An Explicit World Model Based on Data-First Ontology: DaoQL Multimodal Storage Validation and Counterfactual Reasoning Evaluation
यह शोध पत्र DaoQL का प्रस्ताव करता है, जो एक डेटा-प्रथम ऑन्टोलॉजी है जो नियत ज्ञान (deterministic knowledge) को LLM रीजनिंग इंजनों से एक स्पष्ट मल्टीमॉडल डेटाबेस के रूप में अलग करती है, और अनुभवजन्य सत्यापन के माध्यम से यह प्रदर्शित करती है कि यह आर्किटेक्चर निहित न्यूरल मॉडलों की तुलना में काउंटरफैक्चुअल डिकम्पोज़ेबिलिटी (counterfactual decomposability) को महत्वपूर्ण रूप से बढ़ाता है और मतिभ्रम (hallucination) जैसे संरचनात्मक जोखिमों को कम 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 बनाने की कोशिश कर रहे हैं जो डॉक्टरों को बीमारियों का निदान करने या बैंकरों को धोखाधड़ी पकड़ने में मदद कर सके। इसे करने के लिए, आप आमतौर पर रोबोट को भारी मात्रा में टेक्स्ट खिलाकर सिखाते हैं, जिससे वह पैटर्न सीखता है जब तक कि उसे ऐसा "महसूस" न होने लगे कि वह दुनिया को जानता है। आधुनिक AI इसी तरह काम करता है: यह अपने ज्ञान को संख्याओं के एक विशाल, उलझे हुए जाल के भीतर संग्रहीत करता है जिसे "न्यूरल वेट्स" (neural weights) कहा जाता है। इसे एक ऐसे मानव मस्तिष्क की तरह समझें जिसने एक अरब किताबें याद कर ली हैं लेकिन वह आपको यह दिखाने के लिए कोई विशिष्ट पृष्ठ नहीं दिखा सकता कि वह क्यों सोचता है कि कुछ सच है। समस्या यह है कि यह मस्तिष्क एक "ब्लैक बॉक्स" की तरह है। यदि आप इससे कोई पेचीदा सवाल पूछते हैं, तो यह चीजें बना सकता है (हैलुसिनेट कर सकता है), यह दुनिया बदलने पर अपने तथ्यों को आसानी से अपडेट नहीं कर सकता है, और इसके तर्क को समझाना कठिन है। वैज्ञानिक इसे "इम्प्लिसिट वर्ल्ड मॉडल" (implicit world model) कहते हैं क्योंकि दुनिया के नियम गणित के भीतर छिपे होते हैं, स्पष्ट रूप से लिखे नहीं होते।
इसे ठीक करने के लिए, "डेटा-फर्स्ट ऑन्टोलॉजी" (data-first ontology) नामक एक नया विचार सुझाव देता है कि हम नियमों को छिपाना बंद कर दें। AI को तथ्य अनुमान लगाने देने के बजाय, हमें उसे एक स्पष्ट, व्यवस्थित लाइब्रेरी देनी चाहिए जहाँ प्रत्येक तथ्य को एक विशिष्ट पते के साथ संग्रहीत किया जाए, जैसे कि एक सुव्यवस्थित फाइलिंग कैबिनेट। इस सेटअप में, AI केवल एक स्मार्ट लाइब्रेरियन है जो आपसे बात करना और पहेलियाँ सुलझाना जानता है, लेकिन वास्तविक तथ्य लाइब्रेरी के डेटाबेस में रहते हैं। यह पेपर DaoQL नामक एक सिस्टम का अन्वेषण करता है जो इस तरह की लाइब्रेरी बनाने की कोशिश करता है। यह पूछता है: क्या होगा अगर हम "सोचने" को "जानने" से अलग कर दें? तथ्यों को एक स्पष्ट, स्पष्ट डेटाबेस में रखकर और AI को केवल उससे पढ़ने देकर, क्या हम इस रोबोट को अधिक ईमानदार, ठीक करने में आसान और "क्या होगा अगर" वाले सवालों के जवाब देने में बेहतर बना सकते हैं?
