Multi-Modal Generative Fuzzy System: Fuzzy Inference Guided Large Model Interactive Question Answering Framework

आर्टिफिशियल इंटेलिजेंस की दुनिया में, मशीनें टेक्स्ट पढ़ने और तस्वीरों को देखने में उल्लेखनीय रूप से कुशल हो गई हैं। वे किसी फोटो का वर्णन कर सकती हैं या किसी पैराग्राफ के आधार पर प्रश्न का उत्तर दे सकती हैं। लेकिन वास्तविक चुनौती इन विभिन्न तरीकों से दुनिया को देखने को संयोजित करने में निहित है। जब एक मानव एक जटिल प्रश्न पूछता है जिसमें मेडिकल स्कैन को देखने, रोगी के इतिहास को पढ़ने और एक वैज्ञानिक आरेख को एक साथ समझने की आवश्यकता होती है, तो मशीन को इन अलग-अलग धागों को एक एकल, सुसंगत विचार में बुनना होता है। यह मल्टीमॉडल क्वेश्चन अनसरिंग (बहु-मोडल प्रश्नोत्तर) का क्षेत्र है। कठिनाई केवल जानकारी एकत्र करने में नहीं है, बल्कि यह जानने में भी है कि कौन सी जानकारी सबसे महत्वपूर्ण है, अस्पष्ट हिस्सों को कैसे संभाला जाए, और उस समस्या पर तर्क कैसे किया जाए जिसके लिए तर्क के कई चरणों की आवश्यकता हो सकती है। एक स्पष्ट मार्गदर्शक के बिना, ये प्रणालियाँ अक्सर विरोधाभासी विवरणों से भ्रमित हो जाती हैं या सही उत्तर खोजने के लिए गहराई तक जाने में विफल रहती हैं।

चीन के जियांगनान विश्वविद्यालय के शोधकर्ताओं ने इन विशिष्ट समस्याओं को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, एक ऐसी प्रणाली बनाई है जिसे वे 'मल्टी-मोडल जेनेरेटिव फजी सिस्टम' कहते हैं। एक एकल विशाल मॉडल पर उत्तर का अनुमान लगाने के लिए निर्भर रहने के बजाय, उन्होंने एक ऐसा ढांचा तैयार किया है जो इस बात की नकल करता है कि मानव विशेषज्ञ अनिश्चितता और जटिल तर्क को कैसे संभालते हैं। मुख्य विचार यह है कि प्रश्न को एक साधारण खोज क्वेरी के रूप में नहीं, बल्कि एक पहेली के रूप में देखा जाए जिसे तोड़ना, विभिन्न कोणों से जांचना और सावधानीपूर्वक पुनर्विचार की प्रक्रिया के माध्यम से परिष्कृत करना आवश्यक है। यह प्रणाली टेक्स्ट, इमेज, टेबल और यहाँ तक कि जैविक अनुक्रमों (biological sequences) के साथ काम करने के लिए डिज़ाइन की गई है, उन्हें एक बातचीत के विभिन्न स्वरों के रूप में देखती है जिसे अंततः एक एकल सत्य पर सहमत होना चाहिए।

प्रक्रिया उस चरण के साथ शुरू होती है जिसे शोधकर्ता "रुमिनेशन" (चिंतन) कहते हैं। कल्पना कीजिए कि विशेषज्ञों की एक टीम है, प्रत्येक डेटा के एक प्रकार का विशेषज्ञ है: एक टेक्स्ट पढ़ता है, दूसरा इमेज का विश्लेषण करता है, और तीसरा चार्ट का अध्ययन करता है। केवल अपने नोट्स को मिलाने के बजाय, वे अपने निष्कर्षों को आपस में साझा करते हैं। यदि टेक्स्ट कुछ कहता है लेकिन इमेज कुछ और संकेत देती है, तो सिस्टम रुक जाता है और प्रत्येक विशेषज्ञ से फिर से देखने के लिए कहता है, जिससे वे नए संदर्भ का उपयोग करके अपनी समझ को परिष्कृत कर सकें। यह आगे-पीछे की प्रक्रिया तब तक चलती है जब तक कि सभी स्रोतों से मिली जानकारी संरेखित नहीं हो जाती और विरोधाभास हल नहीं हो जाते। यह चरण महत्वपूर्ण है क्योंकि यह सिस्टम को किसी भी एक प्रारूप में अधूरी या भ्रामक डेटा द्वारा गुमराह होने से रोकता है, जिससे यह सुनिश्चित होता है कि अंतिम चित्र पूर्ण और सुसंगत है।

