From P&ID Drawings to Process Graphs: A Multimodal Language Model Approach

कल्पना कीजिए कि आप एक विशाल, प्राचीन पुस्तकालय में घूम रहे हैं जहाँ किताबें कागज की नहीं, बल्कि चमकते तारों और पाइपों के विशाल, उलझे हुए जालों से बनी हैं। ये केवल सजावट नहीं हैं; ये इस बात के ब्लूप्रिंट (खाके) हैं कि एक कारखाना कैसे सांस लेता है, चलता है और सोचता है। इंजीनियरिंग की दुनिया में, इन ब्लूप्रिंट्स को P&ID (पाइपिंग एंड इंस्ट्रूमेंटेशन डायग्राम) कहा जाता है। ये वह गुप्त भाषा है जो कंप्यूटर को बताती है कि एक केमिकल प्लांट, पावर स्टेशन या जल उपचार सुविधा को कैसे चलाना है। दशकों से, ये ब्लूप्रिंट पुराने कागज या धुंधली डिजिटल तस्वीरों में फंसे हुए हैं। ये एक बंद खजाने के संदूक की तरह हैं: सोने (कीमती डेटा) से भरे हुए, लेकिन उन्हें खोलने की चाबी गायब है। इंजीनियरों को इन अस्त-व्यस्त रेखाचित्रों को घूरना पड़ता है और हर एक कनेक्शन को मैन्युअल रूप से टाइप करना पड़ता है, जो एक धीमी और त्रुटिपूर्ण प्रक्रिया है जो ऐसा महसूस कराती है जैसे कोई आपसे हाथ से उपन्यास की नकल करवा रहा हो और बीच-बीच में कोई फॉन्ट बदलता जा रहा हो।

हाल ही में, एक नए प्रकार का "सुपर-रीडर" आया है: मल्टीमॉडल लार्ज लैंग्वेज मॉडल (MLLM)। इन्हें AI जासूसों के रूप में सोचें जो एक तस्वीर को देख सकते हैं और साथ ही उसके अंदर लिखे टेक्स्ट को पढ़ सकते हैं, यह समझते हुए कि प्रतीक केवल दिखने में कैसे हैं, बल्कि उनका अर्थ क्या है। बड़ा सवाल जो वैज्ञानिक पूछ रहे हैं वह यह है: क्या हम इन AI जासूसों को एक अस्त-व्यस्त ब्लूप्रिंट दे सकते हैं और उनसे तुरंत इसे एक सटीक, डिजिटल मानचित्र में बदलने के लिए कह सकते हैं? या क्या यह काम एक त्वरित नज़र के लिए बहुत अधिक जटिल है? यह वह पहेली है जिसे इंपीरियल कॉलेज लंदन के शोधकर्ताओं की एक टीम ने सुलझाने का निर्णय लिया। वे जानना चाहते थे कि क्या हम इन AI जासूसों को सब कुछ एक साथ करने के बजाय छोटे, स्मार्ट चरणों में काम को तोड़ने के लिए सिखा सकते हैं, और अपने ज्ञान का उपयोग कर सकते हैं कि कारखाने वास्तव में कैसे काम करते हैं।

शोधकर्ताओं ने इन जटिल फैक्ट्री ब्लूप्रिंट्स को डिजिटाइज़ करने के लिए AI से पूछने के दो अलग-अलग तरीकों का परीक्षण करने का निर्णय लिया। उनका पहला विचार "स्पीड रन" दृष्टिकोण था: उन्होंने पूरे ब्लूप्रिंट की छवि (AI को अभिभूत न करने के लिए टुकड़ों में काटकर) और एक संक्षिप्त विवरण AI को दिया, और AI से एक ही बार में एक सटीक डिजिटल मानचित्र निकालने को कहा। उन्होंने इसे "एंड-टू-एंड" विधि कहा। यह एक छात्र को पूरा पाठ्यपुस्तक पढ़ने, कहानी समझने और फिर बिना कोई नोट्स लिए एक ही बैठक में पात्रों और उनके संबंधों का सारांश लिखने के लिए कहने जैसा है।

दूसरा विचार "टीम हडल" (टीम की चर्चा) दृष्टिकोण था। यहाँ, उन्होंने काम को दो स्पष्ट चरणों में विभाजित किया। पहले, एक AI एजेंट एक शुद्ध "स्कैनर" के रूप में कार्य करता, जो ब्लूप्रिंट के टुकड़ों को देखता और बस उपकरण और उपकरणों की हर एक सूची बनाता, यह चिंता किए बिना कि वे कैसे जुड़े हुए हैं। यह एक लाइब्रेरियन की तरह था जो कहानी की परवाह किए बिना केवल शेल्फ पर मौजूद हर किताब का शीर्षक सूचीबद्ध कर रहा है। फिर, दूसरा AI एजेंट उस नामों की सूची और, महत्वपूर्ण रूप से, "कारखाने के नियमों" (जैसे कि "पंप के लिए एक पाइप आना चाहिए और एक बाहर जाना चाहिए") का उपयोग करता। यह दूसरा एजेंट इंजीनियरिंग तर्क के आधार पर यह पता लगाने के लिए अपने दिमाग का उपयोग करता कि वे हिस्से कैसे जुड़ने चाहिए, बजाय इसके कि वह मूल चित्र में उलझी हुई रेखाओं को खोजने की कोशिश करे। यह "डिकम्पोज्ड" (विभाजित) विधि थी।

