GPTKB 2.0: Browsing, Querying, and Auditing a Disambiguated LLM-Derived Knowledge Base
यह शोध पत्र GPTKB 2.0 प्रस्तुत करता है, जो एक बड़े भाषा मॉडल (large language model) से प्राप्त एक बड़े पैमाने के, विसंगति-मुक्त (disambiguated) ज्ञान आधार के लिए एक वेब-आधारित डेमो है, जो उपयोगकर्ताओं को इसके संदर्भ-निर्देशित विसंगति-निवारण प्रक्रिया और तथ्य उत्पत्ति (fact provenance) में पूर्ण पारदर्शिता के साथ 1.6 मिलियन मानक संस्थाओं (canonical entities) के माध्यम से 38.4 मिलियन ट्रिपल्स को ब्राउज़ करने, क्वेरी करने और ऑडिट करने में सक्षम बनाता 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 इंटरनेट एक विशाल, अराजक पुस्तकालय है जहाँ हर किताब अलग लेखक द्वारा लिखी गई है और कभी-कभी दो किताबों के शीर्षक बिल्कुल एक जैसे होते हैं लेकिन वे पूरी तरह से अलग कहानियाँ सुनाती हैं। आर्टिफिशियल इंटेलिजेंस की दुनिया में, "लार्ज लैंग्वेज मॉडल्स" (LLMs) इस पुस्तकालय की लगभग हर किताब को पढ़ चुके अत्यंत बुद्धिमान पुस्तकालयाध्यक्षों (librarians) की तरह हैं। वे प्रश्न पूछ सकते हैं, कहानियाँ लिख सकते हैं और समस्याओं को हल कर सकते हैं क्योंकि उन्होंने उस सभी टेक्स्ट के पैटर्न को याद कर लिया है। हालाँकि, एक पेच है: ये AI पुस्तकालयाध्यक्ष हमेशा यह नहीं जानते कि आप किस "Munich" की बात कर रहे हैं—जर्मनी का प्रसिद्ध शहर या 2005 की फिल्म। वे यह भी भूल सकते हैं कि "New York" और "The Big Apple" दो अलग जगहें हैं, जबकि वे वास्तव में एक ही हैं। इस भ्रम को "डिसेम्बिग्युएशन" (disambiguation) समस्या कहा जाता है। वर्षों से, वैज्ञानिक AI की इस अव्यवस्थित, आंतरिक स्मृति को तथ्यों के एक साफ, व्यवस्थित मानचित्र में बदलने की कोशिश कर रहे हैं, लेकिन यह बिना चित्र वाले पहेली के टुकड़ों के ढेर को छाँटने जैसा रहा है।
अब, शोधकर्ताओं की एक टीम ने इस छँटाई की समस्या को हल करने के लिए GPTKB 2.0 नामक एक नया टूल बनाया है। इसे एक जादुई, स्व-सुधार करने वाले विश्वकोश के रूप में समझें जिसे AI ने खुद के लिए बनाया है, लेकिन एक मोड़ के साथ: यह केवल तथ्यों को सूचीबद्ध नहीं करता है; यह इस बात का विस्तृत विवरण भी रखता है कि इसने कैसे तय किया कि क्या सच है और क्या गलती है। केवल "Munich एक शहर है" कहने के बजाय, यह नया सिस्टम पूछता है, "कौन सा Munich? यूरोप वाला या फिल्म वाला?" और फिर प्रत्येक के लिए एक अलग, स्पष्ट प्रविष्टि (entry) बनाता है। यह यह भी समझ जाता है कि "The Big Apple" और "New York City" एक ही चीज़ हैं और उन्हें एक ही पूर्ण प्रविष्टि में मिला देता है। परिणाम एक विशाल, व्यवस्थित डेटाबेस है जिसमें 1.6 मिलियन अद्वितीय चीजों के बारे में 38 मिलियन से अधिक तथ्य शामिल हैं। लेकिन असली जादू इसका आकार नहीं है; बल्कि इसकी पारदर्शिता है। शोधकर्ताओं