SABET-QA: Temporal Knowledge Graph Question Answering

सूचना की दुनिया एक स्थिर पुस्तकालय नहीं है जहाँ तथ्य अलमारियों पर अपरिवर्तित पड़े रहते हैं; यह एक जीवंत, सांस लेती हुई रिकॉर्ड है जहाँ घटनाओं का एक आरंभ, एक मध्य और एक अंत होता है। जब हम कंप्यूटर से "2008 में राष्ट्रपति कौन था?" या "ओबामा के बाद कौन आया?" जैसे प्रश्न पूछने के लिए कहते हैं, तो हम केवल एक नाम की तलाश नहीं कर रहे होते; हम मशीन को स्वयं समय को समझने के लिए कह रहे होते हैं। यह चुनौती 'टेम्पोरल नॉलेज ग्राफ क्वेश्चन आंसरिंग' (temporal knowledge graph question answering) नामक एक क्षेत्र के केंद्र में निहित है। इस क्षेत्र में, कंप्यूटर तथ्यों को चीजों के बीच संबंधों के रूप में संग्रहीत करते हैं, लेकिन एक महत्वपूर्ण जुड़ाव के साथ: एक टाइमस्टैम्प जो सिस्टम को बताता है कि वह संबंध कब सत्य था। जबकि पुराने कंप्यूटर प्रोग्राम अतीत के सरल प्रश्नों को संभाल सकते थे, वे अक्सर उन जटिल तर्क श्रृंखलाओं का सामना करने में लड़खड़ा जाते थे जिनमें उन्हें वर्षों या दशकों के दौरान बदलते संबंधों को ट्रैक करने की आवश्यकता होती थी। वे अक्सर एक अनुमान लगाते और आगे बढ़ जाते थे, और यदि उनका पहला अनुमान उन्हें गलत रास्ते पर ले जाता, तो वे स्वयं को सुधारने में असमर्थ होते थे।

QuickSort Research और ENS Paris-Saclay के शोधकर्ताओं ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, जिसे SABET-QA कहा जाता है। कंप्यूटर को एक ही झटके में उत्तर खोजने के लिए मजबूर करने के बजाय, यह नई प्रणाली एक सतर्क अन्वेषक की तरह काम करती है जो अपने नोट्स को कई बार दोबारा देखता है। टीम ने एक ऐसा ढांचा बनाया है जो कंप्यूटर को चरण-दर-चरण अपने विचारों को परिष्कृत करने की अनुमति देता है। कल्पना कीजिए कि एक व्यक्ति पहेली सुलझाने की कोशिश कर रहा है; वह एक प्रारंभिक अनुमान लगा सकता है, सुरागों की जांच कर सकता है, महसूस कर सकता है कि कोई विवरण छूट गया है, और फिर दोबारा प्रयास करने से पहले अपने सिद्धांत को समायोजित कर सकता है। SABET-QA बिल्कुल यही करता है, लेकिन गणितीय सटीकता के साथ। यह एक कठिन प्रश्न को छोटे चरणों, या "हॉप्स" (hops) में तोड़ता है, और प्रत्येक चरण पर, यह अब तक सीखी गई जानकारी के अपने डिजिटल मेमोरी को अपडेट करता है। यह मेमोरी सिस्टम को एक चरण से दूसरे चरण तक अपने सबसे अच्छे विचारों को आगे ले जाने की अनुमति देती है, जिससे धीरे-धीरे उसका ध्यान केंद्रित होता जाता है जब तक कि सही उत्तर सामने न आ जाए।

इस प्रणाली में एक प्रमुख नवाचार यह है कि यह संबंधों की दिशा को कैसे संभालती है। "ओबामा के बाद राष्ट्रपति कौन था?" जैसे वाक्य में, कंप्यूटर को यह समझना चाहिए कि ओबामा शुरुआती बिंदु है और उत्तर वह व्यक्ति है जो उनके बाद आया। पुराने सिस्टम अक्सर इस बात को लेकर भ्रमित हो जाते थे कि कर्ता (subject) कौन है और कर्म (object) कौन है, जिससे त्रुटियां होती थीं। नई विधि हर संभावना को दोनों दिशाओं में एक साथ स्कोर करती है, यह जाँचते हुए कि क्या संबंध तब भी सत्य है जब कंप्यूटर आगे या पीछे की ओर देखता है। यह विशिष्ट शब्दों पर भी बारीकी से ध्यान देती है, यह सुनिश्चित करती है कि "वाशिंगटन" जैसे शब्द को संदर्भ के आधार पर एक व्यक्ति या स्थान के रूप में समझा जाए, न कि एक निश्चित लेबल के रूप में। भाषा के प्रति इस सावधानीपूर्ण ध्यान को कई चरणों में विकसित होने वाली मेमोरी के साथ जोड़कर, सिस्टम उन जटिल कालक्रमों को नेविगेट कर सकता है जिन्होंने पहले अन्य प्रोग्रामों को उलझा दिया था।

