LëtzCross: A Cross-Lingual Page-Level Benchmark for Multimodal Retrieval over Luxembourgish Documents

आधुनिक डिजिटल दुनिया में, सूचना के विशाल पुस्तकालय केवल पाठ की सीधी पंक्तियों के रूप में नहीं, बल्कि जटिल दृश्य दस्तावेजों के रूप में मौजूद हैं: चार्ट, आरेख, तालिका और बिखरे हुए लेआउट से भरी पीडीएफ (PDF)। कंप्यूटरों के लिए इन फाइलों के भीतर विशिष्ट उत्तर खोजने के लिए, वे पारंपरिक रूप से दो-चरणीय प्रक्रिया पर निर्भर करते थे। पहले, एक सिस्टम पृष्ठ की छवि को स्कैन करता था और हर शब्द को पढ़ने की कोशिश करता था, जिससे दृश्य स्याही को डिजिटल टेक्स्ट में बदल दिया जाता था। फिर, वह कीवर्ड्स के लिए उस टेक्स्ट को खोजता था। यह विधि सरल दस्तावेजों के लिए अच्छी तरह काम करती है, लेकिन यह अक्सर तब लड़खड़ा जाती है जब उत्तर किसी ग्राफ के आकार या एक तालिका की व्यवस्था में छिपा होता है, या जब दस्तावेज़ ऐसी भाषा में लिखा होता है जिसे कंप्यूटर अच्छी तरह से नहीं जानता। यह चुनौती तब और भी कठिन हो जाती है जब कोई उपयोगकर्ता एक भाषा में प्रश्न पूछता है, जैसे अंग्रेजी, लेकिन उन्हें जिस दस्तावेज़ की आवश्यकता है वह एक दुर्लभ या कम-संसाधन वाली भाषा, जैसे कि लक्ज़मबर्गिश (Luxembourgish) में लिखा है। शोधकर्ता अब एक अलग दृष्टिकोण की खोज कर रहे हैं: कंप्यूटर को दस्तावेज़ के पृष्ठ को एक संपूर्ण चित्र के रूप में देखने के लिए सिखाना, शब्दों और दृश्य लेआउट के बीच के संबंध को एक साथ समझना, न कि केवल शब्दों को पढ़ना।

लक्ज़मबर्ग विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस विचार का परीक्षण करने के लिए एक विशिष्ट, कठिन मामले का उपयोग करते हुए एक परीक्षण किया: लक्ज़मबर्गिश। यह भाषा, जो एक छोटी आबादी द्वारा बोली जाती है, इसमें कंप्यूटरों के सीखने के लिए बहुत कम डिजिटल संसाधन उपलब्ध हैं। यह अध्ययन करने के लिए कि आधुनिक सिस्टम इसे कितनी अच्छी तरह संभाल सकते हैं, टीम ने L¨etzCross नामक एक नया परीक्षण मैदान बनाया। उन्होंने सैकड़ों वास्तविक लक्ज़मबर्गिश पीडीएफ दस्तावेज़ एकत्र किए, जिनमें टेक्स्ट-भारी रिपोर्ट से लेकर ग्राफ और तालिकाओं जैसे समृद्ध दृश्य डेटा वाले पृष्ठ तक शामिल थे। इसके बाद उन्होंने प्रश्नों का एक सेट तैयार किया जो एक मानव पूछ सकता है। कुछ प्रश्नों के लिए पाठ पढ़ने की आवश्यकता थी, जबकि अन्य को उत्तर खोजने के लिए एक चार्ट या आरेख को देखने की आवश्यकता थी। महत्वपूर्ण रूप से, ये प्रश्न चार अलग-अलग भाषाओं में लिखे गए थे: अंग्रेजी, फ्रेंच, जर्मन और लक्ज़मबर्गिश। इस सेटअप ने शोधकर्ताओं को यह देखने की अनुमति दी कि क्या एक कंप्यूटर एक लक्ज़मबर्गिश दस्तावेज़ को देख सकता है और पूरी तरह से अलग भाषा में पूछे गए प्रश्न के आधार पर सही पृष्ठ ढूंढ सकता है।

शोधकर्ताओं ने इस नए बेंचमार्क के विरुद्ध दो मुख्य प्रकार के कंप्यूटर सिस्टम का परीक्षण किया। पहले समूह ने पारंपरिक पद्धति पर भरोसा किया: उन्होंने पीडीएफ छवियों से टेक्स्ट निकालने के लिए सॉफ्टवेयर का उपयोग किया और फिर उस टेक्स्ट को खोजा। दूसरे समूह ने एक नए प्रकार के सिस्टम का उपयोग किया जो पृष्ठ की छवियों को सीधे देखता था, दृश्य लेआउट और टेक्स्ट को एक एकल, एकीकृत जानकारी के रूप में मानता था। जब शोधकर्ताओं ने परिणामों की तुलना की, तो पूरे चित्र के रूप में छवियों को देखने वाले सिस्टम काफी बेहतर प्रदर्शन करते थे। उन्होंने टेक्स्ट-ओनली (केवल पाठ वाले) सिस्टम की तुलना में अधिक बार सही पृष्ठ पाए, चाहे प्रश्न किसी भी भाषा में पूछा गया हो। इमेज-आधारित सिस्टम उन प्रश्नों का उत्तर देने में विशेष रूप से अच्छे थे जिनमें दृश्य तत्वों को समझने की आवश्यकता होती थी, जैसे कि बार चार्ट से एक विशिष्ट मान पढ़ना, जहाँ टेक्स्ट-ओनली सिस्टम अक्सर विफल हो जाते थे क्योंकि वे डेटा की संरचना को "देख" नहीं पाते थे।

