AI-Assisted Knowledge Access for Legacy Enterprise Asset Management in Energy Operations: A Practical Retrieval System
यह शोध पत्र एक व्यावहारिक एआई-सहायता प्राप्त रिट्रीवल सिस्टम प्रस्तुत करता है जो इरादे की समझ (intent understanding), सिमेंटिक एनरिचमेंट और हाइब्रिड रिट्रीवल तकनीकों को जोड़कर लीगेसी एनर्जी एंटरप्राइज एसेट मैनेजमेंट प्लेटफॉर्म्स में ज्ञान तक पहुंच को बढ़ाता है, जो एक पायलट अध्ययन के दौरान रिट्रीवल प्रिसिजन, कार्य पूर्ण होने के समय और उपयोगकर्ता के विश्वास में महत्वपूर्ण सुधार प्रदर्शित करता 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, प्राचीन पुस्तकालय में घूम रहे हैं जो एक पावर प्लांट चलाने के रहस्यों को संजोए हुए है। यह पुस्तकालय आधुनिक पुस्तकालयों की तरह स्पष्ट लेबल या डिजिटल सर्च बार के साथ व्यवस्थित नहीं है। इसके बजाय, यह धूल भरे स्क्रॉल, हस्तलिखित नोट्स और पचास साल पहले के ब्लूप्रिंट का एक अराजक भूलभुलैया है। कुछ किताबें एक अजीब कोड में लिखी गई हैं जिसे केवल पुराने पुस्तकालयाध्यक्ष ही समझ सकते हैं, जबकि कुछ केवल बिना किसी स्पष्टीकरण के संख्याओं की सूचियाँ हैं। विज्ञान और इंजीनियरिंग की दुनिया में, यह तब होता है जब कंपनियाँ "लेगेसी सिस्टम" (legacy systems)—यानी दशकों से चल रहे पुराने सॉफ़्टवेयर—पर निर्भर होती हैं। इसे फेंक देना और एक नया पुस्तकालय बनाना बहुत महंगा और जोखिम भरा है, इसलिए उन्हें पुराने पुस्तकालय का उपयोग करना ही पड़ता है। शोधकर्ता जो बड़ा सवाल पूछ रहे हैं: हम इस अव्यवस्था में लोगों को सही जानकारी खोजने में कैसे मदद कर सकते हैं बिना पूरे भवन को गिराए? इसका उत्तर "रिट्रीवल-ऑगमेंटेड जनरेशन" (या संक्षेप में RAG) नामक एक अवधारणा में निहित है। RAG को एक सुपर-स्मार्ट, अत्यधिक संगठित पुस्तकालयाध्यक्ष सहायक के रूप में सोचें। केवल अनुमान लगाने या मनगढ़ंत बातें बनाने के बजाय, इस सहायक को विशेष रूप से उस शेल्फ तक दौड़ने, सटीक पृष्ठ उठाने, उसे पढ़ने और फिर आपको उत्तर देते हुए ठीक उस स्थान की ओर इशारा करने के लिए प्रशिक्षित किया गया है जहाँ उसने प्रमाण पाया है। यह एक कहानीकार की रचनात्मकता को एक तथ्य-जांचकर्ता (fact-checker) की सख्त सटीकता के साथ जोड़ता है।
यह शोध पत्र एक ऐसी टीम की कहानी बताता है जिसने ओंटारियो पावर जनरेशन (Ontario Power Generation) के लिए बिल्कुल इसी तरह का पुस्तकालयाध्यक्ष सहायक बनाया है, जो ऊर्जा संचालन का प्रबंधन करती है। उन्हें एक सामान्य समस्या का सामना करना पड़ा: उनके इंजीनियर अपने पुराने, बोझिल कंप्यूटर सिस्टम में उत्तर खोजने में हर दिन घंटों बर्बाद कर रहे थे। जानकारी वहाँ मौजूद थी, लेकिन वह भ्रमित करने वाले नामों, बिखरे हुए दस्तावेजों और एक ऐसे यूजर इंटरफेस के नीचे दबी हुई थी जो बिना नक्शे के अंतरिक्ष यान चलाने जैसा महसूस होता था। टीम ने एक "रिट्रीवल असिस्टेंट" बनाया जो एक व्यावहारिक ओवरले (overlay) के रूप में कार्य करने के लिए डिज़ाइन किया गया है—एक ऐसी बुद्धिमत्ता की परत जो पुराने सिस्टम के ऊपर स्थित है ताकि इसे फिर से उपयोगी बनाया जा सके।
यह सहायक इस बात को समझने के काम आता है कि उपयोगकर्ता वास्तव में क्या पूछ रहा है, भले ही वे गलत शब्दों का उपयोग करें। उदाहरण के लिए, यदि कोई इंजीनियर पूछता है, "मुझे प्रेशर वाल्व कहाँ ठीक करना चाहिए?" तो सहायक जानता है कि उसे उन विशिष्ट तकनीकी शब्दों और पुराने कोडों को खोजना है जिनका सिस्टम उपयोग करता है। फिर यह जानकारी के तीन अलग-अलग "परिवारों" की खोज करता है: मशीन निर्माताओं के मूल मैनुअल, छिपे हुए डेटाबेस स्ट्रक्चर (जो सिस्टम के कंकाल की तरह हैं), और कंपनी के अपने विशिष्ट नियम और 'हाउ-टू' गाइड। एक बार जब यह सही जानकारी के टुकड़े ढूंढ लेता है, तो यह केवल टेक्स्ट का ढेर उपयोगकर्ता पर नहीं फेंकता। इसके बजाय, यह एक स्पष्ट, आधारित उत्तर बनाता है जिसमें सीधे लिंक शामिल होते हैं। यदि उत्तर में किसी विशिष्ट स्क्रीन या पैनल का उल्लेख है, तो सहायक उस उल्लेख को एक क्लिक करने योग्य लिंक में बदल देता है जो उपयोगकर्ता को सीधे वहां ले जाता है, जिससे उन्हें मेनू के माध्यम से खोजने की ज़रूरत नहीं पड़ती।
