💬 NLP

Envs-FORGE: Frontier-Optimized Reward-Grounded Environment Synthesis for Agent RL

Envs-FORGE एक नवीन प्रॉम्प्टिंग पॉलिसी है जो मिक्सड-इंटीजर लीनियर प्रोग्रामिंग के माध्यम से वेरीफायर रिवार्ड्स को प्रति-सीड (per-seed) एक्शन्स में परिवर्तित करके सुदृढीकरण सीखने (reinforcement learning) के लिए एनवायरनमेंट सिंथेसिस को गतिशील रूप से अनुकूलित करती है, जिससे टेलर्ड प्रशिक्षण वातावरण उत्पन्न होते हैं जो फिक्स्ड-रेसिपी बेसलाइन्स की तुलना में विभिन्न बेंचमार्क पर एजेंट के प्रदर्शन में महत्वपूर्ण सुधार करते हैं।

मूल लेखक: Xiaojun Wu, Cehao Yang, Honghao Liu, Xueyuan Lin, Zhichao Shi, Hao Zhou, Xuhui Jiang, Chengjin Xu, Jia Li, Jian Guo

प्रकाशित 2026-08-17

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xiaojun Wu, Cehao Yang, Honghao Liu, Xueyuan Lin, Zhichao Shi, Hao Zhou, Xuhui Jiang, Chengjin Xu, Jia Li, Jian Guo

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 कंप्यूटर ठीक करना या कोड लिखना सिखाने की कोशिश कर रहे हैं। आप उसे सीधे कोई मैनुअल थमा नहीं सकते; उसे करने के अभ्यास से सीखने की आवश्यकता है। यह रीइन्फोर्समेंट लर्निंग (Reinforcement Learning - RL) की दुनिया है, जहाँ एक AI एजेंट चीज़ों को आज़माकर, गलतियाँ करके और सफलता मिलने पर एक "रिवॉर्ड" (जैसे कि हाई स्कोर) प्राप्त करके सीखता है। लेकिन यहाँ एक पेंच है: रोबोट को बेहतर होने के लिए, जो अभ्यास समस्याएँ वह हल करता है, उन्हें बिल्कुल सटीक होना चाहिए। यदि समस्याएँ बहुत आसान हैं, तो रोबोट ऊब जाएगा और कुछ नया नहीं सीख पाएगा। यदि वे बहुत कठिन हैं, तो वह निराश होकर हार मान लेगा। इस "स्वीट स्पॉट" को "लर्निंग फ्रंटियर" (learning frontier) कहा जाता है—वह सीमा जो रोबोट वर्तमान में कर सकता है, जहाँ थोड़ा सा चुनौतीपूर्ण होना उसे सबसे अधिक बढ़ने में मदद करता है।

लंबे समय से, वैज्ञानिक इन अभ्यास समस्याओं को स्वचालित रूप से बनाने की कोशिश कर रहे हैं, जिसके लिए वे लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग करते हैं, जो चैटबॉट्स के पीछे के सुपर-स्मार्ट AI दिमाग हैं। उन्होंने कार्यों को उत्पन्न करने के लिए सरल, निश्चित रेसिपी का उपयोग किया, जैसे कि एक शेफ हर भोजन को पकाने के लिए बिल्कुल उसी रेसिपी का उपयोग करता है, चाहे वह भोजन किसी छोटे बच्चे के लिए हो या किसी विशेषज्ञ के लिए। यह पेपर इन अभ्यास समस्याओं को बनाने का एक नया, स्मार्ट तरीका पेश करता है। इसे Envs-FORGE कहा जाता है। एक "एक ही आकार के सभी के लिए" (one-size-fits-all) वाली रेसिपी के बजाय, यह नया तरीका एक व्यक्तिगत ट्रेनर की तरह काम करता है जो रोबोट की वर्तमान ताकत को देखता है, यह पता लगाता है कि अगला चैलेंज वास्तव में कितना कठिन होना चाहिए, और फिर उसके लिए एक अनूठा व्यायाम तैयार करता है। लक्ष्य यह सुनिश्चित करना है कि प्रत्येक अभ्यास कार्य उसे ठीक उस सीमा तक धकेले जहाँ वह पहले से थोड़ा आगे जा सके।

