Self-evolving Agentic Customer Support System at LinkedIn
लिंक्डइन एक स्व-विकसित एजेंटिक कस्टमर सपोर्ट सिस्टम प्रस्तुत करता है जो निरंतर, सुरक्षित सुधार प्राप्त करने के लिए रिट्रीवल-ऑगमेंटेड जनरेशन को इवोल्यूशनरी ऑटो-प्रॉम्प्टिंग और एक मॉड्यूलर इवैल्यूएशन फ्रेमवर्क के साथ जोड़ता है, जिससे फाउंडेशन मॉडल्स को फिर से प्रशिक्षित किए बिना प्रोडक्शन ए/बी टेस्टिंग के दौरान सेल्फ-सर्व रेजोल्यूशन और रूटिंग सटीकता में महत्वपूर्ण लाभ प्राप्त होता 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 रोबोट को एक विशाल, निरंतर बदलते हुए संस्थान के लिए एक आदर्श ग्राहक सेवा एजेंट बनना सिखाने की कोशिश कर रहे हैं। आप सोच सकते हैं, "इसे बस एक बड़ा दिमाग और एक नियम पुस्तिका दे दो!" लेकिन यहाँ एक पेंच है: कंपनी के उत्पाद, नियम और यहाँ तक कि उसकी भाषा भी हर दिन बदलती है। यदि आप रोबोट को केवल एक स्थिर नियम पुस्तिका दे देते हैं, तो वह जल्दी ही भ्रमित हो जाएगा, अपनी ओर से बातें बनाने लगेगा, या पुराना/गलत परामर्श देने लगेगा। यह गतिशील दुनिया में "स्थिर" (static) AI की समस्या है। इसे हल करने के लिए, वैज्ञानिक कुछ प्रमुख विचारों पर प्रयोग कर रहे हैं। पहला है रिट्रीवल-ऑगमेंटेड जनरेशन (RAG), जो ऐसा है जैसे रोबोट को एक लाइब्रेरी कार्ड देना ताकि वह अपनी याददाश्त से अनुमान लगाने के बजाय डेटाबेस में तथ्यों को खोज सके। दूसरा है प्रॉम्ट इंजीनियरिंग (Prompt Engineering), जो रोबोट को यह बताने के लिए निर्देशों का एक आदर्श सेट (एक "प्रॉम्ट") लिखने की कला है कि उसे कैसे सोचना और कार्य करना है। अंत में, इवोल्यूशनरी सर्च (Evolutionary Search) है, जो प्रकृति से प्रेरित एक विधि है जहाँ आप एक समाधान के कई थोड़े अलग संस्करण बनाते हैं, उनका परीक्षण करते हैं, और सबसे अच्छे संस्करणों को अगली पीढ़ी बनाने के लिए रखते हैं। बड़ा सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: क्या हम इन उपकरणों को मिलाकर एक ऐसा AI एजेंट बना सकते हैं जो केवल नियमों का पालन नहीं करता, बल्कि वास्तव में खुद को सीखता और सुधारता है, बिना किसी इंसान द्वारा हर हफ्ते इसके कोड को फिर से लिखे जाने के?
