EventOD: Event-Aware OD Flow Generation via LLM-Guided Semantic Modulation

कल्पना कीजिए कि एक शहर की सांसों की भविष्यवाणी करने की कोशिश करना कैसा होगा। एक सामान्य सप्ताह के शांत और उबाऊ दिनों में, लोग अनुमानित पैटर्न में चलते हैं: वे जागते हैं, काम पर जाते हैं, दोपहर का भोजन करते हैं और घर लौट आते हैं। वैज्ञानिक इसे "ओरिजिन-डेस्टिनेशन" (OD) फ्लो कहते हैं, जो बस एक फैंसी नक्शा है जो दिखाता है कि लोग अपनी यात्रा कहाँ से शुरू करते हैं और वे कहाँ पहुँचते हैं। वर्षों से, कंप्यूटर डीप लर्निंग का उपयोग करके इन रास्तों का अनुमान लगाने में बहुत अच्छे होते जा रहे हैं, लगभग एक ऐसे जीपीएस की तरह जो आपकी आदतों को आपसे बेहतर जानता है। लेकिन यहाँ एक पेंच है: क्या होता है जब दुनिया अचानक पागल हो जाती है? जब कोई तूफान शहर में तबाही मचाता है या महामारी हर किसी को घर के अंदर रहने के लिए मजबूर करती है, तो वे पुरानी आदतें गायब हो जाती हैं। कंप्यूटर का "सामान्य दिन" वाला नक्शा बेकार हो जाता है क्योंकि शहर के कार्य बदल गए हैं—दुकानें बंद हैं, सड़कें जलमग्न हैं, और लोग डरे हुए हैं। हर आपदा के लिए कंप्यूटर को गति के एक बिल्कुल नए तरीके को सिखाना धीमा, महंगा और अक्सर असंभव होता है क्योंकि संकट के समय हमारे पास पर्याप्त डेटा नहीं होता है।

यहीं पर EventOD नामक एक नया विचार आता है, जो हमारे शहर-अनुमान लगाने वाले कंप्यूटरों के लिए एक स्मार्ट अनुवादक की तरह काम करता है। पुराने, भरोसेमंद नक्शे को फेंकने और शून्य से नया सीखने के बजाय, EventOD एक सुपर-स्मार्ट एआई (एक लार्ज लैंग्वेज मॉडल) से आपदा की खबर पढ़ने और यह समझने के लिए कहता है कि शहर का मिजाज कैसे बदला है। इसके बाद यह पुराने नक्शे को बिना तोड़े, नई वास्तविकता के अनुरूप ढलने के लिए धीरे से प्रेरित करता है। इसे अपने नियमित चश्मे के ऊपर "डिजास्टर ग्लासेस" (आपदा चश्मे) पहनने की तरह समझें; आप अभी भी दुनिया को स्पष्ट रूप से देखते हैं, लेकिन अब आप बारिश, हवा और घबराहट को भी देख सकते हैं, और उसके अनुसार अपना रास्ता समायोजित कर सकते हैं। शोधकर्ताओं ने इसका परीक्षण संयुक्त राज्य अमेरिका में वास्तविक तूफानों और महामारियों पर किया, और उन्होंने पाया कि यह "जेंटल नज़ (हल्का सा बदलाव)" दृष्टिकोण किसी भी संकट के दौरान लोगों के जाने के स्थान की भविष्यवाणी करने में, कंप्यूटर को सब कुछ फिर से सीखने के लिए मजबूर करने की तुलना में बहुत बेहतर है।

समस्या: जब शहर अपनी दिनचर्या तोड़ देता है

आप जानते हैं कि आपके फोन का मौसम ऐप मंगलवार को बारिश की भविष्यवाणी करने में बहुत अच्छा है, लेकिन अगर अचानक कोई बवंडर आ जाए तो वह भ्रमित हो सकता है? मानव आंदोलन की भविष्यवाणी करने वाले कंप्यूटर मॉडल के साथ भी बिल्कुल ऐसा ही होता है। ये मॉडल "रूटीन" डेटा पर प्रशिक्षित होते हैं—जब सब कुछ सामान्य होता है तब लोग कैसे चलते हैं। वे सीखते हैं कि लोग सुबह स्कूलों में जाते हैं और दोपहर में पार्कों में। लेकिन जब कोई विघटनकारी घटना आती है, जैसे कि कोई बड़ा तूफान या वैश्विक स्वास्थ्य संकट, तो नियम तुरंत बदल जाते हैं। एक स्कूल आश्रय स्थल बन सकता है, या एक पार्क 'नो-गो ज़ोन' (जाने योग्य नहीं) बन सकता है।

