Simulating the Resident: Generating Executable Smart Home Schedules via LLM Personas

तकनीकी सारांश: LLM पर्सोना के माध्यम से निवासी का अनुकरण (Simulating the Resident via LLM Personas)

समस्या विवरण (Problem Statement)
स्मार्ट होम के लिए मानव-कंप्यूटर इंटरेक्शन (HCI), सुरक्षा और गोपनीयता से जुड़े शोध काफी हद तक उन डेटासेट्स पर निर्भर करते हैं जो वास्तविक डिवाइस इंटरैक्शन, नेटवर्क ट्रैफ़िक और दैनिक दिनचर्या को कैप्चर करते हैं। हालाँकि, ऐसा डेटा प्राप्त करना महत्वपूर्ण पद्धतिगत चुनौतियों को जन्म देता है। वास्तविक घरों से डेटा एकत्र करना धीमा, महंगा और गहन गोपनीयता संबंधी चिंताएं पैदा करने वाला है, क्योंकि इसके लिए निजी स्थानों के दीर्घकालिक और दखल देने वाले अवलोकन की आवश्यकता होती है। इसके अलावा, मौजूदा वास्तविक-विश्व डेटासेट्स अक्सर सीमित दायरे के होते हैं, जो विविध घरेलू संरचनाओं, डिवाइस इकोसिस्टम या उपयोग पैटर्न के बीच सामान्यीकरण करने में विफल रहते हैं। जबकि सिंथेटिक डेटा जनरेशन (synthetic data generation) पर अन्वेषण किया गया है, पिछले दृष्टिकोण (जैसे, सांख्यिकीय मॉडल या हिडन मार्कोव मॉडल) में मानवीय इरादे (human intent) का सिमेंटिक मॉडल नहीं है, और मौजूदा LLM-आधारित सिमुलेशन (जैसे, AgentSense) वास्तविक हार्डवेयर से जुड़ने के बजाय आभासी वातावरण तक ही सीमित हैं।

कार्यप्रणाली (Methodology)
लेखक विविध, व्यवहार-आधारित इंटरैक्शन शेड्यूल्स उत्पन्न करने के लिए 'लार्ज लैंग्वेज मॉडल्स' (LLMs) का उपयोग करके स्वयं निवासियों को सिम्युलेट करने के लिए एक अभिनव दृष्टिकोण प्रस्तावित करते हैं। ये शेड्यूल्स भौतिक स्मार्ट-होम टेस्टबेड्स पर निष्पादित (executable) करने के लिए डिज़ाइन किए गए हैं। कार्यप्रणाली में दो एकीकृत घटक शामिल हैं:

1. परिवारों के लिए एक डिज़ाइन फ्रेमवर्क (A Design Framework for Households):
   यह फ्रेमवर्क डिवाइस गतिविधि को आकार देने के लिए पांच सामाजिक-तकनीकी आयामों (socio-technical dimensions) के माध्यम से सिम्युलेटेड घरों को कॉन्फ़िगर करता है:

• व्यावसायिक दिनचर्या (Occupational Routines): कार्य पैटर्न (जैसे, 9-से-5, शिफ्ट वर्क) जो दैनिक जीवन और उपस्थिति को व्यवस्थित करते हैं।
• सिमुलेशन टाइमफ्रेम (Simulation Timeframe): टेम्पोरल स्कोप (जैसे, एकल-दिवसीय स्नैपशॉट, साप्ताहिक, अनुदैर्ध्य/longitudinal)।
• घरेलू गतिशीलता (Household Dynamics): सामाजिक संरचनाएं और समन्वय (जैसे, एकल निवासी, सहकारी सहवासी, परस्पर विरोधी कार्यक्रम)।
• डिवाइस इकोसिस्टम और इंटरैक्शन स्टाइल (Device Ecosystem & Interaction Style): स्थापित हार्डवेयर और तकनीकी साक्षरता, जो ऑटोमेशन की जटिलता को निर्धारित करती है।
• पर्यावरणीय संदर्भ (Environmental Context): भौतिक सेटिंग्स और जलवायु (जैसे, शहरी अपार्टमेंट, शीतकालीन स्थितियां) जो स्थानिक और ट्रिगर्ड व्यवहारों को प्रभावित करती हैं।

