Skill Blocks: How Should an Agent Load Its Skill? A Caching-Correct Comparison of Pre-load, On-Demand Tool-Loading, Progressive Disclosure, and Hybrid
यह शोध पत्र AI एजेंटों के लिए चार स्किल-लोडिंग रणनीतियों का मूल्यांकन करता है और यह प्रदर्शित करता है कि हालांकि कोई भी एक विधि सार्वभौमिक रूप से श्रेष्ठ नहीं है, हाइब्रिड और प्रोग्रेसिव डिस्क्लोजर दृष्टिकोण आउटपुट की गुणवत्ता से समझौता किए बिना—विशेष रूप से बड़े, मल्टी-टर्न कार्यों के लिए—टोकन की खपत को काफी कम कर देते हैं।
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
आर्टिफिशियल इंटेलिजेंस की विकसित होती दुनिया में, कंप्यूटर प्रोग्रामों को विशेषज्ञ की तरह कार्य करना सिखाने की बढ़ती आवश्यकता है। सॉफ्टवेयर के मूल मस्तिष्क को फिर से लिखे बिना, इंजीनियर अब इसमें "कौशल" (skills) जोड़ते हैं—विस्तृत निर्देश नियमावली जो सिस्टम को विशिष्ट कार्य करने के लिए बताती है, जैसे कि जानकारी खोजना, स्प्रेडशीट का प्रबंधन करना, या एक आभासी वातावरण में नेविगेट करना। ये नियमावली हर बार कुछ भी करने के लिए कहे जाने पर AI द्वारा पढ़ी जाती हैं। हालाँकि, एक व्यावहारिक समस्या उभर कर आई है: ये नियमावली अक्सर बहुत लंबी होती हैं, जिनमें सैकड़ों पृष्ठों के नियम और उदाहरण होते हैं। जब AI से एक सरल प्रश्न पूछा जाता है, तो उसे अक्सर पूरी विशाल नियमावली पढ़नी पड़ती है, भले ही उसका 90 प्रतिशत हिस्सा उस कार्य के लिए पूरी तरह से अप्रासंगिक हो। यह कंप्यूटिंग संसाधनों को बर्बाद करता है और प्रक्रिया को धीमा कर देता है, ठीक वैसे ही जैसे एक लाइब्रेरियन जो किसी ग्राहक को एक विशिष्ट तथ्य खोजने में मदद करने से पहले पुस्तकालय की हर किताब को पढ़ने पर जोर देता है।
माइक्रोसॉफ्ट के शोधकर्ताओं ने इस दक्षता संबंधी समस्या को हल करने के लिए एक सरल प्रश्न पूछकर शुरुआत की: यदि आपके पास एक बड़ी कौशल नियमावली है, तो आपको सूचना का प्रत्येक भाग AI को कब दिखाना चाहिए? उन्होंने इस जानकारी को प्रदान करने के चार अलग-अलग तरीकों का परीक्षण किया। पहला तरीका पारंपरिक दृष्टिकोण था: हर बार पूरी नियमावली को लोड करना। दूसरा तरीका, जिसे "स्किल ब्लॉक" (Skill Block) कहा गया, केवल निर्देशों के एक बहुत छोटे मुख्य भाग को दृश्यमान रखता था और AI को केवल तभी विशिष्ट अतिरिक्त अनुभागों के लिए पूछने की अनुमति देता था जब उसे लगे कि उसे उनकी आवश्यकता है। तीसरा तरीका, "रेफरेंस" (Reference), नियमावली की सामग्री का एक संक्षिप्त कैटलॉग दिखाता था और AI को अगला अनुभाग चुनने देता था जिसे वह पढ़ना चाहता है। चौथा तरीका, "हाइब्रिड" (Hybrid), प्रत्येक अनुभाग का एक बहुत संक्षिप्त सारांश पहले ही दिखा देता था, जिससे AI तुरंत निर्णय ले पाता कि क्या उसे पूर्ण विवरण की आवश्यकता है या सारांश ही पर्याप्त है। टीम ने इन तरीकों का परीक्षण पांच अलग-अलग प्रकार के कार्यों में किया, जिसमें एकल प्रश्नों से लेकर जटिल, बहु-चरणीय समस्याओं तक शामिल थे जिनमें बातचीत के कई चरणों में जानकारी याद रखने की आवश्यकता होती है।
परिणामों से पता चला कि कौशलों को लोड करने का कोई एक सबसे अच्छा तरीका नहीं है; सही चुनाव पूरी तरह से नियमावली के आकार और कार्य की प्रकृति पर निर्भर करता है। सरल, एक-बार के प्रश्नों के लिए, "हाइब्रिड" दृष्टिकोण सबसे कुशल साबित हुआ। प्रत्येक अनुभाग का एक छोटा सारांश प्रदान करके, AI आमतौर पर वह पा लेता था जिसकी उसे आवश्यकता थी और बिना पूर्ण पाठ मांगे ही काम चल जाता था, जिससे डेटा की एक महत्वपूर्ण मात्रा बच जाती थी। एक परीक्षण में, जिसमें प्रश्नों का एक बड़ा सेट शामिल था, इस पद्धति ने पूरी नियमावली पढ़ने की तुलना में AI द्वारा संसाधित की जाने वाली सूचना की मात्रा को लगभग 28 प्रतिशत कम कर दिया। हालाँकि, बहुत छोटी नियमावलियों या उन कार्यों के लिए जहाँ AI को बार-बार एक ही निर्देशों की आवश्यकता होती है, सूचना मांगने या सारांश पढ़ने का अतिरिक्त प्रयास वास्तव में प्रक्रिया को धीमा और महंगा बना देता था, जिससे शुरुआत में ही सब कुछ पढ़ लेने के मुकाबले कोई वास्तविक लाभ नहीं मिलता था।
