CLAIR-Fin: An Adversarial Multi-Agent Framework for Claim-Level Verification and Adaptive Debate in Cross-Modal Financial QA
यह शोध पत्र CLAIR-Fin को प्रस्तुत करता है, जो एक प्रतिकूल नौ-एजेंट (adversarial nine-agent) ढांचा है जो प्रश्नों को कठोर, प्रकार-जागरूक सत्यापन और अनुकूलन योग्य बहस के लिए परमाणु दावों (atomic claims) में विघटित करके क्रॉस-मोडल वित्तीय प्रश्नोत्तर को बढ़ाता है, जिससे मौजूदा बेसलाइन की तुलना में निष्ठा में उल्लेखनीय सुधार होता है और मतिभ्रम (hallucinations) को कम किया जाता 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 रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं, लेकिन आपके सुराग तीन बहुत अलग प्रकार की नोटबुकों में बिखरे हुए हैं: कहानियों से भरी एक हस्तलिखित डायरी, नंबरों से भरा एक स्प्रेडशीट, और रंगीन चार्टों से भरा एक स्केचबुक। आर्टिफिशियल इंटेलिजेंस की दुनिया में, यह वही होता है जब एक कंप्यूटर जटिल वित्तीय रिपोर्टों के बारे में प्रश्न पूछने की कोशिश करता है। ये रिपोर्ट विशाल होती हैं, अक्सर सैकड़ों पन्नों की, जिनमें टेक्स्ट, टेबल और ग्राफ एक साथ मिले होते हैं। समस्या यह है कि एआई मॉडल, जो कि सुपर-स्मार्ट लेकिन कभी-कभी दिवास्वप्न देखने वाले छात्रों की तरह होते हैं, अक्सर भ्रमित हो जाते हैं जब उन्हें एक साथ इतने अलग-अलग फॉर्मेट पढ़ने पड़ते हैं। वे टेक्स्ट की कहानी से टेबल के किसी नंबर को मिला सकते हैं, या वे "हैलुसिनेट" (hallucinate) कर सकते हैं—यानी ऐसे तथ्य बना सकते हैं जो सुनने में असली लगते हैं लेकिन वास्तव में दस्तावेज़ में मौजूद नहीं होते। वित्त के क्षेत्र में यह एक बड़ी बात है क्योंकि एक गलत नंबर या एक मनगढ़ंत कहानी गलत निर्णयों की ओर ले जा सकती है। वैज्ञानिक कंप्यूटरों के लिए अपना काम खुद चेक करने के बेहतर तरीके बनाने की कोशिश कर रहे हैं, लेकिन अधिकांश तरीके या तो सभी सुरागों पर समान रूप से भरोसा करते हैं (भले ही कोई स्केच किसी विशिष्ट नंबर के लिए बुरा सुराग हो) या फिर अंत तक प्रतीक्षा करते हैं कि क्या कहानी समझ में आती है, तब तक बहुत देर हो चुकी होती है कि गलती को सुधारा जा सके।
यहाँ आता है CLAIR-Fin, एक नया, चतुर सिस्टम जिसे एक वित्तीय रिपोर्ट की जांच करने के लिए मिलकर काम करने वाले नौ जासूसों की एक सुपर-संगठित टीम के रूप में डिज़ाइन किया गया है। पूरे दस्तावेज़ को एक बार में निगलने के बजाय, CLAIR-Fin हर सवाल को छोटे, परमाणु "दावों" (claims)—जैसे कि पहेली के व्यक्तिगत टुकड़ों—में तोड़ देता है। उदाहरण के लिए, यदि प्रश्न है "बैंक ने पिछले साल कितनी कमाई की?", तो सिस्टम केवल अनुमान नहीं लगाता; यह इसे छोटे दावों में विभाजित करता है जैसे "वर्ष 2025 था" और "लाभ $139 मिलियन था।" फिर, यह इन छोटे दावों को विशेषज्ञ एजेंटों के पास भेजता है। कुछ एजेंट टेक्स्ट पढ़ने में विशेषज्ञ हैं, अन्य टेबल से नंबर निकालने में, और अन्य चार्ट की व्याख्या करने में।
