MANTA: Multi-Agent Network Topology Adaptation for Self-Evolving Multi-Agent Systems
MANTA एक नवीन ढांचा है जो मल्टी-एजेंट सिस्टम को सहयोग के निशानों (collaboration traces) के आधार पर एजेंट भूमिकाओं, लिंक्स और वर्कफ़्लो को गतिशील रूप से अनुकूलित करके इन्फरेंस के समय अपने संचार नेटवर्क टोपोलॉजी को स्वयं विकसित करने में सक्षम बनाता है, जिससे स्थिर या ऑफलाइन-अनुकूलित बेसलाइन की तुलना में विविध जटिल कार्यों में बेहतर प्रदर्शन प्राप्त होता 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
एक ऐसी दुनिया की कल्पना करें जहाँ एक विशाल, उलझे हुए पहेली को सुलझाना केवल एक अत्यंत बुद्धिमान मस्तिष्क के बारे में नहीं है, बल्कि विशेषज्ञों की एक पूरी टीम को मिलकर काम करने के बारे में है। यही मल्टी-एजेंट सिस्टम्स (Multi-Agent Systems) का मूल है, जो आर्टिफिशियल इंटेलिजेंस का एक चर्चित विषय है जहाँ कई AI "एजेंट्स" (इन्हें डिजिटल कार्यकर्ता समझें) जटिल समस्याओं से निपटने के लिए हाथ मिलाते हैं। एक अकेले रोबोट द्वारा सब कुछ करने के बजाय, आपके पास एक योजनाकार (planner), एक शोधकर्ता (researcher), एक आलोचक (critic) और एक जांचकर्ता (checker) होता है, जो आपस में बातचीत कर रहे हैं और अपने नोट्स साझा कर रहे हैं। लंबे समय तक, वैज्ञानिकों ने सोचा कि इस टीम को व्यवस्थित करने का सबसे अच्छा तरीका खेल शुरू होने से पहले ही एक निश्चित मानचित्र बना देना है: "तुम उससे बात करोगे, तुम उससे बात करोगी, और तुम उससे कभी बात नहीं करोगे।" यह एक ऐसी फैक्ट्री बनाने जैसा है जिसमें एक कठोर असेंबली लाइन है जो बदल नहीं सकती, चाहे बेल्ट पर किसी भी तरह का उत्पाद आ रहा हो। लेकिन क्या होगा अगर फैक्ट्री किसी खराब मशीन को देखकर चलते-फिरते ही अपनी असेंबली लाइन को तुरंत फिर से डिजाइन कर सके? यही वह बड़ा सवाल है जो यह शोध पत्र पूछता है: क्या AI एजेंटों की एक टीम काम करते समय अपने संचार ढांचे (communication structure) को खुद पुनर्गठित कर सकती है, ठीक वैसे ही जैसे एक स्पोर्ट्स टीम खेल कठिन होने पर रक्षात्मक फॉर्मेशन से आक्रामक फॉर्मेशन में स्विच कर सकती है?
