Trajectory-Aware Retrieval Agents for Temporal Decision- Making
यह शोध पत्र TLM को प्रस्तुत करता है, जो एक क्लोज्ड-लूप एजेंटिक फ्रेमवर्क है जो टेम्पोरल स्ट्रक्चर को संरक्षित करने और साक्ष्य को पुनरावृत्ति से परिष्कृत करने के लिए रिट्रीव्ड एम्बेडिंग्स पर लेटेंट ग्रोथ कर्व मॉडल्स का लाभ उठाता है, जिससे यह मेडिकल डायग्नोसिस और फाइनेंशियल प्रेडिक्शन जैसे टेम्पोरली ग्राउंडेड डिसीजन-मेकिंग कार्यों में मानक रिट्रीवल-ऑगमेंटेड अप्रोच की तुलना में काफी बेहतर प्रदर्शन 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 रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन आपके पास केवल एक सुराग नहीं है, बल्कि एक जासूस के नोट्स का एक विशाल, अराजक ढेर है जो उसने कई वर्षों में लिखे हैं। कुछ नोट्स मामले की शुरुआत का वर्णन करते हैं, कुछ मध्य का, और कुछ बिल्कुल अंत का। यदि आप यादृच्छिक रूप से (randomly) इन नोट्स की एक मुट्ठी उठाते हैं और एक सुपर-स्मार्ट रोबोट से रहस्य सुलझाने को कहते हैं, तो रोबोट भ्रमित हो सकता है। वह 1990 के सुराग को 2024 के सुराग के साथ मिला सकता है, या इस तथ्य को मिस कर सकता है कि संदिग्ध का व्यवहार समय के साथ धीरे-धीरे बदला है। यह वह समस्या है जिसका सामना वैज्ञानिक तब करते हैं जब वे लंबी कहानियों, जैसे कि मेडिकल रिकॉर्ड या स्टॉक मार्केट रिपोर्ट के आधार पर निर्णय लेने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करने की कोशिश करते हैं। AI पढ़ने में बहुत अच्छा है, लेकिन यह अक्सर भूल जाता है कि चीजें कब हुईं।
इसे ठीक करने के लिए, शोधकर्ता "एजेंट्स" बना रहे हैं—ऐसे AI सिस्टम जो सोच सकते हैं, जानकारी खोज सकते हैं, और फिर निर्णय ले सकते हैं। वे एक सामान्य उपकरण का उपयोग करते हैं जिसे 'रिट्रीवल-ऑगमेंटेड जनरेशन' (RAG) कहा जाता है। RAG को एक ऐसे लाइब्रेरियन की तरह समझें जो आपके प्रश्न से मेल खाती किताबें खोजने के लिए अलमारियों की ओर दौड़ता है, उन्हें वापस लाता है, और उन्हें AI को सौंप देता है। समस्या यह है कि मानक लाइब्रेरियन केवल उन किताबों को उठाते हैं जो सुनने में समान लगती हैं, इस बात को नजरअंदाज करते हुए कि कहानी के भीतर समयरेखा (timeline) क्या है। वे आपको एक उपन्यास का वह पन्ना दे सकते हैं जहाँ पात्र प्यार में पड़ता है, उससे पहले का पन्ना जहाँ वह अभी भी अकेला था। यह पेपर AI को यह समझने में मदद करने का एक नया तरीका पेश करता है कि डेटा की कहानी क्या है, न कि केवल उसके शब्द क्या हैं। यह जानकारी को एक मूवी रील की तरह मानता है, यह देखता है कि प्लॉट कैसे आगे बढ़ता है, अचानक आने वाले बदलावों (twists) को पहचानता है, और भविष्य के बारे में बेहतर भविष्यवाणी करने के लिए गायब दृश्यों को भरता है।
