Fine-tuning LLMs for Tourist Trajectory Prediction using Field Experiment Data
यह शोध पत्र यह प्रदर्शित करता है कि वकायामा कैसल पार्क के क्षेत्रीय प्रयोगात्मक डेटा पर लार्ज लैंग्वेज मॉडल्स को फाइन-ट्यून करना, वर्षा वाले दिनों जैसे कम नमूना वाले परिदृश्यों में भी, पर्यटकों के प्रक्षेप पथ (ट्रैजेक्टरीज) के सटीक और संदर्भ-जागरूक पूर्वानुमान को सक्षम बनाता है, जिससे काउंटरफैक्चुअल विश्लेषण के माध्यम से गतिशीलता हस्तक्षेपों के मूल्यांकन के लिए एक मजबूत आधार स्थापित होता 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
एक विशाल, हलचल भरे पार्क के किनारे खड़े होकर, सैकड़ों लोगों को रास्तों से गुजरते, बगीचों में रुकते और किलों की ओर बढ़ते हुए देखना की कल्पना करें। शहर योजनाकारों और पर्यटन अधिकारियों के लिए, यह समझना कि आगंतुक एक पथ के बजाय दूसरे पथ को क्यों चुनते हैं, केवल जिज्ञासा का विषय नहीं है; यह भीड़ को प्रबंधित करने, नाजुक स्थलों की रक्षा करने और यह सुनिश्चित करने के लिए एक महत्वपूर्ण उपकरण है कि पैसा सही जगहों पर जाए। जब कोई गंतव्य बिखरे हुए आकर्षणों के बीच लोगों को आवाजाही में मदद करने के लिए एक नई इलेक्ट्रिक शटल या बाइक-शेयरिंग सिस्टम पेश करने की कोशिश करता है, तो वे एक कठिन प्रश्न का सामना करते हैं: क्या यह नई सेवा वास्तव में लोगों के घूमने के तरीके को बदलेगी, या आगंतुक इसका उपयोग केवल उन्हीं भीड़भाड़ वाले स्थानों तक तेजी से पहुँचने के लिए करेंगे? पारंपरिक कंप्यूटर मॉडल इस प्रश्न का उत्तर देने में संघर्ष करते हैं क्योंकि वे अक्सर मानव गति को सरल चरणों की एक श्रृंखला के रूप में देखते हैं, और हमारे निर्णयों को प्रभावित करने वाले वास्तविक दुनिया के जटिल कारकों, जैसे कि अचानक आई बारिश, एक थका हुआ बच्चा, या एक शांत बेंच खोजने की सरल इच्छा को अनदेखा कर देते हैं। इन पुराने सिस्टमों को पैटर्न सीखने के लिए भारी मात्रा में ऐतिहासिक डेटा की आवश्यकता होती है, और जब वे किसी ऐसी नई स्थिति का सामना करते हैं जिसे उन्होंने पहले कभी नहीं देखा है, तो वे अक्सर सही अनुमान लगाने में विफल रहते हैं।
ओसाका विश्वविद्यालय और RIKEN सेंटर फॉर कम्प्यूटेशनल साइंस के शोधकर्ताओं की एक टीम ने एक अलग दृष्टिकोण अपनाया है और इसके लिए 'लार्ज लैंग्वेज मॉडल' (LLM) नामक एक प्रकार के आर्टिफिशियल इंटेलिजेंस की ओर रुख किया है। ये वही शक्तिशाली कंप्यूटर सिस्टम हैं जो कहानियाँ लिख सकते हैं, जटिल प्रश्नों के उत्तर दे सकते हैं और बातचीत कर सकते हैं, जिन्हें मानव पाठ के विशाल पुस्तकालयों पर प्रशिक्षित किया गया है। शोधकर्ताओं ने महसूस किया कि इन मॉडलों के पास पहले से ही मानव व्यवहार की एक गहरी, सहज समझ है। वे "जानते" हैं कि बारिश होने पर लोग आश्रय की तलाश करते हैं, परिवारों को बार-बार ब्रेक की आवश्यकता होती है, और दोपहर के भोजन का अर्थ आमतौर पर भोजन की तलाश होता है। एक नया मॉडल शून्य से बनाने के बजाय, टीम ने इस मौजूदा, जानकार सिस्टम को एक विशिष्ट स्थान को नेविगेट करना सिखाने का निर्णय लिया। उन्होंने अपना अध्ययन जापान के वाकायामा कैसल पार्क पर केंद्रित किया, जो एक विस्तृत गंतव्य है जिसमें एक ऐतिहासिक किला टॉवर, उद्यान, एक चिड़ियाघर और कई विश्राम स्थल हैं। दिसंबर 2023 के दौरान एक पायलट कार्यक्रम के दौरान, शोधकर्ताओं ने 566 पर्यटकों के विस्तृत आवाजाही रिकॉर्ड एकत्र किए, जिससे यह ट्रैक किया गया कि वे कहाँ गए, वे कब पहुँचे, और उन्होंने क्या किया, जबकि उन्होंने मौसम और दिन के समय को भी नोट किया।
