Activity Frames: Deterministic Screen-Activity Compilation for Agent Memory and Replay
यह शोध पत्र "एक्टिविटी फ्रेम्स" (Activity Frames) को प्रस्तुत करता है, जो एक नियतात्मक (deterministic), ज़ीरो-मॉडल पाइपलाइन है जो कच्चे स्क्रीन डेटा को संक्षिप्त, ऑडिट करने योग्य मेमोरी ब्लॉक्स में संकलित करता है, जिससे एजेंटों के लिए LLM सारांशों की तुलना में काफी अधिक सटीकता के साथ पिछले उपयोगकर्ता कार्यों के बारे में प्रश्नों के उत्तर देना संभव हो जाता है और साथ ही एजेंट डेलीगेशन लागतों को अनुकूलित करने के लिए रूटीन ओवरहेड और पुनरावृत्ति के पहले अनुभवजन्य मापन भी प्रदान 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 सुपर-स्मार्ट रोबोट सहायक को यह सिखाने की कोशिश कर रहे हैं कि वह आपके दिन में आपकी मदद कैसे करे। आपको लग सकता है कि रोबोट को बस आपके वॉयस कमांड सुनने की ज़रूरत है, जैसे "एक ईमेल भेजें" या "मेरा कैलेंडर देखें।" लेकिन एक बड़ी समस्या है: रोबोट केवल वही सुन सकता है जो आप कहते हैं, वह नहीं जो आप वास्तव में करते हैं। यदि आप तीन घंटे तक एक स्प्रेडशीट को देखते रहते हैं, बीस अलग-अलग वेबसाइटों के बीच स्विच करते हैं, और तेज़ी से टाइप करते हैं, तो रोबोट को इसका पता तब तक नहीं चलता जब तक आप उसे बताते नहीं। यह "AI एजेंट्स" की दुनिया है—कंप्यूटर प्रोग्राम जिन्हें इंसानों की तरह कार्य करने के लिए डिज़ाइन किया गया है। इन एजेंट्स को वास्तव में मददगार होने के लिए "एपिसोडिक मेमोरी" (episodic memory) की आवश्यकता होती है, जो केवल एक फैंसी तरीका है यह कहने का कि क्या हुआ था, कब हुआ था, और आप क्या देख रहे थे, इसका एक रिकॉर्ड। इसके बिना, रोबोट उस दोस्त की तरह है जो आपकी बातचीत तो याद रखता है लेकिन उसे आपके वास्तविक जीवन के बारे में एम्नेशिया (भूलने की बीमारी) है।
बड़ा सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: हम इन रोबोटों को आपकी स्क्रीन गतिविधि की स्मृति (मेमोरी) कैसे दे सकते हैं बिना उन्हें भ्रमित किए, महंगा बनाए या अविश्वसनीय बनाए? वर्तमान में, कुछ तरीके आपके दिन का सारांश निकालने के लिए अन्य AI मॉडल का उपयोग करते हैं, लेकिन वे सारांश अव्यवस्थित हो सकते हैं, हर बार पूछने पर बदल सकते हैं, या वे चीजें बना भी सकते हैं। अन्य बस कच्चे डेटा (raw data) की एक विशाल सूची डाल देते हैं, जो पढ़ने के लिए बहुत बड़ी होती है। हमें एक मध्य मार्ग चाहिए: एक तरीका जिससे आपकी अराजक स्क्रीन टाइम को एक साफ, भरोसेमंद और छोटे सारांश में बदला जा सके जिसे रोबोट वास्तव में उपयोग कर सके।
यह पेपर "एक्टिविटी फ्रेम्स" (Activity Frames) नामक एक चतुर समाधान पेश करता है। इसे एक सुपर-व्यवस्थित लाइब्रेरियन की तरह समझें जो आपकी स्क्रीन को देखता है, लेकिन यह अनुमान लगाने के लिए कि आप क्या कर रहे हैं मस्तिष्क का उपयोग करने के बजाय, वे आपके दिन को वर्गीकृत करने के लिए नियमों के एक सख्त, अपरिवर्तनीय सेट का उपयोग करते हैं। शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो एक दिन के स्क्रीन स्नैपशॉट्स लेता है और उन्हें एक सुव्यवस्थित कहानी में संकलित करता है। यह यह सोचने के लिए किसी AI का उपयोग नहीं करता कि क्या हुआ था; यह बस एक रेसिपी (विधि) का पालन करता है। क्योंकि यह एक रेसिपी है, इसलिए परिणाम हमेशा बिल्कुल वैसा ही होता है यदि आप इसे दो बार चलाते हैं। यह इस कारण से मेमोरी को स्टोर करने के लिए सुरक्षित, जांचने में आसान और इतना छोटा बनाता है कि वह रोबोट की जेब में समा सके।
