ProcAgent: An Agentic Framework for Procedural Task Guidance on Edge with Human-in-the-Loop
यह शोध पत्र ProcAgent को प्रस्तुत करता है, जो NVIDIA Jetson हार्डवेयर पर चलने वाला एक पूर्णतः ऑन-डिवाइस एजेंटिक फ्रेमवर्क है, जो फर्नीचर असेंबली जैसे जटिल प्रक्रियात्मक कार्यों के लिए वास्तविक समय में, गोपनीयता-संरक्षित मार्गदर्शन प्रदान करने हेतु निरंतर धारणा (continuous perception) को ऑन-डिमांड विजुअल रीजनिंग और ह्यूम-इन-द-लूप इंटरेक्शन के साथ जोड़ता 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 फर्नीचर का एक जटिल टुकड़ा, जैसे कि एक बुकशेल्फ़, बनाने की कोशिश कर रहे हैं, लेकिन निर्देश छोटे-छोटे चित्रों के एक उलझे हुए ढेर की तरह हैं। आपको किसी ऐसे व्यक्ति की आवश्यकता है जो आपके हाथों को देखे, आपको बताए कि क्या आप पेंच (screw) को गलत तरीके से पकड़ रहे हैं, और आपको याद दिलाए कि आप पैर जोड़ने से पहले ऊपर की शेल्फ नहीं लगा सकते। विज्ञान की दुनिया में, इसे "प्रक्रियात्मक मार्गदर्शन" (procedural guidance) कहा जाता है। वर्षों से, कंप्यूटर इस काम में बेहतर होते रहे हैं, लेकिन वे आमतौर पर क्लाउड में मौजूद एक "मस्तिष्क" पर निर्भर करते हैं—एक विशाल सर्वर जो बहुत दूर कहीं होता है, वीडियो को प्रोसेस करता है और जवाब वापस भेजता है। यह एक ऐसे व्यक्तिगत सहायक की तरह है जो दूसरे देश में रहता है; यह काम तो करता है, लेकिन यह धीमा है, और आपको अपने कमरे का वीडियो भेजना पड़ता है, जो गोपनीयता के उल्लंघन जैसा महसूस होता है।
बड़ा सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: क्या हम एक ऐसा स्मार्ट असिस्टेंट बना सकते हैं जो पूरी तरह से आपके पास एक छोटे डिवाइस पर रहता है, जैसे कि एक स्मार्ट स्पीकर? इस डिवाइस को इतना तेज़ होना चाहिए कि वह वास्तविक समय (real-time) में आपकी गलतियों को पकड़ सके, इतना स्मार्ट होना चाहिए कि वह समझ सके कि आप क्या कर रहे हैं, और इतना निजी होना चाहिए कि वह कभी भी आपका वीडियो इंटरनेट पर न भेजे। चुनौती यह है कि ये "स्मार्ट" कंप्यूटर आमतौर पर बहुत अधिक शक्ति और मेमोरी की मांग करते हैं, जिससे वे मेज पर रखे एक छोटे से बॉक्स के लिए बहुत गर्म और बहुत धीमे हो जाते हैं। यह पेपर यह समझने की कोशिश करता है कि कैसे एक "स्थानीय मस्तिष्क" (local brain) बनाया जाए जो बिना क्लाउड की मदद के, आपको किसी कार्य के माध्यम से मार्गदर्शन दे सके, और गति, बुद्धिमत्ता और गोपनीयता के बीच संतुलन बना सके।
ProcAgent से मिलिए: द लोकल-ओनली फर्नीचर असेंबली बडी