"ट्रैजेक्टरी" (Trajectory) डिटेक्टिव की कहानी
इस पेपर के पीछे के शोधकर्ताओं, जिंग वांग, जी शेन और ज़िंग निउ ने देखा कि मानक AI उपकरण समय को संभालने में बहुत खराब हैं। यदि आप एक सामान्य AI से मरीज के मेडिकल इतिहास या कंपनी की अर्निंग कॉल के आधार पर यह अनुमान लगाने को कहते हैं कि आगे क्या होगा, तो वह अक्सर जानकारी को कंचों की एक थैली की तरह मानता है। वह "महत्वपूर्ण" कंचे (वाक्य) तो चुन लेता है, लेकिन उनके उठाने के क्रम को भूल जाता है। वास्तविक दुनिया में, समय मायने रखता है। तीन दिनों में बढ़ते हुए बुखार की कहानी, उस बुखार से अलग है जो अचानक बढ़ा और फिर गिर गया। एक CEO का आत्मविश्वास से घबराहट में बदलने वाला लहजा एक महत्वपूर्ण सुराग है जो खो जाता है यदि आप केवल वाक्यों को क्रम के बिना पढ़ते हैं।
इसे हल करने के लिए, टीम ने एक नया सिस्टम बनाया जिसे TLM (ट्रैजेक्टरी लैंग्वेज मॉडल) कहा जाता है। आप TLM को एक ऐसे जासूस के रूप में देख सकते हैं जो केवल केस फाइल पढ़ता ही नहीं है; वह केस फाइल की फिल्म देखता है।
चरण 1: स्मार्ट खोज (The Smart Search)
सबसे पहले, TLM एक हाइब्रिड लाइब्रेरियन के रूप में कार्य करता है। यह सुराग खोजने के लिए दो विधियों का उपयोग करता है: एक जो शब्दों के सटीक मिलान (जैसे किसी विशिष्ट नाम की खोज) को देखता है और दूसरा जो शब्दों के "वाइब" या अर्थ को देखता है। यह शुरुआत करने के लिए दस्तावेज़ से कुछ शुरुआती पन्ने निकाल लेता है।
चरण 2: ग्रोथ कर्व (The "Movie Reel" Trick)
यह इस पेपर का सबसे बड़ा जादू है। पन्नों को केवल पढ़ने के बजाय, TLM कहानी के आकार को देखता है। यह एक गणितीय उपकरण का उपयोग करता है जिसे लेटेंट ग्रोथ कर्व मॉडल (LGCM) कहा जाता है। कल्पना कीजिए कि आप एक पौधे को बढ़ते हुए देख रहे हैं। आप केवल मंगलवार को दिखने वाले पौधे और शुक्रवार को दिखने वाले पौधे को नहीं देखते; आप उनके बीच जोड़ने वाली रेखा को देखते हैं। क्या पौधा लगातार बढ़ रहा है? क्या वह मुरझा रहा है? क्या उसकी वृद्धि अचानक रुक गई?
TLM टेक्स्ट के साथ यही करता है। यह वाक्यों को ग्राफ पर एक रेखा में बदल देता है।
- ट्रेंड (Trend): क्या कहानी बेहतर हो रही है, बदतर हो रही है, या वैसी ही बनी हुई है?
