Statistically Supported LLM Ingredient and Recipe Data Collection in Computational Nutrition
यह शोध पत्र एक गुणवत्ता-नियंत्रित पाइपलाइन प्रस्तुत करता है जो सांख्यिकीय अनुमान (statistical estimation), अपरिवर्तनीय जाँच (invariant checks) और वेब-आधारित सुधार (web-grounded repair) का लाभ उठाकर अविश्वसनीय LLM आउटपुट को कम्प्यूटेशनल पोषण के लिए सटीक और सुसंगत सामग्री डेटा में परिवर्तित करता है, जिससे पोषक तत्वों के अनुपात की त्रुटियों को काफी कम किया जाता है और अनिश्चितता को कार्यात्मक रूप से प्रबंधित किया जाता 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 विशाल, अत्यंत बुद्धिमान किचन रोबोट बनाने की कोशिश कर रहे हैं जो लाखों लोगों के लिए उत्तम भोजन की योजना बना सके। इसे करने के लिए, रोबोट को दुनिया के हर एक घटक (ingredient) के बारे में तथ्यों की एक विशाल लाइब्रेरी की आवश्यकता होगी: जैसे कि एक विशिष्ट प्रकार के सेब में कितना प्रोटीन है, क्या कोई विशेष पनीर हलाल है, या ब्रेड के एक स्लाइस में कितनी चीनी है। यह क्षेत्र कंप्यूटेशनल न्यूट्रिशन (computational nutrition) कहलाता है, और यह भविष्य की रेसिपी लिखने जैसा है, लेकिन आप रेसिपी तब तक नहीं लिख सकते जब तक आपको यह न पता हो कि वे सामग्रियां वास्तव में क्या हैं।
समस्या यह है कि खाद्य तथ्यों की मौजूदा लाइब्रेरी अव्यवस्थित है। वे छिद्रों से भरी हैं, कभी-कभी एक-दूसरे के विरोधाभासी हैं, और इंसानों के पढ़ने के लिए लिखी गई हैं, न कि कंप्यूटर द्वारा नंबरों को प्रोसेस करने के लिए। यहाँ प्रवेश होता है लार्ज लैंग्वेज मॉडल्स (LLMs) का। इन्हें एक अविश्वसनीय रूप से पढ़े-लिखे डिजिटल शेफ के रूप में समझें जिन्होंने इंटरनेट पर मौजूद लगभग हर कुकबुक को पढ़ा है। वे बहुत कुछ जानते हैं, लेकिन उनकी एक बुरी आदत है: कभी-कभी वे पूरे आत्मविश्वास के साथ गलत चीजें बना देते हैं। यदि आप एक डिजिटल शेफ से पूछते हैं, "इसमें कितना फैट है?" और वह गलत अनुमान लगाता है, तो वह गलत नंबर उसके दिमाग में दर्ज हो जाता है, जिससे उसके द्वारा बनाई जाने वाली हर मील प्लानिंग खराब हो जाती है। मुख्य सवाल जो वैज्ञानिक पूछ रहे हैं: क्या हम इन बातूनी, कभी-कभी आत्मविश्वासी लेकिन गलत डिजिटल शेफ का उपयोग करके एक उत्तम खाद्य लाइब्रेरी बना सकते हैं बिना गणित को बिगाड़े?
स्वांसे विश्वविद्यालय (Swansea University) के जेम्स इज़ार्ड और उनकी टीम द्वारा लिखा गया यह पेपर कहता है, "हाँ, लेकिन केवल एक बार पूछने से नहीं।" वे एक चतुर, बहु-चरणीय पाइपलाइन का प्रस्ताव देते हैं जो AI को एक ऐसे छात्र की तरह मानती है जिसे स्वीकार किए जाने से पहले टेस्ट, चेक और सुधारा जाना आवश्यक है। एक एकल उत्तर पर भरोसा करने के बजाय, वे AI से एक ही सवाल कई बार पूछते हैं। यदि AI हर बार एक अलग उत्तर देता है, तो सिस्टम समझ जाता है कि उसे संदेह करना चाहिए। यदि सभी उत्तर एक जैसे हैं, तो यह अधिक आश्वस्त महसूस करता है। लेकिन, वे यहाँ भी नहीं रुकते। उनके पास एक "फैक्ट-चेकर" लेयर है जो उत्तरों को देखती है और पूछती है, "क्या यह तर्कसंगत है?" उदाहरण के लिए, यदि AI कहता है कि किसी खाद्य पदार्थ में 100 ग्राम फैट है लेकिन कुल फैट 0 ग्राम है, तो सिस्टम जान जाता है कि यह असंभव है और उसे दोबारा प्रयास करने के लिए वापस भेज देता है।
