AutoSchema: Live Schema Grounding for Agentic Text-to-Sparql over Heterogeneous Knowledge Graphs

विज्ञान के इंटरनेट की कल्पना एक विशाल, अराजक पुस्तकालय के रूप में करें जहाँ हर किताब एक अलग भाषा में लिखी गई है, अपनी अनूठी फाइलिंग प्रणाली का उपयोग करती है, और उसका एक ऐसा लाइब्रेरियन है जो ऐसी बोली बोलता है जिसे कोई और नहीं समझता। जीवन विज्ञान (life sciences) में नॉलेज ग्राफ्स (Knowledge Graphs) की वास्तविकता यही है। एक एकल, विशाल डेटाबेस के बजाय, वैज्ञानिकों के पास जीन, बीमारियों और दवाओं जैसी चीजों के लिए हजारों विशिष्ट "ग्राफ" (तथ्यों के डिजिटल मानचित्र) हैं। प्रत्येक ग्राफ सूचना का एक खजाना है, लेकिन वे सभी अलग तरह से बनाए गए हैं। कोई एक दवा को "ड्रग ए" (Drug A) कह सकता है, जबकि दूसरा उसे "कंपाउंड एक्स" (Compound X) कह सकता है, और वे उन्हें बीमारियों से पूरी तरह से अलग तरीकों से जोड़ सकते हैं।

यदि आप कंप्यूटर से यह सवाल पूछना चाहते हैं कि "कौन सी दवाएं इस विशिष्ट कैंसर का इलाज करती हैं?" तो आपको अपनी स्वाभाविक अंग्रेजी को एक सख्त, कंप्यूटर-पठनीय कोड में अनुवाद करने की आवश्यकता होती है जिसे स्पार्कल (SPARQL) कहा जाता है। यह एक लाइब्रेरियन से किताब माँगने जैसा है, लेकिन आपको सटीक डेवी डेसिमल नंबर, विशिष्ट शेल्फ कोड और कैटलॉग में लेखक के नाम की सटीक स्पेलिंग पता होनी चाहिए। यदि आप एक भी छोटी विवरण गलत करते हैं, तो कंप्यूटर कुछ भी वापस नहीं देता है। वर्षों तक, समाधान यह था कि किसी इंसान (या एक स्मार्ट एआई) को सवाल पूछना शुरू करने से पहले हर एक लाइब्रेरी के लिए एक विशाल, पूर्ण "संदर्भ मार्गदर्शिका" (reference guide) लिखनी पड़े। लेकिन क्या होगा यदि पुस्तकालय की अलमारियाँ रातोंरात बदल जाएं? या क्या होगा यदि यह एक बिल्कुल नई लाइब्रेरी हो जिसे पहले किसी ने नहीं देखा है? यही वह समस्या है जिसे यह शोध पत्र हल करता है: एक कंप्यूटर एजेंट इन वैज्ञानिक पुस्तकालयों के नियमों को बिना किसी पूर्व-लिखित मैनुअल के, उस पुस्तकालय के भीतर खड़े होकर कैसे समझ सकता है?

यह शोध पत्र ऑटोस्कीमा (AutoSchema) नामक एक नया ढांचा पेश करता है, जो इन वैज्ञानिक पुस्तकालयों के लिए एक अत्यंत बुद्धिमान, जिज्ञासु जासूस की तरह कार्य करता है। उन स्थिर "संदर्भ मार्गदर्शिकाओं" (जिन्हें लेखक एमआईई (MIE) फाइल कहते हैं) के इंतजार करने के बजाय जो पुरानी हो सकती हैं, ऑटोस्कीमा एआई एजेंट को सीधे "लाइव" डेटाबेस में जाने और वहां झाँकने की अनुमति देता है। जब एजेंट के पास कोई प्रश्न होता है, तो वह नियमों का अनुमान नहीं लगाता; वह डेटाबेस से ही पूछता है, "हे, आपकी अलमारियों के नाम क्या हैं? इस जीन की स्पेलिंग क्या है? यह दवा उस बीमारी से कैसे जुड़ी है?" वह वास्तविक समय में, प्रश्न पूछे जाने के ठीक समय पर, इस साक्ष्य को एकत्र करता है।

शोधकर्ताओं ने कठिन बायोमेडिकल प्रश्नों का उपयोग करके पुराने तरीके (जो उन पूर्व-लिखित संदर्भ मार्गदर्शिकाओं पर निर्भर है) के विरुद्ध इस जासूस का परीक्षण किया। उन्होंने पाया कि ऑटोस्कीमा आम तौर पर सही उत्तर खोजने में बेहतर था। जीन और बीमारियों से जुड़े परीक्षणों में, नई पद्धति ने पुराने तरीके की तुलना में तथ्यों को अधिक बार सही पाया और कम गलतियाँ कीं। इसने कम "टूल कॉल्स" (डेटाबेस से प्रश्न पूछने के कम प्रयास) का भी उपयोग किया और यह पुराने तरीके की तरह अक्सर लूप में नहीं फंसा। लेखक सुझाव देते हैं कि यह दृष्टिकोण विशेष रूप से उन अस्त-व्यस्त, अनियमित या बिल्कुल नए डेटाबेस से निपटने में सहायक है जहाँ अभी तक कोई संदर्भ मार्गदर्शिका मौजूद नहीं है। हालाँकि, वे सावधानी बरतते हुए नोट करते हैं कि हालांकि परिणाम आशाजनक हैं, लेकिन "ब्रिज" (bridge) फीचर (जो दो अलग-अलग पुस्तकालयों को जोड़ने में मदद करता है) का उनके परीक्षणों में बहुत अधिक उपयोग नहीं किया गया था, और यह सुनिश्चित करने के लिए कि यह हर परिदृश्य में पूरी तरह से काम करता है, और अधिक प्रयोगों की आवश्यकता है।

संक्षेप में, यह शोध पत्र तर्क देता है कि एक स्थिर, पूर्व-लिखित मानचित्र पर निर्भर रहने के बजाय जो गलत या पुराना हो सकता है, हमें अपने एआई एजेंटों को जीवंत रूप से क्षेत्र का पता लगाने देना चाहिए। अपने प्रश्नों को डेटाबेस की वास्तविक, वर्तमान स्थिति के आधार पर रखकर, वे जीवन विज्ञान के डेटा के जटिल, बदलते परिदृश्य को अधिक सटीकता और दक्षता के साथ नेविगेट कर सकते हैं। यह "मानचित्र को याद करने" से "चलते समय इलाके को सीखने" की ओर एक बदलाव है।