An Agentic Framework Using Rules and LLMs for Embedding and Annotating Descriptive Document Layouts: A Plant Science Use Case
यह शोध पत्र एक मॉड्यूलर, एजेंट-आधारित ढांचे को प्रस्तुत करता है जो वर्णनात्मक दस्तावेज़ लेआउट से वनस्पति लक्षण एनोटेशन (botanical trait annotations) को मजबूती से निकालने और समृद्ध करने के लिए नियम-आधारित पार्सिंग और लार्ज लैंग्वेज मॉडल्स को जोड़ता है, जो लगभग 5,000 पौधों की प्रजातियों में से 55,000 से अधिक लक्षणों को सफलतापूर्वक संसाधित करता 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
सदियों से, वनस्पतिशास्त्री दुनिया के पौधों का वर्णन करने के लिए मोटी, मुद्रित पुस्तकों पर निर्भर रहे हैं। ये पुस्तकें, जो अक्सर पाठ के सघन अनुच्छेदों से भरी होती हैं, इस बात की कुंजी रखती हैं कि कोई प्रजाति कैसे जीवित रहती है, कहाँ बढ़ती है और वह कैसी दिखती है। फिर भी, कंप्यूटरों के लिए इस ज्ञान का उपयोग करने हेतु, सूचना को मानव-पठनीय पृष्ठों से संरचित डेटा में परिवर्तित करना आवश्यक है जिसे मशीनें खोज और विश्लेषण कर सकें। चुनौती इन ग्रंथों की विशाल मात्रा और जटिलता में निहित है, जो कई भाषाओं में लिखे गए हैं और जिनमें पौधों के लक्षणों, जिन्हें 'विशेषताएं' (traits) कहा जाता है, के सूक्ष्म विवरण शामिल हैं। इस डेटा को मैन्युअल रूप से निकालना धीमा और त्रुटिपूर्ण है, जबकि पारंपरिक कंप्यूटर विधियां अक्सर वैज्ञानिक भाषा की बारीकियों या पुराने, स्कैन किए गए पृष्ठों के लेआउट को समझने में संघर्ष करती हैं। इसे हल करने के लिए, शोधकर्ताओं ने ऐसे सिस्टम बनाने की शुरुआत की है जो सख्त तार्किक नियमों को कृत्रिम बुद्धिमत्ता (AI) के लचीले तर्क के साथ जोड़ते हैं, जिसका लक्ष्य वानस्पतिक विवरणों की पुस्तकालयों को विशाल, खोजने योग्य डेटाबेस में बदलना है।
हाल ही में एक अध्ययन में, शोधकर्ताओं की एक टीम ने एक नया सिस्टम विकसित किया है जिसे इन वानस्पतिक ग्रंथों को पढ़ने और पौधों की विशेषताओं के बारे में विशिष्ट विवरण स्वतः निकालने के लिए डिज़ाइन किया गया है। यह प्रक्रिया पुरानी पुस्तकों के डिजिटल स्कैन से शुरू होती है, जो अक्सर पाठ की छवियां होती हैं। सिस्टम पहले ऑप्टिकल कैरेक्टर रिकग्निशन (OCR) का उपयोग करता है, जो उन छवियों को वास्तविक अक्षरों और शब्दों में बदल देता है जिन्हें कंप्यूटर पढ़ सकता है। एक बार जब पाठ पठनीय हो जाता है, तो सिस्टम इसे सही पौधों के नामों के तहत विवरणों को समूहित करके व्यवस्थित करता है। यह चरण महत्वपूर्ण है क्योंकि एक ही पुस्तक हजारों अलग-अलग प्रजातियों का वर्णन कर सकती है, और कंप्यूटर को यह पता होना चाहिए कि एक पौधे का विवरण कहाँ समाप्त होता है और दूसरा कहाँ से शुरू होता है। शोधकर्ताओं ने पाया कि केवल पाठ को पढ़ना पर्याप्त नहीं था; सिस्टम को विभिन्न अनुभागों को सटीक रूप से अलग करने के लिए पृष्ठ की संरचना को समझने की आवश्यकता थी।