कंप्यूटर को सिखाने के लिए, शोधकर्ताओं ने इन कच्चे आवाजाही रिकॉर्ड को एक ऐसे प्रारूप में अनुवादित किया जिसे भाषा मॉडल समझ सके: एक सरल, संरचित कहानी। उन्होंने प्रत्येक आगंतुक का वर्णन विशिष्ट गुणों के साथ किया, जैसे कि आयु या समूह का प्रकार, और वर्तमान मौसम के साथ दृश्य स्थापित किया। फिर, उन्होंने आगंतुक की यात्रा को चरण-दर-चरण सूचीबद्ध किया, समय, क्रिया और विशिष्ट स्थान को नोट किया, ठीक वैसे ही जैसे पार्क में एक दिन के लिए डायरी प्रविष्टि लिखना। फिर उन्होंने कंप्यूटर से इन कहानियों को पढ़ने और पार्क में लोगों के वास्तविक रूप से घूमने के पैटर्न को सीखने के लिए कहा। लक्ष्य यह देखना था कि क्या मॉडल किसी आगंतुक के इतिहास को एक निश्चित बिंदु तक देखकर सटीक रूप से भविष्यवाणी कर सकता है कि वे आगे कहाँ जाएंगे। इस प्रक्रिया को 'फाइन-ट्यूनिंग' कहा जाता है, जिसने मॉडल को मानव स्वभाव के अपने सामान्य ज्ञान को वाकायामा कैसल पार्क की विशिष्ट लेआउट और आदतों के साथ संयोजित करने की अनुमति दी।
परिणाम आश्चर्यजनक थे। उन नए आगंतुकों पर परीक्षण करने पर जिन्हें मॉडल ने पहले कभी नहीं देखा था, इसने लगभग 49 प्रतिशत बार सही ढंग से भविष्यवाणी की कि पर्यटक अगली विशिष्ट जगह कहाँ जाएगा। यह पारंपरिक सांख्यिकीय तरीकों की तुलना में एक महत्वपूर्ण सुधार था, जो केवल लगभग 9 से 15 प्रतिशत समय सही अनुमान लगा पाते थे। पुराने तरीके अक्सर संदर्भ को समझने में विफल रहे क्योंकि वे यह नहीं समझ पाए कि एक बरसात का दिन किसी आगंतुक को खुले बगीचों को छोड़कर सीधे इनडोर संग्रहालय की ओर ले जाएगा। हालाँकि, भाषा मॉडल ने अपनी अंतर्निscribed (built-in) सामान्य समझ का उपयोग करके ये समायोजन किए। डेटा की कमी वाली कठिन स्थितियों में भी, जैसे कि बरसात के दिनों में जब केवल कुछ ही आगंतुकों को रिकॉर्ड किया गया था, मॉडल ने उच्च स्तर की सटीकता बनाए रखी, और सही भविष्यवाणी की कि लोग इनडोर आश्रय की तलाश करेंगे। इसने सफलतापूर्वक पूरे दिन के यात्रा कार्यक्रम (itineraries) भी तैयार किए जो यथार्थवादी लगे, जिसमें सुबह प्रमुख स्थलों के भ्रमण से लेकर, दोपहर के भोजन और दोपहर के विश्राम तक की यात्रा शामिल थी, और यह सब बिना किसी स्पष्ट प्रोग्रामिंग के हुआ।
शोधकर्ताओं ने पाया कि मॉडल की "कहाँ" का अनुमान लगाने की क्षमता जितनी महत्वपूर्ण थी, उतनी ही उसके निर्णय के पीछे के "क्यों" को समझने की क्षमता भी थी। हालांकि यह किसी विशिष्ट दुकान या बगीचे के सटीक नाम की भविष्यवाणी करने में थोड़ा कम सटीक था, लेकिन यह एक आगंतुक द्वारा चुने जाने वाले स्थान के प्रकार, जैसे कि रेस्तरां या ऐतिहासिक स्थल, की भविष्यवाणी करने में बहुत अच्छा था। यह सुझाव देता है कि मॉडल ने पर्यटकों के सामान्य इरादों को सीख लिया था। दिलचस्प बात यह है कि टीम ने मॉडल का एक संस्करण भी परीक्षण किया जिसे विशेष रूप से जापानी भाषा और संस्कृति के लिए प्रशिक्षित किया गया था, लेकिन सामान्य, बहुभाषी संस्करण का प्रदर्शन बेहतर रहा। यह इंगित करता है कि लोगों के चलने और निर्णय लेने के तरीके को समझने के लिए, एक सामान्य मॉडल में मौजूद मानव व्यवहार का व्यापक, विविध ज्ञान, विशिष्ट भाषा प्रशिक्षण की तुलना में अधिक मूल्यवान है।
यह कार्य यह दावा नहीं करता है कि इसने मानव व्यवहार की भविष्यवाणी करने की समस्या को पूरी तरह से हल कर दिया है, न ही यह सिद्ध करता है कि ये मॉडल भविष्य में किसी नई नीति के प्रभाव की सटीक भविष्यवाणी कर सकते हैं। शोधकर्ता सावधानीपूर्वक नोट करते हैं कि उनका मॉडल वर्तमान स्थितियों के तहत लोग क्या करेंगे, इसका पूर्वानुमान लगाने के लिए एक शक्तिशाली उपकरण है, लेकिन किसी नए हस्तक्षेप, जैसे कि एक नई शटल बस के प्रभावों को सिम्युलेट करने के लिए, आगे के परीक्षण की आवश्यकता है। हालाँकि, यह अध्ययन दर्शाता है कि ये लार्ज लैंग्वेज मॉडल मानव व्यवहार के अत्यधिक सटीक दर्पण के रूप में कार्य कर सकते हैं, जो उन सूक्ष्म, संदर्भ-निर्भर निर्णयों को समझने में सक्षम हैं जो पार्क में एक दिन को परिभाषित करते हैं। यह पकड़कर कि एक थका हुआ माता-पिता लंबी पैदल यात्रा के बजाय बेंच क्यों चुनता है, या एक समूह गर्म दिन पर पहाड़ी से क्यों बचता है, यह तकनीक गंतव्य प्रबंधकों को भविष्य की योजना बनाने के लिए एक नया तरीका प्रदान करती है, जो सरल सांख्यिकी से आगे बढ़कर लोगों के बारे में गहरी समझ की ओर ले जाती है।
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।