आधुनिक आर्टिफिशियल इंटेलिजेंस की दुनिया में, मशीनों से तेजी से बड़ी मात्रा में जानकारी पढ़कर समस्याओं को हल करने के लिए कहा जा रहा है। कल्पना कीजिए कि एक लाइब्रेरियन को लाखों किताबों वाले पुस्तकालय के बारे में एक विशिष्ट प्रश्न का उत्तर देना है। एक दृष्टिकोण यह है कि उत्तर देने का प्रयास करने से पहले हर एक किताब को शुरू से अंत तक पढ़ा जाए। दूसरा दृष्टिकोण यह है कि लाइब्रेरियन को कुछ सरल उपकरण दिए जाएं—एक कार्ड कैटलॉग देखने का तरीका, एक विशिष्ट शेल्फ तक जाने का तरीका, और केवल प्रासंगिक पृष्ठों को पढ़ने का तरीका। यह दूसरा तरीका इस विचार पर आधारित है कि एक मशीन बिना सब कुछ पहले से याद किए, एक जटिल संरचना के भीतर नेविगेट करना सीख सकती है। यह ग्राफ रीजनिंग एजेंट (Graph Reasoning Agents) बनाने की मुख्य चुनौती है, जो ज्ञान ग्राफ (knowledge graphs) पर काम करते हैं, जो तथ्यों, अवधारणाओं और डेटा तालिकाओं को जोड़ने वाले डिजिटल मानचित्र हैं। लक्ष्य एक ऐसा सिस्टम बनाना है जो एक विशाल, बदलते हुए डेटा नेटवर्क में सही जानकारी खोज सके, ठीक वैसे ही जैसे एक मानव विशेषज्ञ करता है, न कि पूरे नेटवर्क को एक ही, भारी-भरकम मेमोरी स्लॉट में जबरन डालने की कोशिश करना।

Oplit के शोधकर्ताओं ने एक नया सिस्टम विकसित किया है जिसे GRA, यानी ग्राफ रीजनिंग एजेंट (Graph Reasoning Agent) कहा जाता है, ताकि इस नेविगेशन दृष्टिकोण का अधिक पारंपरिक तरीके के विरुद्ध परीक्षण किया जा सके। उन्होंने एक सिम्युलेटेड फैक्ट्री वातावरण बनाया, जिसमें इसके संचालन का एक डिजिटल ट्विन (digital twin) शामिल है, जिसमें उत्पाद कैसे बनाए जाते हैं इसके नियम, ऑर्डर्स के बारे में डेटा और मशीनों के प्रदर्शन के रिकॉर्ड शामिल हैं। यह वातावरण, जिसे यूनिफाइड फैक्ट्री नॉलेज मॉडल (Unified Factory Knowledge Model) कहा जाता है, में सैकड़ों विश्लेषणात्मक प्रश्न शामिल हैं जिनके लिए सिस्टम को विभिन्न सूचनाओं को जोड़कर विशिष्ट उत्तर खोजने की आवश्यकता होती है। कुछ प्रश्न सरल संख्याओं के बारे में पूछते हैं, जबकि अन्य के लिए सिस्टम को जटिल नियमों को समझने की आवश्यकता होती है, जैसे कि वर्तमान फैक्ट्री की स्थिति को देखते हुए क्या एक नया उत्पादन शेड्यूल संभव है। शोधकर्ता यह देखना चाहते थे कि क्या एक एजेंट जो इस डिजिटल फैक्ट्री का चरण-दर-चरण अन्वेषण करता है, और जानकारी खोजने के लिए सरल उपकरणों के एक छोटे सेट का उपयोग करता है, उस एजेंट से बेहतर प्रदर्शन कर सकता है जिसे पूरी फैक्ट्री मैनुअल और डेटाबेस स्कीमा एक साथ खिला दिया गया हो।