- टर्निंग पॉइंट्स (Turning Points): क्या कहानी ने अचानक दिशा बदली? (जैसे बेहतर महसूस करने के बाद मरीज की स्थिति बिगड़ जाना)।
- गैप्स (Gaps): क्या कहानी में कोई अंतराल आया? (जैसे डायरी में एक दिन का गायब होना)।
यदि TLM कहानी में कोई "गैप" देखता है, तो वह उस छेद को भरने के लिए लाइब्रेरी में वापस जाकर गायब पन्नों को खोजने का निर्णय लेता है।
चरण 3: "SHAP" स्कोरकार्ड
एक बार जब TLM के पास सुरागों का ढेर लग जाता है, तो उसे यह तय करना होता है कि कौन से सुराग सबसे अधिक मायने रखते हैं। यह SHAP नामक एक विधि का उपयोग करता है, जो एक खेल की तरह है जहाँ हर वाक्य को इस बात के लिए स्कोर मिलता है कि उसने पहेली सुलझाने में कितनी मदद की। TLM इस गणित को तेजी से करने के लिए एक छोटे, तेज़ "स्कोरर" रोबोट का उपयोग करता है। यदि कोई वाक्य बहुत महत्वपूर्ण है, तो TLM उसका उपयोग लाइब्रेरियन से अधिक संबंधित सुराग मांगने के लिए करता है। महत्वपूर्ण रूप से, TLM अपने पास मौजूद सुरागों को कभी भी फेंकता नहीं है; यह केवल नए सुराग जोड़ता है। यह सुनिश्चित करता है कि कहानी समृद्ध होती जाए, कमजोर नहीं।
चरण 4: अंतिम निर्णय
अंत में, TLM इस व्यवस्थित, समय-जागरूक कहानी को एक बड़े AI मस्तिष्क (Large Language Model) को फीड करता है ताकि अंतिम निर्णय लिया जा सके। क्योंकि कहानी अब व्यवस्थित और पूर्ण है, AI बहुत अधिक स्मार्ट अनुमान लगा सकता है।
उन्होंने क्या पाया
टीम ने इस नए जासूस का परीक्षण तीन बहुत अलग प्रकार के रहस्यों पर किया:
- मेडिकल प्रश्न: उन्होंने मरीज के इतिहास के आधार पर कठिन चिकित्सा प्रश्नों के उत्तर देने के लिए सिस्टम का परीक्षण किया। मानक AI (TLM के बिना) लगभग 34.6% उत्तर सही दे पाया। नया TLM सिस्टम 64.2% सही रहा। यह सफलता दर लगभग दोगुनी है! पेपर सुझाव देता है कि ऐसा इसलिए है क्योंकि मेडिकल कहानियाँ पूरी तरह से इस पर निर्भर करती हैं कि एक मरीज समय के साथ कैसे बदलता है, और TLM ही एकमात्र है जिसने इस पैटर्न को पहचाना।
- अर्निंग कॉल्स: उन्होंने यह अनुमान लगाने की कोशिश की कि CEO के भाषण के बाद कंपनी का स्टॉक ऊपर जाएगा या नीचे। यह बहुत कठिन काम है क्योंकि शेयर बाजार बहुत स्मार्ट है और तुरंत प्रतिक्रिया देता है। मानक AI केवल अनुमान लगाने से थोड़ा ही बेहतर था (लगभग 50.7%)। TLM ने इसे बढ़ाकर 58.0% कर दिया। हालांकि यह बहुत बड़ी छलांग नहीं लगती, लेकिन वित्त की दुनिया में, बाजार को थोड़ा भी मात देना एक बड़ी बात है।
- स्टॉक गैप्स: उन्होंने कोशिश की कि क्या अगले दिन सुबह स्टॉक की कीमत ऊपर जाएगी या नीचे। उन्होंने $10,000 से शुरू होने वाले एक ट्रेडिंग गेम का सिमुलेशन किया। मानक AI के साथ पैसा $12,067 तक पहुँचा। TLM ने, रुझानों को बेहतर ढंग से पहचानकर, पैसे को $20,400 तक बढ़ा दिया।
निष्कर्ष (The Takeaway)
यह पेपर दिखाता है कि जब आप AI को समय के साथ कहानी के आकार को समझने का तरीका देते हैं, तो वह एक बहुत बेहतर जासूस बन जाता है। रुझानों को ट्रैक करने और गायब हिस्सों को भरने के लिए गणित का उपयोग करके, TLM केवल शब्दों को नहीं पढ़ता; यह यात्रा को समझता है। लेखक सावधानी बरतते हुए कहते हैं कि यह कोई जादुई छड़ी नहीं है जो सब कुछ हल कर देती है—यह तब सबसे अच्छा काम करता है जब जानकारी में एक स्पष्ट समयरेखा हो, और इसे अभी भी वास्तविक दुनिया की स्थितियों में परीक्षण करने की आवश्यकता है। लेकिन फिलहाल, यह साबित करता है कि यदि आप चाहते हैं कि AI भविष्य के बारे में अच्छे निर्णय ले, तो आपको उसे अतीत को क्रमवार देखना सिखाना होगा।
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।