समस्या यह है कि ये कंप्यूटर जिद्दी होते हैं। यदि आप आपदा के दौरान उन्हें नए नियम सिखाने की कोशिश करते हैं, तो आमतौर पर आपके पास इसे ठीक से करने के लिए पर्याप्त डेटा नहीं होता है। घटना अभी हो रही है, और डेटा अव्यवस्थित या गायब है। यदि आप हर तूफान या महामारी के लिए पूरे कंप्यूटर मॉडल को फिर से प्रशिक्षित करने की कोशिश करते हैं, तो यह हाईवे पर चलते हुए कार के इंजन को फिर से बनाने जैसा है। यह बहुत धीमा है, और आप इंजन को खराब कर सकते हैं। शोधकर्ताओं ने महसूस किया कि इंजन को फिर से बनाने के बजाय, उन्हें बस स्टीयरिंग व्हील को समायोजित करने की आवश्यकता थी।

समाधान: "सिमेंटिक" स्टीयरिंग व्हील

EventOD की टीम ने कंप्यूटर के दिमाग को नुकसान पहुँचाए बिना इसे ठीक करने के लिए एक चतुर तीन-चरणीय योजना बनाई।

चरण 1: अनुवादक (The LLM)
सबसे पहले, वे एक लार्ज लैंग्वेज मॉडल (LLM) का उपयोग करते हैं—वही तरह का AI जो निबंध लिखता है या आपसे चैट करता है—जो आपदा की "खबर" पढ़ता है। वे AI को आपदा के बारे में जानकारी देते हैं, जैसे तूफान के लिए हवा की गति या महामारी के लिए संक्रमण दर। AI केवल यह नहीं कहता कि "स्थिति खराब है"; यह उस अराजकता को परिवर्तनों की एक संरचित सूची में अनुवादित करता है। यह उदाहरण के तौर पर यह पता लगाता है कि "संभवतः रेस्तरां बंद रहेंगे" (एक कार्यात्मक परिवर्तन) और "बच्चों वाले परिवार घर पर रहेंगे" (एक जनसांख्यिकीय परिवर्तन)। यह इसे एक सरल कंट्रोल वेक्टर में बदल देता है, जो निर्देशों का एक सेट है जैसे "यहाँ गतिविधि कम करें, वहाँ गतिविधि बढ़ाएं।"

चरण 2: वॉल्यूम नॉब्स (AlphaNet और BetaNet)
यह जानना कि क्या बदलना है, अच्छा है, लेकिन यह जानना कि कितना बदलना है, और भी बेहतर है। AI के निर्देश केवल दिशाएँ हैं (जैसे "बाएँ मुड़ें"), लेकिन कंप्यूटर को यह जानने की आवश्यकता है कि मुड़ने की गति क्या है। यहीं पर AlphaNet और BetaNet नामक दो छोटे, हल्के कंप्यूटर प्रोग्राम आते हैं। वे वॉल्यूम नॉब (आवाज़ नियंत्रित करने वाले बटन) की तरह काम करते हैं। AlphaNet "कार्यात्मक" वॉल्यूम (दुकानें और कार्यालय कितने प्रभावित होते हैं) को समायोजित करता है, और BetaNet "जनसांख्यिकीय" वॉल्यूम (विभिन्न समूह कितनी प्रभावित होते हैं) को समायोजित करता है। ये नॉब थोड़े से डेटा से सीखे जाते हैं, जिससे सिस्टम को AI के मोटे अनुमानों को सटीक समायोजन में परिष्कृत करने की अनुमति मिलती है।

चरण 3: सुरक्षा जाल (Retrieval-Augmented Fallback)
कभी-कभी, डेटा इतना कम होता है कि वॉल्यूम नॉब भी भ्रमित हो जाते हैं। इसे संभालने के लिए, EventOD के पास एक बैकअप योजना है। यह पिछले समान आपदाओं को खोजने के लिए अपने प्रशिक्षण पुस्तकालय (लाइब्रेरी) को देखता है। यदि यह एक नए प्रकार का तूफान है, तो यह पूछता है, "हे, हमने पहले इसी तरह के तूफान को कैसे संभाला था?" यह इस स्मृति का उपयोग अंतराल को भरने के लिए करता है, यह सुनिश्चित करता है कि जब डेटा कम हो तो सिस्टम क्रैश न हो।

यह व्यवहार में कैसे काम करता है

एक बार जब सिस्टम के पास अपने "कंट्रोल वेक्टर्स" (दिशाएँ) और अपने "नॉब्स" (परिमाण) आ जाते हैं, तो यह इस जानकारी को सीधे अपने पूर्व-प्रशिक्षित कंप्यूटर मॉडल में इंजेक्ट कर देता है। मूल मॉडल बिल्कुल वैसा ही रहता है—उसका दिमाग बिल्कुल नहीं बदलता। इसके बजाय, इनपुट डेटा को आपदा को दर्शाने के लिए थोड़ा संशोधित किया जाता है। यह एक अनुभवी ड्राइवर को निर्देशों का एक नया सेट देने जैसा है: "सड़क पर पानी भरा है, इसलिए दूसरा रास्ता लें," बिना ड्राइवर को गाड़ी चलाना फिर से सिखाए।