टीम ने इस कार्य के लिए तीन अलग-अलग तरीकों का परीक्षण किया। पहला तरीका, जिसे वे फुल-कॉन्टेक्स्ट अप्रोच (full-context approach) कहते हैं, फैक्ट्री का पूरा विवरण, जिसमें प्रत्येक तालिका और नियम शामिल है, काम शुरू करने से पहले आर्टिफिशियल इंटेलिजेंस की मेमोरी में डाल देता है। यह लाइब्रेरियन को एक सवाल पूछने से पहले पुस्तकालय का पूरा कैटलॉग और इमारत की हर किताब थमा देने जैसा है। दूसरा तरीका मानचित्र को पूरी तरह हटा देता है, जिससे एजेंट को उनके बीच किसी भी संबंध के बिना केवल टेक्स्ट डॉक्यूमेंट्स और तालिकाओं की एक सूची दी जाती है जिन्हें वह खोज सके। तीसरा तरीका, GRA, एजेंट को सात सरल उपकरण देता है: वह पास की चीजों की सूची बना सकता है, किसी विशिष्ट वस्तु का विवरण पढ़ सकता है, शब्दों को खोज सकता है, अर्थों को खोज सकता है, डेटाबेस क्वेरी चला सकता है, एक योजना के बारे में सोच सकता है, और अंत में एक उत्तर दे सकता है। महत्वपूर्ण रूप से, एजेंट को तालिकाओं या नियमों के नाम पहले से पता नहीं होते; उसे इन उपकरणों का उपयोग करके ग्राफ का पता लगाने के लिए उन्हें खोजना होगा।

परिणामों ने दिखाया कि चरण-दर-चरण ग्राफ को नेविगेट करने वाला एजेंट उस एजेंट की तुलना में अधिक सटीक था जिसने एक साथ सब कुछ पढ़ने की कोशिश की थी। 258 प्रश्नों के एक टेस्ट सेट पर, नेविगेटिंग एजेंट ने 88.4 प्रतिशत बार सही उत्तर दिया, जबकि फुल-कॉन्टेक्स्ट एजेंट ने 83.3 प्रतिशत बार सही उत्तर दिया। इससे भी महत्वपूर्ण बात यह है कि नेविगेटिंग एजेंट ने फुल-कॉन्टेक्स्ट एजेंट द्वारा प्रोसेस की गई जानकारी के एक-तिहाई से भी कम हिस्से को पढ़कर यह उच्च सटीकता प्राप्त की। यह सुझाव देता है कि जटिल कार्यों के लिए, कम देखना लेकिन उसे अधिक चुनिकी रूप से देखना बेहतर है। वह एजेंट जिसने सब कुछ पढ़ा था, अक्सर टेक्स्ट की भारी मात्रा से अभिभूत हो जाता था, जबकि नेविगेटिंग एजेंट ने केवल समस्या को हल करने के लिए आवश्यक विशिष्ट डेटा के टुकड़ों पर ध्यान केंद्रित किया।

शोधकर्ताओं ने यह भी पाया कि इस नेविगेशन पद्धति की सफलता काफी हद तक उन उपकरणों की विश्वसनीयता पर निर्भर करती है जिनका एजेंट उपयोग करता है। जब आर्टिफिशियल इंटेलिजेंस मॉडल निर्देशों का पालन करने और बिना गलती किए अपने उपकरणों का उपयोग करने में अच्छा था, तो नेविगेशन दृष्टिकोण बहुत अच्छी तरह से काम कर रहा था। हालांकि, जब मॉडल उपकरणों का सही ढंग से उपयोग करने में संघर्ष करता था, तो लाभ समाप्त हो गया, और वह तरीका बेहतर प्रदर्शन करता था जो एक साथ सब कुछ पढ़ता था। यह इंगित करता है कि ग्राफ को नेविगेट करने का लाभ ठीक वही जानकारी प्राप्त करने की क्षमता से आता है जिसकी आवश्यकता है, लेकिन यह तभी काम करता है जब एजेंट द्वारा उसे सही ढंग से प्राप्त करने पर भरोसा किया जा सके। अध्ययन में पाया गया कि सुधार का मुख्य कारण ग्राफ की संरचना नहीं थी; बल्कि, सुधार सूचना को चुनिकी रूप से एक्सेस करने की क्रिया से आया था। यहाँ तक कि जब ग्राफ को हटा दिया गया और एजेंट ने फ्लैट टेक्स्ट के माध्यम से खोज की, तब भी इसने फुल-कॉन्टेक्स्ट पद्धति से बेहतर प्रदर्शन किया, जिससे यह सिद्ध हुआ कि कुंजी जानकारी खोजने की रणनीति थी, न कि सब कुछ पढ़ना।

