Mint-Agent: Introducing Finance-Native Agentic Foundation Models
यह शोध पत्र मिंट-एजेंट (Mint-Agent) को प्रस्तुत करता है, जो एक विशिष्ट डेटा इंजन, इंटरेक्शन हार्नेस और उन्नत प्रशिक्षण पाइपलाइन पर निर्मित वित्त-नेटिव एजेंटिक फाउंडेशन मॉडल्स का एक परिवार है, जो जटिल, ऑडिट करने योग्य वित्तीय कार्यों में अत्याधुनिक विश्वसनीयता और निष्पादन क्षमता प्राप्त 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
वित्त की दुनिया में, एक सही उत्तर शायद केवल एक संख्या या एक सरल तथ्य नहीं होता है। यह घटनाओं की एक सावधानीपूर्वक श्रृंखला का परिणाम है: सही दस्तावेज़ ढूँढना, सही समय अवधि की पहचान करना, विभिन्न स्रोतों से मूल्यों की तुलना करना और ऐसी गणनाएँ करना जो सूक्ष्म जांच के तहत भी सही साबित हों। जब एक मानव विश्लेषक इस प्रक्रिया में गलती करता है, तो वे आमतौर पर अपने कदमों को पीछे की ओर दोहराकर यह पता लगा सकते हैं कि तर्क कहाँ टूटा था। लेकिन जब एक कृत्रिम बुद्धिमत्ता (AI) प्रणाली वही कार्य करने का प्रयास करती है, तो वह अक्सर एक विश्वसनीय लगने वाला उत्तर देती है जो एक छिपी हुई त्रुटि, एक गलत पढ़ी गई तालिका, या एक ऐसे स्रोत पर आधारित होता है जो प्रासंगिक तो था लेकिन आधिकारिक नहीं था। मूल साक्ष्य से अंतिम निष्कर्ष तक एक स्पष्ट, पता लगाने योग्य पथ के बिना, परिणाम पर भरोसा नहीं किया जा सकता है। एक आत्मविश्वासी उत्तर और एक सत्यापन योग्य सत्य के बीच का यह अंतर ही वह केंद्रीय चुनौती है जिसे शोधकर्ता हल करने का प्रयास कर रहे हैं, क्योंकि वे मशीनों को स्वतंत्र वित्तीय अन्वेषक के रूप में कार्य करना सिखा रहे हैं।
शोधकर्ताओं की एक टीम ने इस समस्या के समाधान के लिए एक नया दृष्टिकोण पेश किया है जिसे वे 'मिंट-एजेंट' (Mint-Agent) कहते हैं। केवल कंप्यूटर को वित्तीय तथ्यों को याद करने या सही उत्तर का अनुमान लगाने के लिए प्रशिक्षित करने के बजाय, उन्होंने एक ऐसा सिस्टम बनाया है जिसे हर निष्कर्ष को एक ऐसे दावे के रूप में देखने के लिए डिज़ाइन किया गया है जिसे पुनः प्राप्त करने योग्य साक्ष्यों द्वारा समर्थित किया जाना चाहिए। यह प्रणाली तीन मुख्य सिद्धांतों पर कार्य करती है: यह व्यापार के विशिष्ट नियमों को समझने के लिए वास्तविक दुनिया के वित्तीय दस्तावेजों से सीखती है; यह एक विशेष वातावरण का उपयोग करती है जो इसके द्वारा किए गए प्रत्येक खोज और गणना का एक स्थायी, ऑडिट योग्य रिकॉर्ड रखता है; और यह उस प्रक्रिया के माध्यम से सीखती है जो न केवल अंतिम उत्तर को, बल्कि वहां तक पहुँचने के पूरे सफर की शुद्धता को पुरस्कृत करती है। इसका परिणाम कृत्रिम बुद्धिमत्ता मॉडलों का एक परिवार है जो एक स्पष्ट साक्ष्य का मार्ग बनाए रखते हुए लंबे, जटिल वित्तीय अनुसंधान संचालित कर सकते हैं, जो यह सिद्ध करता है कि वे अपने निष्कर्षों तक कैसे पहुँचे।
शोधकर्ताओं ने सबसे पहले वास्तविक कॉर्पोरेट रिपोर्टों, बाजार डेटा और लेखांकन रिकॉर्ड से प्राप्त वित्तीय कार्यों की एक विशाल लाइब्रेरी बनाकर अपना सिस्टम तैयार किया। उन्होंने इन कार्यों को दो प्रकारों में विभाजित किया। पहला प्रकार 'परमाणु कौशल' (atomic skills) से संबंधित है, जैसे कि किसी तालिका से एक विशिष्ट संख्या निकालना या एक मानक गणना करना, जहाँ साक्ष्य पहले से मौजूद होते हैं। दूसरा प्रकार 'लॉन्ग-होरिज़न निष्पादन' (long-horizon execution) से संबंधित है, जहाँ सिस्टम को स्वयं साक्ष्य ढूँढना होता है, जिसमें अक्सर एक जटिल उत्तर को जोड़ने के लिए एक विस्तृत अवधि में कई दस्तावेजों की खोज करनी पड़ती है। दूसरे प्रकार को संभालने के लिए, उन्होंने 'मिंट-हार्नेस' (MintHarness) नामक एक डिजिटल वातावरण बनाया। यह वातावरण एक सुरक्षित कार्यक्षेत्र के रूप में कार्य करता है जहाँ AI उपकरणों के साथ इंटरैक्ट कर सकता है, जानकारी खोज सकता है और गणना कर सकता है। महत्वपूर्ण रूप से, यह वातावरण किए गए प्रत्येक कार्य, देखे गए प्रत्येक दस्तावेज़ और की गई प्रत्येक गणना का एक स्थायी लेज़र (ledger) रखता है। यह लेज़र सुनिश्चित करता है कि भले ही AI कोई विवरण भूल जाए, लेकिन उसने उत्तर कैसे पाया, उसका रिकॉर्ड बरकरार रहता है और मानव द्वारा उसकी समीक्षा की जा सकती है।