जब उन्होंने दो वास्तविक दुनिया के फैक्ट्री डायग्राम—एक नाइट्रोजन प्रेशर स्विंग सोड्रप्शन प्लांट और दूसरा वेट फ्लू गैस डिसल्फराइजेशन प्लांट—पर इन तरीकों का परीक्षण किया, तो परिणाम स्पष्ट थे। "स्पीड रन" दृष्टिकोण संघर्ष करता रहा। प्रक्रिया का थोड़ा विवरण मिलने के बावजूद, यह लगभग 40% बार कनेक्शन गलत बताता था। यह किसी छात्र द्वारा कहानी के मोड़ का अनुमान लगाने जैसा था; यह पात्रों (उपकरणों) को सही ढंग से पहचान सकता था, लेकिन यह आपस में गड़बड़ी करता रहता था कि कौन किससे बात कर रहा है। हालाँकि, "टीम हडल" दृष्टिकोण एक गेम-चेंजर साबित हुआ। कार्य को "देखने" से "सोचने" में अलग करके, और दूसरे AI को इंजीनियरिंग नियमों की एक 'चीट शीट' देकर, सटीकता आसमान छू गई।

नाइट्रोजन प्लांट के लिए, "टीम हडल" पद्धति ने 68.56% की सिंगल-स्टेप विधि की तुलना में 88.78% की कुल सटीकता प्राप्त की। इसने उपकरण का हर एक हिस्सा सही पाया (100% नोड सटीकता) और 80.58% बार कनेक्शन को सही ढंग से समझा। अधिक जटिल स्लाइम और ऑफ-गैस प्लांट के लिए, सुधार और भी नाटकीय था। सिंगल-स्टेप विधि केवल लगभग 59% बार कनेक्शन को सही पाती थी, जबकि "टीम हडल" पद्धति कनेक्शन के लिए 74.12% सटीकता और 85.21% समग्र सटीकता तक पहुँच गई। शोधकर्ताओं ने इसे एक "सिंपल डिस्टेंस" स्कोर का उपयोग करके मापा, जो यह गिनता है कि AI ने कितनी गलतियाँ कीं (लापता हिस्से, अतिरिक्त हिस्से, गलत कनेक्शन)। "टीम हडल" पद्धति का स्कोर नाइट्रोजन प्लांट के लिए 45.6 के मुकाबले 24.0 था।

पेपर सुझाव देता है कि "सीक्रेट सॉस" केवल एक स्मार्ट AI नहीं है, बल्कि एक स्मार्ट वर्कफ़्लो है। यह पता चला कि AI को एक ही समय में "देखने" और "तर्क करने" के लिए कहना बहुत अधिक संज्ञानात्मक भार (कॉग्निटिव लोड) डालता है, खासकर जब चित्र अस्त-व्यस्त हों और रेखाएँ टूटी हुई हों। सिस्टम के एक हिस्से को शुद्ध रूप से टेक्स्ट और प्रतीकों को पढ़ने पर ध्यान केंद्रित करने देने और दूसरे हिस्से को कनेक्शनों को समझने के लिए इंजीनियरिंग तर्क लागू करने पर ध्यान केंद्रित करने देने से, सिस्टम बहुत अधिक विश्वसनीय हो जाता है। अध्ययन दिखाता है कि जबकि एक एकल, विशाल प्रॉम्प्ट काम कर सकता है, यह विभाजित वर्कफ़्लो की तुलना में काफी खराब प्रदर्शन करता है, विशेष रूप से जटिल आरेखों के लिए जहाँ AI संरचित मार्गदर्शन के बिना विवरणों में खो जाता है।

हालाँकि परिणाम आशाजनक हैं, लेखक सावधानीपूर्वक नोट करते हैं कि यह एक मापा गया सुधार है, कोई जादू की छड़ी नहीं जो सब कुछ तुरंत हल कर देती है। उन्होंने पाया कि केवल प्रक्रिया विवरण जोड़ने से थोड़ा मदद मिली, लेकिन कार्य को विभाजित करने और विशिष्ट रासायनिक इंजीनियरिंग नियमों को जोड़ने के संयोजन ने वास्तविक अंतर पैदा किया। वे यह भी बताते हैं कि एक व्यावहारिक बाधा यह है कि उनके द्वारा उपयोग किए गए AI मॉडल प्रोप्रायटरी (बड़ी कंपनियों के स्वामित्व वाले) हैं, जो उन कारखानों के लिए गोपनीयता संबंधी प्रश्न उठाते हैं जो अपने गुप्त ब्लूप्रिंट को बाहरी सर्वर के साथ साझा नहीं करना चाहते हैं। हालाँकि, वे सुझाव देते हैं कि वही "टीम हडल" वर्कफ़्लो भविष्य में ओपन-सोर्स मॉडल के साथ भी काम कर सकता है।

अंत में, यह शोध सुझाव देता है कि हमारे औद्योगिक जगत को डिजिटाइज़ करने का भविष्य एक एकल सुपर-ब्रेन बनाने के बारे में नहीं है जो सब कुछ करता है, बल्कि विशेषज्ञों की एक ऐसी टीम बनाने के बारे में है जो एक-दूसरे से बात करती है। AI को ड्राइंग को देखने के कार्य को इंजीनियरिंग तर्क को समझने के कार्य से अलग करने के लिए सिखाकर, हम उन धूल भरे, उलझे हुए ब्लूप्रिंट्स को साफ, डिजिटल मानचित्रों में बदल सकते हैं जिनका उपयोग कंप्यूटर स्मार्ट, सुरक्षित कारखाने बनाने के लिए कर सकते हैं। यह एक याद दिलाता है कि कभी-कभी, एक विशाल, जटिल समस्या को हल करने का सबसे अच्छा तरीका उसे छोटे, प्रबंधनीय टुकड़ों में तोड़ना और विशेषज्ञों को वह करने देना है जिसमें वे सर्वश्रेष्ठ हैं।