Generative Ontology Induction: Domain-Agnostic Schema Discovery from Document Corpora Using Large Language Models
यह शोध पत्र जेनेरेटिव ऑन्टोलॉजी इंडक्शन (GOI) को प्रस्तुत करता है, जो एक डोमेन-अज्ञेय (domain-agnostic) ढांचा है जो दस्तावेज़ों के संग्रह से स्वचालित रूप से संरचित, प्रकारित ग्राफ ऑन्टोलॉजी को प्रेरित करने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, और विविध एवं अपरिचित डोमेन में जेनेरिक टेम्प्लेट की तुलना में बेहतर संरचनात्मक कवरेज 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 एक सुपर-स्मार्ट रोबोट को कहानी लिखना सिखाने की कोशिश कर रहे हैं। आप सिर्फ कह सकते हैं, "एक कहानी लिखो," और वह कुछ मजेदार दे सकता है, लेकिन वह प्लॉट भूल सकता है, पात्रों को आपस में मिला सकता है, या एक ऐसी दुनिया बना सकता है जो समझ में न आए। एक रोबोट को हर बार एक परफेक्ट कहानी लिखने के लिए सक्षम बनाने हेतु, आपको उसे एक ब्लूप्रिंट (खाका) देना होगा। आर्टिफिशियल इंटेलिजेंस की दुनिया में, इस ब्लूप्रिंट को ऑन्टोलॉजी (Ontology) कहा जाता है। एक ऑन्टोलॉजी को एक मास्टर मैप या किसी विशिष्ट प्रकार के दस्तावेज़ के लिए लेगो (Lego) निर्देश मैनुअल की तरह समझें। यह AI को बताता है कि कौन से हिस्से (जैसे "पात्र", "सेटिंग्स", या "संघर्ष") मौजूद होने चाहिए, वे कैसे जुड़ते हैं, और उन्हें किन नियमों का पालन करना चाहिए।
लंबे समय तक, इन ब्लूप्रिंट्स को बनाना एक धीमा, उबाऊ और महंगा काम रहा है। इसके लिए आमतौर पर विशेषज्ञों की एक टीम की आवश्यकता होती है जो हर नए प्रकार के दस्तावेज़ के लिए—चाहे वह मेडिकल रिपोर्ट हो, कानूनी अनुबंध हो, या जॉब पोस्टिंग—नियमों को मैन्युअल रूप से डिजाइन करने के लिए बैठती है। यदि कोई कंपनी इनवॉइस लिखने से मेडिकल रिकॉर्ड लिखने की ओर स्विच करना चाहती है, तो उन्हें एक नया मैप बनाने के लिए विशेषज्ञों को फिर से नियुक्त करना पड़ता है। यह एक बड़ी बाधा (bottleneck) है क्योंकि AI तैयार है, लेकिन मैप अभी तक तैयार नहीं हुआ है।
यहीं पर एक नया विचार आता है जिसे जेनेरेटिव ऑन्टोलॉजी इंडक्शन (Generative Ontology Induction - GOI) कहा जाता है। विशेषज्ञों की एक टीम को मैप बनाने के लिए रखने के बजाय, यह पेपर सुझाव देता है कि हम AI से खुद ही मैप तैयार करने के लिए कह सकते हैं। यह वैसा ही है जैसे किसी रोबोट को सौ अलग-अलग घर दिखाना और उससे उन वास्तुशिल्प योजनाओं (architectural plans) को रिवर्स-इंजीनियर करने के लिए कहना जिन्होंने उन सभी को संभव बनाया। शोधकर्ता यह देखना चाहते थे कि क्या एक AI उदाहरणों के एक ढेर को देखकर, छिपे हुए ढांचे को सीख सकता है, और फिर उस ढांचे का उपयोग करके अपने आप नए, परफेक्ट दस्तावेज़ बना सकता है। उन्होंने इसे चार बहुत अलग प्रकार के दस्तावेज़ों पर परखा ताकि वे देख सकें कि क्या AI साधारण बिलों से लेकर जटिल मेडिकल रिकॉर्ड तक सब कुछ संभाल सकता है।