2. एक बहु-चरणीय LLM पाइपलाइन (A Multi-Stage LLM Pipeline):
   जेनरेटिव एजेंट आर्किटेक्चर से अनुकूलित, यह पाइपलाइन कॉन्फ़िगर किए गए आयामों को चार चरणों के माध्यम से निष्पादन योग्य ट्रेसेस (executable traces) में परिवर्तित करती है:

• चरण 1: पर्सोना और संदर्भ इनिशियलाइजेशन (Persona & Context Initialization): LLM घरेलू कॉन्फ़िगरेशन, पर्यावरणीय संदर्भ और उपलब्ध उपकरणों के एक सख्त JSON स्कीमा को प्राप्त करता है। यह प्रत्येक निवासी के लिए एक "पर्सोना मेमोरी कार्ड" उत्पन्न करता है, जो उनके शेड्यूल और आदतों का सारांश देता है और साथ ही उनकी प्राथमिकताओं को सटीक डिवाइस नामों और पैरामीटर मानों (schema से) के साथ मैप करता है।
• चरण 2: नैरेटिव डे-प्लान जनरेशन (Narrative Day-Plan Generation): मेमोरी कार्ड्स का उपयोग करते हुए, LLM एक विशिष्ट समय सीमा के भीतर गतिविधियों का एक प्राकृतिक-भाषा नैरेटिव तैयार करता है। यह चरण भौतिक स्थानों और सामाजिक समन्वय (जैसे, दूसरे निवासी को जगाने से बचना) के बारे में तर्क देने पर जोर देता है। महत्वपूर्ण बाधाएं (constraints) सटीक टाइमस्टैम्प, स्पष्ट स्थिति प्रबंधन (state management), निश्चित भाषा और डिवाइस स्कीमा के सख्त पालन को लागू करती हैं।
• चरण 3: एक्शन एक्सट्रैक्शन और फॉर्मेटिंग (Action Extraction and Formatting): एक सख्त फॉर्मेटिंग प्रॉम्प्ट LLM को एक 'एक्शन पार्सर' के रूप में कार्य करने का निर्देश देता है, जो नैरेटिव से ठोस डिवाइस इंटरैक्शन को एक संरचित JSON ऐरे में निकालता है। यह चरण सिंटैक्स त्रुटियों और मतिभ्रम (hallucinations) को कम करने के लिए तर्क (reasoning) को फॉर्मेटिंग से अलग करता है। आउटपुट में टाइमस्टैम्प, निवासी के नाम, डिवाइस, क्रियाएं, मान और इरादे शामिल होते हैं।
• चरण 4: स्टेट और मेमोरी अपडेट (State and Memory Update): अनुदैर्ध्य (longitudinal) सिमुलेशन के लिए, पाइपलाइन जेनरेट किए गए कार्यों के आधार पर पर्सोना मेमोरी कार्ड को अपडेट करती है। यह रोलिंग मेमोरी तंत्र विस्तारित सिमुलेशन में स्थानिक और व्यवहार संबंधी निरंतरता सुनिश्चित करता है बिना कॉन्टेक्स्ट विंडो की सीमा को पार किए।

मुख्य योगदान (Key Contributions)
यह पेपर तीन प्राथमिक योगदान प्रस्तुत करता है:

1. एक कॉन्फ़िगर करने योग्य डिज़ाइन फ्रेमवर्क: पांच सामाजिक-तकनीकी आयामों का एक सेट जो शोधकर्ताओं को व्यवस्थित रूप से सिम्युलेटेड घरेलू परिदृश्यों को आकार देने की अनुमति देता है।
2. एक बहु-चरणीय LLM पाइपलाइन: एक विस्तृत आर्किटेक्चर जो उच्च-स्तरीय निवासी पर्सोना और संदर्भ को संरचित, निष्पादन योग्य डिवाइस इंटरैक्शन शेड्यूल्स में बदल देता है।
3. एक प्रूफ ऑफ कॉन्सेप्ट: एक प्रारंभिक प्रदर्शन जो यह प्रमाणित करता है कि पाइपलाइन टेम्पोरली सुसंगत, पर्सोना-संगत और स्कीमा-अनुपालक इंटरैक्शन ट्रेसेस उत्पन्न कर सकती है।

