MARS: Multi-hop Adaptive Retrieval and SPARQL Generation for KGQA
यह शोध पत्र MARS को प्रस्तुत करता है, जो नॉलेज ग्राफ क्वेश्चन अनस्वियरिंग (Knowledge Graph Question Answering) के लिए एक स्केलेबल, फाइन-ट्यूनिंग-मुक्त फ्रेमवर्क है, जो सटीक SPARQL क्वेरी उत्पन्न करने के लिए लार्ज लैंग्वेज मॉडल्स को एक संरचित, मल्टी-हॉप एडेप्टिव रिट्रीवल प्रक्रिया के साथ जोड़ता है, जिससे भ्रम (hallucinations) को कम किया जा सके और दक्षता बनाए रखी जा सके।
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 विशाल, बहु-स्तरीय रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन एक अकेले जासूस के बजाय, आपके पास एक अत्यंत बुद्धिमान, सुपर-फास्ट मस्तिष्क है जो कभी-कभी तब चीजें बना लेता है जब उसे उत्तर नहीं पता होता। यह लार्ज लैंग्वेज मॉडल्स (LLMs) की दुनिया है: वे भाषा को समझने और तर्क करने में अविश्वसनीय रूप से स्मार्ट हैं, लेकिन उनमें "हैलुसिनेटिंग" (hallucinating), या आत्मविश्वास के साथ ऐसे तथ्यों को बताने की एक बुरी आदत है जो सच नहीं हैं, का दोष है। इसे ठीक करने के लिए, वैज्ञानिक अक्सर इन मस्तिष्कों को एक "नॉलेज ग्राफ" (Knowledge Graph - KG) के साथ जोड़ते हैं। एक KG को किताबों के ढेर के रूप में नहीं, बल्कि तथ्यों के एक विशाल, पूरी तरह से व्यवस्थित जाल के रूप रूप में सोचें जहाँ जानकारी का हर टुकड़ा स्पष्ट, तार्किक रेखाओं से एक-दूसरे से जुड़ा होता है, जैसे दुनिया के संपूर्ण ज्ञान का एक सबवे मैप। चुनौती इस सुपर-ब्रेन को इस मानचित्र को सही ढंग से पढ़ने में सक्षम बनाने की है ताकि वह रास्ता न भटक जाए या ऐसे स्टॉप्स (stops) न बना दे जिनका अस्तित्व ही नहीं है। यही नॉलेज ग्राफ क्वेश्चन अनसरिंग (KGQA) की मूल पहेली है: हम इस जाल से एक जटिल प्रश्न कैसे पूछें और सटीक उत्तर कैसे प्राप्त करें, विशेष रूप से जब उत्तर के लिए एक तथ्य से दूसरे तथ्य तक कूदने (hopping) की आवश्यकता हो, जैसे सुरागों के एक निशान का पीछा करना हो।
यहाँ MARS आता है, जो एक नए दृष्टिकोण के रूप में कार्य करता है जो एक जंगली, स्वतंत्र रूप से घूमने वाले खोजकर्ता के बजाय एक बहुत ही अनुशासित, चरण-दर-चरण जासूस की तरह काम करता है। निकित श्रीवास्तव और उनके सहयोगियों के नेतृत्व में MARS के पीछे के शोधकर्ताओं ने "मल्टी-हॉप" रीजनिंग (multi-hop reasoning) वाले जटिल प्रश्नों को पूछने की समस्या को हल करना चाहा—ऐसे प्रश्न जहाँ आप केवल एक तथ्य को नहीं देख सकते; आपको पहले एक व्यक्ति को खोजना होगा, फिर यह खोजना होगा कि वह कहाँ रहता है, फिर यह खोजना होगा कि उसके घर के पास क्या है, इत्यादि। पिछले तरीकों ने AI को ज्ञान ग्राफ के माध्यम से एक एजेंट की तरह भटकने की अनुमति देने की कोशिश की, लेकिन इससे अक्सर भ्रम पैदा हुआ और मनगढ़ंत तथ्य सामने आए। MARS एक अलग रास्ता अपनाता है। पूरे मार्ग का अनुमान एक बार में लगाने देने के बजाय, MARS यात्रा को विभाजित करता है। यह प्रश्न में वर्णित विशिष्ट "स्टेशन" (एंटिटी) को खोजने से शुरू होता है, फिर यह उस स्टेशन से जुड़े तत्काल "ट्रैक्स" (पैटर्न) को सावधानीपूर्वक देखता है। यह AI से पूछता है: "इन ट्रैक्स के आधार पर, क्या हमारे पास पहेली को सुलझाने के लिए पर्याप्त जानकारी है, या हमें अगले स्टेशन तक कूदने की आवश्यकता है?" यदि उत्तर "अभी नहीं" है, तो MARS तथ्यों के अगले सेट पर कूदता है, संदर्भ को समृद्ध करता है, और फिर से प्रयास करता है। यह एक संरचित लूप को तब तक दोहराता है जब है जब तक कि उसने एक सटीक, निष्पादन योग्य निर्देश (एक SPARQL क्वेरी) लिखने के लिए पर्याप्त साक्ष्य एकत्र नहीं कर लिया है जिसे कंप्यूटर सटीक उत्तर प्राप्त करने के लिए चला सके।
शोध में पाया गया कि यह संरचित, "रुको-और-सोचो" (stop-and-think) दृष्टिकोण उल्लेखनीय रूप से अच्छा काम करता है। जब तीन अलग-अलग कठिन प्रश्नों के सेट (जिसमें 29% से अधिक प्रश्न मल्टी-हॉप वाले थे) पर परीक्षण किया गया, तो MARS ने विशिष्ट डेटा पर पुन: प्रशिक्षित हुए बिना भी उपलब्ध सबसे उन्नत प्रणालियों के बराबर या उनसे बेहतर प्रदर्शन किया। इसने जटिल, बहु-चरणीय प्रश्नों को संभालने में विशेष शक्ति दिखाई और दस अलग-अलग भाषाओं में काम किया, जिनमें से कुछ तकनीक में कम उपयोग की जाने वाली भाषाएँ भी शामिल हैं। शोधकर्ताओं ने यह भी पाया कि जबकि एक AI एजेंट को स्वतंत्र रूप से घूमने देना शक्तिशाली हो सकता है, एक निर्देशित पाइपलाइन जो AI को हर कदम पर अपने पथ को सत्यापित करने के लिए मजबूर करती है, अधिक विश्वसनीय है और मनगढ़ंत बातें बनाने के प्रति कम प्रवृत्त है। उन्होंने यह भी नोट किया कि कुछ पिछले बेंचमार्क में डेटा की कमी की समस्याएँ थीं, इसलिए उन्होंने अपने स्वयं के स्वच्छ, अपडेटेड टेस्ट डेटा जारी किए ताकि यह सुनिश्चित हो सके कि सभी एक समान धरातल पर खेल रहे हैं। अंततः, MARS सुझाव देता है कि जटिल तर्क कार्यों के लिए, एक व्यवस्थित, पैटर्न-आधारित मार्गदर्शक अक्सर एक स्वतंत्र रूप से घूमने वाले एजेंट की तुलना में एक सुपर-ब्रेन के लिए बेहतर साथी होता है, जो हैलुसिनेशन के जोखिम के बिना सटीक, ग्राउंडेड उत्तर प्राप्त करने का एक तरीका प्रदान करता 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।