पेपर का मुख्य विचार: AI को अपना खुद का मैप बनाना सिखाना
यह पेपर जेनेरेटिव ऑन्टोलॉजी इंडक्शन (GOI) नामक एक फ्रेमवर्क पेश करता है। मुख्य लक्ष्य मनुष्यों को AI के लिए "निर्देश मैनुअल" (ऑन्टोलॉजी) को मैन्युअल रूप से डिजाइन करने से रोकना है। इसके बजाय, GOI दस्तावेज़ों का एक संग्रह लेता है—जैसे जॉब पोस्टिंग का फोल्डर या मेडिकल विजिट रिकॉर्ड का ढेर—और एक लार्ज लैंग्वेज मॉडल (LLM) से उनका अध्ययन करने को कहता है। AI का काम केवल उन्हें पढ़ना नहीं है; बल्कि यह पता लगाना है कि उन्हें जोड़ने वाला अदृश्य कंकाल (skeleton) क्या है।
इसे ऐसे समझें: यदि आप एक बच्चे को कुत्तों की सौ अलग-अलग तस्वीरें दिखाते हैं, तो वह अंततः सीख जाता है कि "कुत्ता" कैसा दिखता है, भले ही उसने पहले कभी कोई विशिष्ट नस्ल न देखी हो। GOI दस्तावेज़ों के लिए भी यही करता है। यह उदाहरणों के ढेर को देखता है और पूछता है, "वे आवश्यक हिस्से क्या हैं जो यहाँ जरूर होने चाहिए? वे कौन से नियम हैं जो उन्हें जोड़ते हैं?"
पेपर बताता है कि AI सफलतापूर्वक इन ब्लूप्रिंट्स को "रिवर्स-इंजीनियर" कर सकता है। यह केवल उन शब्दों को सूचीबद्ध नहीं करता जिन्हें वह देखता है; बल्कि यह छह प्रकार के नोड्स (जैसे "क्लास", "प्रॉपर्टी", और "डायमेंशन") और सात प्रकार के कनेक्शनों के साथ एक संरचित ग्राफ बनाता है। यह ग्राफ नियमों का एक सख्त सेट के रूप में कार्य करता है। एक बार जब AI ने यह मैप बना लिया, तो वह बिना किसी मानवीय निर्देश के, उसी सटीक संरचना का पालन करते हुए नए दस्तावेज़ बना सकता है।
"परिचितता" का जाल: पुरानी तकनीकें क्यों विफल होती हैं
इस पेपर की सबसे दिलचस्प खोज यह है कि AI उन चीजों के मामले में थोड़ा "चीटिंग" (धोखाधड़ी) करता है जिन्हें वह अच्छी तरह जानता है। शोधकर्ताओं ने अपने नए GOI सिस्टम का परीक्षण एक बहुत ही सरल, जेनेरिक विधि के विरुद्ध किया: केवल AI को तीन फ़ील्ड्स (शीर्षक, सामग्री और मेटाडेटा) वाला एक बुनियादी टेम्पलेट देना।
जब दस्तावेज़ का प्रकार ऐसा था जिसे AI ने लाखों बार देखा था—जैसे कि सॉफ्टवेयर सर्विसेज इनवॉइस—तो जेनेरिक टेम्पलेट आश्चर्यजनक रूप से अच्छा काम करता था। AI ने अपनी ट्रेनिंग डेटा से पर्याप्त जानकारी जुटा ली थी, जिससे वह लगभग 97.8% आवश्यक संरचनात्मक हिस्सों को कवर कर सका। यह एक शेफ को बर्गर बनाने के लिए कहने जैसा था जब आपने उसे केवल एक नैपकिन दिया हो; वह जानता था कि बर्गर कैसा दिखता है, इसलिए उसने अपनी याददाश्त से खाली जगहों को भर दिया।
हालाँकि, जैसे ही शोधकर्ताओं ने उन दस्तावेज़ों को बदला जिन्हें AI कम जानता था, जेनेरिक टेम्पलेट विफल हो गया।