"एक ही आकार के सभी के लिए" रेसिपी के साथ समस्या

अतीत में, जब शोधकर्ता इन AI एजेंटों के लिए नए प्रशिक्षण कार्य बनाना चाहते थे, तो वे निश्चित रणनीतियों पर निर्भर थे। कल्पना कीजिए कि एक शिक्षक के पास एक ही वर्कशीट है और वह तय करता है कि हर छात्र के लिए इसे बस "थोड़ा कठिन" बना दे, चाहे वह कोई भी हो। एक छात्र के लिए जिसने टेस्ट में महारत हासिल कर ली है, यह नई वर्कशीट अभी भी बहुत आसान हो सकती है। एक छात्र के लिए जो संघर्ष कर रहा था, यह असंभव हो सकती है।

यह पेपर तर्क देता है कि ये निश्चित तरीके—जैसे कि "सेल्फ-इंस्ट्रक्ट" (Self-Instruct) या "इवॉल्व-इंस्ट्रक्ट" (Evol-Instruct)—उसी कठोर शिक्षक की तरह हैं। वे बिना यह जांचे कि क्या AI इसके लिए तैयार है, हर शुरुआती विचार (या "सीड") पर एक ही तर्क लागू करते हैं। वे किसी कार्य को तब कठिन बना सकते हैं जब उसे आसान बनाया जाना चाहिए था, या वे विषय को पूरी तरह से बदल सकते हैं जब AI को केवल एक विशिष्ट कौशल का गहराई से अभ्यास करने की आवश्यकता थी। इससे समय बर्बाद होता है और ऐसा प्रशिक्षण डेटा मिलता है जो बहुत उपयोगी नहीं होता।

Envs-FORGE में प्रवेश: स्मार्ट पर्सनल ट्रेनर

इस पेपर के लेखक Envs-FORGE (Frontier-Optimized Reward-Grounded Environment Synthesis) प्रस्तुत करते हैं। इसे एक स्मार्ट सिस्टम के रूप में समझें जो केवल अनुमान नहीं लगाता; यह गणना करता है।

यह चरण-दर-चरण इस प्रकार काम करता है:

चेक-अप: सबसे पहले, सिस्टम एक शुरुआती कार्य को देखता है और वर्तमान AI एजेंट को उसे हल करने की कोशिश करने के लिए कहता है। यह गिनता है कि एजेंट कितनी बार सफल होता है। यह इसे एक "पास रेट" (pass rate) देता है, जो एक रिपोर्ट कार्ड की तरह है जो दिखाता है कि उस विशिष्ट रोबमाट के लिए कार्य कितना आसान या कठिन है।
रणनीति बैठक: उस रिपोर्ट कार्ड के आधार पर, सिस्टम कार्य को बदलने के छह अलग-अलग तरीकों पर विचार करता है। यह चुन सकता है:
- कठिनाई को बढ़ाना (अधिक बाधाएं या एज केसेस जोड़ना)।
- कठिनाई को कम करना (यदि रोबोट अटक गया है तो सरल बनाना)।
- कार्य में विविधता लाना (संदर्भ बदलना लेकिन कठिनाई समान रखना)।
- और इन प्रत्येक के लिए, यह इन-डेप्थ (उसी विषय में गहराई तक जाना) या इन-ब्रैडथ (एक व्यापक, संबंधित विषय का अन्वेषण करना) जा सकता है।
गणित का जादू (MILP): सिस्टम उस विशिष्ट कार्य के लिए परिवर्तनों के सबसे अच्छे संयोजन को चुनने के लिए "मिक्स्ड-इंटीजर लीनियर प्रोग्राम" (MILP) नामक एक विशेष प्रकार के गणितीय पहेली का उपयोग करता है। यह एक कोच की तरह है जो खिलाड़ी के आँकड़ों को देखता है और निर्णय लेता है, "ठीक है, इस खिलाड़ी के लिए, हमें परफेक्ट लर्निंग ज़ोन में पहुँचने के लिए कठिनाई को 'इन-डेप्थ' बढ़ाना होगा।"
निर्माण: एक बार सबसे अच्छी रणनीति चुने जाने के बाद, सिस्टम पूरे कार्य पैकेज को फिर से लिखता है। यह केवल प्रश्न को नहीं बदलता; यह निर्देशों, डेटा, समाधान, परीक्षण और यहाँ तक कि कंप्यूटर वातावरण (जैसे कि डॉकर कंटेनर) को भी अपडेट करता है ताकि यह सुनिश्चित हो सके कि सब कुछ मिलकर काम कर रहा है।
गोल्ड स्टैंडर्ड चेक: नए कार्य को प्रशिक्षण जिम में जाने की अनुमति देने से पहले, यह एक सख्त "गोल्ड वेरीफायर" (Gold Verifier) से गुजरता है। यह यह सुनिश्चित करने के लिए एक अत्यंत सख्त परीक्षण है कि नया कार्य चलने योग्य (runnable), सुसंगत और वास्तव में हल करने योग्य है। यदि यह विफल होता है, तो इसे बाहर कर दिया जाता है। केवल बेहतरीन कार्य ही चुने जाते हैं।

