Human AI Construction of Bayesian Networks for Operational Decision Support -- A Virtual Survey Approach
यह शोध पत्र एक नवीन छह-चरणीय ढांचे का प्रस्ताव करता है जो परिचालन निर्णय सहायता के लिए बेयसियन बिलीफ नेटवर्क (Bayesian Belief Networks) के निर्माण हेतु लार्ज लैंग्वेज मॉडल एजेंटों और एक ट्रिम्ड-मीन एग्रीगेशन नियम का लाभ उठाता है, जो एक वैकल्पिक स्वास्थ्य सेवा प्रणाली के भीतर ग्राहकों के इरादों को मॉडल करने में इसकी प्रभावशीलता को प्रदर्शित 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
कल्पना कीजिए कि आप भविष्य की भविष्यवाणी करने की कोशिश कर रहे हैं, लेकिन आपके पास दो महत्वपूर्ण चीजें गायब हैं: एक क्रिस्टल बॉल (जादुई गोला) और पिछले रिकॉर्डों का एक विशाल पुस्तकालय। निर्णय लेने की दुनिया में, यह प्रबंधकों, डॉक्टरों और योजनाकारों के लिए एक आम दुःस्वप्न है। उन्हें यह जानने की आवश्यकता होती है कि आगे क्या होगा—क्या कोई ग्राहक उत्पाद खरीदेगा? क्या कोई आपूर्ति श्रृंखला (सप्लाई चेन) टूट जाएगी? क्या कोई रोगी एक नए उपचार को चुनेगा? इसे हल करने के लिए, वैज्ञानिक एक चतुर उपकरण का उपयोग करते हैं जिसे बेयसियन बिलीफ नेटवर्क (Bayesian Belief Network) कहा जाता है। इसे एक विशाल, इंटरैक्टिव फ्लोचार्ट के रूप में समझें जहाँ हर बॉक्स पहेली का एक टुकड़ा है, और तीर दिखाते हैं कि एक चीज़ दूसरी चीज़ को कैसे प्रभावित करती है। इस फ्लोचार्ट को काम करने के लिए, आपको इसमें नंबर भरने की आवश्यकता होती है जो यह दर्शाते हैं कि किसी चीज़ के होने की "कितनी संभावना" है।
आमतौर पर, ये नंबर प्राप्त करना सिरदर्द होता है। या तो आप मानव विशेषज्ञों के एक समूह से अनुमान लगाने के लिए कह सकते हैं (जो धीमा, महंगा और कभी-कभी भ्रमित करने वाला होता है क्योंकि उनका दिमाग थक जाता है), या फिर आप वास्तविक दुनिया के डेटा के पहाड़ के आने का इंतजार कर सकते हैं जिसे प्रोसेस किया जा सके (जो अक्सर अभी मौजूद नहीं होता)। यह शोध एक बिल्कुल नए मध्य मार्ग की खोज करता है: आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करना, विशेष रूप से लार्ज लैंग्वेज मॉडल्स (वही तकनीक जो चैटबॉट्स के पीछे है), एक आभासी विशेषज्ञों की भीड़ के रूप में कार्य करने के लिए। वास्तविक डेटा का इंतजार करने या सौ मनुष्यों को काम पर रखने के बजाय, शोधकर्ता एक कंप्यूटर को एक हजार अलग-अलग लोगों का अनुकरण (सिमुलेट) करने के लिए कहते हैं, उनसे पूछते हैं कि वे एक विशिष्ट स्थिति में क्या करेंगे, और फिर उनके उत्तरों का औसत निकालकर गायब नंबरों को भर देते हैं। यह एक हजार AI दोस्तों से "क्या होगा अगर" का खेल खेलने के लिए पूछने जैसा है ताकि खेल शुरू करने से पहले ही खेल के नियमों का पता लगाया जा सके।