यहीं पर जादू होता: CLAIR-Fin जानता है कि सभी सुराग समान नहीं होते। यह "एसिमेट्रिक एविडेंस अथॉरिटी" (Asymmetric Evidence Authority) नामक एक नियम का उपयोग करता है। इसे एक अदालत में जज की तरह समझें जो जानता है कि यदि आपको एक सटीक नंबर चाहिए, तो स्प्रेडशीट सेल स्वर्ण मानक है, लेकिन यदि आप जानना चाहते हैं कि क्यों कुछ हुआ, तो लिखित कहानी सबसे अच्छा साक्ष्य है। सिस्टम नंबरों के लिए स्प्रेडशीट पर और कारणों के लिए कहानी पर भरोसा करता है, बजाय इसके कि वह उन सभी को एक जैसा माने। यदि साक्ष्य संदिग्ध है या गायब है, तो सिस्टम अनुमान लगाने के लिए मजबूर नहीं होता; यह बस स्वीकार कर लेता है कि वह नहीं जानता और उत्तर देने से इनकार कर देता है, जो कि उन एआई से एक बड़ा सुधार है जो चीजें बना लेते हैं।
यदि कोई दावा कठिन है या साक्ष्य विरोधाभासी है, तो सिस्टम उसे "एडेप्टिव रिबटल साइकिल" (Adaptive Rebuttal Cycle) में डाल देता है। यह एक डिबेट क्लब की तरह है जहाँ दो एआई वकील—एक दावे के पक्ष में तर्क दे रहा है और दूसरा उसमें खामियां निकालने की कोशिश कर रहा है—आपस में बहस करते हैं। लेकिन स्मार्ट बात यह है: वे केवल आवश्यक होने तक ही बहस करते हैं। यदि दावा आसान है, तो वे बहस छोड़ देते हैं। यदि कठिन है, तो वे अधिक बहस करते हैं। अंतिम उत्तर लिखे जाने से पहले, एक "चेन-ऑफ-कस्टडी" (Chain-of-Custody) जांच होती है, जो एक सुरक्षा गार्ड की तरह है जो यह सुनिश्चित करता है कि शोधकर्ताओं और बहस करने वालों के बीच हैंड-ऑफ के दौरान साक्ष्य बदले या छेड़छाड़ तो नहीं गए हैं। अंत में, एक "जज-ऑडिटर" अंतिम फैसला देता है और एक "हैलुसिनेशन रिस्क इंडेक्स" (Hallucination Risk Index) की गणना करता है, जो इस बात के मौसम पूर्वानुमान की तरह है कि उत्तर एक धूप वाले सच के रूप में होगा या तूफानी झूठ के रूप में।
शोधकर्ताओं ने बांग्लादेश बैंक की वास्तविक वित्तीय रिपोर्टों पर आधारित 500 प्रश्नों के सेट पर इस नए सिस्टम का परीक्षण किया। उन्होंने पाया कि CLAIR-Fin पुराने तरीकों की तुलना में सच बोलने में बहुत बेहतर था। जबकि एक मानक एआई सिस्टम लगभग 78% बार तथ्यों को सही बताता था, CLIR-Fin ने इसे बढ़ाकर लगभग 89% कर दिया। इससे भी अधिक प्रभावशाली बात यह है कि जब साक्ष्य किसी प्रश्न का उत्तर देने के लिए पर्याप्त नहीं थे, तो सिस्टम ने गलत उत्तर देने के बजाय 5.4% बार चुप रहना चुना। यह सुझाव देता है कि सवालों को तोड़ने, सही काम के लिए सही साक्ष्य पर भरोसा करने और एआई एजेंटों को केवल आवश्यकता होने पर ही बहस करने देकर, हम ऐसा एआई बना सकते हैं जो जटिल वित्तीय डेटा के साथ बहुत अधिक विश्वसनीय और ईमानदार हो।
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।