पेपर का बड़ा विचार: एक लाइब्रेरी बनाम एक ब्लैक बॉक्स
इस पेपर के लेखक तर्क देते हैं कि वर्तमान में AI जिस तरह से काम करता है वह एक छात्र को अपने दिमाग में पूरी विश्वकोश (encyclopedia) याद करने के लिए कहने जैसा है। यदि आप पूछते हैं, "फ्रांस की राजधानी क्या है?" तो छात्र सही अनुमान लगा सकता है क्योंकि उसने इसे लाखों बार सुना है। लेकिन यदि आप पूछते हैं, "क्या होगा अगर कल फ्रांस ने अपनी राजधानी बदलकर ल्योंन (Lyon) कर दी?" तो छात्र भ्रमित हो सकता है, पुरानी यादों को मिला सकता है, या बस एक कहानी बना सकता है। वे पुराने तथ्य को हटाने और नए को डालने के लिए अपने मस्तिष्क को बिना अन्य चीजों को बिगाड़े आसानी से "एडिट" नहीं कर सकते।
यह पेपर एक अलग दृष्टिकोण प्रस्तावित करता है: एक्सप्लिसिट वर्ल्ड मॉडल (The Explicit World Model)। कल्पना कीजिए कि एक याददाश्त वाले छात्र के बजाय, आपके पास एक सुपर-ऑर्गनाइज्ड लाइब्रेरी वाला रोबोट है।
- लाइब्रेरियन (The Librarian - AI): यह एक लार्ज लैंग्वेज मॉडल (LLM) है। यह आपके सवालों को समझने और मानव भाषा में बोलने में माहिर है।
- लाइब्रेरी (The Library - DaoQL): यह एक विशेष डेटाबेस है जहाँ प्रत्येक तथ्य स्पष्ट रूप से संग्रहीत है। यह छह बिल्डिंग ब्लॉक्स का उपयोग करता है: Being (एक चीज़, जैसे कोई व्यक्ति या उत्पाद), Def (वह चीज़ क्या है), Type (श्रेणी), Relation (चीजें कैसे जुड़ती हैं), Contract (नियम जिनका उन्हें पालन करना चाहिए), और Version (बदलावों का इतिहास)।
मुख्य निष्कर्ष यह है कि "कठोर तथ्यों" को इस लाइब्रेरी में ले जाकर और AI को केवल उससे पढ़ने देकर, सिस्टम बहुत अधिक विश्वसनीय हो जाता है। यह पेपर गणितीय रूप से सिद्ध करता है कि यह सेटअप "कंपोजेबल काउंटरफैक्टुअल डीकंपोजेबिलिटी" (composable counterfactual decomposability) की अनुमति देता है। यह एक फैंसी तरीका है यह कहने का कि: "यदि आप लाइब्रेरी में एक तथ्य बदलते हैं, तो रोबोट पूरी तरह से गणना कर सकता है कि वह उत्तर को कैसे बदलता है, बिना भ्रमित हुए या नए नियम बनाए।"
उन्होंने वास्तव में क्या बनाया और परीक्षण किया
टीम ने इस विचार का परीक्षण करने के लिए DaoQL नामक एक सिस्टम बनाया। उन्होंने केवल इसके बारे में बात नहीं की; उन्होंने लाइब्रेरी बनाई और यह देखने के लिए प्रयोग चलाए कि यह कितनी तेज़ और सटीक थी।
1. "क्या होगा अगर" परीक्षण (Counterfactuals)
उन्होंने चिकित्सा, वित्त, आपूर्ति श्रृंखला (supply chains), कानून और मूल्य निर्धारण के पांच अलग-अलग क्षेत्रों में 1,250 प्रश्नों के साथ एक बड़ा प्रयोग चलाया। उन्होंने AI से बदलाव की कल्पना करने को कहा, जैसे "क्या होगा अगर इस मरीज को कोई अलग एलर्जी होती?" या "क्या होगा अगर यह आपूर्तिकर्ता दिवालिया हो गया?"