उनके पायलट टेस्ट के परिणाम काफी उत्साहजनक रहे। जब उन्होंने नए सहायक की तुलना पुराने तरीके (जहाँ इंजीनियरों को मैन्युअल रूप से खोजना पड़ता था) से की, तो अंतर स्पष्ट था। सहायक ने जो उत्तर खोजे उनकी गुणवत्ता में सुधार किया। विशेष रूप से, जब सिस्टम द्वारा सुझाए गए शीर्ष पांच परिणामों को देखा गया, तो सटीकता 0.56 से बढ़कर 0.72 हो गई। यह सबसे ऊपर सही उत्तर रखने में भी बेहतर हुआ, जिसका स्कोर "मीन रेसिप्रोकल रैंक" (Mean Reciprocal Rank) 0.43 से बढ़कर 0.58 हो गया। शायद इंजीनियरों के दैनिक जीवन के लिए सबसे महत्वपूर्ण बात यह है कि कार्य पूरा करने में लगने वाला समय काफी कम हो गया। कार्य पूरा करने के लिए लगने वाला औसत (median) समय 14.2 मिनट से घटकर 8.3 मिनट रह गया। यह लगभग 41.5% की कमी है।
जिन इंजीनियरों ने सिस्टम का परीक्षण किया, उन्होंने भी अधिक आत्मविश्वास महसूस किया और टूल को अधिक उपयोगी पाया, उन्होंने दोनों पैमानों पर 5 में से 4.0 की रेटिंग दी, जो टूल के आने से पहले के निचले स्कोर की तुलना में अधिक थी। सिस्टम विफल या बेकार उत्तरों से बचने में भी बहुत बेहतर हो गया; विफल उत्तरों की दर 0.14 से घटकर 0.07 यानी आधी रह गई। हालाँकि, लेखक सावधानीपूर्वक नोट करते हैं कि ये निष्कर्ष सीमित संख्या में प्रतिभागियों और प्रॉम्प्ट्स के साथ किए गए एक छोटे पायलट अध्ययन से आते हैं। वे इन परिणामों को हर स्थिति के लिए एक अंतिम, सिद्ध समाधान के बजाय "पायलट निष्कर्ष" के रूप में वर्णित करते हैं। वे सुझाव देते हैं कि हालांकि यह तरीका इस विशिष्ट वातावरण में अच्छी तरह से काम करता है, लेकिन यह सुनिश्चित करने के लिए कि यह हर जगह टिका रहे, बड़े समूहों के साथ अधिक परीक्षण की आवश्यकता है।
शोध पत्र यह भी रेखांकित करता है कि यह सिस्टम क्या नहीं करता है। यह पुराने सॉफ़्टवेयर को नहीं बदलता या कंपनी के इतिहास को दोबारा नहीं लिखता। यह जादुई रूप से खराब डेटा या पुराने मैनुअल को ठीक नहीं करता है; वास्तव में, लेखकों ने पाया कि यह सिस्टम तब सबसे अच्छा काम करता है जब अंतर्निहित जानकारी को सावधानीपूर्वक तैयार किया गया हो और स्पष्ट विवरणों के साथ "समृद्ध" (enriched) किया गया हो। यदि स्रोत दस्तावेज़ अस्पष्ट या शब्द भ्रमित करने वाले हैं, तो सहायक अभी भी अटक सकता है। टीम ने स्पष्ट रूप रूप से इस विचार को खारिज कर दिया कि केवल एक फैंसी AI मॉडल अकेले इस समस्या को हल कर सकता है; इसके बजाय, उन्होंने पाया कि असली सफलता "सिमेंटिक एनरिचमेंट" (semantic enrichment) में थी—डेटा को साफ करने और लेबल करने की एक प्रक्रिया ताकि AI इसे बेहतर समझ सके।
अंत में, यह शोध पत्र सुझाव देता है कि किसी पुरानी इमारत को उपयोगी बनाने के लिए आपको हमेशा उसे ढहाने की आवश्यकता नहीं होती है। उसके ऊपर एक स्मार्ट, निर्देशित परत जोड़कर, आप भविष्य का निर्माण करते समय अतीत में नेविगेट करने में लोगों की मदद कर सकते हैं। टीम को उम्मीद है कि यह दृष्टिकोण ऊर्जा, बैंकिंग और अन्य उद्योगों में पुराने सिस्टम को संभालने का एक मानक तरीका बन जाएगा, जिससे भ्रमित करने वाले अभिलेखागार सुलभ ज्ञान आधारों में बदल जाएंगे। वे सिस्टम का परीक्षण जारी रखने, इसके प्रदर्शन को ट्रैक करने और नियमों को परिष्कृत करने की योजना बना रहे हैं ताकि यह सुनिश्चित हो सके कि जैसे-जैसे कंपनी का डेटा बदलता है, यह सटीक बना रहे। फिलहाल, साक्ष्य बताते हैं कि AI मार्गदर्शन का थोड़ा सा अंश एक बहुत पुराने सिस्टम को बिल्कुल नया महसूस करा सकता 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।