शोधकर्ताओं ने अपने निर्माण का परीक्षण चार अलग-अलग प्रश्न सेटों पर किया, जिसमें तर्क परीक्षण के लिए डिज़ाइन किए गए कृत्रिम पहेलियों से लेकर इंटरनेट से एकत्र किए गए वास्तविक दुनिया के प्रश्न शामिल थे। हर मामले में, नई प्रणाली ने सबसे मजबूत मौजूदा तरीकों से बेहतर प्रदर्शन किया। सुधार सबसे कठिन प्रश्नों पर सबसे नाटकीय था, वे जो कंप्यूटर को समय के साथ कई तथ्यों को जोड़ने के लिए प्रेरित करते थे। उदाहरण के लिए, जटिल प्रश्नों के एक विशिष्ट सेट पर, नए सिस्टम ने लगभग 81 प्रतिशत बार सही उत्तर को शीर्ष विकल्प के रूप में पहचाना, जो पिछले सर्वश्रेष्ठ तरीके द्वारा प्राप्त 66 प्रतिशत से एक महत्वपूर्ण उछाल है। जब शोधकर्ताओं ने सिस्टम को समय की सीमाओं के बारे में अतिरिक्त संकेत दिए, तो सटीकता और भी बढ़ गई, कुछ परीक्षणों में 95 प्रतिशत से अधिक पहुँच गई। ये परिणाम बताते हैं कि परिकल्पना को दोहराने और परिष्कृत करने की क्षमता पहली बार में ही सही उत्तर पाने की कोशिश करने की तुलना में कहीं अधिक शक्तिशाली है।

अध्ययन ने यह भी खुलासा किया कि सिस्टम कैसे सीखता है। शोधकर्ताओं ने पाया कि कंप्यूटर को हर नए प्रश्न पर शून्य से पुन: प्रशिक्षित करने की आवश्यकता नहीं थी; यह तथ्यों के पूर्व-मौजूद मानचित्र पर भरोसा कर सकता था और बस इसे बेहतर तरीके से नेविगेट करना सीख सकता था। हालाँकि, उन्होंने पाया कि प्रश्नों को हल करते समय मूल मानचित्र को बदलने की कोशिश करने से चीजें अक्सर खराब हो जाती थीं, जिससे स्पष्टता के बजाय भ्रम पैदा होता था। सिस्टम तब सबसे अच्छा काम करता था जब उसने अपने मूल ज्ञान को स्थिर रखा और अपनी ऊर्जा तर्क की प्रक्रिया पर केंद्रित की। इसके अलावा, टीम ने देखा कि सिस्टम स्वाभाविक रूप से यह तय करता था कि समस्या को हल करने के लिए कितने चरणों की आवश्यकता है। सरल प्रश्नों के लिए, इसने उत्तर जल्दी खोज लिया, लेकिन कई समय अवधियों वाले जटिल पहेलियों के लिए, इसने अधिक चरणों का उपयोग किया, प्रभावी रूप से वहां अधिक "मानसिक प्रयास" लगाया जहां इसकी आवश्यकता थी।

यह कार्य यह प्रदर्शित करता है कि समय को समझने के लिए बेहतर कृत्रिम बुद्धिमत्ता का मार्ग आवश्यक रूप से शून्य से बड़े, अधिक जटिल मॉडल बनाने की आवश्यकता नहीं है। इसके बजाय, यह मौजूदा प्रणालियों को रुकने, चिंतन करने और अपना मार्ग सुधारने की क्षमता देने में निहित है। मानव प्रवृत्ति—जैसे कि साक्ष्य एकत्र करते समय अपनी समझ को संशोधित करना—की नकल करके, SABET-QA ने दिखाया है कि मशीनें अतीत के बारे में उस सूक्ष्मता के साथ तर्क कर सकती हैं जो पहले पहुंच से बाहर थी। ये निष्कर्ष उन भविष्य के उपकरणों के लिए एक आशाजनक दिशा प्रदान करते जिन्हें एक ऐसी दुनिया का अर्थ निकालना है जहाँ तथ्य लगातार बदलते रहते हैं, यह सिद्ध करते हुए कि कभी-कभी, कंप्यूटर के लिए सबसे समझदारी भरा काम उत्तर की ओर दौड़ना नहीं, बल्कि उसे सही करने के लिए समय लेना होता है।