Structure for Reading, Prose for Writing: Asymmetric Structural Conditioning in Multi-Agent Document Authoring

स्वचालित लेखन की दुनिया में, यह एक निरंतर विश्वास है कि संरचना स्पष्टता की परम कुंजी है। कंप्यूटरों को लंबे समय से यह सिखाया गया है कि वे दस्तावेजों को अधिक सटीकता से तब पढ़ पाते हैं जब वे दस्तावेज स्पष्ट टैग और लेबल के साथ व्यवस्थित हों, न कि केवल सादे टेक्स्ट के एक ढेर के रूप में। यह सिद्धांत कृत्रिम बुद्धिमत्ता (AI) के क्षेत्र में एक मानक नियम बन गया है: यदि आप चाहते हैं कि कोई मशीन किसी विशिष्ट तथ्य को खोजे या किसी विशिष्ट निर्देश का पालन करे, तो उसे जानकारी का एक संरचित मानचित्र देना डेटा को समझने में उसकी मदद करता है। फलस्वरूप, कई इंजीनियरों ने यह मान लिया है कि यह वही संरचनात्मक लाभ मशीन के लिखने के समय भी लागू होता है। तर्क सुसंगत लग रहा था: यदि संरचना कंप्यूटर को पढ़ने में मदद करती है, तो इसे लिखने में भी मदद करनी चाहिए।

हालाँकि, एक नया अध्ययन इस धारणा को एक बहुत ही विशिष्ट, उच्च-दांव वाले कार्य को देखकर चुनौती देता है: सरकारी निविदाओं (टेंडर्स) के लिए औपचारिक प्रतिक्रियाएँ लिखना। ये जटिल दस्तावेज़ होते हैं जहाँ एक कंपनी को क्लाइंट के सैकड़ों प्रश्नों का उत्तर देना होता है, अक्सर सख्त स्वरूपण नियमों का पालन करते हुए और क्लाइंट की सटीक शब्दावली का उपयोग करते हुए। शोधकर्ताओं ने इस कार्य को संभालने के लिए कृत्रिम बुद्धिमत्ता एजेंटों की एक प्रणाली बनाई, जिसमें आवश्यकताओं को पढ़ने, तथ्यों को इकट्ठा करने और उत्तरों का मसौदा तैयार करने के कार्यों को अलग किया गया। उन्होंने इस प्रणाली का परीक्षण उसी संगठन द्वारा प्रस्तुत किए गए वास्तविक मानव-लिखित बोलियों (बिड्स) के विरुद्ध किया। उन्होंने जो पाया वह मशीन के सीखने के तरीके में एक आश्चर्यजनक विभाजन था। जबकि संरचना मशीन को एक बेहतर पाठक बनाती है, यह वास्तव में मशीन को एक खराब लेखक बना देती है। अध्ययन सुझाव देता है कि एआई को निर्देशित करने का सबसे अच्छा तरीका उसे एक कठोर टेम्पलेट का पालन करने के लिए मजबूर करना नहीं है, बल्कि उसे संरचित डेटा पढ़ने देना और फिर प्राकृतिक भाषा में लिखने देना है, जिससे वह गुणवत्ता सुनिश्चित करने के लिए अपने आंतरिक जाँच का उपयोग कर सके।

शोधकर्ताओं ने वास्तविक खरीद अनुरोधों (प्रोक्योरमेंट रिक्वेस्ट) के लिए उत्तरों का मसौदा तैयार करने के लिए अपनी बहु-एजेंट प्रणाली को तैनात करके शुरुआत की। प्रणाली को सतर्क और सटीक बनाने के लिए डिज़ाइन किया गया था। इसने उत्तरों का अनुमान लगाने की कोशिश नहीं की; इसके बजाय, इसने काम को छोटे चरणों में विभाजित किया। सबसे पहले, इसने क्लाइंट के दस्तावेजों को पढ़ा और उन्हें एक संरचित प्रारूप में परिवर्तित किया जो प्रश्नों और निर्देशों के बीच के संबंधों को सुरक्षित रखता है। फिर, इसने पिछले दस्तावेजों और कंपनी के रिकॉर्ड के पुस्तकालय से जानकारी एकत्र की। अंत में, इसने उत्तरों का मसौदा तैयार किया। यह देखने के लिए कि इसका प्रदर्शन कैसा रहा, टीम ने मशीन के मसौदों की तुलना एक वास्तविक बोली से की जिसे संगठन ने एक अलग निविदा के लिए हाथ से लिखा था। इस तुलना में, मशीन के पास कॉपी करने के लिए कोई उदाहरण नहीं था; उसे पूरी तरह से अपने स्वयं के तर्क और प्रदान किए गए दस्तावेजों पर निर्भर रहना था।