ने एक वेबसाइट बनाई है जहाँ कोई भी AI के मस्तिष्क के अंदर देख सकता है, देख सकता है कि उसने खुद से कौन से प्रश्न पूछे, उसने तथ्यों को जोड़ने या अलग करने का निर्णय कैसे लिया, और यहाँ तक कि साधारण अंग्रेजी में उससे प्रश्न भी पूछ सकता है। यह AI के छिपे हुए ज्ञान को एक सार्वजनिक, निरीक्षण योग्य खजाने के मानचित्र में बदल देता है जिसे आप एक्सप्लोर कर सकते हैं, क्वेरी कर सकते हैं और विश्वास कर सकते हैं क्योंकि आप देख सकते हैं कि प्रत्येक तथ्य की खोज कैसे की गई।
मुख्य विचार: एक स्व-सुधारने वाला AI विश्वकोश
इस शोध पत्र का मूल आधार GPTKB 2.0 का निर्माण है, जो एक विशाल नॉलेज बेस (तथ्यों का एक संरचित संग्रह) है जिसे पूरी तरह से एक लार्ज लैंग्वेज मॉडल के "मस्तिष्क" से बनाया गया है। पुराने प्रयासों के विपरीत, जो केवल शब्दों को उनके प्रकट होने के क्रम में पकड़ते थे (जिससे "Munich शहर" और "Munich फिल्म" जैसे होमोनिम्स के बीच भ्रम पैदा होता था), यह नई प्रणाली चलते समय ही डिसेम्बिग्युएशन करती है। यह एक जासूस की तरह कार्य करता है जो, हर बार जब उसे एक नया तथ्य मिलता है, तो पूछता है, "यह वास्तव में कौन है?" और उसे लिखने से पहले संदर्भ (context) की जाँच करता है।
यह शोध पत्र एक वेब डेमो प्रस्तुत करता है जो इस प्रक्रिया को पूरी तरह से दृश्यमान बनाता है। आप डेटाबेस को ब्राउज़ कर सकते हैं, तथ्यों के बीच लिंक का अनुसरण कर सकते हैं, और—सबसे महत्वपूर्ण बात—प्रत्येक तथ्य के "प्रूवेनेंस" (provenance - उत्पत्ति/स्रोत) का ऑडिट कर सकते हैं। इसका अर्थ है कि आप देख सकते हैं कि AI ने कौन से सतही शब्द देखे, किन संभावित मिलानों पर विचार किया, और दो नामों को मिलाने (synonymy) या उन्हें अलग रखने (homonymy) के लिए क्या विशिष्ट निर्णय लिया।
यह कैसे काम करता है: रिकर्सिव डिटेक्टिव (पुनरावर्ती जासूस)
GPTKB 2.0 का निर्माण एक रिकर्सिव, संदर्भ-निर्देशित पाइपलाइन है। कल्पना कीजिए कि AI एक एकल बीज इकाई (seed entity) से शुरू करता है, जैसे "Budapest"। वह Budapest के बारे में तथ्यों के लिए LLM से पूछता है। जब LLM एक नई वस्तु बताता है, जैसे "Munich", तो सिस्टम केवल "Munich" नहीं लिखता है। वह वाक्य को देखता है: "Budapest का एक सिस्टर सिटी, Munich है।" वह जानता है कि यह शहर है, न कि फिल्म।
इस प्रक्रिया में चार मुख्य चरण शामिल हैं:
- एलीसिटेशन (Elicitation): AI एक विशिष्ट इकाई और उसके विवरण के आधार पर LLM से तथ्य मांगता है।
- नेम्ड एंटिटी रिकग्निशन (NER): यह पता लगाता है कि कोई नया शब्द वास्तविक संख्या है या वास्तविक दुनिया की कोई इकाई।
- डिसेम्बिग्युएशन (Disambiguation): यह मुख्य आकर्षण है। सिस्टम नए उल्लेख की तुलना डेटाबेस में मौजूद प्रविष्टियों से करता है। यदि संदर्भ मौजूदा "Budapest" से मेल खाता है, तो यह उससे जुड़ जाता है। यदि यह एक नया "Munich" (फिल्म) है, तो यह एक नई ID बनाता है।
