Mind the Gaps: Mixture-of-Minds for Human Simulation
यह शोध पत्र एनाक्रियोन (Anacreon) को प्रस्तुत करता है, जो एक जेम्मा 4 12B बेस पर निर्मित 'मिक्सचर-ऑफ-माइंड्स' सिमुलेशन मॉडल है, जो व्यक्तिगत स्तर की मानवीय प्रतिक्रियाओं का सटीक रूप से अनुकरण करने के लिए लेखकत्व एम्बेडिंग (authorship embeddings), जनसांख्यिकीय संवर्धन (demographic augmentation) और विशिष्ट एडेप्टर का उपयोग करता है, जिससे सामान्य पूर्वाग्रहों और प्रॉम्प्ट भंगुरता (prompt brittleness) को कम करते हुए जनसंख्या सर्वेक्षण उत्तरों की भविष्यवाणी करने में अत्याधुनिक सटीकता (0.775) प्राप्त होती 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
भीड़ के भविष्य की भविष्यवाणी करने की कल्पना करें। सदियों से, वैज्ञानिक इस बात का अनुमान लगाने में माहिर रहे हैं कि अधिकांश लोग क्या करेंगे। यदि आप दस लाख लोगों से पूछते हैं कि क्या उन्हें पिज्जा पसंद है, तो आप उच्च विश्वास के साथ भविष्यवाणी कर सकते हैं कि लगभग 80% "हाँ" कहेंगे। बीमा कंपनियाँ इसी तरह काम करती हैं; उन्हें आपकी भोजन की विशिष्ट पसंद जानने की आवश्यकता नहीं है, उन्हें बस दस लाख ड्राइवरों के औसत जोखिम को जानने की आवश्यकता है। लेकिन क्या होगा यदि आप जानना चाहते हैं कि एक विशिष्ट व्यक्ति एक बिल्कुल नए प्रश्न के बारे में क्या सोचेगा? यह बहुत कठिन है। यह बिल्कुल वैसा ही है जैसे यह अनुमान लगाने की कोशिश करना कि आपका सबसे अच्छा दोस्त अपना मुँह खोलने से पहले क्या कहेगा।
हाल के वर्षों में, हमने 'लार्ज लैंग्वेज मॉडल्स' (LLMs) नामक सुपर-स्मार्ट कंप्यूटर मस्तिष्क बनाए हैं जो मनुष्यों की तरह बात कर सकते हैं। लोगों को उम्मीद थी कि ये मॉडल यह सिम्युलेट करने के लिए "डिजिटल ट्विन्स" के रूप में कार्य कर सकते हैं कि व्यक्ति कैसे सोचते हैं। हालाँकि, इसमें एक पेंच है। ये मॉडल मददगार और सहमत होने के लिए प्रशिक्षित किए जाते हैं, इसलिए वे अक्सर एक उबाऊ, औसत व्यक्ति की तरह व्यवहार करते हैं जो हर चीज़ के लिए "हाँ" कहता है। वे उन बिखरे हुए, अद्वितीय और कभी-कभी विरोधाभासी हिस्सों को खो देते हैं जो वास्तविक लोगों को वास्तविक बनाते हैं। यह शोध पत्र उस समस्या को संबोधित करता है: हम एक ऐसा सिम्युलेटर कैसे बनाएं जो केवल एक जेनेरिक रोबोट की तरह व्यवहार न करे, बल्कि वास्तव में वास्तविक व्यक्तियों के सोचने और महसूस करने के अजीब, अद्भुत और विशिष्ट तरीकों को पकड़ सके?
