Enhancing Generative Information Extraction with Two-step Validation: A Product Attribute Use Case
यह शोध पत्र एक दो-चरणीय सत्यापन पद्धति प्रस्तावित करता है जो डिजिटल उत्पाद पासपोर्ट के लिए विरल उत्पाद गुणों (sparse product attributes) को निकालने में बड़े भाषा मॉडलों की सटीकता बढ़ाने के लिए एक जनरेटिव सूचना निष्कर्षण पाइपलाइन में एक प्री-ट्रेंड भाषा मॉडल को एकीकृत करता है, जो मध्यम आकार के मॉडलों के लिए महत्वपूर्ण प्रदर्शन लाभ प्रदर्शित करते हुए एक स्थानीय रूप से तैनात डेमो एप्लिकेशन को सक्षम बनाता 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 जासूस हैं जो एक रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन अपराध स्थल के बजाय, आप उत्पाद विवरणों (product descriptions) के एक ढेर को देख रहे हैं। आपका काम टेक्स्ट में छिपे विशिष्ट सुरागों को खोजना है: वस्तु कितनी भारी है? इसे किसने बनाया? यह किस चीज़ से बनी है? यह सूचना निष्कर्षण (Information Extraction) की दुनिया है, जो कंप्यूटर विज्ञान की एक शाखा है जहाँ हम मशीनों को अव्यवस्थित, अनियंत्रित टेक्स्ट को पढ़ना और उससे साफ, संरचित तथ्य निकालना सिखाते हैं। वर्षों तक, सबसे अच्छे जासूस "विशेषज्ञ एजेंट" (specialized agents) थे—छोटे, अत्यधिक प्रशिक्षित मॉडल जो ठीक जानते थे कि उन्हें क्या खोजना है, लेकिन उन्हें अपना काम सीखने के लिए प्रशिक्षण डेटा की एक विशाल मात्रा की आवश्यकता थी।
फिर "सुपर-इंटेलिजेंट जनरललिस्ट" आए, जिन्हें लार्ज लैंग्वेज मॉडल्स (LLMs) के रूप में जाना जाता है। ये उन प्रतिभाशाली जासूसों की तरह हैं जिन्होंने लाइब्रेरी की लगभग हर किताब पढ़ी है। वे संदर्भ (context) को समझने में अद्भुत हैं और उन उत्तरों का अनुमान भी लगा सकते हैं जो उन्होंने पहले कभी नहीं देखे। हालाँकि, उनमें एक दोष है: वे कभी-कभी बहुत अधिक रचनात्मक हो जाते हैं, तथ्य गढ़ने लगते हैं (hallucinations) या सूक्ष्म सुरागों को मिस कर देते हैं जिन्हें एक विशेषज्ञ एजेंट पकड़ लेता। वैज्ञानिकों के सामने बड़ा सवाल यह था: क्या हम दोनों दुनियाओं का सर्वश्रेष्ठ प्राप्त कर सकते हैं? क्या हम भारी काम करने के लिए सुपर-इंटेलिजेंट जनरललिस्ट का उपयोग कर सकते हैं, लेकिन यह सुनिश्चित करने के लिए विशेषज्ञ एजेंट की सटीकता को बनाए रख सकते हैं कि अंतिम उत्तर एकदम सही हो? यह विशेष रूप से "डिजिटल प्रोडक्ट पासपोर्ट" जैसी चीजों के लिए महत्वपूर्ण है, जो एक नया नियम है जिसमें कंपनियों के लिए अपने उत्पादों के बारे में हर विवरण, बैटरी से लेकर कपड़े तक, सूचीबद्ध करना आवश्यक है, बिना किसी गुप्त कंपनी डेटा को सार्वजनिक इंटरनेट पर लीक किए।
यह शोध पत्र, जिसका शीर्षक "एनहांसिंग जेनेरेटिव इंफॉर्मेशन एक्सट्रैक्शन विद टू-स्टेप वैलिडेशन" है, एक चतुर समाधान प्रस्तावित करता है: एक दो-चरणीय जासूसी टीम। सुपर-इंटेलिजेंट AI को सीधे सुराग खोजने के लिए कहने के बजाय, लेखकों ने एक खेल सेट किया जहाँ एक छोटा, विशिष्ट AI (पहला उत्तरदाता/first responder) पहले एक त्वरित अनुमान लगाता है। फिर, सुपर-इंटेलिजेंट AI (वरिष्ठ जासूस) से कहा जाता है कि वह शून्य से शुरुआत न करे, बल्कि उस पहले अनुमान की समीक्षा और सुधार करे। इसे एक छात्र द्वारा परीक्षा देने और फिर एक शिक्षक द्वारा उसे ग्रेड देने और गलतियों को सुधारने के रूप में सोचें, बजाय इसके कि शिक्षक को स्वयं परीक्षा देने के लिए कहा जाए।
शोधकर्ताओं ने अमेज़न और अन्य ई-कॉमर्स साइटों के उत्पाद विवरणों पर इस पद्धति का परीक्षण किया, जिसमें आकार, वजन और निर्माता जैसे छह प्रकार की जानकारी की तलाश की गई। उन्होंने पाया कि यह "सुधार" पद्धति कुछ प्रकार के सुरागों के लिए जादू की तरह काम करती है। जब जानकारी स्पष्ट थी, जैसे कि एक स्पष्ट "5kg" वजन, तो मानक पद्धति ठीक काम करती थी। लेकिन जब सुराग छिपे हुए या अस्पष्ट थे—जैसे कि एक लंबे वाक्य में दबी हुई निर्माता का नाम या सामग्री जिसे केवल "लकड़ी का ढांचा" (wooden frame) के रूप में उल्लेखित किया गया था बजाय "लकड़ी" (wood) के—तो दो-चरणीय पद्धति चमक उठी। बड़े AI को छोटे AI के काम को ठीक करने की अनुमति देकर, सिस्टम इन "कमजोर रूप से व्यक्त" (weakly expressed) विवरणों को खोजने में बहुत बेहतर हो गया।
दिलचस्प बात यह है कि यह पेपर सुझाव देता है कि यह ट्रिक छोटे, सस्ते AI मॉडल्स को विशाल, महंगे मॉडल्स के लगभग बराबर प्रदर्शन करने की अनुमति देती है। यह एक बहुत बड़ी बात है क्योंकि इसका मतलब है कि कंपनियां अपने स्वयं के कंप्यूटरों पर इन प्रणालियों को चला सकती हैं (अपने डेटा को निजी रखते हुए), बजाय इसके कि संवेदनशील उत्पाद जानकारी को बड़े टेक क्लाउड्स पर भेजा जाए। हालाँकि, लेखक सावधानीपूर्वक नोट करते हैं कि यह हर AI के लिए काम नहीं करता है; बहुत छोटे मॉडल्स कभी-कभी अतिरिक्त निर्देशों से भ्रमित हो जाते हैं और खराब प्रदर्शन करते हैं। लेकिन मध्यम आकार के मॉडल्स के लिए, परिणाम उत्साहजनक थे, जो यह सुझाव देते हैं कि थोड़ा सा "दोबारा सोचना" (second-guessing) एक अच्छे पाठक को एक महान पाठक में बदल सकता है, खासकर जब तथ्य ढूंढना कठिन हो।
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।