यहाँ आता है MANTA (मल्टी-एजेंट नेटवर्क टोपोलॉजी अडैप्टेशन), एक नया फ्रेमवर्क जो AI टीमों को कार्य को हल करते समय अपने संचार मानचित्र को "स्व-विकसित" (self-evolve) करने की अनुमति देता है। MANTA को एक एकल रोबोट के रूप में नहीं, बल्कि एक गतिशील कंडक्टर के रूप में देखें जो एक ऑर्केस्ट्रा को बजते हुए देखता है। यदि कंडक्टर सुनता है कि एक वायलिन वादक ताल के साथ तालमेल बिठाने में संघर्ष कर रहा है, तो वे केवल वायलिन वादक को और बेहतर प्रयास करने के लिए नहीं कहेंगे; वे तुरंत बैठने की व्यवस्था बदल सकते हैं, उस सेक्शन में एक दूसरा वायलिन वादक जोड़ सकते हैं, या यह बदल सकते हैं कि कौन किसे सुन रहा है। शोध पत्र में, लेखक दिखाते हैं कि MANTA पिछले अनुभव के आधार पर एक योजना से शुरू होता है, लेकिन जैसे-जैसे एजेंट काम करते हैं, एक विशेष "ऑडिटर" (auditor) बातचीत में गड़बड़ी के संकेतों को देखता है—जैसे कि तथ्यों की जांच किए बिना बहुत जल्दी सहमति बनाना, या एक कार्यकर्ता पर बहुत अधिक कार्यों का बोझ होना। जब समस्या का पता चलता है, तो MANTA टीम की संरचना में एक छोटा, सुरक्षित बदलाव करता है: यह एक व्यस्त कार्यकर्ता को एक छोटी उप-टीम में विभाजित कर सकता है, जवाबों को दोबारा जांचने के लिए एक नया "क्रिटिक" जोड़ सकता है, या एजेंटों के बोलने के क्रम को बदल सकता है।
परिणाम काफी उत्साहजनक हैं। शोधकर्ताओं ने वेब पर जानकारी खोजने से लेकर गणित की समस्याओं को हल करने और जटिल वर्कफ़्लो की योजना बनाने तक, पांच अलग-अलग प्रकार की चुनौतियों पर MANTA का परीक्षण किया। सभी क्षेत्रों में, MANTA ने औसतन 74.0 का स्कोर प्राप्त किया, जो अगले सर्वश्रेष्ठ तरीके से 5.8 प्रतिशत अंक अधिक था। यह PlanCraft नामक एक योजना चुनौती (planning challenge) में विशेष रूप से अच्छा था, जहाँ इसने उच्चतम स्कोर किया। शोध पत्र सुझाव देता है कि यह सुधार सिस्टम की वास्तविक समय में अपनी संगठनात्मक खामियों को ठीक करने की क्षमता के कारण आया है, न कि केवल उसी टूटी हुई व्यवस्था के साथ अधिक प्रयास करने के कारण। दिलचस्प बात यह है कि सिस्टम न केवल बेहतर हुआ; इसने अन्य जटिल मल्टी-एजेंट सिस्टम की तुलना में कम "टोकन" (AI सोच की डिजिटल मुद्रा) का उपयोग किया, जिससे यह सिद्ध हुआ कि एक लचीला ढांचा एक कठोर ढांचे की तुलना में अधिक कुशल हो सकता है।
हालाँकि, शोध पत्र इस बात पर सावधानीपूर्वक ध्यान देता है कि MANTA क्या नहीं है। यह AI मॉडल के वास्तविक "मस्तिष्क" या वेट्स (weights) को नहीं बदलता है; एजेंटों की बुद्धिमत्ता समान रहती है। इसके बजाय, यह केवल यह बदलता है कि वे कैसे संगठित हैं। लेखकों ने यह भी पाया कि जबकि सिस्टम संरचनात्मक समस्याओं (जैसे कि एक गायब जांच या दोहराव वाला प्रयास) को ठीक करने में महान है, यह हर त्रुटि के लिए कोई जादुई छड़ी नहीं है। यदि एजेंट एक गलत उत्तर पर सहमत होते हैं क्योंकि उन सभी ने एक ही सुराग को मिस कर दिया है, तो सिस्टम इसे पकड़ नहीं पाएगा, क्योंकि "प्रक्रिया" साफ दिख रही थी भले ही परिणाम गलत था। लेकिन टीम को संगठित और अनुकूलन योग्य रखने की विशिष्ट समस्या के लिए, MANTA सुझाव देता है कि संरचना को काम के दौरान विकसित होने देना AI को शून्य से फिर से प्रशिक्षित किए बिना बेहतर परिणाम प्राप्त करने का एक शक्तिशाली तरीका है। यह उन AI सिस्टम की ओर एक कदम है जो न केवल सोचते हैं, बल्कि चीजें बिगड़ने पर अपनी टीम वर्क को खुद पुनर्गठित करना भी जानते हैं।
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।