मिलिए ProcAgent से, एक नए प्रकार के डिजिटल असिस्टेंट से जिसे आपको IKEA फर्नीचर जैसी चीजें बनाने में मदद करने के लिए डिज़ाइन किया गया है। एक रोबोटिक बटलर की कल्पना करें जो आपके फर्श पर रखे एक छोटे कंप्यूटर बॉक्स (विशेष रूप से, एक NVIDIA Jetson AGX Orin) के भीतर पूरी तरह से रहता है। अन्य सहायकों के विपरीत जो आपका वीडियो आसमान में स्थित एक विशाल सर्वर पर स्ट्रीम करते हैं, ProcAgent सब कुछ वहीं आपके लिविंग रूम में रखता है। यह आपको देखता है, आपके कार्यों के बारे में सोचता है, और आपसे बात करता है, और यह सब बिना इंटरनेट से जुड़े।
लेखकों ने इस सिस्टम का निर्माण इसलिए किया क्योंकि उन्होंने महसूस किया कि फर्नीचर को असेंबल करना एक मानसिक मैराथन है। आपको निर्देशों को पढ़ना होता है, याद रखना होता है कि आप कहाँ हैं, पुर्जों को देखना होता है, और गलतियों को ठीक करना होता है, और यह सब लकड़ी के भारी टुकड़ों को पकड़े हुए करना होता है। पुराने ज़माने के मैनुअल तब मदद नहीं कर सकते जब आप फंस जाते हैं, और वीडियो ओवरले यह नहीं बता सकते कि आपने कोई गलती की है या नहीं। ProcAgent एक "जस्ट-इन-टाइम" कोच के रूप में डिज़ाइन किया गया है जो केवल तभी बोलता है जब वास्तव में इसकी आवश्यकता होती है।
"प्रपोज़-एंड-वेरिफाई" (प्रस्ताव और सत्यापन) का नृत्य
ProcAgent का असली मंत्र "प्रपोज़-एंड-वेरिफाई" नामक एक चतुर दो-चरणीय प्रक्रिया है। कल्पना कीजिए कि आप एक वीडियो गेम खेल रहे हैं जहाँ एक तेज़, सस्ता पात्र (जिसे Proposer या प्रस्तावक कहा जाता है) स्क्रीन पर इधर-उधर दौड़कर यह अनुमान लगाता है कि आप क्या कर रहे हैं। यह पात्र तेज़ और चलाने में सस्ता है, इसलिए यह आपकी हर हरकत पर नज़र रख सकता है। यह कह सकता है, "हे, मुझे लगता है कि आपने अभी एक पैर उठाया है!"
लेकिन प्रस्तावक (Proposer) दोषरहित नहीं है; यह छाया या आपके हाथ द्वारा दृश्य को बाधित करने से भ्रमित हो सकता है। इसलिए, यह अपनी भविष्यवाणी को पूरी दुनिया के सामने चिल्लाकर नहीं बताता। इसके बजाय, यह एक अत्यंत बुद्धिमान, लेकिन धीमे पात्र (जिसे Visual Verifier या विज़ुअल वेरीफायर कहा जाता है) के कान में फुसफुसाता है। वेरीफायर एक सख्त रेफरी की तरह है। यह केवल तभी जागता है जब प्रस्तावक कहता है, "मुझे लगता है कि एक बड़ा बदलाव हुआ है!" वेरीफायर फिर पुष्टि करने के लिए करीब से देखता है: "हाँ, आपने वास्तव में पैर उठाया है," या "नहीं, आप बस अपना हाथ हिला रहे थे।"
यह एक बहुत बड़ी बात है क्योंकि इसका मतलब है कि सिस्टम को हर एक वीडियो फ्रेम के लिए महंगे और धीमे "रेफरी" को चलाने की आवश्यकता नहीं है। यह बैटरी बचाता है, कंप्यूटर को गर्म होने से रोकता है, और सिस्टम को इतना तेज़ बनाता है कि वह वास्तविक समय में आपसे बात कर सके।
"नियम पुस्तिका" और "ह्यूमन लूप"
ProcAgent एक डिजिटल नियम पुस्तिका (Finite State Task Model) भी साथ रखता है। यह केवल चरणों की सूची नहीं है; यह इस बात का नक्शा है कि आगे क्या होना अनुमत है। यदि आप पैर जोड़ने से पहले ऊपर की शेल्फ लगाने की कोशिश करते हैं, तो नियम पुस्तिका कहती है, "रुको, यह अवैध है!"
