Understanding Human-like Solutions in Combinatorial Optimization via Learning and Search
यह शोध पत्र इस बात की जांच करता है कि मनुष्य यूक्लिडियन ट्रैवलिंग सेल्समैन समस्याओं को कैसे हल करते हैं, यह प्रदर्शित करते हुए कि मानव-समान, निकट-इष्टतम (near-optimal) दौरों को इष्टतम समाधानों के सीधे अनुकरण द्वारा नहीं, बल्कि इष्टतम दौरों पर प्रीट्रेन किए गए और सुदृढीकरण शिक्षण (reinforcement learning) के माध्यम से फाइन-ट्यून किए गए न्यूरल नेटवर्क और बेस्ट-ऑफ-एन सैंपलिंग के माध्यम से डिकोड करके बेहतर ढंग से मॉडल किया जा सकता है, जो यह सुझाव देता है कि मानव समस्या-समाधान पर्यवेक्षित शिक्षण (supervised learning), सुदृढीकरण शिक्षण और टेस्ट-टाइम सर्च के संयोजन से उभरता 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 पहेली सुलझाने की कोशिश कर रहे हैं जहाँ आपको कई अलग-अलग स्थानों पर जाना है और फिर घर वापस आना है, लेकिन आप इसे कम से कम दूरी में करना चाहते हैं। यह एक क्लासिक दिमागी कसरत है जिसे 'ट्रैवलिंग सेल्समैन प्रॉब्लम' के रूप में जाना जाता है। यह सुनने में सरल लगता है, लेकिन इसके पीछे का गणित कंप्यूटरों के लिए एक दुःस्वप्न है: जैसे-जैसे आप स्थानों की संख्या बढ़ाते हैं, संभावित मार्गों की संख्या इतनी तेजी से बढ़ती है कि दुनिया के सबसे शक्तिशाली सुपरकंप्यूटर भी सबसे सटीक विकल्प खोजने के लिए हर एक विकल्प की जांच नहीं कर सकते। फिर भी, इंसान इसमें अजीब तरह से कुशल होते हैं। हम शहरों के एक नक्शे को देख सकते हैं और जल्दी से एक ऐसा रास्ता बना सकते हैं जो लगभग एकदम सही वाले के बराबर ही अच्छा हो, भले ही हमारा मस्तिष्क एक कंप्यूटर की तुलना में बहुत छोटा और धीमा हो। वैज्ञानिक लंबे समय से यह सोच रहे हैं: हम इसे कैसे करते हैं? क्या हम सिर्फ अनुमान लगा रहे हैं, या हमारे दिमाग में कोई छिपा हुआ "एल्गोरिदम" है जिसके बारे में हमें पता नहीं है? यह प्रश्न मनोविज्ञान (हमारा मन कैसे काम करता है) और कंप्यूटर विज्ञान (हम स्मार्ट मशीनें कैसे बनाते हैं) के मिलन बिंदु पर स्थित है। यदि हम यह समझ सकें कि इंसान इन कठिन पहेलियों को इतनी कुशलता से कैसे हल करते हैं, तो हम बेहतर एआई (AI) बना पाएंगे और अपने स्वयं के सोचने के तरीके को बेहतर ढंग से समझ पाएंगे।
यह शोध पत्र उस रहस्य की गहराई में जाता है और मानव समस्या-समाधान को एक विशाल वैज्ञानिक प्रयोग की तरह मानता है। शोधकर्ताओं ने भारी मात्रा में डेटा एकत्र किया—1,50,000 अलग-अलग शहर की पहेलियों को हल करने वाले 1,100 से अधिक लोगों द्वारा बनाए गए 2 करोड़ से अधिक मार्ग। फिर उन्होंने कंप्यूटर मॉडल बनाए यह देखने के लिए कि कौन से मॉडल इंसानों की तरह सोचने की नकल करने में सबसे सक्षम हैं। उन्होंने दो मुख्य विचारों का परीक्षण किया: एक जहाँ कंप्यूटर केवल गणितीय रूप से पूर्ण मार्ग खोजने की कोशिश करता है (एक रोबोट की तरह), और दूसरा जहाँ कंप्यूटर उदाहरणों से सीखता है और फिर परीक्षण और त्रुटि (trial and error) के माध्यम से खुद को सुधारने की कोशिश करता है (एक शिक्षक से सीखने और फिर अभ्यास करने वाले छात्र की तरह)।