- जॉब डिस्क्रिप्शन: जब AI ने एक कस्टम जॉब पोस्टिंग बनाने के लिए जेनेरिक टेम्पलेट का उपयोग करने की कोशिश की जिसमें विशिष्ट, असामान्य सेक्शन (जैसे "एम्प्लॉयर ब्रांड वॉयस" या "करियर ट्रेजेक्टरी") थे, तो वह आवश्यक हिस्सों के केवल 52.2% को ही कवर कर सका। वह अनूठे, कस्टम सेक्शन को पूरी तरह से भूल गया क्योंकि उसके पास उनकी "याददाश्त" नहीं थी।
- मेडिकल रिकॉर्ड: एक विशेष पेन-मैनेजमेंट क्लिनिकल रिकॉर्ड के लिए, जेनेरिक टेम्पलेट केवल 62.2% कवर कर पाया। इसने वर्कर्स कंपनसेशन और विशिष्ट फिजिकल एग्जाम मॉड्यूल को पूरी तरह से छोड़ दिया, और एक सामान्य "डॉक्टर के नोट" में बदल गया।
- लीगल कॉन्ट्रैक्ट: एक प्रोफेशनल सर्विसेज कॉन्ट्रैक्ट के लिए, जेनेरिक टेम्पलेट ने 78.3% को मैनेज किया, लेकिन फिर भी इसने "नॉन-सॉलिसिटेशन" या "वीकली आवर्स कैप्स" जैसे महत्वपूर्ण, विशिष्ट क्लॉज को मिस कर दिया।
पेपर दिखाता है कि जबकि AI परिचित चीजों की संरचना का अनुमान लगा सकता है, वह अनूठी, कस्टम संरचना वाले दस्तावेज़ों के मामले में पूरी तरह विफल हो जाता है। जेनेरिक टेम्पलेट AI की "पूर्व जानकारी" (जो उसने ट्रेनिंग के दौरान देखा) पर निर्भर करता है, और जब वह ज्ञान मौजूद नहीं होता, तो संरचना ढह जाती है।
समाधान: एक "स्ट्रक्चरल कॉन्ट्रैक्ट" (संरचनात्मक अनुबंध)
यहीं पर GOI चमकता है। हर एक टेस्ट केस में, जब AI को GOI-जनरेटेड ब्लूप्रिंट (यानी "स्ट्रक्चरल कॉन्ट्रैक्ट") दिया गया, तो इसने 95% से 100% तक के हिस्सों को कवर किया।
- जॉब डिस्क्रिप्शन के लिए, इसने 100% हासिल किया।
- मेडिकल रिकॉर्ड के लिए, इसने 95.6% हासिल किया।
- लीगल कॉन्ट्रैक्ट के लिए, इसने 100% हासिल किया।
पेपर तर्क देता है कि GOI एक "स्ट्रक्चरल गारंटी" प्रदान करता है। इससे कोई फर्क नहीं पड़ता कि AI ने उस दस्तावेज़ के प्रकार को पहले देखा है या नहीं। यदि आप उसे वह ब्लूप्रिंट देते हैं जो उसने स्वयं उदाहरणों से बनाया है, तो वह नियमों का पालन करेगा। यह शेफ को केवल एक नैपकिन देने के बजाय एक विस्तृत रेसिपी कार्ड देने जैसा है। भले ही शेफ ने पहले कभी वह विशिष्ट व्यंजन न बनाया हो, रेसिपी यह सुनिश्चित करती है कि वह गुप्त सामग्री को न भूले।
सफलता का मापन: "नोड कवरेज स्कोर"
शोधकर्ता जानते थे कि केवल यह कहना कि "यह काम कर गया" पर्याप्त नहीं है। उन्हें इसे मापने के लिए एक तरीका चाहिए था कि यह कितना अच्छा काम कर रहा है। उन्होंने एक नया मीट्रिक विकसित किया जिसे नोड कवरेज स्कोर (Node Coverage Score) कहा जाता है।
कल्पना कीजिए कि ब्लूप्रिंट 45 वस्तुओं (जैसे "सेलर नेम", "टोटल कॉस्ट", "सर्विस टाइप") की एक चेकलिस्ट है। "नोड कवरेज स्कोर" बस यह पूछता है: "इन 45 वस्तुओं में से वास्तव में कितने आइटम अंतिम दस्तावेज़ में दिखाई दिए?"