वास्तविक जानकारी निकालने के लिए, टीम ने एक पाइपलाइन बनाई जो विशेषज्ञ श्रमिकों की एक टीम की तरह कार्य करती है। श्रमिकों का पहला समूह विशिष्ट पैटर्न खोजने के लिए सख्त, पूर्व-लिखित नियमों का पालन करता है। उदाहरण के लिए, यदि पाठ में "पत्तियां" (leaves) और उसके बाद "4 सेंटीमीटर" जैसा माप दिया गया है, तो सिस्टम रिकॉर्ड करता है कि उस पौधे की पत्तियां उस आकार की हैं। ये नियम सटीक और विश्वसनीय हैं, लेकिन वे केवल वही खोज सकते हैं जिसे उन्हें स्पष्ट रूप से खोजने के लिए कहा गया है। अधिक विवरणों को पकड़ने के लिए, सिस्टम बड़े भाषा मॉडल (Large Language Models) द्वारा संचालित श्रमिकों का एक दूसरा समूह नियोजित करता है, जो उन्नत कृत्रिम बुद्धिमत्ता कार्यक्रम हैं और जिन्हें मानव लेखन की विशाल मात्रा पर प्रशिक्षित किया गया है। ये AI एजेंट आभासी विशेषज्ञों के रूप में कार्य करते हैं जो पौधों के अंगों का वर्णन करने वाले नए शब्दों और वाक्यांशों का सुझाव दे सकते हैं, जिससे सिस्टम उन विवरणों को पहचानने में मदद मिलती है जिन्हें अकेले नियमों के माध्यम से छोड़ा जा सकता था। यह संयोजन इस प्रकार है कि यह सटीक और अनुकूलनीय दोनों हो सकता है, जिससे मूल डेटा की स्पष्टता खोए बिना अंतराल को भरा जा सके।
शोधकर्ताओं ने इस सिस्टम का परीक्षण न्यू कैलेडोनिया, सेनेगल और कैमरून के वानस्पतिक ग्रंथों के तीन बड़े संग्रहों पर किया। परिणामों ने दिखाया कि सिस्टम ने लगभग 5,000 विभिन्न पौधों की प्रजातियों में से लगभग 56,000 विशिष्ट लक्षण एनोटेशन (trait annotations) को सफलतापूर्वक निकाला। औसतन, सिस्टम ने प्रत्येक विश्लेषण किए गए पौधे के लिए लगभग नौ विशिष्ट लक्षणों की पहचान की। जब उन्होंने सख्त नियम-आधारित प्रणाली में AI-संचालित शब्दावली विस्तार को जोड़ा, तो एनोटेशन की कुल संख्या में लगभग 60 प्रतिशत की वृद्धि हुई, जिसमें वे लक्षण शामिल थे जिन्हें वे खोज रहे थे। इस सुधार ने प्रदर्शित किया कि जबकि नियमों ने एक ठोस आधार प्रदान किया, AI एजेंटों ने पौधों का वर्णन करने के विविध तरीकों को समझने की सिस्टम की क्षमता का महत्वपूर्ण विस्तार किया।
अध्ययन ने यह भी प्रकट किया कि यह सिस्टम मजबूत (robust) है, जिसका अर्थ है कि यह लगातार प्रदर्शन करता है भले ही स्कैन किए गए पाठ की गुणवत्ता भिन्न हो। शोधकर्ताओं ने छवियों को पाठ में बदलने के विभिन्न तरीकों का परीक्षण किया और पाया कि हालांकि कुछ विधियां पौधों के नामों को पहचानने में थोड़ी बेहतर थीं, फिर भी निकाले गए लक्षणों की कुल संख्या उपयोग की गई विधि के बावजूद स्थिर रही। यह सुझाव देता है कि पाइपलाइन ऐतिहासिक दस्तावेजों की अव्यवस्थित वास्तविकता को संभालने के लिए पर्याप्त विश्वसनीय है। हालांकि, सिस्टम पूरी तरह से स्वचालित नहीं है; इसे AI एजेंटों द्वारा दिए गए सुझावों की समीक्षा करने के लिए अभी भी मानव विशेषज्ञों की आवश्यकता होती है। यह मानवीय निरीक्षण सुनिश्चित करता है कि डेटा विश्वसनीय बना रहे और सिस्टम तथ्य न गढ़े, जो अकेले कृत्रिम बुद्धिमत्ता का उपयोग करने पर एक सामान्य जोखिम है।
अंततः, यह कार्य दुनिया के वानस्पतिक ज्ञान को व्यवस्थित करने के लिए एक शक्तिशाली उपकरण प्रदान करता है। असंरचित पाठ को व्यवस्थित डेटा में बदलकर, यह सिस्टम वैज्ञानिकों को जैव विविधता और पौधों के विकास के अध्ययन के लिए बेहतर डेटाबेस बनाने में मदद करता है। यह दृष्टिकोण सिद्ध करता है कि मानव-निर्मित नियमों की सटीकता को कृत्रिम बुद्धिमत्ता के लचीले तर्क के साथ जोड़कर वैज्ञानिक साहित्य के लाखों पृष्ठों में छिपी सूचनाओं को अनलॉक किया जा सकता है। शोधकर्ताओं ने अपने कोड और डेटा को दूसरों के उपयोग के लिए उपलब्ध कराया है, यह सुनिश्चित करते हुए कि इस पद्धति को अन्य क्षेत्रों में भी लागू किया जा सके जहाँ जटिल पाठ को समझने और व्यवस्थित करने की आवश्यकता होती है।
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।