एक स्वतंत्र न्यायाधीश, जो एक अन्य कृत्रिम बुद्धिमत्ता है जिसे केवल समानता के बजाय लेखन की गुणवत्ता का मूल्यांकन करने के लिए प्रशिक्षित किया गया था, ने परिणामों की समीक्षा की। मशीन के उत्तर पचास में से चालीस अनुभागों में मानव-लिखित उत्तरों के कम से कम बराबर स्तर के थे। चार अनुभागों में, मशीन वास्तव में बेहतर पाई गई। उसने किसी भी अनुभाग को पूरी तरह से नहीं छोड़ा। एकमात्र बड़ी समस्या एक एकल असमर्थ दावा (unsupported claim) थी, जहाँ मशीन ने एक सुरक्षा विशेषता का अनुमान लगाया जो टेक्स्ट में स्पष्ट रूप से नहीं दी गई थी। यह परिणाम प्रभावशाली था, विशेष रूप से यह देखते हुए कि मशीन एक अत्याधुनिक मॉडल नहीं थी और उसके पास सीखने के लिए कोई पूर्व उदाहरण नहीं थे।

लेकिन शोधकर्ता केवल सतही स्कोर तक ही नहीं रुके। वे उन पंद्रह अनुभागों में गहराई तक गए जहाँ मशीन मानव लेखक से खराब प्रदर्शन कर रही थी। वे जानना चाहते थे कि क्या मशीन इसलिए विफल हुई क्योंकि उसने खराब लिखा, या इसलिए क्योंकि उसके पास सही जानकारी नहीं थी। उन्होंने पाया कि लगभग सत्तर प्रतिशत मामलों में, "विफलता" वास्तव में डेटा की कमी थी। मानव लेखक को अनुभव या निजी बातचीत से कुछ विवरण पता थे जिन्हें मशीन के सिस्टम को कभी दिया ही नहीं गया था। जब शोधकर्ताओं ने इन गायब तथ्यों को अनदेखा करने के लिए स्कोर को समायोजित किया, तो मशीन का प्रदर्शन बढ़कर लगभग नब्बे प्रतिशत हो गया। इसने एक महत्वपूर्ण अंतर्दृष्टि प्रकट की: मशीन और मानव के बीच का अंतर मुख्य रूप से लेखन क्षमता के बारे में नहीं, बल्कि सूचना तक पहुँच के बारे में था। मशीन एक सक्षम लेखक थी जो अक्सर अपूर्ण ब्रीफिंग के कारण बाधित थी।

अध्ययन ने संरचना की भूमिका का परीक्षण करने के लिए एक अधिक नियंत्रित प्रयोग की ओर रुख किया। टीम ने मशीन को दिए गए निर्देशों को दो अलग-अलग तरीकों से प्रस्तुत किया। एक संस्करण में, निर्देश एक मानक मेमो की तरह सादे टेक्स्ट के रूप में लिखे गए थे। दूसरे में, निर्देशों को एक नेस्टेड, संरचित प्रारूप में परिवर्तित किया गया था जो टैग वाली एक डिजिटल फ़ाइल के समान था। उन्हें उम्मीद थी कि संरचित संस्करण मशीन को कार्य को बेहतर ढंग से समझने में मदद करेगा, ठीक वैसे ही जैसे इसने पढ़ने में मदद की थी। इसके विपरीत, जो हुआ वह बिल्कुल उल्टा था। जब निर्देश संरचित थे, तो उत्तरों की गुणवत्ता काफी गिर गई। मशीन ने कम सही उत्तर दिए और अपने लेखन में निर्देशों को बार-बार दोहराया, जो इस बात का संकेत था कि वह भ्रमित है।

शोधकर्ताओं ने महसूस किया कि संरचना यह बदल देती है कि मशीन किस चीज़ पर ध्यान केंद्रित करती है। जब निर्देश सादे टेक्स्ट में थे, तो मशीन ने अनुरोध के अर्थ पर ध्यान केंद्रित किया। जब निर्देश टैग के साथ संरचित थे, तो मशीन ने स्वयं टैग पर ध्यान केंद्रित किया। वह वाक्य के सबसे महत्वपूर्ण हिस्से के रूप में क्लाइंट के नाम या दस्तावेज़ के शीर्षक को मानने लगी, जिससे वह अपने उत्तरों की शुरुआत "क्लाइंट की आवश्यकता है..." जैसे अजीब वाक्यांशों के साथ करने लगी, बजाय सीधे प्रश्न का उत्तर देने के। इससे पता चला कि हालांकि संरचना मशीन को जानकारी खोजने में मदद करती है, लेकिन यह नई सामग्री उत्पन्न करने के दौरान मशीन को विचलित कर सकती है।

