KGCaRe: Explainable Complex Conditional Question Answering using Automatic Knowledge Graph Construction and Context Retrieval with LLMs
यह शोध पत्र KGCaRe को प्रस्तुत करता है, जो एक हाइब्रिड फ्रेमवर्क है जो न्यूरल रिट्रीवल को LLM-संचालित स्वचालित नॉलेज ग्राफ निर्माण और पुनरावृत्ति ग्राफ ट्रैवर्सल के साथ जोड़कर जटिल कंडीशनल क्वेश्चन आंसरिंग को बेहतर बनाता है, और कई मॉडलों एवं डेटासेट्स पर मौजूदा बेसलाइन्स की तुलना में श्रेष्ठ प्रदर्शन 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 बहुत बड़ी, बहु-स्तरीय पहेली को सुलझाने की कोशिश कर रहे हैं, जैसे कि यह पता लगाना कि कोई पात्र किसी वीडियो गेम में एक विशिष्ट वस्तु खरीद सकता है या नहीं। आपके पास नियमपुस्तिकाओं (दस्तावेजों) का एक विशाल पुस्तकालय और सुरागों की एक बड़ी, अव्यवस्थित नोटबुक (एक नॉलेज ग्राफ) है। यदि आप केवल एक सुपर-स्मार्ट रोबोट (एक AI) से पूरी लाइब्रेरी पढ़ने और उत्तर का अनुमान लगाने के लिए कहते हैं, तो वह भ्रमित हो सकता है, पेज 400 पर दबे एक छोटे से नियम को मिस कर सकता है, या ऐसा कारण बना सकता है जो सुनने में तो अच्छा लगे लेकिन सच न हो। यह कंप्यूटर के लिए "क्वेश्चन अनस्विरिंग" (प्रश्न-उत्तर) की दुनिया है। वैज्ञानिक इन रोबोटों को बेहतर जासूस बनने के लिए सिखाने की कोशिश कर रहे हैं, विशेष रूप से तब जब प्रश्न पेचीदा हों, "यदि यह, तो वह" जैसी शर्तों से भरे हों, और अलग-अलग पेजों के बीच कड़ियों को जोड़ने की आवश्यकता हो। आप जो शोध पत्र पढ़ने जा रहे हैं, वह इसे दो सुपरपावर्स एक साथ देकर हल करता है: मानव की तरह अव्यवस्थित टेक्स्ट को पढ़ने की क्षमता, और एक कंप्यूटर की तरह तथ्यों के सख्त, तार्किक मानचित्र का पालन करने की क्षमता।
इस अध्ययन के पीछे के शोधकर्ताओं, घनश्याम वर्मा और उनकी टीम ने देखा कि जबकि AI बातचीत करने में माहिर है, यह अक्सर उन जटिल प्रश्नों पर लड़खड़ा जाता है जो विशिष्ट शर्तों पर निर्भर होते हैं, जैसे कानूनी नियम या नीति विवरण। इसे ठीक करने के लिए, उन्होंने KGCaRe नामक एक नई प्रणाली बनाई। KGCaere को एक ऐसे जासूस के रूप में सोचें जो न केवल केस फाइल पढ़ता है; बल्कि वे जाते-जाते सुरागों का एक भौतिक मानचित्र भी बनाते हैं। केवल AI से दस्तावेजों के ढेर से उत्तर का "अनुमान" लगाने के लिए कहने के बजाय, KGCaRe पहले AI का उपयोग करके दस्तावेजों को एक संरचित "नॉलेज ग्राफ" (ज्ञान ग्राफ) में बदल देता है—तथ्यों का एक जुड़ा हुआ जाल (जैसे, "आवेदक" → "को जमा करना चाहिए" → "फॉर्म")। फिर, यह एक दूसरी विधि का उपयोग करता है ताकि प्रासंगिक टेक्स्ट स्निपेट्स (अनुच्छेदों) को खोजा जा सके जो शायद अभी तक मानचित्र में नहीं हैं।
यहाँ जादू कैसे होता है: जब एक प्रश्न पूछा जाता है, तो KGCaRe केवल रुककर उत्तर नहीं देता। यह तथ्यों के जाल के माध्यम से कदम-दर-कदम चलना शुरू करता है। यदि पहला कदम उसे पर्याप्त जानकारी नहीं देता है, तो AI एक जिज्ञासु खोजकर्ता की तरह कार्य करता है, पूछता है, "ठीक है, इसमें और कौन शामिल है? मुझे और क्या देखना चाहिए?" यह इन नए सुरागों का उपयोग मानचित्र के अगले भाग पर जाने के लिए करता है। यदि वह अभी भी रहस्य को नहीं सुलझा पाता है, तो वह अंतराल को भरने के लिए मूल दस्तावेजों से प्रासंगिक टेक्स्ट लेता है। अंत में, यह मानचित्र पर चले गए अपने तार्किक पथ को मिले हुए टेक्स्ट के साथ जोड़ता है ताकि एक ऐसा उत्तर दिया जा सके जो न केवल सही हो बल्कि एक स्पष्ट व्याख्या के साथ आए कि उसने इसे कैसे समझा।
टीम ने इस प्रणाली का परीक्षण दो कठिन डेटासेट्स पर किया: एक जिसमें जटिल यूके (UK) पॉलिसी प्रश्न थे और दूसरा विकिपीडिया-आधारित पहेलियों वाला। उन्होंने KGCaRe को अन्य विधियों के खिलाफ खड़ा किया, जिनमें केवल अनुमान लगाने वाला AI, केवल टेक्स्ट पढ़ने वाला AI, और केवल ग्राफ का पालन करने वाला AI शामिल था। परिणाम स्पष्ट थे: KGCaRe लगातार जीता। चाहे उन्होंने एक छोटा ओपन-सोर्स AI इस्तेमाल किया हो या GPT-4o जैसा शक्तिशाली AI, मानचित्र और टेक्स्ट को मिलाने वाला हाइब्रिड दृष्टिकोण बेहतर उत्तरों की ओर ले गया, विशेष रूप से उन पेचीदा "यदि-तो" वाले प्रश्नों के लिए। उदाहरण के लिए, यूके पॉलिसी डेटासेट पर, KGCaRe ने औसतन 57.89 का स्कोर प्राप्त किया, जो अगली सर्वश्रेष्ठ विधि से काफी आगे था। शोध पत्र सुझाव देता है कि AI को एक संरचित मानचित्र और कच्चे टेक्स्ट को पढ़ने की स्वतंत्रता दोनों देकर, हम उन्हें वास्तविक दुनिया की पहेलियों को सुलझाने में बहुत बेहतर बना सकते हैं जहाँ एक एकल शर्त का छूटना भी पूरे उत्तर को बदल सकता है। और सबसे अच्छी बात? क्योंकि सिस्टम मानचित्र पर उठाए गए अपने हर कदम का रिकॉर्ड रखता है, यह आपको दिखा सकता है कि इसने अपने निष्कर्ष तक पहुँचने के लिए वास्तव में क्या किया, जिससे AI की सोच पारदर्शी और विश्वसनीय बन जाती 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।