उन्होंने क्या पाया

शोधकर्ताओं ने इस नई पद्धति का परीक्षण Qwen 3.5 35B नामक एक शक्तिशाली AI मॉडल पर किया। उन्होंने Envs-FORGE की तुलना पुरानी निश्चित रेसिपीज़ (Few-shot, Self-Instruct, और Evol-Instruct) और बिना किसी अतिरिक्त प्रशिक्षण वाले बेसलाइन मॉडल से की।

परिणाम स्पष्ट थे: Envs-FORGE जीत गया।

tb-core नामक बेंचमार्क पर, बेस मॉडल का स्कोर 40.0% था। सबसे अच्छी फिक्स्ड रेसिपी को 46.8% मिला, लेकिन Envs-FORGE 49.2% तक पहुँच गया। यह शुरुआती बिंदु से 9.2 प्रतिशत अंक का सुधार है।
tb-2.0 पर, बेस मॉडल का स्कोर 23.0% था, जबकि Envs-FORGE 29.4% तक पहुँचा, जो 6.4 प्रतिशत अंक की छलांग है।
यहाँ तक कि SWE-bench Verified नामक एक बहुत ही कठिन वास्तविक दुनिया के परीक्षण पर भी, Envs-FORGE ने 77.1% प्राप्त किया, जो बेस मॉडल के 73.4% से बेहतर था।

महत्वपूर्ण रूप से, पेपर दिखाता है कि यह इसलिए नहीं था क्योंकि Envs-FORGE ने अधिक कंप्यूटर पावर या अधिक डेटा का उपयोग किया। सभी तरीकों ने ठीक 100 सत्यापित वातावरण (verified environments) उत्पन्न किए। अंतर पूरी तरह से इस बात में था कि उन्होंने उन 100 कार्यों में से प्रत्येक को कैसे चुना। Envs-FORGE ने बस बेहतर कार्य चुने।

यह क्यों मायने रखता है

इस पेपर का मुख्य निष्कर्ष यह है कि प्रशिक्षण डेटा को बनाने का तरीका उतना ही महत्वपूर्ण है जितना कि स्वयं डेटा। "एक ही आकार के सभी के लिए" वाली कठोर रेसिपी का उपयोग करने के बजाय और एक स्मार्ट, डेटा-संचालित दृष्टिकोण का उपयोग करके जो हर कार्य को AI की वर्तमान क्षमता के अनुसार ढालता है, हम इन एजेंटों को तेज़ी से और बेहतर तरीके से सीखने में मदद कर सकते हैं।

लेखक सुझाव देते हैं कि यह "फ्रंटियर-अवेयर" (frontier-aware) दृष्टिकोण—लगातार यह जांचना कि एजेंट कहाँ खड़ा है और उसे उसकी क्षमताओं की सीमा पर रखने के लिए चुनौती को समायोजित करना—अधिक सक्षम टर्मिनल एजेंट बनाने की कुंजी है जो जटिल सॉफ्टवेयर इंजीनियरिंग और सिस्टम प्रशासन कार्यों को संभाल सकें। हालाँकि अध्ययन ने विशिष्ट बेंचमार्क और मॉडल साइज पर ध्यान केंद्रित किया, परिणाम दृढ़ता से संकेत देते हैं कि "स्मार्ट सिंथेसिस" का यह तरीका AI को सीखने का तरीका सिखाने की दिशा में एक महत्वपूर्ण कदम है।