- परिणाम: जब AI अकेले काम कर रहा था (केवल अपनी स्मृति का उपयोग करके), तो उसने "क्या होगा अगर" वाले उत्तर केवल 45% बार सही दिए। लेकिन जब AI ने तथ्यों की जांच करने के लिए DaoQL लाइब्रेरी का उपयोग किया, तो उसने 94% बार सही उत्तर दिए। लाइब्रेरी ने AI को अनुमान लगाने के बजाय वास्तविक नियमों के आधार पर गणना करने में मदद की।
2. गति और दक्षता (Speed and Efficiency)
उन्होंने यह भी परीक्षण किया कि लाइब्रेरी उत्तर खोजने में कितनी तेज़ है। उन्होंने निष्पक्ष रहने के लिए एक ही कंप्यूटर पर DaoQL की तुलना अन्य सिस्टमों से की।
- ग्राफ ट्रैवर्सल (Graph Traversal): चीजों के बीच संबंध खोजना (जैसे "कौन किसे जानता है?") केवल 1.20 मिलीसेकंड में हुआ। यह एक इंसान के पलक झपकने से भी तेज़ है।
- समान वस्तुओं की खोज: एक सूची में समान वस्तुओं को खोजना 83.1 माइक्रोसेकंड में हुआ।
- मिश्रित प्रश्न (Mixed Queries): जब उन्होंने एक जटिल प्रश्न पूछा जिसमें टेक्स्ट, नंबर और कनेक्शन तीनों को एक साथ देखना आवश्यक था, तो इसमें 105.8 माइक्रोसेकंड लगे।
3. उन्होंने क्या नहीं किया ("अभी नहीं" की सूची)
यह जानना महत्वपूर्ण है कि इस पेपर ने क्या हल नहीं किया। लेखक इस बारे में बहुत ईमानदार हैं।
- कोई जादुिक एजेंट अभी नहीं (No Magic Agent Yet): उन्होंने लाइब्रेरी और "सोचने" वाले हिस्से को बनाया, लेकिन उन्होंने अभी तक पूरी तरह से "एजेंट" (वह रोबोट जो बाहर जाकर कार्य करता है) नहीं बनाया है। यह भविष्य की योजना है।
- एक बिलियन-स्केल सिस्टम नहीं (Not a Billion-Scale System): उन्होंने इसे 64GB या 128GB मेमोरी वाले कंप्यूटरों पर टेस्ट किया। वे स्वीकार करते हैं कि उन्होंने अभी तक पूरे इंटरनेट के विशाल पैमाने पर इसका परीक्षण नहीं किया है।
- कुछ धीमी जगहें (Some Slow Spots): हालांकि अधिकांश चीजें तेज़ थीं, लेकिन चीनी (Chinese) टेक्स्ट खोजना अन्य सिस्टमों की तुलना में बहुत धीमा था (उनके परीक्षणों में लगभग 40 गुना धीमा), जिसे वे एक कमजोरी मानते हैं जिसे उन्हें ठीक करने की आवश्यकता है।
- लॉन्ग-टेल समस्याएं (Long-Tail Problems): जब उन्होंने जटिल सोशल नेटवर्क सिमुलेशन (LDBC SNB) चलाने की कोशिश की, तो सिस्टम कठिन प्रश्नों पर बहुत धीमा हो गया, जिसमें मिलीसेकंड के बजाय सेकंड या मिनट लग गए।
यह क्यों मायने रखता है
पेपर सुझाव देता है कि विश्वसनीय AI का भविष्य AI के मस्तिष्क को बड़ा या अधिक जटिल बनाने के बारे में नहीं है। इसके बजाय, यह AI को अपने तथ्यों को संग्रहीत करने के लिए एक बेहतर, स्पष्ट स्थान देने के बारे में है।
लेखक दिखाते हैं कि जब आप "जानने" (डेटाबेस) को "सोचने" (AI) से अलग करते हैं, तो आपको एक ऐसा सिस्टम मिलता है जो:
- अधिक ईमानदार है: जब आपको तथ्य खोजने के लिए पहले देखना पड़ता है, तो भ्रमित (hallucinate) होना कठिन होता है।
- ठीक करने में आसान है: यदि कोई तथ्य गलत है, तो आप बस लाइब्रेरी प्रविष्टि को अपडेट करते हैं। आपको पूरे AI मस्तिष्क को फिर से प्रशिक्षित करने की आवश्यकता नहीं है।
- व्याख्या योग्य (Explainable) है: आप बिल्कुल ट्रैक कर सकते हैं कि किस तथ्य ने किस उत्तर की ओर ले जाने में मदद की, जैसे ब्रेडक्रंब ट्रेल (breadcrumb trail) का पीछा करना।
पेपर निष्कर्ष निकालता है कि हालांकि यह आज हर कंपनी के लिए तैयार कोई अंतिम उत्पाद नहीं है, लेकिन यह सिद्ध करता है कि यह "डेटा-फर्स्ट" तरीका गणितीय रूप से सही और कई कार्यों के लिए व्यावहारिक रूप से तेज़ है। यह उन रोबोटों की ओर एक मजबूत कदम है जो केवल अनुमान नहीं लगाते, बल्कि वास्तव में जानते हैं कि वे क्या कह रहे हैं।
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।