।
• प्रमाण: उन्होंने दरवाजे पर एक सख्त "बाउंसर" तैनात किया। यदि किसी कहानी में वास्तविक उद्योग शब्द का उल्लेख नहीं था, या यदि गणित स्रोत से पूरी तरह मेल नहीं खाता था, तो उसे बाहर निकाल दिया गया। इसके कारण, अंतिम 94 पंक्तियों में से 100% ने परीक्षण पास किया। प्रत्येक उत्तर स्रोत दस्तावेज़ से बिल्कुल मेल खाता है।

इसका आपके लिए क्या अर्थ है

लेखक बहुत स्पष्ट हैं: यह कोई जादुई छड़ी नहीं है जो तुरंत नाइजीरिया की सभी मशीनों को ठीक कर देगी। वे स्पष्ट रूप से इस विचार को खारिज करते हैं कि यह छोटा डेटासेट अभी बड़े पैमाने पर विफलताओं की भविष्यवाणी करने के लिए एक रोबोट को प्रशिक्षित कर सकता है। अभी पर्याप्त संख्याएँ उपलब्ध नहीं हैं।

इसके बजाय, इसे एक ब्लूप्रिंट और एक स्टार्टर किट के रूप में देखें।

1. डेटा: यह साबित करता है कि आप शून्य से एक विश्वसनीय, वास्तविक दुनिया का डेटासेट बना सकते हैं, भले ही जानकारी बिखरी हुई और कठिन हो।
2. विधि: यह दिखाता है कि यदि आप चाहते हैं कि AI वास्तविक दुनिया में उपयोगी हो, तो आप केवल उसे संख्याएँ नहीं दे सकते; आपको उसे संख्याओं के पीछे की कहानी भी देनी होगी।
3. भवि vực: वे आशा करते हैं कि यह "सीड" बढ़ेगा। वे चाहते हैं कि अन्य शोधकर्ता इस पद्धति का उपयोग अन्य उद्योगों और देशों के लिए इसी तरह के "स्टार्टर किट" बनाने के लिए करें जो वर्तमान में बड़ी टेक कंपनियों द्वारा अनदेखा किए जा रहे हैं।

संक्षेप में, पेपर कहता है: "हमें वास्तविक संख्याएँ मिल गईं, हमने नकली कहानियों को ठीक किया, और हमने एक छोटा लेकिन ईमानदार टूलबॉक्स बनाया। यह अभी पूरा घर नहीं है, लेकिन यह एक घर बनाने के लिए एक ठोस नींव है।"