वर्चुअल सर्वे: AI को भविष्य का अनुमान लगाना सिखाना
शोधकर्ताओं, राहुल कुमार और शोवन चौधरी (इंडियन इंस्टीट्यूट ऑफ मैनेजमेंट कोझिकोड) के सामने एक कठिन समस्या थी: जब आपके पास पर्याप्त डेटा न हो और आप मानव विशेषज्ञों पर बोझ नहीं डालना चाहते हों, तो निर्णय लेने का नक्शा कैसे बनाया जाए? उन्होंने एक "वर्चुअल सर्वे" बनाने का निर्णय लिया।
यहाँ बताया गया है कि उनकी विधि चरण-दर-चरण कैसे काम करती है:
- नक्शा बनाना: सबसे पहले, वे मानव सोच के मौजूदा सिद्धांतों के आधार पर नेटवर्क का ढांचा तैयार करते हैं। वे AI को कनेक्शन का अनुमान लगाने नहीं देते; मनुष्य तय करते हैं कि कौन से बॉक्स आपस में जुड़े हैं।
- भीड़ बनाना: वास्तविक लोगों को बुलाने के बजाय, वे एक AI से 100 अद्वितीय "पर्सोना" (चरित्र) उत्पन्न करने के लिए कहते हैं। ये केवल रैंडम नाम नहीं हैं; AI भारतीय ग्राहकों के विस्तृत प्रोफाइल बनाता है—कुछ बेंगलुरु के सॉफ्टवेयर इंजीनियर हैं, तो कुछ उत्तर प्रदेश की गृहिणियां हैं, जिनके अलग-अलग आयु, आय और व्यक्तित्व हैं।
- वर्चुअल इंटरव्यू: इसके बाद सिस्टम इन 100 AI पर्सोना से सवालों की एक विशाल सूची पूछता है। परिस्थितियों के हर संभावित संयोजन के लिए (जैसे, "यदि किसी व्यक्ति में आत्मविश्वास कम है और स्वास्थ्य संबंधी चिंता अधिक है, तो डॉक्टर के पास जाने की कितनी संभावना है?"), AI प्रत्येक अकेले पर्सोना से एक संभावना (प्रोबेबिलिटी) पूछता है।
- मैजिक फिल्टर: चूंकि AI कभी-कभी "भ्रमित" (हैलुसिनेट) हो सकता है या अजीब, बेतुके उत्तर दे सकता है, इसलिए शोधकर्ता एक "ट्रिम्ड मीन" (trimmed mean) का उपयोग करते हैं। वे ऊपर के 10% और नीचे के 10% उत्तरों (आउटलेयर्स) को हटा देते हैं और बीच के 80% का औसत लेते हैं। यह शोर को साफ करता है और एक ठोस, विश्वसनीय नंबर छोड़ता है।
- अंतिम पॉलिश: इन नंबरों को नेटवर्क में डाला जाता है। फिर, कंप्यूटर एक सिमुलेशन चलाता है, जो किसी भी खुरदरेपन को दूर करने के लिए 1,00,000 नकली परिदृश्य उत्पन्न करता है, जिससे एक अंतिम, सुसंगत निर्णय मॉडल बनता है।
बड़ी हैरानी: AI ने क्या पाया
यह पागलपन भरा विचार वास्तव में काम करता है या नहीं, इसकी जांच करने के लिए टीम ने इसे एक वास्तविक दुनिया के प्रश्न पर लागू किया: भारत में लोग मधुमेह के लिए पश्चिमी डॉक्टर के बजाय आयुर्वेदिक (पारंपरिक) डॉक्टर के पास जाने का निर्णय क्यों लेते हैं?