- कंसोलिडेशन (Consolidation): यह समानार्थी नामों (जैसे "The Big Apple" और "New York") को एक ही मानक प्रविष्टि में मिला देता है।
शोध पत्र स्पष्ट रूप से "सरफेस स्ट्रिंग्स" (केवल नाम) का उपयोग करने के पुराने तरीके का विरोध करता है। वे दिखाते हैं कि संदर्भ के बिना, सरफेस स्ट्रिंग्स दो तरह से विफल होते हैं: वे होमोनिम्स को मिला देते हैं (अलग-अलग चीजों को एक ही मान लेना) और सिनोनिम्स को खंडित कर देते हैं (एक ही चीज़ को अलग मानना)। GPTKB 2.0 इसे नकारता है और सही निर्णय लेने के लिए "एलीसिटिंग ट्रिपल" (वह वाक्य जिससे तथ्य आया है) और मौजूदा संस्थाओं के विवरण का उपयोग करता है।
संख्याएँ: एक विशाल, स्वच्छ मानचित्र
इस परियोजना का पैमाना आश्चर्यजनक है। शोध पत्र रिपोर्ट करता है कि GPTKB 2.0 में शामिल हैं:
- 38.4 मिलियन ट्रिपल्स (Subject-Predicate-Object के रूप में तथ्य)।
- 1.6 मिलियन कैनोनिकलाइज्ड एंटिटीज (अद्वितीय, विविक्त चीजें)।
- 207,633 कंसोलिडेटेड रिलेशंस (संबंधों के प्रकार)।
- 66,523 कंसोलिडेटेड क्लासेस (चीजों की श्रेणियां)।
दिलचस्प बात यह है कि इनमें से लगभग 36.8% संस्थाएं Wikidata जैसे मौजूदा डेटाबेस की तुलना में दुनिया के लिए नई हैं, जिसका अर्थ है कि LLM ने ऐसे तथ्य खोजे जो पहले संरचित डेटाबेस में नहीं थे।
वेब इंटरफेस: पारदर्शिता ही विशेषता है
इस पेपर का सबसे अनूठा हिस्सा वेब इंटरफेस https://gptkb.org/ है। यह केवल एक सर्च इंजन नहीं है; यह AI के तर्क के भीतर एक "ग्लास बॉक्स" है।
- ट्रेसेबल निर्णय (Traceable Decisions): यदि आप "Hyde Park" जैसी इकाई पर क्लिक करते हैं, तो आप देख सकते हैं कि सिस्टम ने यह कैसे तय किया कि यह लंदन वाला पार्क है न कि कोई और। आप उन उम्मीदवारों की सूची देख सकते है जिन पर AI ने विचार किया और क्यों उन्हें खारिज किया गया।
- सिनोनिम मर्जिंग (Synonym Merging): यदि आप "The Big Apple" पर क्लिक करते हैं, तो इंटरफ़ेस आपको दिखाएगा कि इसे "New York City" में मिला दिया गया था। आप यह देखने के लिए भी क्लिक कर सकते हैं कि उस निर्णय को लेने के लिए AI ने किस विशिष्ट प्रॉम्प्ट का उपयोग किया था।
- एंटिटी लिंकिंग (Entity Linking): आप अपना स्वयं का टेक्स्ट टाइप कर सकते हैं, और सिस्टम आपके टेक्स्ट में नामों को GPTKB 2.0 की सही प्रविष्टियों से जोड़ देगा। उदाहरण के लिए, यदि आप "Mercury" के बारे में लिखते हैं, तो सिस्टम आपके वाक्य के संदर्भ के आधार पर ग्रह को ग्रह से और रोमन देवता को देवता से सही ढंग से जोड़ेगा।
- क्वेरीइंग (Querying): आप साधारण अंग्रेजी में प्रश्न पूछ सकते हैं (जैसे "Budapest किस लिए जाना जाता है?"), और सिस्टम इसे एक संरचित डेटाबेस क्वेरी (SPARQL) में अनुवादित करेगा ताकि उत्तर प्राप्त किया जा सके। यह आपको सटीक क्वेरी और उसके द्वारा उठाए गए चरणों को दिखाता है।
