An Actionable Diagnosis of Multilingual, Multi-Agent Planning Failures
यह शोध पत्र बहुभाषी बहु-एजेंट प्रणालियों में योजना-आधारित कार्यान्वयन (planning-grounding) की विफलताओं का एक क्रियाशील वर्गीकरण प्रस्तुत करता है और TART का प्रस्ताव देता है, जो एक वर्गीकरण-निर्देशित प्रतिनिधित्व पद्धति है जो अनुरोध-से-योजना रूपांतरण के दौरान सूचना की हानि को स्पष्ट रूप से संबोधित करके विविध भाषाओं और मॉडल विन्यासों में निष्पादन सटीकता में महत्वपूर्ण सुधार करती 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 आपका पसंदीदा रोबोट सहायक दुनिया की हर भाषा बोल सकता है, अंग्रेजी से लेकर इग्बो तक, और अन्य विशेषज्ञ रोबोटों को मदद के लिए बुलाकर जटिल समस्याओं को हल कर सकता है। यह "मल्टी-एजेंट सिस्टम्स" का सपना है। इन्हें एक सुपर-स्मार्ट प्रोजेक्ट मैनेजर ( "प्लानर") के रूप में सोचें जो आपके एक उलझे हुए अनुरोध को लेता है, उसे छोटे-छोटे चरणों में तोड़ता है, और उन चरणों को विशेषज्ञों की एक टीम को सौंप देता है: एक जो वेब पर खोज करता है, एक जो दस्तावेज़ पढ़ता है, और एक जो कोड लिखता है। जादू तब होता है जब मैनेजर आपके शब्दों को निर्देशों के एक स्पष्ट सेट में अनुवादित करता है। लेकिन यहाँ एक पेंच है: जबकि ये रोबली बेहतर हो रहे हैं, वे अक्सर तब भ्रमित हो जाते हैं जब आप ऐसी भाषा बोलते हैं जो अंग्रेजी नहीं है। यह एक ऐसे अनुवादक की तरह है जो शब्दों को तो समझ लेता है लेकिन बात का सार चूक जाता है, जिससे टीम को गलत दिशा में दौड़ा दिया जाता है। वैज्ञानिकों ने इस "भाषा अंतराल" को पहले भी देखा है, लेकिन वे वास्तव में यह नहीं जानते थे कि निर्देश कैसे बिगड़ रहे थे या इसे विशेष रूप से कैसे ठीक किया जाए। वे जानते थे कि रोबोट विफल हो रहा था, लेकिन उनके पास इस बात की चेकलिस्ट नहीं थी कि वह कैसे विफल हो रहा था।
यह शोध पत्र उस रहस्य को सुलझाने के लिए आता है। लेखकों ने, जो फुजित्सु (Fujitsu) और कोहेर (Cohere) के शोधकर्ताओं की एक टीम है, विफल रोबोट मिशनों के साथ जासूसी करने का निर्णय लिया। उन्होंने देखा कि क्या हुआ जब एक रोबोट ने योरूबा या इग्बो जैसी भाषा में अनुरोध का पालन करने की कोशिश की और विफल रहा, इसकी तुलना में जब वह अंग्रेजी में सफल रहा। उन्होंने पाया कि रोबोट केवल बेतरतीब ढंग से "गलत" नहीं हो रहा था; बल्कि वह विशिष्ट, महत्वपूर्ण जानकारी के टुकड़ों को छोड़ रहा था। उन्होंने एक नया "डायग्नोस्टिक टूलकिट" बनाया जिसे 'टैक्सोनॉमी' कहा जाता है, जो इन विफलताओं को पांच स्पष्ट श्रेणियों में वर्गीकृत करता है: एंटिटी (Entity - "कौन" या "क्या") को खोना, सोर्स (Source - "कहाँ") को खोना, समय (Time - "कब") को खोना, ऑपरेशन (Operation - "कैसे") के साथ गड़बड़ी करना, या आंसर फॉर्मेट (Answer Format - अंतिम उत्तर का "रूप") को गलत करना।
बड़ी खोज यह है कि किसी भाषा का उपयोग रोबोट के प्रशिक्षण डेटा में जितना कम होगा, उसके द्वारा इन विशिष्ट सूचनाओं को छोड़ने की संभावना उतनी ही अधिक होगी। यह टेलीफोन के खेल की तरह है जहाँ मुख्य केंद्र से जितनी दूर संदेश जाता है, वह उतना ही अधिक विकृत होता जाता है। इसे ठीक करने के लिए, टीम ने TART (टैक्सोनॉमी-गाइडेड एक्शनबल टास्क रिप्रेजेंटेशन) नामक एक विधि का आविष्कार किया। कल्पना करें कि TART एक "प्री-फ्लाइट चेकलिस्ट" की तरह है जिसे रोबोट को काम शुरू करने से पहले भरना होगा। केवल अनुमान लगाने के बजाय, रोबोट पहले आपके अनुरोध को एक सख्त, संरचित JSON फ़ाइल में अनुवादित करता है जो स्पष्ट रूप से संस्थाओं (entities), स्रोतों और समय सीमाओं को सूचीबद्ध करता है। यह चेकलिस्ट फिर रोबोटों की पूरी टीम को सौंपी जाती है, जिससे यह सुनिश्चित होता है कि सभी एक ही पृष्ठ पर रहें।
परिणाम उत्साहजनक हैं। जब उन्होंने "मल्टीलिंगुअल GAIA" नामक वास्तविक दुनिया के कठिन कार्यों के एक सेट पर ग्यारह अलग-अलग भाषाओं में TART का परीक्षण किया, तो इसने लगातार रोबोटों को स्मार्ट बनाया। उनके द्वारा परीक्षण किए गए शीर्ष-स्तरीय सिस्टम (जिसे OWL कहा जाता है) के लिए, TART ने औसत सटीकता को 5.6 प्रतिशत अंक बढ़ा दिया। कम संसाधन वाली भाषाओं के लिए सुधार और भी नाटकीय था; उदाहरण के लिए, योरूबा के लिए सटीकता 10.9 अंक और हिंदी के लिए 9.7 अंक बढ़ गई। उन्होंने MULTITAT नामक एक अन्य डेटासेट पर भी इसका परीक्षण किया, जहाँ रोबोटों को तालिकाओं और पाठ को पढ़ना था, और समान लाभ देखे, जहाँ एक मॉडल में औसतन 10 अंक का सुधार हुआ। यह शोध पत्र सुझाव देता है कि इन छिपे हुए संकल्पों को स्पष्ट बनाकर, हम रोबोटों को पथ से भटकने से रोक सकते हैं, विशेष रूप से उन भाषाओं में जो उनके प्रशिक्षण डेटा में कम प्रतिनिधित्व वाली हैं। यह कोई जादुई छड़ी नहीं है जो सब कुछ तुरंत ठीक कर देती है, लेकिन यह एआई सहायकों को वास्तव में वैश्विक और विश्वसनीय बनाने की दिशा में एक ठोस, कार्रवाई योग्य कदम 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।