यही वह चीज़ है जिसे बनाने के लिए LinkedIn की टीम ने ठान लिया था: एक सेल्फ-इवॉल्विंग एजेंटिक कस्टमर सपोर्ट सिस्टम (Self-Evolving Agentic Customer Support System)। इस एक सेल्फ-इवॉल्विंग एजेंटिक कस्टमर सपोर्ट सिस्टम को समझें: एक ऐसा ग्राहक सेवा रोबोट जिसके भीतर एक "कोच" और एक "जिम" बना हुआ है। एक मानव इंजीनियर द्वारा रोबोट के निर्देशों को हफ्तों तक ट्यून करने के बजाय, यह सिस्टम अपने प्रशिक्षण, परीक्षण और अपग्रेड करने का एक निरंतर चक्र चलाता है।
यहाँ यह जादू कैसे होता है। यह सिस्टम रोबोट के निर्देशों (प्रॉम्ट) को एक जीवित जीव की तरह मानता है। यह एक ऑटो-प्रॉम्ट इंजन (Auto-Prompt Engine) का उपयोग करता है जो एक जेनेटिक एल्गोरिदम की तरह कार्य करता है। कल्पना कीजिए कि एक कोच रोबोट के लिए 100 थोड़े अलग संस्करण वाले प्लेबुक लिखता है। रोबोट उन्हें अभ्यास प्रश्नों पर आज़माता है। फिर कोच प्रदर्शन को ग्रेड देने के लिए "जज" रोबोटों की एक टीम का उपयोग करता है। सबसे अच्छे प्लेबुक्स को आपस में मिलाया जाता है (क्रॉसओवर) और थोड़ा बदला जाता है (म्यूटेशन) ताकि निर्देशों की एक नई, स्मार्ट पीढ़ी बनाई जा सके। यह स्वचालित रूप से, बार-बार होता है, जिससे यह सुनिश्चित होता है कि रोबोट के निर्देश एकदम सही रहें, भले ही LinkedIn के उत्पाद बदलते रहें।
महत्वपूर्ण बात यह है कि यह रोबोट केवल उत्तरों का अनुमान नहीं लगाता है। यह एक RAG टूल से लैस है जिसका उपयोग करने का निर्णय वह स्वयं ले सकता है। जब कोई उपयोगकर्ता प्रश्न पूछता है, तो रोबमाट निर्णय लेता है, "क्या मैं यह जानता हूँ, या मुझे इसे खोजने की आवश्यकता है?" यदि उसे खोजने की आवश्यकता होती है, तो वह सहायता लेखों और उत्पाद दस्तावेजों के एक वर्शन-नियंत्रित पुस्तकालय (library) में खोज करता है। यह रोबोट को "हैलुसिनेशन" (अपनी ओर से बातें बनाने) से रोकता है। वास्तव में, उनके परीक्षणों में, यह स्मार्ट, खुद विकसित होने वाला रोबोट 0.1% से भी कम बार गलतियाँ (hallucinate) करता है, जबकि मानक सिस्टम जो केवल एक दस्तावेज़ पढ़ते हैं और अनुमान लगाते हैं, उनमें यह दर लगभग 5-6% होती है।
टीम ने इसे केवल बनाया ही नहीं; उन्होंने इसे वास्तविक दुनिया में परखा। उन्होंने दो सप्ताह का एक प्रयोग चलाया जहाँ LinkedIn के वास्तविक उपयोगकर्ताओं के आधे हिस्से को पुराना, स्थिर रोबोट मिला, और दूसरे आधे हिस्से को नया, खुद विकसित होने वाला रोबोट मिला। परिणाम नए सिस्टम के लिए एक बड़ी जीत थे। स्व-विकसित (self-evolving) रोबोट ने उपयोगकर्ताओं को मानव एजेंट की आवश्यकता के बिना अपनी समस्याओं को हल करने में 9.0 प्रतिशत अंक अधिक मदद की। इसने उपयोगकर्ताओं को स्वयं सब्सक्रिप्शन रद्द करने में भी 4.8 प्रतिशत अंक अधिक मदद की। शायद सबसे प्रभावशाली बात यह है कि यह समझने में बहुत बेहतर रहा कि उपयोगकर्ता को किस मानव विभाग से बात करने की आवश्यकता है, जिससे रूटिंग सटीकता में 30.6 प्रतिशत अंक का सुधार हुआ।
यह शोध पत्र स्पष्ट करता है कि यह कोई जादुई छड़ी नहीं है जो सब कुछ हल कर देती है। यह सिस्टम अभी भी इस बात पर निर्भर करता है कि उसके पुस्तकालय में अच्छी जानकारी हो; यदि पुस्तकालय में उत्तर नहीं है, तो रोबोट उसे आविष्कार नहीं करेगा। साथ ही, "इवोल्यूशन" की प्रक्रिया में समय और कंप्यूटिंग शक्ति लगती है, जो तुरंत होने के बजाय एक साप्ताहिक चक्र पर चलती है। लेकिन यह अध्ययन एक महत्वपूर्ण बिंदु सिद्ध करता है: प्रॉम्ट, रिट्रीवल और इवैल्यूएशन को एक बंद, वर्शन-कंट्रोल्ड लूप के रूप में मानकर, हम ऐसे AI एजेंट बना सकते हैं जो केवल पुराने नहीं होते। वे बढ़ सकते हैं, अनुकूलित हो सकते हैं और अपने आप स्मार्ट बन सकते हैं, जिससे वे एंटरप्राइज सपोर्ट की तेज़ गति वाली दुनिया के साथ तालमेल बिठा सकें।
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।