एक बार जब जानकारी स्पष्ट हो जाती है, तो सिस्टम 'फजी रीजनिंग' (अस्पष्ट तर्क) के चरण में जाता है। रोजमर्रा की भाषा में, यहाँ "फजी" का अर्थ अनिश्चित या ढीला नहीं है; बल्कि, यह उन स्थितियों को संभालने के तरीके को संदर्भित करता है जहाँ चीजें पूरी तरह से ब्लैक या व्हाइट (काले या सफेद) नहीं होती हैं। एक प्रश्न आंशिक रूप से चिकित्सा के क्षेत्र से और आंशिक रूप से जीव विज्ञान के क्षेत्र से संबंधित हो सकता है। सिस्टम को केवल एक ही श्रेणी चुनने के लिए मजबूर करने के बजाय, यह स्वीकार करता है कि प्रश्न उनके बीच के स्थान में मौजूद है। सिस्टम फिर मुख्य प्रश्न को छोटे, अधिक प्रबंधनीय प्रश्नों या "हॉप्स" (छलांगों) की एक श्रृंखला में तोड़ देता है। यह पहले हॉप को पूछता है, उत्तर प्राप्त करता है, और फिर उस उत्तर का उपयोग अगले प्रश्न को तैयार करने के लिए करता है। यह सिस्टम को तर्क की एक श्रृंखला बनाने की अनुमति देता है, जो जटिलता की परतों को एक समय में एक कदम करके हटाता है, ठीक वैसे ही जैसे मंजिल तक पहुँचने के लिए सुरागों के निशान का पीछा किया जाता है।

इस तर्क प्रक्रिया को प्रबंधित करने के लिए, सिस्टम नियमों का एक सेट उपयोग करता है जो एक बड़े भाषा मॉडल (Large Language Model) के लिए मार्गदर्शक के रूप में कार्य करते हैं। ये नियम मॉडल को यह बताते हैं कि उसे एक डोमेन विशेषज्ञ के रूप में कैसे कार्य करना है, जैसे कि समाजशास्त्री या डॉक्टर, जो वर्तमान चरण की आवश्यकता के अनुसार हो। सिस्टम में यह तय करने के लिए भी एक तंत्र शामिल है कि प्रश्न पूछना कब बंद किया जाए। यह मूल्यांकन करता है कि क्या वर्तमान उत्तर पर्याप्त है या क्या एक और चरण की आवश्यकता है। यदि तर्क पूर्ण है, तो यह रुक जाता है; यदि नहीं, तो यह अगला प्रश्न उत्पन्न करता है और लूप जारी रखता है। यह सिस्टम को बिना किसी दिशा के भटकने या बहुत जल्दी रुकने से रोकता है, जिससे यह सुनिश्चित होता है कि अंतिम उत्तर एक गहन जांच का परिणाम है।

अंत में, यह सिस्टम तर्क की इन सभी अलग-अलग रेखाओं को एक साथ लाता है। चूंकि विभिन्न विशेषज्ञों की व्याख्याएं थोड़ी भिन्न हो सकती हैं, इसलिए सिस्टम सबसे विश्वसनीय उत्तर खोजने के लिए एक वोटिंग प्रक्रिया का उपयोग करता है। यह प्रत्येक संभावित उत्तर के आत्मविश्वास स्तर (confidence levels) को देखता है और उन उत्तरों को फ़िल्टर करता है जो कमजोर या अप्रासंगिक लगते हैं। यदि कोई बराबरी (tie) होती है, तो यह प्रतिस्पर्धा करने वाले उत्तरों के सर्वोत्तम हिस्सों को एक एकल, पॉलिश किए गए रिस्पॉन्स में मिलाने के लिए आगे की बातचीत का उपयोग करता है। यह अंतिम चरण, जिसे शोधकर्ता 'एडवर्सरियल फ्यूजन' कहते हैं, एक गुणवत्ता नियंत्रण जांच के रूप में कार्य करता है, यह सुनिश्चित करता है कि अंतिम आउटपुट केवल एक अनुमान नहीं है, बल्कि एक सुदृढ़ निष्कर्ष है।

शोधकर्ताओं ने इस प्रणाली का परीक्षण विभिन्न डेटासेट्स पर किया, जिसमें सामान्य ज्ञान के प्रश्नों से लेकर चिकित्सा और जीव विज्ञान के विशेष कार्यों तक शामिल थे। उन्होंने मौजूदा तकनीकों के विरुद्ध, जिसमें पारंपरिक डीप लर्निंग मॉडल और अन्य बड़े मॉडल-आधारित सिस्टम शामिल हैं, अपने तरीके की तुलना की। परिणामों ने दिखाया कि उनका दृष्टिकोण सटीकता और निरंतरता के मामले में लगातार दूसरों से बेहतर रहा। इससे भी महत्वपूर्ण बात यह है कि सिस्टम ने अनिश्चितता को संभालने और ऐसे उत्तर प्रदान करने की बेहतर क्षमता प्रदर्शित की जो न केवल सही थे बल्कि तार्किक रूप से भी सुसंगत थे। आधुनिक बड़े मॉडलों की शक्तिशाली भाषाई क्षमताओं के साथ फजी लॉजिक के सावधानीपूर्ण, चरण-दर-चरण तर्क को एकीकृत करके, मल्टी-मोडल जेनेरेटिव फजी सिस्टम मशीनों के लिए उन जटिल, बहु-आयामी प्रश्नों को समझने का एक नया तरीका प्रदान करता है जो मनुष्य प्रतिदिन पूछते हैं।