परिणाम (Results)
जर्मन विंटर मॉर्निंग में दो सहवासियों (एक वर्क-फ्रॉम-होम प्रोफेशनल और एक ऑफिस वर्कर) को सिम्युलेट करने वाले प्रूफ-ऑफ-कॉन्सेप्ट प्रयोग में, पाइपलाइन ने आठ स्मार्ट डिवाइसेज के लिए एक मॉर्निंग रूटीन (06:00–10:00) सफलतापूर्वक उत्पन्न किया।

• संदर्भगत सुसंगतता (Contextual Coherence): आउटपुट ने मौसमी संदर्भ (जैसे, विंटर सनराइज के कारण हीटिंग के बढ़ते उपयोग) और प्रत्येक निवासी के विशिष्ट टेम्पोरल पैटर्न (जैसे, बॉब के कार्य प्रस्थान से पहले क्लस्टर किए गए, एलिस के कार्य सुबह भर फैले हुए) को दर्शाया।
• स्कीमा अनुपालन (Schema Compliance): जेनरेट किए गए JSON शेड्यूल्स प्रदान किए गए डिवाइस स्कीमा का सख्ती से पालन करते हैं, जो डिवाइस नामों और पैरामीटर्स को सही ढंग से अलग करते हैं।
• व्यवहार्यता (Feasibility): पाइपलाइन ने उच्च-स्तरीय गुणों और पर्यावरणीय बाधाओं को एक ऐसे प्रारूप में सफलतापूर्वक अनुवादित किया जो भौतिक टेस्टबेड्स (जैसे, Home Assistant, TTDAS) पर निष्पादन के लिए तैयार है।

महत्व और दावे (Significance and Claims)
लेखक इस कार्य को एक "वर्क इन प्रोग्रेस" के रूप में देखते हैं जिसका उद्देश्य घुसपैठिया वास्तविक-विश्व डेटा संग्रह पर निर्भर रहने के बजाय स्केलेबल, गोपनीयता-अनुकूल स्मार्ट-होम प्रयोगों का समर्थन करना है। वे दावा करते हैं कि यह दृष्टिकोण तीन विशिष्ट निहितार्थ प्रदान करता है:

• प्रत्यक्ष टेस्टबेड निष्पादन (Direct Testbed Execution): जेनरेट किए गए रूटीन के माध्यम से भौतिक हार्डवेयर को चलाने की क्षमता शोधकर्ताओं को प्रामाणिक नेटवर्क ट्रैफ़िक और डिवाइस स्टेट्स कैप्चर करने की अनुमति देती है।
• मानकीकृत बेंचमार्क (Standardized Benchmarks): सामाजिक-तकनीकी आयाम बेसलाइन व्यवहारों के विरुद्ध सिस्टमों के मूल्यांकन के लिए साझा करने योग्य, 'ऑफ-द-शेल्फ' घरेलू कॉन्फ़िगरेशन बनाने की सुविधा देते हैं।
• रैपिड प्रोटोटाइपिंग (Rapid Prototyping): सिमुलेशन डिजाइनरों के लिए मल्टी-यूज़र संघर्षों और ऑटोमेशन लॉजिक का पूर्व-परीक्षण करने के लिए एक उपकरण के रूप से कार्य करता है।

पेपर विनम्रतापूर्वक स्वीकार करता है कि पारिस्थितिक वैधता (ecological validity) अभी स्थापित नहीं हुई है, विशेष रूप से LLMs द्वारा वास्तविक घरेलू व्यवहार की अनियमित या भूलने वाली प्रकृति को पकड़ने की क्षमता के संबंध में। इसके अलावा, एक भौतिक टेस्टबेड पर एंड-टू-एंड निष्पादन को इस प्रारंभिक अध्ययन में अभी तक प्रदर्शित नहीं किया गया है। भविष्य का कार्य विविध कॉन्फ़िगरेशन में व्यवस्थित मूल्यांकन, लाइव टेस्टबेड्स से जुड़ने, और संभावित रूप से सिम्युलेटेड व्यवहारों का एक बड़े पैमाने पर ओपन-सोर्स डेटासेट बनाने की दिशा में है।