टीम ने इस पद्धति का परीक्षण 30 सामग्रियों के एक छोटे सेट पर किया, जिसमें उन्होंने एक "नेइव" (naive) दृष्टिकोण की तुलना की जहाँ आप बस AI से एक बार पूछते हैं और उम्मीद करते हैं कि सब ठीक होगा। परिणाम प्रभावशाली थे। जटिल नंबरों के लिए, जैसे कि पोषक तत्वों के अनुपात, सरल "एक बार पूछने" वाले तरीके में औसत त्रुटि 31.9% थी। नई पाइपलाइन, जिसमें उसकी सारी जाँच और संतुलन शामिल है, ने उस त्रुटि को घटाकर केवल 10.1% कर दिया। यह एक बड़ी उपलब्धि है, जिसने गलती की दर को लगभग 22 प्रतिशत अंक कम कर दिया। इसकी लागत? जांच चलाने के लिए प्रति सामग्री लगभग $1, जिसे लेखक बाद में हजारों रेसिपी के लिए एक विश्वसनीय डेटाबेस बनाने के लिए एक उचित कीमत मानते हैं।
हालाँकि, पेपर इस दावे के प्रति सावधान है कि उन्होंने पूर्ण खाद्य डेटा की समस्या को "हल" कर दिया है। उन्होंने पाया कि सरल हाँ-या-ना वाले प्रश्नों के लिए (जैसे "क्या यह अल्कोहल-मुक्त है?"), AI पहले से ही काफी अच्छा था, इसलिए फैंसी पाइपलाइन ने बहुत अधिक अतिरिक्त मूल्य नहीं जोड़ा। उन्होंने यह भी नोट किया कि पानी या प्रोटीन जैसी बहुत सामान्य चीजों के लिए, एक बार पूछना ही अक्सर पर्याप्त होता है। असली जादू उन उलझे हुए, कठिन-से-ढूँढने वाले नंबरों के साथ हुआ। लेखक सुझाव देते हैं कि जबकि उनकी विधि डेटा को बहुत अधिक विश्वसनीय बनाती है, यह गारंटी नहीं देती कि हर एक नंबर 100% सत्य है, विशेष रूप से दुर्लभ सामग्रियों के लिए जहाँ मानव विशेषज्ञ भी असहमत हो सकते हैं।
पेपर ने यह भी देखा कि जैसे-जैसे आप अपने डेटाबेस में अधिक रेसिपी जोड़ते हैं, आपको वास्तव में कितने अद्वितीय घटकों (unique ingredients) को जानने की आवश्यकता होती है। हीप्स लॉ (Heap's Law) नामक एक गणितीय नियम का उपयोग करते हुए (जो यह समझने जैसा है कि नमक, काली मिर्च और प्याज जैसे शब्द सीखने के बाद, हर नई रेसिपी पढ़ने से आपके शब्दकोश में बहुत कम नए शब्द जुड़ते हैं), उन्होंने पाया कि यह काम "फ्रंट-लोडेड" है। पहली 100 रेसिपी एक बड़ी संख्या में नए घटक पेश करती हैं, लेकिन जब तक आप 5,000 रेसिपी तक पहुँचते हैं, आप ज्यादातर उन्हीं पुराने घटकों का पुन: उपयोग कर रहे होते हैं। इसका मतलब है कि सामग्रियों की जाँच करने का कठिन काम शुरुआत में ही हो जाता है, और जैसे-जैसे डेटाबेस बढ़ता है, इसका रखरखाव आसान होता जाता है।
अंत में, लेखक एक वर्कफ़्लो प्रस्तुत करते हैं जो AI को एक "ब्लैक बॉक्स" से बदलकर—जो रैंडम तथ्य उगल देता है—एक नियंत्रित डेटा-इंजीनियरिंग टूल में बदल देता है। वे AI की अनिश्चितता को एक ऐसे बग के रूप में नहीं देखते जिसे अनदेखा किया जाए, बल्कि एक संकेत के रूप में देखते जिसे मापा जाना चाहिए। यदि AI अनिश्चित है, तो सिस्टम गहराई से खोज करने या मानव सहायता मांगने के लिए जानता है। यह जासूसों की एक टीम रखने जैसा है: एक सुराग इकट्ठा करता है (AI), दूसरा जाँच करता है कि क्या सुराग आपस में मेल खाते हैं (इनवेरिएंट चेकर), और तीसरा सबूत खोजने के लिए लाइब्रेरी जाता है (वेब सर्च) यदि सुराग मेल नहीं खाते। परिणाम एक ऐसा सिस्टम है जो केवल अनुमान नहीं लगाता; यह सत्यापित करता है, संतुलन बनाता है, और खाद्य तथ्यों की एक ऐसी नींव बनाता है जिस पर कंप्यूटर वास्तव में भरोसा कर सकें।
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।