लेकिन यहाँ सबसे मानवीय हिस्सा है: जब कंप्यूटर भ्रमित होता है या उसे लगता है कि आपने कोई गलती की है, तो वह आपको रोकने के लिए मजबूर नहीं करता है। वह आपसे पूछता है! इसे Human-in-the-Loop (मानव-केंद्रित प्रक्रिया) कहा जाता है। यदि सिस्टम को लगता है कि आपने कोई चरण छोड़ दिया है, तो यह कह सकता है, "हे, क्या आपने मेज को पलटना याद रखा?" यदि आप कहते हैं, "नहीं, मैंने नहीं किया," तो यह आपको ठीक करने में मदद करता है। यदि आप कहते हैं, "हाँ, मैंने किया, आप गलत हैं," तो यह आप पर भरोसा करता है और आगे बढ़ता रहता है। यह सिस्टम को एक बॉस की तरह नहीं, बल्कि एक मददगार साथी की तरह महसूस कराता है।
उन्होंने क्या पाया
शोधकर्ताओं ने 10 लोगों को एक IKEA कॉफी टेबल बनाते हुए टेस्ट किया जबकि सिस्टम उन पर नज़र रख रहा था। यहाँ क्या हुआ:
- यह पर्याप्त तेज़ है: भले ही यह एक छोटे डिवाइस पर जटिल सोच का उपयोग कर रहा है, इसने लगभग 2 सेकंड में सरल टेक्स्ट प्रश्नों का उत्तर दिया। जब इसे प्रश्न का उत्तर देने के लिए मेज को देखने की आवश्यकता हुई (जैसे "क्या यह पैर संरेखित है?"), तो इसमें लगभग 8 सेकंड लगे। यह बातचीत को सुचारू बनाए रखने के लिए पर्याप्त तेज़ है।
- यह निजी है: क्योंकि यह पूरी तरह से डिवाइस पर चलता है, इसने वीडियो का एक भी फ्रेम क्लाउड पर नहीं भेजा। उपयोगकर्ता अध्ययन में, लोगों ने बहुत सहजता महसूस की और सिस्टम पर भरोसा किया क्योंकि वे जानते थे कि उनकी गोपनीयता सुरक्षित है।
- यह केवल "देखने" से बेहतर काम करता है: जब उन्होंने ProcAgent की तुलना एक ऐसे सिस्टम से की जो केवल वीडियो को देखता है और अनुमान लगाता है (बिना नियम पुस्तिका या "प्रपोज़-एंड-वेरिफाई" के), तो ProcAgent सही और उपयोगी सलाह देने में बहुत बेहतर था। क्रम को सही रखने की कुंजी "नियम पुस्तिका" और "ह्यूमन लूप" थे।
- समझौता (Trade-off): सिस्टम थोड़ा गर्म (लगभग 55.5°C) हो जाता है और काफी बिजली का उपयोग करता है, लेकिन यह सुरक्षित सीमाओं के भीतर रहता है और बंद नहीं होता है।
निष्कर्ष
यह पेपर सुझाव देता है कि भौतिक कार्यों के लिए एक स्मार्ट, सहायक असिस्टेंट होने के लिए आपको एक विशाल क्लाउड सर्वर की आवश्यकता नहीं है। एक स्मार्ट रणनीति का उपयोग करके जहाँ एक "तेज़ अनुमान लगाने वाला" केवल आवश्यकता पड़ने पर "धीमे रेफरी" से जाँच करता है, और जब चीजें भ्रमित करने वाली होती हैं तो अंतिम निर्णय मानव को सौंप देता है, आप एक ऐसा सिस्टम बना सकते हैं जो निजी, तेज़ और वास्तव में सहायक हो।
लेखकों ने पाया कि यह दृष्टिकोण फर्नीचर असेंबली के लिए अच्छी तरह काम करता है, लेकिन वे स्वीकार करते हैं कि यह अभी भी प्रगति पर है। वे यह दावा नहीं कर रहे हैं कि यह दुनिया के हर कार्य के लिए अभी पूर्ण है, लेकिन उन्होंने यह दिखा दिया है कि एक स्मार्ट, एजेंटिक असिस्टेंट बनाना संभव है जो पूरी तरह से आपके एज डिवाइस (edge device) पर रहता है, आपके डेटा को सुरक्षित रखता है और आपके फर्नीचर को सीधा खड़ा रखता 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।