तकनीकी सारांश: Envs-FORGE

समस्या विवरण

टर्मिनल एजेंटों (terminal agents) के लिए सुदृढीकरण शिक्षण (Reinforcement Learning - RL) को ऐसे निष्पादन योग्य प्रशिक्षण वातावरणों की आवश्यकता होती है जो विश्वसनीय पुरस्कार (rewards) प्रदान करें और जिनकी कठिनाई का स्तर वर्तमान एजेंट पॉलिसी के अनुरूप हो। मौजूदा दृष्टिकोण अक्सर निश्चित प्रॉम्प्टिंग रेसिपी (जैसे कि few-shot, Self-Instruct, Evol-Instruct) पर निर्भर करते हैं जो प्रत्येक सीड टास्क (seed task) पर एक समान रूपांतरण रणनीति लागू करते हैं। यह "एक ही आकार सबके लिए" (one-size-fits-all) वाली नीति एजेंट की विशिष्ट स्थिति को समझने में विफल रहती है; यदि सीड बहुत आसान है तो वह कमजोर प्रशिक्षण संकेत देता है, और यदि बहुत कठिन है तो वह कोई सीखने का संकेत नहीं देता है। इसके अलावा, निश्चित रेसिपी गतिशील रूप से कठिनाई के प्रक्षेपवक्र (difficulty trajectory) को समायोजित नहीं कर सकती (उदाहरण के लिए, उन सीड्स के लिए ब्रिज टास्क बनाना जो वर्तमान में एजेंट की क्षमता से परे हैं) या कौशल कवरेज (skill coverage) को प्रभावी ढंग से संतुलित नहीं कर सकती। मुख्य चुनौती यह निर्धारित करना है कि, एक दिए गए सीड और वर्तमान पॉलिसी के लिए, कौन सा विशिष्ट संश्लेषण कार्य (synthesis action) परिणामी वातावरण को "लर्निंग फ्रंटियर" (learning frontier) के निकट रखेगा।

कार्यप्रणाली: Envs-FORGE

Envs-FORGE (फ्रंटियर-ऑप्टिमाइज्ड रिवॉर्ड-ग्राउंडेड एनवायरनमेंट सिंथेसिस) वातावरण संश्लेषण को एक रिवॉर्ड-ग्राउंडेड एक्शन सिलेक्शन समस्या के रूप में पुनर्गठित करता है। एक एकल निश्चित प्रॉम्प्ट के बजाय, यह विधि चार प्रमुख चरणों से बनी एक गतिशील पाइपलाइन का उपयोग करती है:

1. फ्रंटियर-अवेयर कैंडिडेट स्कोरिंग

सिस्टम पहले वर्तमान एजेंट के रोलआउट्स (rollouts) से वेरीफायर रिवॉर्ड्स का उपयोग करके एक सीड टास्क के पास रेट ( $\hat{p}_i$ ) का अनुमान लगाता है। इसके बाद, यह निम्नलिखित के संयोजन द्वारा प्रत्येक सीड के लिए छह कैंडिडेट एक्शन उत्पन्न करता है:

प्रोजेक्शंस (Projections): इंक्रीज (बाधाएं/जटिलता जोड़ना), रिड्यूस (ब्रिज टास्क के लिए सरल बनाना), और डाइवर्सिफाई (कठिनाई बनाए रखते हुए फिक्स्चर/आवश्यकताओं को बदलना)।
इवोल्यूशन डायरेक्शन्स (Evolution Directions): इन-डेप्थ (मौजूदा कौशलों को गहरा करना) और इन-ब्रेड्थ (संबंधित कौशलों तक विस्तार करना)।

कैंडिडेट्स को एक "फ्रंटियर स्कोर" ( $F_{i,a,d}$ ) के आधार पर स्कोर किया जाता है, जो एक लक्षित पास रेट ( $\tau=0.5$ ) पर केंद्रित एक गॉसियन फंक्शन है। यह स्कोर यह अनुमान लगाता कि किसी कैंडिडेट की अनुमानित कठिनाई, इष्टतम लर्निंग फ्रंटियर के कितने करीब है।

