FactorJEPA: Factorizing Monolithic Futures into Layout-Agent-Interaction Channels for Crowded and Chaotic Global South Urban Worlds
यह शोध पत्र FactorJEPA को प्रस्तुत करता है, जो एक नवीन आर्किटेक्चर है जो भविष्य के अनुमानों को लेआउट, एजेंट और इंटरेक्शन चैनलों में विभाजित करता है ताकि ग्लोबल साउथ के शहरी वातावरण की अराजक और भीड़भाड़ वाली गतिशीलता को बेहतर ढंग से मॉडल किया जा सके, जिसे बड़े पैमाने पर DENSEWORLD डेटासेट के विमोचन द्वारा समर्थित किया गया है और जो मौजूदा मोनोलिथिक वर्ल्ड मॉडल्स की तुलना में बेहतर मजबूती और सटीकता 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 रोबोट को दुनिया को समझना सिखाने की कोशिश कर रहे हैं। आप केवल यह नहीं चाहते कि वह बिल्ली या कार को पहचान सके; आप चाहते हैं कि वह यह भी अनुमान लगा सके कि आगे क्या होगा। यदि एक गेंद दीवार की ओर लुढ़कती है, तो रोबोट को पता होना चाहिए कि वह टकराकर वापस आएगी। यदि लोगों की भीड़ चल रही है, तो रोबोट को अंदाजा लगाना चाहिए कि वे बिना टकराए एक-दूसरे के बीच से कैसे रास्ता बनाएंगे। विज्ञान का यह क्षेत्र "वर्ल्ड मॉडलिंग" (world modeling) कहलाता है। यह एक AI को क्रिस्टल बॉल देने जैसा है, लेकिन जादू के बजाय, यह भविष्य का अनुमान लगाने के लिए गणित और वीडियो का उपयोग करता है।
लंबे समय तक, वैज्ञानिकों ने इन रोबोटों का परीक्षण बहुत ही व्यवस्थित और सुव्यवस्थित दुनिया में किया। एक ऐसी हाईवे की कल्पना करें जिसमें स्पष्ट सफेद रेखाएं हों, जहाँ कारें अपनी लेन में रहती हैं और हर कोई नियमों का पूरी तरह से पालन करता है। यह "ईज़ी मोड" (Easy Mode) पर वीडियो गेम खेलने जैसा है। लेकिन वास्तविक दुनिया ऐसी नहीं है। दुनिया के कई हलचल भरे शहरों में, यातायात एक अराजक नृत्य की तरह है। वहां कोई सख्त लेन नहीं हैं, लोग जहां चाहते हैं वहां चलते हैं, रिक्शा बसों के बगल से रास्ता बनाते हुए निकल जाते हैं, और जानवर सड़कों पर घूमते हैं। यह "हार्ड मोड" (Hard Mode) है। बड़ा सवाल जो वैज्ञानिक पूछ रहे हैं वह यह है: क्या हमारे वर्तमान AI मॉडल इस अव्यवस्थपूर्ण, भीड़भाड़ वाली वास्तविकता को संभाल सकते हैं, या वे केवल तभी काम करते हैं जब सब कुछ व्यवस्थित हो?
FactorJEPA नामक यह शोध पत्र ठीक इसी समस्या पर काम करता है। शोधकर्ताओं ने महसूस किया कि मानक AI मॉडल भीड़भाड़ वाले शहरों की अराजकता से भ्रमित हो रहे थे, इसलिए उन्होंने DENSEWORLD नामक एक नया डेटासेट बनाया। उन्होंने 22 अलग-अलग शहरों से 1,000 घंटों के वीडियो एकत्र किए, जिसमें व्यस्त बाजारों और संकरी गलियों से लेकर फ्लाईओवर्स और समुद्र तटों तक सब कुछ शामिल था। उन्होंने पाया कि मौजूदा AI मॉडल, जो आमतौर पर व्यवस्थित राजमार्गों पर बहुत अच्छा काम करते हैं, इन भीड़भाड़ वाले दृश्यों में आगे क्या होगा, इसका अनुमान लगाने में संघर्ष करते हैं। मॉडल सामान्य विचार तो पकड़ लेते थे, लेकिन वे इस बात के विशिष्ट विवरणों को चूक जाते थे कि लोग और वाहन एक-दूसरे के साथ कैसे व्यवहार करते हैं।
इसे ठीक करने के लिए, टीम ने FactorJEPA नामक एक नई विधि का आविष्कार किया। AI को भविष्य का अनुमान एक बड़े, अव्यवस्थित डेटा के रूप में लगाने के बजाय, उन्होंने इसे तीन अलग-अलग "चैनलों" में तोड़ने के लिए प्रशिक्षित किया, जैसे कि एक शेफ जटिल व्यंजन बनाने से पहले सामग्री को अलग करता है:
- लेआउट (Layout): स्थिर चीजें जो ज्यादा नहीं हिलतीं, जैसे इमारतें, सड़कें और दीवारें।
- एजेंट्स (Agents): चलती हुई चीजें, जैसे लोग, कारें और रिक्शा।
- इंटरेक्शन (Interactions): वे चलती हुई चीजें एक-दूसरे से कैसे संबंधित हैं, जैसे कि एक पैदल यात्री बस के लिए रास्ता छोड़ने के लिए हटता है या दो बाइक एक-दूसरे के पास से रास्ता बनाती हैं।
इन तीनों चीजों को अलग करके, AI बेहतर सीख सका। यह एक भीड़भाड़ वाली पार्टी को समझने जैसा है। यदि आप एक साथ पूरे कमरे को याद करने की कोशिश करते हैं, तो आप अभिभूत हो जाते हैं। लेकिन यदि आप पहले कमरे के आकार पर ध्यान केंद्रित करते हैं, फिर लोगों पर, और अंत में इस पर कि वे आपस में कैसे बात कर रहे हैं, तो यह अनुमान लगाना बहुत आसान हो जाता है कि अगला व्यक्ति कौन हिलेगा।
परिणाम प्रभावशाली थे। उनके नए अराजक शहर के वीडियो पर परीक्षण करने पर, यह नया "अलग किया गया" AI पुराने "ऑल-इन-वन" मॉडलों की तुलना में भविष्य की भविष्यवाणी करने में बहुत बेहतर था। इसने चीजें कहाँ होंगी, इसके बारे में कम गलतियाँ कीं, यह समझने में बेहतर था कि क्या होगा यदि कोई कार अचानक मुड़ जाए (एक परीक्षण जिसे "इंटरवेंशन" कहा जाता है), और यह तब भी सटीक रहा जब वीडियो के कुछ हिस्से छिपे हुए या धुंधले थे। यह शोध पत्र दिखाता है कि दुनिया के बारे में AI के सोचने के तरीके को व्यवस्थित करके—लेआउट, एजेंट और इंटरेक्शन में विभाजित करके—हम अंततः ऐसे रोबोट बना सकते हैं जो मानव शहरों की अव्यवस्थित, भीड़भाड़ वाली और अद्भुत वास्तविकता को समझ सकें।
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।