शोध परिणाम तब और भी दिलचस्प हो गए जब शोधकर्ताओं ने जटिल, बहु-चरणीय कार्यों को देखा जहाँ AI को एक लंबी बातचीत के दौरान संदर्भ याद रखना पड़ता है। इन परिदृश्यों में, जब नियमावलियाँ बड़ी होती हैं और उनमें कई ऐसे अनुभाग होते हैं जिनका शायद ही कभी उपयोग किया जाता है, तो "स्किल ब्लॉक" और "हाइब्रिड" विधियाँ चमकती हैं। क्योंकि AI केवल प्रत्येक चरण के लिए आवश्यक विशिष्ट भागों को लोड करता है, वह उपयोग न किए जाने वाले पूरे मैनुअल को बार-बार भेजने की भारी लागत से बच जाता है। वैज्ञानिक तर्क से जुड़े एक जटिल सिमुलेशन में, इन ऑन-डिमांड (मांग पर आधारित) विधियों ने पारंपरिक विधि की तुलना में प्रभावी डेटा लोड को 60 प्रतिशत से अधिक कम कर दिया। शोधकर्ताओं ने नोट किया कि यह बचत इतनी बड़ी थी कि इसने जानकारी मांगने की छोटी सी लागत को भी पीछे छोड़ दिया। इसके विपरीत, उन कार्यों में जहाँ निर्देश छोटे थे और हर चरण में उनकी आवश्यकता होती थी, स्मार्ट लोडिंग विधियों का लाभ समाप्त हो गया, और सिस्टम पारंपरिक दृष्टिकोण के लगभग समान प्रदर्शन करते थे।
इस अध्ययन का एक महत्वपूर्ण हिस्सा यह था कि शोधकर्ताओं ने लागत को कैसे मापा। वे महसूस किए कि AI को भेजे गए शब्दों की कुल संख्या गिनना भ्रामक हो सकता है, विशेष रूप से लंबी बातचीत में। आधुनिक सिस्टम अक्सर बातचीत के पिछले हिस्सों को याद रखते हैं, इसलिए उन्हें पहले से देखे गए शब्दों को पूरी तरह से फिर से संसाधित करने की आवश्यकता नहीं होती है। टीम ने दोहराए गए हिस्सों को छोटा डिस्काउंट देते हुए केवल नई जानकारी को गिनने का एक तरीका विकसित किया। जब उन्होंने इस अधिक सटीक लेखांकन को लागू किया, तो बड़े, जटिल कार्यों के लिए स्मार्ट लोडिंग विधियों के लाभ और भी स्पष्ट हो गए। हालाँकि, उन्होंने यह भी पाया कि यदि निर्देश बहुत छोटे थे या यदि AI को बहुत बार जानकारी मांगनी पड़ती थी, तो उन अनुरोधों को प्रबंधित करने का ओवरहेड (अतिरिक्त भार) बचत को रद्द कर सकता था।
अंततः, अध्ययन यह सुझाव देता है कि AI कौशल सिखाने की सर्वोत्तम रणनीति कार्य के अनुरूप वितरण पद्धति का मिलान करना है। यदि नियमावली छोटी है या कार्य के लिए निरंतर एक ही निर्देशों की आवश्यकता है, तो सब कुछ एक साथ लोड करना बेहतर है। लेकिन यदि नियमावली लंबी है और AI को किसी भी समय इसका केवल एक छोटा सा हिस्सा चाहिए, तो एक स्मार्ट सिस्टम जो केवल आवश्यकता होने पर जानकारी लोड करता है, कहीं अधिक श्रेष्ठ है। शोधकर्ताओं ने पाया कि एक "हाइब्रिड" दृष्टिकोण, जो सभी विकल्पों का त्वरित अवलोकन प्रदान करता है, सरल कार्यों के लिए सबसे अच्छा काम करता है, जबकि एक "स्किल ब्लॉक" दृष्टिकोण, जो AI को आवश्यकता पड़ने पर गहराई से छानबीन करने देता है, जटिल, लंबे समय तक चलने वाली परियोजनाओं के लिए सबसे अच्छा काम करता है। यह कार्य यह दावा नहीं करता है कि इसने हर स्थिति में लागू होने वाला कोई सार्वभौमिक नियम खोज लिया है, बल्कि यह इंजीनियरों को यह तय करने के लिए एक स्पष्ट मानचित्र प्रदान करता है कि प्रदर्शन से समझौता किए बिना समय और संसाधनों को बचाने के लिए उनके AI के ज्ञान आधार को कैसे संरचित किया जाए।
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।