शोधकर्ताओं ने दो बहुत अलग परिदृश्यों पर इसका परीक्षण किया: 2019 में हुरिकेन डोरियन, जिसने भौतिक विनाश और मौसम-जनित अराजकता पैदा की, और 2020 में COVID-19 महामारी, जिसने व्यवहारिक और नीति-जनित परिवर्तन किए। दोनों मामलों में, उन्होंने अन्य तरीकों के मुकाबले EventOD की तुलना की, जिसमें मॉडल को शून्य से फिर से प्रशिक्षित करने या बिना किसी बदलाव के पुराने मॉडल का उपयोग करने के तरीके भी शामिल थे।

परिणाम: स्मार्ट, तेज़ और अधिक सटीक

परिणाम स्पष्ट थे। EventOD ने लगातार अन्य तरीकों को पीछे छोड़ दिया। तूफान के परिदृश्य में, इसने लोगों के जाने के स्थान की भविष्यवाणी करने की सटीकता में महत्वपूर्ण सुधार किया। विशेष रूप रूप से, इसने बिना अनुकूलित किए गए सबसे अच्छे पूर्व-प्रशिक्षित मॉडल की तुलना में लोगों के प्रवाह की भविष्यवाणी करने में त्रुटि को लगभग 18% कम कर दिया। इसने लोगों के वितरण को मिलाने में भी बहुत बेहतर काम किया, जिसका अर्थ है कि इसने न केवल लोगों की सही संख्या का अनुमान लगाया, बल्कि यह भी अनुमान लगाया कि वे सही जगहों पर जाएंगे।

सबसे दिलचस्प निष्कर्षों में से एक यह था कि मूल मॉडल को फ्रीज (स्थिर) रखना वास्तव में उसे फाइन-ट्यून करने से बेहतर था। जब शोधकर्ताओं ने सीमित आपदा डेटा पर मॉडल को फिर से प्रशिक्षित करने की कोशिश की, तो इसका प्रदर्शन वास्तव में खराब हो गया। यह सुझाव देता है कि मॉडल ने "सामान्य दिनों" से जो "कॉमन सेंस" सीखा है, वह मूल्यवान है, और आप इसे शोर भरे, अधूरे आपदा डेटा के साथ ओवरराइट नहीं करना चाहते। इसके बजाय, आपको बस इसे धीरे से निर्देशित करने की आवश्यकता है।

यह सिस्टम लचीला भी साबित हुआ। यह विभिन्न प्रकार के कंप्यूटर मॉडलों (केवल उसी पर नहीं जिससे वे शुरू हुए थे) पर अच्छी तरह से काम करता है और मौसम के झटकों से लेकर नीतिगत प्रतिबंधों तक, विभिन्न प्रकार की आपदाओं को संभालता है। यहाँ तक कि जब उन्होंने इसे "हार्ड मोड" में टेस्ट किया जहाँ उन्हें बहुत कम प्रशिक्षण डेटा दिया गया, तो यह क्रैश नहीं हुआ; यह बस थोड़ा कम सटीक हुआ, लेकिन फिर भी अन्य विकल्पों की तुलना में बहुत बेहतर रहा।

स्मार्ट होने की लागत

आप सोच सकते हैं, "आपदा की खबर को अनुवादित करने के लिए सुपर-स्मार्ट AI का उपयोग करने में क्या बहुत अधिक खर्च आता है या इसमें बहुत समय लगता है?" शोधकर्ताओं ने इसकी भी जाँच की। उन्होंने पाया कि यह प्रक्रिया आश्चर्यजनक रूप से सस्ती और तेज़ है। प्रत्येक क्षेत्र (जैसे कि एक काउंटी) के लिए, AI अनुवाद और समायोजन चलाने की लागत $0.002 से भी कम थी। इसे चलाने में लगने वाला समय AI के सोचने के कारण था, जिसमें प्रति क्षेत्र कुछ सेकंड लगते हैं, लेकिन चूंकि ये गणनाएँ एक साथ कई क्षेत्रों के लिए की जा सकती हैं, इसलिए कुल समय प्रबंधनीय है। "रिट्रीवल" (खोज) वाला हिस्सा, जहाँ सिस्टम पिछले आपदाओं को देखता है, लगभग तत्काल था, जिसमें केवल 0.0001 सेकंड लगे।

यह क्यों मायने रखता है

EventOD हमें दिखाता है कि जब दुनिया पटरी से उतर जाती है, तो हमें अपने पुराने उपकरणों को फेंकने की ज़रूरत नहीं होती। हमें बस उन्हें नई स्थिति को पढ़ना सिखाने की आवश्यकता है। आधुनिक AI की भाषा समझने की शक्ति और कंप्यूटरों के पास पहले से मौजूद "सामान्य जीवन" के गहरे ज्ञान को जोड़कर, हम ऐसे सिस्टम बना सकते हैं जो अप्रत्याशित स्थितियों के लिए तैयार हों। चाहे वह बिजली लाइनों को उड़ाने वाला तूफान हो या सामाजिक मेलजोल को बदलने वाली महामारी, यह दृष्टिकोण हमें हर बार आसमान काला होने पर शून्य से शुरुआत किए बिना—अपने शहरों को गतिशील रखने और आपातकालीन उत्तरदाताओं को सूचित रखने का एक तरीका प्रदान करता है।