- यदि AI ने एक दस्तावेज़ लिखा जिसमें 45 में से 44 आइटम शामिल थे, तो स्कोर 97.8% है।
- यदि इसने "सेलर नेम" और "टोटल कॉस्ट" को छोड़ दिया, तो स्कोर गिर जाता है।
यह AI को मापने के पुराने तरीकों से अलग है, जो अक्सर केवल यह देखते हैं कि शब्द सही ढंग से लिखे गए हैं या नहीं। नोड कवरेज स्कोर यह जाँचता है कि क्या संरचना मौजूद है। पेपर दिखाता है कि जहाँ जेनेरिक प्रॉम्प्ट्स शब्दों को सही कर सकते हैं, वे अक्सर जटिल दस्तावेज़ों के मामले में संरचना को पूरी तरह से मिस कर देते हैं। हालाँकि, GOI लगातार उच्च स्कोर प्राप्त करता है, जो यह साबित करता है कि यह दस्तावेज़ की केवल ऊपरी सतह (skin) को नहीं, बल्कि उसकी "हड्डियों" (bones) को पकड़ता है।
इसका भविष्य के लिए क्या अर्थ है
पेपर निष्कर्ष निकालता है कि उन उद्योगों के लिए जो जटिल, कस्टम दस्तावेज़ों का काम करते हैं (जैसे स्वास्थ्य सेवा, कानून, या विशेष इंजीनियरिंग), AI की सामान्य स्मृति पर भरोसा करना जोखिम भरा है। AI खाली जगहों को गलत जानकारी से भर सकता है या महत्वपूर्ण सेक्शन को छोड़ सकता है।
GOI इसे ठीक करने का एक तरीका प्रदान करता है। AI को उदाहरणों का अध्ययन करने और अपना स्वयं का सख्त ब्लूप्रिंट बनाने की अनुमति देकर, टीमें यह सुनिश्चित कर सकती हैं कि प्रत्येक नया जनरेट किया गया दस्तावेज़ संरचनात्मक रूप से पूर्ण हो। पेपर सुझाव देता है कि यह तरीका इस बात पर निर्भर नहीं करता कि दस्तावेज़ का प्रकार AI के लिए कितना परिचित है। यह AI को एक "अनुमान लगाने वाली मशीन" से बदलकर एक "नियमों का पालन करने वाला आर्किटेक्ट" बना देता है।
लेखक सावधानी बरतते हुए कहते हैं कि यह कोई जादुई छड़ी नहीं है जो सब कुछ हल कर देगी। AI अभी भी गलतियाँ कर सकता है, और सिस्टम को मानवीय जाँच की आवश्यकता है, विशेष रूप से उच्च-दांव (high-stakes) वाले दस्तावेज़ों के लिए। लेकिन परिणाम दिखाते हैं कि जब आप AI को एक स्पष्ट, स्व-खोज प्राप्त मैप देते हैं, तो वह जटिल संरचनाएं उस विश्वसनीयता के साथ बना सकता है जो जेनेरिक प्रॉम्प्ट्स कभी नहीं दे पाते। यह AI को केवल एक अनुमान लगाने वाले टूल के बजाय ज्ञान निर्माण में एक वास्तविक साथी बनाने की दिशा में एक कदम 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।