समस्या: "औसत व्यक्ति" का जाल
लंबे समय से, वैज्ञानिक मानव व्यवहार की भविष्यवाणी करने का प्रयास कर रहे हैं। कभी वे पूरी भीड़ (समग्र) को देखते हैं, और कभी वे यह अनुमान लगाने की कोशिश करते हैं कि एक अकेला व्यक्ति क्या करेगा (व्यक्तिगत)। शोध पत्र बताता है कि जहाँ हम भीड़ के लिए अच्छे हैं, वहीं हम व्यक्तिगत स्तर पर बहुत खराब हैं।
एक लार्ज लैंग्वेज मॉडल को एक बहुत ही विनम्र, बहुत अच्छी तरह से पढ़ी-लिखी लाइब्रेरियन की तरह समझें। यदि आप इस लाइब्रेरियन से पूछते हैं, "लोग इस नई नीति के बारे में क्या सोचते हैं?" तो वह आपको बहुसंख्यक राय का एक सटीक सारांश देगी। लेकिन यदि आप पूछते हैं, "सारा क्या सोचेगी?" तो लाइब्रेरियन शायद इस आधार पर अनुमान लगाएगी कि "सारा" उनके लिए कैसी सुनाई देती है, या वे सबसे लोकप्रिय उत्तर दे सकती हैं क्योंकि उन्हें विनम्र रहने के लिए प्रशिक्षित किया गया है। वे सभी अंतरों को मिटा देते हैं। वे अद्वितीय लोगों की एक विविध भीड़ को एक एकल, उबाऊ "औसत" व्यक्ति में बदल देते हैं। यह बुरा है क्योंकि वास्तविक जीवन औसत नहीं है; यह आउटलेयर्स (outliers), अल्पसंख्यकों और उन लोगों से भरा है जो भीड़ से असहमत होते हैं।
समाधान: एनाक्रोन (Anacreon) और "मस्तिष्क का मिश्रण"
यहाँ एनाक्रोन (Anacreon) आता है, जो इस समस्या को ठीक करने के लिए डिज़ाइन किया गया एक नया सिस्टम है। एक विशाल मस्तिष्क बनाने के बजाय जो सभी को सिम्युलेट कर सके, लेखक ने एक "मस्तिष्क का मिश्रण" (mixture of minds) बनाने का निर्णय लिया।
कल्पना कीजिए कि आप एक शहर का एक विशाल सिमुलेशन चला रहे हैं। शहर के प्रत्येक अलग समूह के लिए एक अलग अभिनेता को काम पर रखने के बजाय, आप प्रत्येक विशिष्ट समूह के लिए एक अलग अभिनेता को काम पर रखते हैं।
- क्लस्टरिंग (Clustering): सबसे पहले, सिस्टम हजारों वास्तविक लोगों और उनके सार्वजनिक लेखन (जैसे सोशल मीडिया पोस्ट या समीक्षाएं) को देखता है। यह समान लोगों को एक साथ समूह में रखने के लिए एक विशेष गणितीय तकनीक का उपयोग करता है। यह एक बड़े लेगो (LEGO) बॉक्स को रंग के आधार पर नहीं, बल्कि इस आधार पर छाँटने जैसा है कि वे एक साथ कैसे फिट होते हैं।
- विशेषज्ञ (Specialists): एक बार जब समूह छाँट लिए जाते हैं, तो सिस्टम प्रत्येक समूह के लिए एक छोटा, विशिष्ट "विशेषज्ञ" मॉडल प्रशिक्षित करता है। एक विशेषज्ञ सीखता है कि "युवा तकनीकी-कुशल व्यापारी" कैसे सोचते हैं। दूसरा सीखता है कि "पुराने, ग्रामीण व्यवसायी" कैसे सोचते हैं।
- भावनात्मक श्रृंखला (Emotional Chain): यहाँ चतुर हिस्सा है। मॉडल उत्तर देने से पहले, यह केवल निष्कर्ष पर नहीं कूदता है। यह पहले एक छोटी "भावनाओं की श्रृंखला" (chain-of-emotion) लिखता है। यह उन भावनाओं और विचारों को सिम्युलेट करता है जो उत्तर तक ले जाते हैं। यह मॉडल से पूछने जैसा है कि, "पहले, मुझे लागत को लेकर थोड़ी चिंता होती है, फिर मुझे याद आता है कि मेरा बजट कम है, इसलिए अब मैं हिचकिचाहट महसूस कर रहा हूँ..." इससे पहले कि वह अंततः कहे, "मैं असहमत हूँ।" यह मॉडल को अधिक मानवीय बनाता है और एक ऐसे रोबोट की तरह नहीं लगता जो केवल अनुमान लगा रहा हो।
उन्होंने इसका परीक्षण कैसे किया