टीम ने अपने स्वयं के कंप्यूटर पर 51 दिनों तक इसका परीक्षण किया। उन्होंने पाया कि यह "डिटरमिनिस्टिक" (deterministic) तरीका (जिसका अर्थ है कि इसमें कोई अनुमान शामिल नहीं है) एक दिन के कच्चे डेटा को मूल आकार से 86 गुना छोटा कर देता है, और यह इसे केवल 68 मिलीसेकंड में करता है—पलक झपकने से भी तेज़। जब उन्होंने एक AI एजेंट से इस नए "एक्टिविटी फ्रेम" मेमोरी का उपयोग करके दिन के बारे में प्रश्न पूछने के लिए कहा, तो एजेंट ने 98.4% बार सही उत्तर दिया। इसकी तुलना में, जब एजेंट ने दूसरे AI द्वारा लिखे गए सारांश को पढ़ने की कोशिश की, तो उसने केवल 66% और 80% के बीच सही उत्तर दिया। नया तरीका इतना अच्छा था कि एक छोटा, सस्ता AI मॉडल इस साफ मेमोरी के साथ एक विशाल, महंगे मॉडल के समान ही अच्छी तरह से प्रश्नों का उत्तर दे सका।
यह पेपर इस प्रणाली का उपयोग "रूटीन ओवरहेड रेशियो" (Routine Overhead Overhead Ratio) नामक चीज़ को मापने के लिए भी करता है। कल्पना कीजिए कि आप एक रोबोट को ऐसा कार्य करने के लिए कहते हैं जो उसने सौ बार पहले किया है। यदि रोबोट को हर बार हर एक क्लिक और कीस्ट्रोक को शून्य से फिर से समझना पड़ता है, तो वह भारी मात्रा में ऊर्जा और पैसा बर्बाद करता है। शोधकर्ताओं ने पाया कि इन रूटीन को फिर से चलाने के लिए अपनी संकलित मेमोरी का उपयोग करके, रोबोट प्रयास की एक बड़ी मात्रा बचा सकता है। उन्होंने गणना की कि एक रूटीन को शून्य से फिर से बनाना, रिकॉर्ड किए गए स्क्रिप्ट को फिर से चलाने की तुलना में लगभग 60 से 343 गुना अधिक लागत वाला है। उन्होंने यह भी मापा कि एक व्यक्ति द्वारा कंप्यूटर पर किए जाने वाले कार्यों में से लगभग 9% इन दोहराने योग्य रूटीन का हिस्सा हैं जिन्हें स्वचालित रूप से संभालने के लिए रोबोट को सौंपा जा सकता है।
हालाँकि, पेपर इस बात को स्पष्ट करने में सावधानी बरतता है कि यह क्या नहीं है। यह यह दावा नहीं करता कि वह जानता है कि आपने कुछ क्यों किया (आपका इरादा), बल्कि केवल यह कि आपने क्या किया। यह यह भी स्वीकार करता है कि डेटा केवल एक व्यक्ति के कंप्यूटर से आया है, इसलिए यह एक अंतिम नियम के बजाय एक 'प्रूफ ऑफ कॉन्सेप्ट' है। "रीप्ले" (दोबारा चलाना) वाला हिस्सा नियंत्रित तरीके से परीक्षण किया गया था, जिससे पता चला कि यह पूरी तरह से काम करता है जब स्क्रीन बिल्कुल वैसी ही दिखती है, लेकिन अगर वेबसाइट का लेआउट बदल जाता है तो यह लड़खड़ा सकता है। शोधकर्ता इस बात पर जोर देते हैं कि यह कोई जादू की छड़ी नहीं है जो सभी AI समस्याओं को हल करती है, बल्कि एक ठोस, उबाऊ और विश्वसनीय उपकरण है जो अस्त-व्यस्त स्क्रीन डेटा को ऐसी चीज़ में बदल देता है जिस पर एक AI वास्तव में भरोसा कर सके और उपयोग कर सके।
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।