2. प्रति-सीड MILP एक्शन सिलेक्शन

प्रत्येक सीड के लिए, एक मिक्स्ड-इंटिजर लीनियर प्रोग्राम (MILP) इष्टतम एक्शन का चयन करता है। ऑब्जेक्टिव फंक्शन फ्रंटियर स्कोर को अधिकतम करता है और वैकल्पिक स्किल नोड्स तथा अपूर्ण कवरेज लक्ष्यों के सक्रिय होने पर दंड (penalty) लगाता है।

डिसीजन वेरिएबल्स: प्रत्येक सीड के लिए एक प्रोजेक्शन और एक डायरेक्शन का चयन करने के लिए बाइनरी वेरिएबल्स का उपयोग किया जाता है।
बाधाएं (Constraints): MILP यह सुनिश्चित करता है कि प्रत्येक सीड के लिए ठीक एक एक्शन चुना जाए और चयनित एक्शन तथा आवश्यक/वैकल्पिक स्किल नोड्स के बीच निरंतरता बनी रहे।
बेसलाइन मैपिंग: निश्चित रेसिपी को इस एक्शन स्पेस के भीतर प्रतिबंधित मास्क (restricted masks) के रूप में दर्शाया गया है (उदाहरण के लिए, Few-shot को diversify + in-depth के रूप में और Self-Instruct को diversify + in-breadth के रूप में अनुमानित किया गया है)।

3. सिंक्रोनाइज्ड एनवायरनमेंट रीराइटिंग

एक बार एक्शन चुने जाने के बाद, एक सिंथेसिस मॉडल पूरे एनवायरनमेंट बंडल को संयुक्त रूप से फिर से लिखता है: निर्देश (instruction), फिक्स्चर (fixtures), ओरकल सॉल्यूशन (oracle solution), टेस्ट सूट (test suite), और डॉकर एनवायरनमेंट (Docker environment)। यह सुनिश्चित करता है कि कार्य निष्पादन योग्य और सुसंगत बना रहे। प्रॉम्प्ट स्पष्ट रूप से केवल निर्देश-आधारित संपादन या छिपे हुए परीक्षण आवश्यकताओं को वर्जित करता है।

4. गोल्ड वेरिफिकेशन

जेनरेटेड एनवायरनमेंट स्टैटिक चेक्स (स्कीमा, पाथ सेफ्टी, डॉकर आइसोलेशन) और गोल्ड वेरिफिकेशन से गुजरते हैं। एक वातावरण को ट्रेनिंग पूल में तभी स्वीकार किया जाता है जब जेनरेटेड टेस्ट के तहत ओरकल सॉल्यूशन रिवॉर्ड 1 प्राप्त करता है। यह सुनिश्चित करता है कि RL ट्रेनिंग के लिए केवल रन करने योग्य, ग्रेड करने योग्य और सुसंगत कार्यों का ही उपयोग किया जाए।

मुख्य योगदान

पुनर्गठित संश्लेषण (Reframed Synthesis): यह पेपर एजेंट एनवायरनमेंट सिंथेसिस को सत्यापित सीड्स पर एक रिवॉर्ड-ग्राउंडेड एक्शन सिलेक्शन प्रक्रिया के रूप में पुनर्गठित करता है, जिसमें प्रोजेक्शन (इंक्रीज़, रिड्यूस, डाइवर्सिफाई) और इवोल्यूशन डायरेक्शन्स (इन-डेप्थ, इन-ब्रेड्थ) को स्पष्ट रूप से परिभाषित किया गया है।
MILP फॉर्मूलेशन: यह प्रोजेक्शन और डायरेक्शन के चयन को प्रति-टास्क मिक्स्ड-इंटिजर प्रोग्राम के रूप में तैयार करता है। यह निश्चित संश्लेषण रेसिपी को प्रतिबंधित एक्शन मास्क के रूप में दर्शाने की अनुमति देता है और वैकल्पिक सॉफ्ट स्किल कवरेज प्लानिंग को सक्षम बनाता है।
सिंक्रोनाइज्ड रीराइटिंग और वेरिफिकेशन: यह विधि चयन निर्णय को सभी एनवायरनमेंट आर्टिफैक्ट्स के संयुक्त रीराइटिंग के साथ जोड़ती है, जिसके बाद सख्त गोल्ड वेरिफिकेशन किया जाता है, जिससे यह सुनिश्चित होता है कि केवल उच्च-गुणवत्ता वाले, निष्पादन योग्य कार्य ही RL लूप में प्रवेश करें।