टीम ने एक विशिष्ट समूह पर एनाक्रोन का परीक्षण किया: छोटे व्यवसाय के मालिक जो क्रेडिट कार्ड भुगतान लेते हैं। उन्होंने केवल मॉडल से अनुमान लगाने के लिए नहीं कहा; उन्होंने इसे वास्तविक प्रश्नों के साथ एक बड़ा सर्वेक्षण दिया और मॉडल के उत्तरों की तुलना वास्तविक मनुष्यों द्वारा दिए गए उत्तरों से की।
उन्होंने पाया कि एनाक्रोन पिछले मॉडलों की तुलना में व्यक्तिगत उत्तरों की भविष्यवाणी करने में बहुत बेहतर था।
- स्कोर: उन्होंने मॉडल का उत्तर वास्तविक मानव उत्तर के कितने करीब था, इसे मापने के लिए "ऑर्डिनल अलाइनमेंट" (ordinal alignment) नामक एक विशिष्ट स्कोर का उपयोग किया। एक पूर्ण स्कोर 1.0 है। एनाक्रोन ने 0.775 प्राप्त किया। यह इस प्रकार के परीक्षण के लिए अब तक का उच्चतम दर्ज स्कोर है, जिसने पिछले सर्वोत्तम प्रयासों को पीछे छोड़ दिया।
- पूर्वाग्रह का सुधार: पुराने मॉडलों में अक्सर एक "चाटुकारिता" (sycophantic) का पूर्वाग्रह होता है, जिसका अर्थ है कि वे केवल अच्छा दिखने के लिए आपसे सहमत होते हैं। एनाक्रोन ने प्रशिक्षण के दौरान प्रश्नों को उलटकर (एक ही प्रश्न को सकारात्मक और नकारात्मक तरीके से पूछकर) इसे कम किया, ताकि मॉडल केवल "हाँ" कहने के बजाय खुद से सोचना सीख सके।
- कमियां: शोध पत्र स्वीकार करता है कि यह पूर्ण नहीं है। मॉडल में अभी भी थोड़ा "सकारात्मक पूर्वाग्रह" (positive bias) है (यह अभी भी सहमत होने की ओर थोड़ा झुकता है)। इसके अलावा, जबकि औसत मॉडल अच्छा है, कुछ विशिष्ट समूह (clusters) अन्य की तुलना में उतने प्रभावी नहीं थे। लेकिन महत्वपूर्ण बात यह है कि खराब समूह किसी एक प्रकार के लोग (जैसे केवल वृद्ध लोग या केवल पुरुष) नहीं थे; विफलता यादृच्छिक (random) थी, जो सुझाव देती है कि समस्या डेटा की गुणवत्ता के साथ थी, न कि लोगों के साथ।
यह क्यों मायने रखता है
शोध पत्र का तर्क है कि यदि हम एक आबादी को समझना चाहते हैं, तो हमें केवल औसत को नहीं देखना चाहिए। हमें व्यक्तियों को समझने की आवश्यकता है। यदि आप जानना चाहते हैं कि एक भीड़ एक नए कानून पर कैसी प्रतिक्रिया देगी, तो आप केवल "औसत व्यक्ति" को सिम्युलेट नहीं कर सकते। आपको क्रोधित व्यक्ति, सतर्क व्यक्ति और उत्साहित व्यक्ति को सिम्युलेट करने की आवश्यकता है, और फिर यह देखना है कि वे सब मिलकर क्या बनते हैं।
एनाक्रोन दिखाता है कि एक बड़ी समस्या को कई छोटी, विशिष्ट समस्याओं में तोड़कर, हम वास्तविक मानव विचार को सिम्युलेट करने के बहुत करीब पहुँच सकते हैं। यह सब कुछ हल नहीं करता है—मॉडल अभी भी हर स्थिति में वास्तविक मानव जितना विश्वसनीय नहीं है—लेकिन यह लक्ष्य को काफी आगे बढ़ा देता है। यह सिद्ध करता है कि AI को वास्तविक, जटिल मानव डेटा में स्थापित करके और इसे "मस्तिष्क के मिश्रण" के साथ देकर, हम व्यक्तिगत व्यवहार की भविष्यवाणी सटीकता के उस स्तर के साथ कर सकते हैं जिसे पहले असंभव माना जाता था।
लेखक सावधानी बरतते हुए कहते हैं कि यह एक कदम आगे है, न कि अंतिम रेखा। वे सुझाव देते हैं कि जबकि हम व्यक्तियों को सिम्युलेट करने में बेहतर हो रहे हैं, हमें अभी भी यह पता लगाने की आवश्यकता है कि पूरी भीड़ की एक सटीक तस्वीर प्राप्त करने के लिए इन सभी व्यक्तिगत सिमुलेशन को कैसे जोड़ा जाए। लेकिन फिलहाल, उन्होंने दिखाया है कि मानवता को मॉडल करने का एकमात्र तरीका "औसत व्यक्ति" नहीं 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।