Khondo: A Multimodal Benchmark for Document Packet Splitting of Bangla Forms
यह शोधपत्र खोंडो (Khondo) को प्रस्तुत करता है, जो संकलित बंगाली सरकारी फॉर्मों को विभाजित करने और पुनर्व्यवस्थित करने के लिए पहला विजन-नेटिव (vision-native), द्विभाषी बेंचमार्क है, जो यह प्रकट करता है कि हालांकि मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स दस्तावेज़ के आधार पर पेजों को प्रभावी ढंग से क्लस्टर कर सकते हैं, वे मूल पेज क्रम को पुनर्गठित करने में काफी संघर्ष करते हैं, विशेष रूप से कम संसाधन वाली भाषाओं में।
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 अराजक, जादुई पुस्तकालय के लाइब्रेरियन हैं जहाँ किताबें केवल अलमारियों पर टिकी नहीं रहतीं; वे कभी-कभी विशाल, अव्यवस्थित स्क्रॉल में आपस में जुड़ जाती हैं, और फिर कोई मेज को हिला देता है, जिससे अलग-अलग कहानियों के पन्ने आपस में मिल जाते हैं और पूरी तरह से उलझ जाते हैं। आपका काम इस उलझे हुए ढेर को देखना, यह पता लगाना कि कौन से पन्ने किस कहानी के हैं, और फिर उन्हें सही क्रम में पुनर्गठित करना है ताकि कहानी फिर से समझ में आ सके। यह "डॉक्यूमेंट पैकेट स्प्लिटिंग" (दस्तावेज़ पैकेट विभाजन) की वास्तविक दुनिया की समस्या है। डिजिटल दुनिया में, सरकारें और कार्यालय अक्सर सैकड़ों कागजों को एक बड़ी फाइल में स्कैन कर लेते हैं। कभी-कभी, स्कैनर भ्रमित हो जाता है, या किसी कर्मचारी ने गलती से पन्नों को मिला दिया होता है, जिससे एक जन्म प्रमाण पत्र और टैक्स फॉर्म या एक लाइसेंस और मेडिकल रिपोर्ट आपस में मिल जाते हैं। कंप्यूटरों के लिए, यह एक बुरा सपना है। हालांकि हमने ऐसी स्मार्ट एआई (AI) बनाई है जो टेक्स्ट पढ़ सकती है, लेकिन उसे एक पन्ने की तस्वीर देखने, दृश्य संकेतों (visual clues) को समझने और फिर दस्तावेजों के बिखरे हुए ढेर को सुलझाने के लिए सिखाना एक बहुत कठिन चुनौती है, विशेष रूप से उन भाषाओं के लिए जिन्हें कंप्यूटर बहुत कम देखते हैं।
यहीं पर खोंडो (Khondo) नामक एक नया प्रोजेक्ट आता है (जिसका अर्थ बांग्ला में "विभाजित करना" या "खंडित करना" है)। इस प्रोजेक्ट के पीछे के शोधकर्ताओं ने एक विशेष परीक्षण सेट बनाया, जो एक विशाल पहेली बॉक्स की तरह है, जिसे विशेष रूप से यह देखने के लिए डिज़ाइन किया गया है कि आधुनिक एआई इन अव्यवस्थित दस्तावेजों के ढेरों को कितनी अच्छी तरह सुलझा सकता है। उन्होंने केवल अंग्रेजी का उपयोग नहीं किया; उन्होंने बांग्लादेश के वास्तविक सरकारी फॉर्मों का उपयोग किया, जो अक्सर बांग्ला, अंग्रेजी, या दोनों के मिश्रण में लिखे जाते हैं। उन्होंने हजारों पन्नों को लिया, उन्हें नकली "पैकेट्स" में जोड़ा, और फिर पन्नों को पांच अलग-अलग तरीकों से जानबूझकर इधर-उधर कर दिया: उन्हें क्रम में रखने से लेकर, एक ही दस्तावेज़ के भीतर पन्नों को मिलाने तक, और अलग-अलग दस्तावेज़ों के पन्नों को पूरी तरह से आपस में मिला देने तक। फिर उन्होंने दुनिया के सबसे उन्नत एआई मॉडलों से इन पन्जों की तस्वीरों को देखने और उन्हें सुलझाने के लिए कहा।
परिणाम "बुरा नहीं है" और "ओह नहीं" का मिश्रण थे। एआई मॉडल काम के पहले हिस्से में आश्चर्यजनक रूप से अच्छे थे: वे एक उलझे हुए ढेर को देखकर सही अनुमान लगा सकते थे कि कौन से पन्ने एक साथ आते हैं। यह ऐसा था जैसे एआई कह सकता था, "अरे, ये चार पन्ने खेती के बारे में हैं, और ये तीन टैक्स के बारे में हैं," भले ही पन्ने मिले हुए हों। हालांकि, एआई दूसरे भाग में एक बड़ी दीवार से टकरा गया: पन्नों को वापस सही क्रम में रखना। जब पन्ने इधर-उधर किए गए थे, तो एआई यह समझने में संघर्ष कर रहा था कि कौन सा पन्ना पहले, दूसरा या आखिरी आता है। यह ऐसा था जैसे एआई कहानी के पात्रों को पहचान तो सकता है लेकिन वह कथानक के क्रम को याद नहीं रख पाता।
शोधकर्ताओं ने गहराई से जांच की कि ऐसा क्यों हो रहा था। उन्होंने दो मुख्य तरकीबें आजमाईं। पहले, उन्होंने एआई को बहुत विशिष्ट निर्देश दिए, जैसे, "अरे, ये पन्ने मिले हुए हैं; कृपया क्रम ठीक करें!" इससे काफी मदद मिली, लेकिन इसने समस्या को पूरी तरह से हल नहीं किया। एआई अभी भी गलतियाँ कर रहा था, जिससे पता चलता है कि कठिनाई केवल एआई के न सुनने की नहीं थी, बल्कि कार्य ही वास्तव में कठिन था। दूसरा, उन्होंने केवल अंग्रेजी वाले पैकेट्स और केवल बांग्ला वाले पैकेट्स के साथ एआई का परीक्षण किया। उन्होंने पाया कि एआई बांग्ला वाले पन्नों की तुलना में अंग्रेजी वाले पन्नों को व्यवस्थित करने में बहुत बेहतर था। ऐसा लगता है कि बांग्ला लिपि के दृश्य संकेतों को पढ़ना एआई के लिए कठिनाई की एक अतिरिक्त परत थी, जिससे उसकी गति धीमी हो गई, भले ही वह पन्नों को सही ढंग से समूहबद्ध (group) कर पा रहा था।
संक्षेप में, यह शोध पत्र दिखाता है कि जबकि एआई इस बात को पहचानने में माहिर हो रहा है कि कोई दस्तावेज़ किस बारे में है, वह अभी भी एक मानव लाइब्रेरियन की तरह कार्य करने के लिए संघर्ष कर रहा है जो बिखरे हुए कागजों के ढेर को देख सकता है और तुरंत सही पढ़ने का क्रम जान सकता है, खासकर जब टेक्स्ट बांग्ला जैसी भाषा में हो। शोधकर्ताओं ने अब इस "अव्यवस्थित पुस्तकालय" की पहेली को सभी के उपयोग के लिए उपलब्ध करा दिया है, इस उम्मीद में कि इन विफलताओं का अध्ययन करके, भविष्य का एआई गांठों को सुलझाना और हमारे डिजिटल दस्तावेजों में व्यवस्था बहाल करना सीख जाएगा।
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।