टीम ने इस बात की भी जांच की कि मशीन उन नियमों को कैसे संभालती है कि क्या नहीं करना है। उन्होंने पाया कि केवल मशीन को यह कहना कि "इस शब्द का उपयोग न करें" अक्सर समस्या को और खराब कर देता है। मशीन उस वर्जित शब्द पर अटक जाती थी और अनजाने में उसे शामिल कर लेती थी, या उसका उपयोग इस तरह से करती थी जिससे नियम टूट जाते थे। हालाँकि, जब उन्होंने मशीन को अपने स्वयं के वाक्यों पर एक परीक्षण चलाने के लिए दिया—यह पूछकर कि क्या कोई वाक्य मूल प्रश्न के बहुत समान है और यदि आवश्यक हो तो उसे फिर से लिखें—तो त्रुटियाँ गायब हो गईं। मशीन ने बिना यह बताए कि क्या बचना है, स्वयं की निगरानी करना सीख लिया।

अंत में, शोधकर्ताओं ने एक सूक्ष्म लेकिन खतरनाक दोष देखा कि सिस्टम अपने स्वयं के नोट्स को कैसे संभालता है। मशीन कभी-कभी किसी दस्तावेज़ में एक विशिष्ट स्थान को इंगित करने के लिए एक छोटा सा निशान जोड़ देती थी। इस निशान ने टेक्स्ट की लंबाई को थोड़ा बदल दिया। क्योंकि मशीन टेक्स्ट को निश्चित आकार के टुकड़ों (chunks) में संसाधित करती थी, इसलिए लंबाई में इस मामूली बदलाव ने टुकड़ों की सीमाओं को खिसका दिया। परिणामस्वरूप, मशीन ने इच्छित शब्दों के बजाय शब्दों के एक अलग सेट को देखा, जिससे निकाले गए प्रश्नों की संख्या में भारी अंतर आ गया। टेक्स्ट में केवल दो निशानों के अंतर से सिस्टम ने सत्रह प्रश्न कम निकाले। इसने दिखाया कि मशीन द्वारा सूचना को काटने के तरीके में छोटे, यादृच्छिक बदलाव भी बड़े त्रुटियों का कारण बन सकते हैं, क्योंकि सिस्टम सूचना को विभाजित करने में बहुत कठोर था।

जो समग्र चित्र उभरता है वह सावधानीपूर्वक संतुलन का है। अध्ययन यह दावा नहीं करता है कि कृत्रिम बुद्धिमत्ता ने औपचारिक दस्तावेज़ लिखने की समस्या को हल कर लिया है, न ही यह सुझाव देता है कि मशीनें पूरी तरह से मानव लेखकों को बदलने के लिए तैयार हैं। इसके बजाय, यह एक सटीक मानचित्र प्रदान करता है कि तकनीक कहाँ काम करती है और कहाँ संघर्ष करती है। मशीन जानकारी को पढ़ने और व्यवस्थित करने के लिए एक शक्तिशाली उपकरण है, विशेष रूप से जब वह जानकारी संरचित हो। लेकिन जब लिखने की बात आती है, तो उसे एक कठोर संरचना में मजबूर करना उसे भ्रमित कर सकता है। सबसे प्रभावी दृष्टिकोण यह है कि मशीन को संरचित डेटा पढ़ने दें, लेकिन उसे प्राकृतिक भाषा में लिखने की अनुमति दें, और ट्रैक पर रहने के लिए स्व-जाँच (self-checks) का उपयोग करने दें। पढ़ने और लिखने के बीच यह अंतर केवल एक तकनीकी विवरण नहीं है; यह उन प्रणालियों के निर्माण के लिए एक मौलिक नियम है जिन्हें महत्वपूर्ण कार्यों के लिए भरोसेमंद बनाया जा सकता है। शोधकर्ताओं ने पाया कि सर्वोत्तम परिणाम इस बात से नहीं आते कि मशीन एक आदर्श टेम्पलेट का पालन करे, बल्कि इस बात से आते हैं कि उसे सही जानकारी दी जाए और उसे अंतिम मसौदे पर अपना निर्णय लागू करने की अनुमति दी जाए।