इन सिस्टमों को और भी बेहतर बनाने के लिए, शोधकर्ताओं ने फाइन-ट्यूनिंग (fine-tuning) नामक एक प्रक्रिया का प्रयोग किया। यह एक छात्र को अपने कौशल को तेज करने के लिए एक विशिष्ट विषय में अतिरिक्त अभ्यास टेस्ट देने के समान है। उन्होंने इमेज-आधारित सिस्टम को एक समय में केवल एक भाषा में लिखे गए प्रश्नों का उपयोग करके प्रशिक्षित किया, और चारों भाषाओं के मिश्रण के साथ भी। उन्होंने पाया कि फ्रेंच में प्रश्नों के साथ सिस्टम को प्रशिक्षित करने से वास्तव में इसे जर्मन या अंग्रेजी के प्रश्नों की तुलना में लक्ज़मबर्गिश प्रश्नों का बेहतर उत्तर देने में मदद मिली। हालांकि, सबसे प्रभावी दृष्टिकोण यह था कि सिस्टम को चारों भाषाओं के मिश्रण का उपयोग करके प्रशिक्षित किया जाए, जिसमें लक्ज़मबर्गिश स्वयं भी शामिल हो। जब सिस्टम ने अपने प्रशिक्षण के दौरान लक्ज़मबर्गिश में प्रश्नों के उदाहरण देखे, तो लक्ज़मबर्गिश दस्तावेजों में लक्ज़मबर्गिश में उत्तर खोजने की इसकी क्षमता में काफी सुधार हुआ। यह सुझाव देता है कि हालांकि एक सिस्टम विभिन्न भाषाओं में अपनी समझ को अनुवाद करने के लिए सीख सकता है, लेकिन लक्ष्य भाषा को सीधे देखना इसे उन विशिष्ट दस्तावेजों को खोजने के लिए अपने ज्ञान को संरेखित करने में मदद करता है जिनकी उसे तलाश है।

अध्ययन ने यह भी देखा कि ये सिस्टम दस्तावेज़ के दृश्य भाग को कैसे संभालते हैं। उन्होंने यह परीक्षण किया कि क्या टेक्स्ट को पढ़ने की अपनी क्षमता के साथ-साथ छवि को "देखने" की सिस्टम की क्षमता को अपडेट करने से कोई अंतर पड़ता है। उन्होंने पाया कि जो सिस्टम को टेक्स्ट प्रोसेसिंग के बजाय दोनों (दृश्य और पाठ) को समायोजित करने की अनुमति दी गई, वे बेहतर प्रदर्शन करते थे। यह पुष्टि करता है कि उन दस्तावेजों के लिए जहाँ लेआउट और ग्राफ महत्वपूर्ण जानकारी ले जाते हैं, कंप्यूटर को केवल शब्दों को ही नहीं, बल्कि पूरी छवि को प्रोसेस करने की आवश्यकता होती है। हालांकि कुछ मामलों में टेक्स्ट-ओकीली सिस्टम को सेटअप करना तेज़ था, लेकिन इमेज-आधारित सिस्टम ने जटिल, दृश्य रूप से समृद्ध दस्तावेजों से जानकारी प्राप्त करने का अधिक विश्वसनीय तरीका प्रदान किया, विशेष रूप रूप से तब जब सीमित डिजिटल सहायता वाली भाषा के साथ मामला हो।

यह कार्य एक स्पष्ट प्रदर्शन प्रदान करता है कि कम-संसाधन वाली भाषाओं और जटिल दस्तावेजों के लिए, केवल पाठ को पढ़ने के बजाय चित्र को देखना अक्सर अधिक प्रभावी होता है। शोधकर्ताओं ने पाया कि आधुनिक सिस्टम जो शब्दों और छवियों दोनों को समझने में सक्षम हैं, वे पुराने तरीकों की तुलना में विभिन्न भाषाओं के बीच के अंतर को अधिक सफलतापूर्वक पाट सकते हैं। यह दिखाते हुए कि लक्ष्य भाषा सहित भाषाओं के मिश्रण पर प्रशिक्षण देने से सर्वोत्तम परिणाम मिलते हैं, यह अध्ययन उन खोज उपकरणों के निर्माण के लिए एक व्यावहारिक मार्ग प्रदान करता है जो केवल प्रमुख वैश्विक भाषाओं के बोलने वालों के लिए ही नहीं, बल्कि सभी के लिए काम करते हैं। निष्कर्ष बताते हैं कि जैसे-जैसे हम अधिक दृश्य और बहुभाषी सूचना वातावरण की ओर बढ़ रहे हैं, खोज का भविष्य उन सिस्टमों में निहित है जो दस्तावेज़ को उसकी संपूर्णता में देख और समझ सकते हैं।