प्रयोगात्मक परिणाम

इस पद्धति का मूल्यांकन Qwen 3.5 मॉडल्स (4B से 35B) का उपयोग करके किया गया जिन्हें ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन (GRPO) के साथ प्रशिक्षित किया गया था। तुलना को निष्पक्ष बनाने के लिए सभी सिंथेसिस विधियों को ठीक 100 गोल्ड-वेरिफाइड एनवायरनमेंट निर्यात करने के लिए सीमित किया गया था।

प्रदर्शन लाभ: tb-core बेंचमार्क पर, Envs-FORGE ने 49.2% का Pass@1 प्राप्त किया, जो बेस मॉडल (40.0%) से 9.2 प्रतिशत अंक और सबसे मजबूत फिक्स्ड-रेसिपी बेसलाइन (Evol-Instruct, 46.8%) से 2.4 अंक अधिक है। tb-2.0 पर, इसने 29.4% प्राप्त किया (Base से 6.4 अंक; Self-Instruct से 2.1 अंक अधिक)।
SWE-bench Verified: Envs-FORGE ने 77.1% प्राप्त किया, जो Base मॉडल (73.4%) और सभी फिक्स्ड बेसलाइन्स से बेहतर प्रदर्शन करता है।
मॉडल स्केलेबिलिटी: सुधार मॉडल के आकार में सुसंगत थे, जिसमें tb-core पर +6.8 पॉइंट्स (4B) से लेकर +9.2 पॉइंट्स (35B) तक के लाभ देखे गए।
संसाधन दक्षता: सभी विधियों ने एक तुलनीय सिंथेसिस टोकन बजट (2.27M–2.88M टोकन) के भीतर काम किया और समान संख्या में टास्क डायरेक्टरीज (194–210) जेनरेट कीं। Envs-FORGE को अधिक प्रयासों (291) की आवश्यकता थी लेकिन औसतन कम प्रयासों (shorter attempts) का उपयोग किया गया, जो यह दर्शाता है कि प्रदर्शन में वृद्धि बढ़ी हुई कम्प्यूटेशनल स्केल के बजाय बेहतर टास्क सिलेक्शन से आई है।

महत्व और दावे

पेपर का दावा है कि इस कार्य का प्राथमिक सबक यह है कि एजेंट RL के लिए एनवायरनमेंट सिंथेसिस को किसी LLM से इसे फिर से लिखने के लिए कहने से पहले यह तय करना चाहिए कि प्रत्येक सीड को वर्तमान पॉलिसी के सापेक्ष कैसे आगे बढ़ना चाहिए।

फिक्स्ड प्रॉम्प्टिंग रेसिपी से हटकर एक फ्रंटियर-अवेयर, रिवॉर्ड-ग्राउंडेड सिलेक्शन प्रक्रिया की ओर बढ़कर, Envs-FORGE यह सुनिश्चित करता है कि प्रशिक्षण कार्य न तो बहुत आसान हों और न ही बहुत कठिन, बल्कि वे लर्निंग फ्रंटियर पर स्थित हों जहाँ वे सबसे प्रभावी प्रशिक्षण संकेत प्रदान कर सकें। लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण डाउनस्ट्रीम ट्रेनिंग सेट के आकार या सिंथेसिस प्रक्रिया के समग्र परिचालन पैमाने को बढ़ाए बिना बेहतर डाउनस्ट्रीम प्रदर्शन प्रदान करता है। यह विधि टर्मिनल एजेंटों के लिए उच्च-गुणवत्ता वाला प्रशिक्षण डेटा उत्पन्न करने के लिए एक संरचित, निरीक्षण योग्य ढांचा प्रदान करती है।