बड़ी आश्चर्यजनक बात क्या थी? वे कंप्यूटर मॉडल जो पूर्ण होने की कोशिश कर रहे थे, वास्तव में इंसानों जैसे नहीं दिखे। वास्तव में, "पूर्ण" मार्ग बहुत कठोर और ज्यामितीय रूप से सटीक थे, जिनमें वे छोटी-मोटी खामियां और शॉर्टकट गायब थे जो इंसान स्वाभाविक रूप से लेते हैं। वे मॉडल जिन्होंने केवल मानव रेखाचित्रों को याद किया था, वे बेहतर थे, लेकिन वे अभी भी थोड़े सख्त महसूस होते थे। असली विजेता एक हाइब्रिड दृष्टिकोण था। सबसे अच्छा मॉडल पहले "पूर्ण" मार्गों से सीखता था ताकि ज्यामिति के बुनियादी नियमों को समझा जा सके, और फिर इसे 'रीइन्फोर्समेंट लर्निंग' (reinforcement learning) नामक एक विधि का उपयोग करके परिष्कृत किया गया था, जहाँ इसे छोटे रास्ते खोजने के लिए "पुरस्कार" मिलते थे। लेकिन यहाँ मुख्य बात यह है: यह मॉडल केवल तभी वास्तव में मानव जैसा दिखता था जब इसे उत्तर देने से पहले एक क्षण के लिए "सोचने" की अनुमति दी गई थी। केवल पहला अच्छा रास्ता चुनने के बजाय, मॉडल ने कई संभावित मार्गों को बनाया, उनकी तुलना की, और सबसे अच्छे को चुना। यह सुझाव देता है कि मानव जैसी बुद्धिमत्ता केवल एक स्मार्ट मस्तिष्क के बारे में नहीं है; यह एक ऐसे स्मार्ट मस्तिष्क के बारे में है जो थोड़ा रुकने, कुछ विकल्प उत्पन्न करने और उनमें से सबसे उपयुक्त को खोजने के लिए जानता है। यह पेपर सुझाव देता है कि हमारा मस्तिष्क भी इसी तरह काम कर सकता है: हम अनुभव से एक अच्छे समाधान का सामान्य आकार सीखते हैं, लेकिन जब हम किसी नई समस्या का सामना करते हैं, तो हम अपने उत्तर को बेहतर बनाने के लिए थोड़ा मानसिक "खोज" (searching) करते हैं।
शोधकर्ताओं ने पाया कि हालांकि इंसान पूर्ण नहीं होते हैं, फिर भी हमारे समाधान एक "नियर-ऑप्टिमल बेसिन" (near-optimal basin) में रहते हैं। इसका अर्थ यह है कि हमारे मार्ग सर्वोत्तम संभव मार्गों के बहुत करीब होते हैं, जिनमें कई समान संरचनात्मक विशेषताएं होती हैं, लेकिन उनमें व्यवस्थित विचलन (systemic deviations) भी होते हैं—छोटी खामियां जो उन्हें विशिष्ट रूप से मानवीय बनाती हैं। उदाहरण के लिए, इंसान मुड़ने में कम सहज होते हैं और पूर्ण ज्यामितीय आकृतियों को कम सुरक्षित रखते हैं तुलना एक ऐसे कंप्यूटर एल्गोरिदम के जिसे पूर्णता के लिए डिज़ाइन किया गया है। यह अध्ययन स्पष्ट रूप से इस विचार को खारिज करता है कि इंसान केवल सरल, 'ग्रीडी' नियमों (जैसे हमेशा निकटतम अगले शहर को चुनना) का उपयोग कर रहे हैं, क्योंकि उन सरल रणनीतियों ने रैंडम अनुमानों से भी खराब प्रदर्शन किया। यह यह भी सुझाव देता है कि केवल मानव रेखाचित्रों की नकल करना पर्याप्त नहीं है; मॉडल को पहले "अच्छे" समाधानों के अंतर्निहित तर्क को समझने की आवश्यकता है।
अंततः, यह शोध पत्र प्रस्तावित करता है कि मानव-समान समाधान तीन चीजों के संयोजन से उभरते हैं: उदाहरणों से अच्छे समाधानों की संरचना सीखना (सुपरवाइज्ड लर्निंग), फीडबैक के माध्यम से उस ज्ञान में सुधार करना (रीइन्फोर्समेंट लर्निंग), और फिर निर्णय लेने के समय कई विकल्पों में से सबसे अच्छे विकल्प को खोजने के लिए थोड़ी अतिरिक्त कंप्यूटिंग शक्ति का उपयोग करना (टेस्ट-टाइम सर्च)। यह इस बात को दर्शाता है कि आधुनिक एआई सिस्टम कैसे अधिक शक्तिशाली हो रहे हैं, न कि केवल बड़ा होने से, बल्कि बोलने से पहले गहराई से सोचने के लिए सीखने से। लेखक सुझाव देते हैं कि यह "सोचो-फिर-लागू-करो" (think-then-implement) रणनीति ही संभवतः हमें इन अविश्वसनीय रूप से कठिन समस्याओं को इतनी तेज़ी से हल करने में सक्षम बनाती है, जो संभावनाओं के अराजक ढेर को एक व्यवस्थित, कुशल पथ में बदल देती है।
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।