उन्होंने आठ वेरिएबल्स के साथ एक नेटवर्क बनाया, जिसमें "आत्म-प्रभावकारिता" (Self-Efficacy - व्यक्ति कितना आश्वस्त महसूस करता है कि वह उपचार का पालन कर सकता है), "व्यक्तिगत मानदंड" (Subjective Norms - उनके दोस्त और परिवार क्या सोचते हैं), और "स्वास्थ्य चेतना" जैसी चीजें शामिल थीं।
परिणाम दिलचस्प और थोड़े विपरीत थे:
- "आत्म-प्रभावकारिता" का जाल: जब शोधकर्ताओं ने केवल डेटा को देखा, तो ऐसा लगा कि आत्म-प्रभावकारिता सबसे महत्वपूर्ण कारक था। जो लोग आश्वस्त महसूस करते थे, उनके आयुर्वेदिक डॉक्टर के पास जाने की संभावना बहुत अधिक थी। यह सबसे बड़ा लीवर लग रहा था जिसे खींचने की आवश्यकता है।
- रियलिटी चेक: लेकिन जब उन्होंने एक विशेष गणितीय ट्रिक (जिसे do-calculus कहा जाता है) का उपयोग करके यह पूछा, "क्या होगा यदि हम सभी को आत्मविश्वास महसूस करने के लिए मजबूर करें, चाहे उनकी अन्य धारणाएं कुछ भी हों?" तो वह जादू गायब हो गया। इरादे में वृद्धि बहुत मामूली थी—केवल लगभग 0.9%। कारण? AI ने महसूस किया कि आत्मविश्वासी लोग आमतौर पर पहले से ही आयुर्वेद के प्रति सकारात्मक दृष्टिकोण रखते थे। आत्मविश्वास कारण नहीं था; यह पहले से ही विचार को पसंद करने का एक दुष्प्रभाव मात्र था।
- असली नायक: असली शक्ति "व्यक्तिगत मानदंड" (Subjective Norms) निकली। जब शोधकर्ताओं ने समाज की सोच को बदलने का अनुकरण किया (आयुर्वेदिक डॉक्टर के पास जाना कूल या स्वीकार्य बनाना), तो जाने के इरादे में 7.5% की उछाल आई।
- अंतिम रणनीति: सबसे बड़ी जीत तब मिली जब दोनों काम एक साथ किए गए। यदि आप किसी व्यक्ति के आत्मविश्वास को बढ़ा सकें और साथ ही उनके समुदाय की राय को भी बदल सकें, तो डॉक्टर के पास जाने का इरादा 15% बढ़ जाता है।
यह भविष्य के लिए क्या मायने रखता है
यह पेपर सुझाव देता है कि यह "वर्चुअल सर्वे" दृष्टिकोण एक शक्तिशाली नया उपकरण है। इसे करने में शोधकर्ताओं की लागत केवल लगभग $6 आई और इसे चलाने में लगभग दो घंटे लगे, जबकि 100 लोगों के वास्तविक सर्वेक्षण में हफ्तों लग जाते और हजारों डॉलर खर्च होते।
लेखक सावधानी बरतते हुए कहते हैं कि यह एक सिमुलेशन है। उन्होंने अभी तक वास्तविक दुनिया के ग्राहक व्यवहार के विरुद्ध इसका परीक्षण नहीं किया है, इसलिए वे यह निश्चित रूप से नहीं कह सकते कि नंबर वास्तविक दुनिया में पूरी तरह से सटीक हैं या नहीं। हालांकि, मॉडल ने मानव व्यवहार के बारे में 11 में से 7 स्थापित सिद्धांतों की सफलतापूर्वक भविष्यवाणी की, जो बताता है कि AI "सोच" रहा है जो समझ में आता है।
संक्षेप में, यह पेपर दिखाता है कि अब स्मार्ट निर्णय लेने के लिए हमें परफेक्ट डेटा का इंतजार करने या महंगे सलाहकारों को काम पर रखने की आवश्यकता नहीं हो सकती है। आभासी लोगों की एक विविध भीड़ का अनुकरण करने के लिए AI का उपयोग करके, हम निर्णय मानचित्र बना सकते हैं जो छिपे हुए सत्यों को प्रकट करते हैं—जैसे कि कभी-कभी, जो सबसे महत्वपूर्ण कारक दिखता है वह वास्तव में केवल एक भटकाव (red herring) होता है, और असली समाधान सामाजिक वातावरण को बदलने में निहित होता है। यह निर्णय लेने के भविष्य में झांकने का एक चंचल, तेज़ और आश्चर्यजनक रूप से स्मार्ट तरीका है।
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।