यह दिखाने के लिए कि यह वास्तविक दुनिया के परिदृश्य में कैसे काम करता है, शोधकर्ताओं ने दिखाया कि एजेंट ने एक फैक्ट्री ऑपरेटर के अनुरोध को कैसे संभाला। ऑपरेटर ने पूछा कि क्या एक विशिष्ट नियम का पालन किया जा सकता है: कि एल्युमीनियम फ्रेम को सोमवार को दो विशिष्ट स्टेशनों में से एक पर वेल्ड किया जाना चाहिए। एजेंट को उत्तर तुरंत पता नहीं था। उसने डिजिटल मैप में वेल्डिंग स्टेशनों को खोजने से शुरुआत की। उसने पाया कि एक स्टेशन वास्तव में केवल कार्बन फ्रेम वेल्ड करने के लिए प्रतिबंधित है, एक ऐसा नियम जो ऑपरेटर के अनुरोध से स्पष्ट नहीं था लेकिन ग्राफ में संग्रहीत था। इसने तुरंत एक विकल्प को खारिज कर दिया। एजेंट ने फिर दूसरे स्टेशन की जांच की और गणना की कि क्या उसके पास वर्कलोड को संभालने के लिए पर्याप्त समय है। उसने मानक समय अनुमानों की तुलना वास्तविक ऐतिहासिक डेटा से की और पाया कि वास्तविक काम उम्मीद से अधिक समय लेता है, जिससे उस दिन उस अनुरोध को पूरा करना असंभव हो जाता है। एजेंट ने एक स्पष्ट इनकार वापस किया, यह बताते हुए कि नियम का पालन क्यों नहीं किया जा सकता, और यहाँ तक कि शेड्यूल को ठीक करने के दो तरीके भी सुझाए।

दूसरे उदाहरण में, एक ऑपरेटर ने पूछा कि क्या असेंबली लाइन पर कलर चेंज की संख्या को प्रति शिफ्ट तीन तक सीमित करना संभव है। एजेंट ने फिर से इतिहास और शिफ्ट की परिभाषा खोजने के लिए ग्राफ को नेविगेट किया। उसने दस महीने के इतिहास को दोबारा चलाया ताकि यह देखा जा सके कि यह सीमा कितनी बार टूटी होगी। उसने पाया कि कुछ दिनों में, सीमा का उल्लंघन हुआ था, लेकिन इतना अधिक नहीं कि यह नियम अपनाना असंभव हो। एजेंट ने निष्कर्ष निकाला कि नियम व्यवहार्य है लेकिन इसमें एक छोटा मौसमी जोखिम है। एक बार जब ऑपरेटर ने इसकी पुष्टि कर दी, तो सिस्टम ने स्वचालित रूप से उस नियम को एक गणितीय प्रारूप में अनुवादित किया जिसे एक कंप्यूटर सॉल्वर फैक्ट्री शेड्यूल को प्रबंधित करने के लिए उपयोग कर सके, और फिर इस नए नियम को भविष्य के उपयोग के लिए डिजिटल मैप में रिकॉर्ड कर दिया।

यह कार्य प्रदर्शित करता है कि आर्टिफिशियल इंटेलिजेंस एक निष्क्रिय पाठक के बजाय एक कुशल अन्वेषक के रूप में कार्य करके जटिल औद्योगिक ज्ञान को प्रभावी ढंग से प्रबंधित कर सकता है। तथ्यों के एक संरचित नेटवर्क को खोजने के लिए कुछ सरल उपकरणों का उपयोग करके, सिस्टम एक साथ सब कुछ प्रोसेस करने की तुलना में अधिक सटीकता और दक्षता के साथ कठिन प्रश्नों के उत्तर दे सकता है। अध्ययन दिखाता है कि कम देखना, लेकिन उसे उद्देश्य के साथ देखना, एजेंट को बेहतर उत्तर देने की अनुमति देता है। यह दृष्टिकोण विशेष रूप से मूल्यवान है क्योंकि डेटा सेट बड़े और अधिक जटिल होते जा रहे हैं, जो अंततः एक सिंगल मेमोरी प्रॉम्प्ट में फिट होने के लिए बहुत बड़े हो जाएंगे। ऐसी स्थितियों में, विशिष्ट जानकारी को नेविगेट करने और प्राप्त करने की क्षमता बुद्धिमान निर्णय लेने का एकमात्र व्यवहार्य मार्ग बन जाती है। शोधकर्ता निष्कर्ष निकालते हैं कि अगला कदम सिस्टम को रिफाइन करना है ताकि यह न केवल यह निर्णय ले सके कि कोई नियम संभव है या नहीं, बल्कि इसे लागू करने के लिए आवश्यक कंप्यूटर कोड को भी स्वचालित रूप से लिख सके, जिससे मानव निर्देश और मशीन निष्पादन के बीच के चक्र को पूरा किया जा सके।