AI को इस वातावरण का प्रभावी ढंग से उपयोग करना सिखाने के लिए, शोधकर्ताओं ने एक प्रशिक्षण पद्धति का उपयोग किया जो वित्तीय तर्क (financial reasoning) के कौशल को एक लंबे शोध प्रोजेक्ट को प्रबंधित करने के कौशल से अलग करती है। उन्होंने पहले मॉडल के एक संस्करण को शुद्ध वित्तीय तर्क में विशेषज्ञ बनाने के लिए प्रशिक्षित किया, जो डेटा सामने होने पर गणित और तर्क को सही करने पर केंद्रित था। उन्होंने दूसरे संस्करण को निष्पादन (execution) में विशेषज्ञ बनाने के लिए प्रशिक्षित किया, जो इस बात पर केंद्रित था कि कब खोजना है, कब रुकना है, और कई चरणों में सूचना को कैसे व्यवस्थित करना है। अंत में, उन्होंने इन दोनों विशेषज्ञों को एक एकल, एकीकृत प्रणाली में मिला दिया। यह संयुक्त मॉडल, जो दो आकारों में आता है, का परीक्षण पेशेवर वित्तीय बेंचमार्क की एक विस्तृत श्रृंखला के विरुद्ध किया गया। 'मिंट-एग' (Mint-Ag) नामक बड़े मॉडल ने वित्तीय तर्क के परीक्षण में 98.33 का स्कोर प्राप्त किया, जिसने कई अग्रणी वाणिज्यिक प्रणालियों को पछाड़ दिया। जटिल, बहु-चरणीय अनुसंधान वाले परीक्षणों में भी, इसने उच्चतम स्कोर प्राप्त किया, एक प्रमुख बेंचमार्क पर 76.00 और एक नए, अधिक कठिन संस्करण पर 60.49 तक पहुँचा। छोटा मॉडल, 'मिंट-क्यू' (Mint-Cu), जो बहुत अधिक संक्षिप्त है, ने खोज-प्रधान कार्य पर 69.86 का स्कोर करके असाधारण प्रदर्शन किया, जिससे सिद्ध हुआ कि एक छोटे सिस्टम में भी मजबूत वित्तीय अनुसंधान क्षमताएं बरकरार रखी जा सकती हैं।
इन परिणामों को जो बात महत्वपूर्ण बनाती है वह केवल उच्च स्कोर नहीं है, बल्कि प्रदर्शन की प्रकृति है। शोधकर्ताओं ने पाया कि उनके मॉडल केवल उत्तर उत्पन्न नहीं करते; वे ऐसे उत्तर उत्पन्न करते हैं जिनका ऑडिट किया जा सकता है। एक विस्तृत उदाहरण में, सिस्टम ने एक सेमीकंडक्टर कंपनी के पूर्वानुमान को जांच के सैंतीस चरणों के माध्यम से सफलतापूर्वक ट्रैक किया। इस दौरान, उसे बाधित दस्तावेज़ों, गलत समय अवधियों और विरोधाभासी डेटा का सामना करना पड़ा। क्योंकि सिस्टम ने अपने निष्कर्षों का एक निरंतर रिकॉर्ड बनाए रखा, इसलिए वह मृत अंतों (dead ends) को त्यागने, अपनी गलतियों को सुधारने और केवल वैध साक्ष्यों का उपयोग करके अंतिम संख्याओं की पुनर्गणना करने में सक्षम था। कॉर्पोरेट अधिग्रहण से जुड़े एक अन्य मामले में, सिस्टम ने अंतिम कानूनी दस्तावेज़ मिलने के बाद ही अंतिम कीमत को लॉक करने का इंतजार किया, और पहले के अस्पष्ट स्रोतों को अनदेखा कर दिया। एक संकेत और एक तथ्य के बीच अंतर करने की यह क्षमता, और उनके बीच के अंतर का स्पष्ट रिकॉर्ड रखने की योग्यता ही इस सिस्टम को भरोसेमंद बनाती है।
शोधकर्ताओं का तर्क है कि वित्त जैसे उच्च-दांव वाले क्षेत्रों में कृत्रिम बुद्धिमत्ता के उपयोगी होने के लिए, इसे केवल ऐसे टेक्स्ट उत्पन्न करने से आगे बढ़ना होगा जो सही दिखता हो। एक विश्वसनीय एजेंट को अपना काम दिखाना (show its work), अपने द्वारा उपयोग किए गए डेटा की समय सीमाओं का सम्मान करना, और यदि साक्ष्य उसका समर्थन नहीं करते हैं तो अपने निष्कर्ष को संशोधित करने के लिए तैयार रहना चाहिए। एक ऐसा सिस्टम बनाकर जहाँ डेटा निर्माण, निष्पादन और सीखना, सभी सत्यापन योग्य साक्ष्य के एक एकल मानक से बंधे हैं, मिंट-एजेंट टीम ने प्रदर्शित किया है कि ऐसी वित्तीय बुद्धिमत्ता बनाना संभव है जो न केवल सक्षम है बल्कि जवाबदेह भी है। निष्कर्ष बताते हैं कि वित्त में विश्वसनीय AI का भविष्य मॉडलों को बड़ा या तेज़ बनाने में नहीं, बल्कि उन्हें इस तरह इंजीनियर करने में है कि वे अपने हर निर्णय तक पहुँचने का एक स्पष्ट, परीक्षण योग्य मार्ग छोड़ सकें।
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।