हम कितने आश्वस्त हैं? (मूल्यांकन)
लेखकों ने इसे केवल बनाया ही नहीं; उन्होंने इसका कड़ाई से परीक्षण भी किया। उन्होंने डेटा के नमूनों की मैन्युअल रूप से जाँच की कि क्या AI ने गलतियाँ कीं।
- मर्ज प्रिसिजन (Merge Precision): जब सिस्टम ने निर्णय लिया कि दो नाम एक ही चीज़ (समानार्थी) हैं, तो वह समान-लेबल वाली वस्तुओं के लिए 98% बार और अलग-लेबल वाले उपनामों के लिए 91% बार सही था। मुख्य त्रुटि मोड 'फॉल्स मर्ज' (दो अलग चीजों को एक ही मान लेना) था, जो विशिष्ट उपनाम मामलों में लगभग 9% बार हुआ।
- स्प्लिट प्रिसिजन (Split Precision): जब सिस्टम ने निर्णय लिया कि दो चीजें अलग (होमोनिम्स) हैं, तो वह अलग रखे गए समान-लेबल वाले जोड़ों के नमूने पर 100% सही था।
- तथ्यात्मकता (Factuality): जब तथ्यों के सच होने की जाँच की गई, तो मानव-जाँच किए गए ट्रिपल्स में से 94.5% "सत्य" थे, और केवल 2.0% "असत्य" थे। जब एक AI जज ने 1,000 आइटमों की जाँच की, तो 92.8% सत्य थे।
शोध पत्र नोट करता है कि संदर्भ (इकाई का विवरण) अत्यंत महत्वपूर्ण है। एक प्रयोग में जहाँ AI जज ने इकाई का विवरण नहीं देखा, तथ्यों की सटीकता काफी गिर गई (94.5% सत्य से घटकर 80% सत्य हो गई), जो यह सिद्ध करता है कि संदर्भ ही डिसेम्बिग्युएशन को सफल बनाता है।
यह क्या नहीं है
यह ध्यान रखना महत्वपूर्ण है कि यह शोध पत्र क्या दावा नहीं करता है। यह यह नहीं कहता कि GPTKB 2.0 पूर्ण है या इसने AI मतिभ्रम (hallucinations) की समस्या को पूरी तरह से हल कर दिया है। लेखक स्वीकार करते हैं कि फॉल्स सिनोनिम मर्ज (दो अलग चीजों को समान दिखने के कारण मिला देना) सबसे बड़ी शेष त्रुटि है। वे यह भी स्पष्ट करते हैं कि यह एक "जनरल-डोमेन" नॉलेज बेस है, जिसका अर्थ है कि यह विषयों की एक विस्तृत श्रृंखला को कवर करता है लेकिन यह कोई विशेष चिकित्सा या कानूनी डेटाबेस नहीं है। परिणाम मैन्युअल और स्वचालित नमूनाकरण पर आधारित हैं, न कि सभी 38 मिलियन तथ्यों के पूर्ण परीक्षण पर, जो कि असंभव है।
निष्कर्ष
GPTKB 2.0 एक महत्वपूर्ण कदम है क्योंकि यह LLM के ज्ञान के "ब्लैक बॉक्स" को "ग्लास बॉक्स" में बदल देता है। एक ऐसा डेटाबेस बनाकर जो चलते समय संस्थाओं का विविक्त (disambiguate) करता है और हर निर्णय का रिकॉर्ड रखता है, शोधकर्ताओं ने एक ऐसा संसाधन बनाया है जो न केवल विशाल और उपयोगी है, बल्कि ऑडिट करने योग्य (auditable) भी है। आप तथ्यों पर भरोसा कर सकते हैं क्योंकि आप उनके पीछे के साक्ष्य देख सकते हैं। यह सुझाव देता है कि हम AI मॉडल के अराजक, असंरचित ज्ञान से संरचित, विश्वसनीय ज्ञान बना सकते हैं, बशर्ते हम संदर्भ की जाँच करने और अपने निर्णयों का विस्तृत विवरण रखने की कठिन मेहनत करने के लिए तैयार हों।
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।