MCite-RL: Towards Reliable Multimodal RAG via Citation-enhanced Agentic Reinforcement Learning
यह शोध पत्र MCite-RL का प्रस्ताव करता है, जो एक साइटेशन-उन्नत एजेंटिक सुदृढीकरण शिक्षण (agentic reinforcement learning) ढांचा है जो गतिशील दृश्य साइटेशन (dynamic visual citation) के लिए एक पुनरावृत्ति एजेंटिक रिफाइनमेंट मॉड्यूल और उत्तर सटीकता एवं स्रोत ट्रैसेबिलिटी को संयुक्त रूप से अनुकूलित करने के लिए एक द्वि-स्तरीय पुरस्कार तंत्र को पेश करके मल्टीमॉडल RAG की विश्वसनीयता में सुधार 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
आधुनिक डिजिटल युग में, आर्टिफिशियल इंटेलिजेंस ने उल्लेखनीय कौशल के साथ टेक्स्ट को पढ़ना और चित्रों को देखना सीख लिया है। जब इन प्रणालियों से जटिल प्रश्न पूछे जाते हैं, तो वे सही उत्तर खोजने के लिए दस्तावेजों के एक पुस्तकालय की ओर मुड़ती हैं, इस प्रक्रिया को 'रिट्रीवल-ऑगमेंटेड जनरेशन' (retrieval-augmented generation) के रूप में जाना जाता है। कल्पना कीजिए कि आप एक लाइब्रेरियन से किसी विशिष्ट तथ्य के बारे में पूछ रहे हैं; लाइब्रेरियन किताब ढूंढता है, पन्ना पढ़ता है, और आपको उत्तर बताता है। वर्षों तक, यह प्रणाली केवल टेक्स्ट के साथ अच्छी तरह काम करती थी। हालाँकि, जैसे-जैसे ये एआई मॉडल अधिक परिष्कृत हुए हैं, उन्होंने चार्ट, ग्राफ और फोटोग्राफ से भरे दस्तावेजों को संभालना शुरू कर दिया है। चुनौती अब केवल सही पन्ना खोजने की नहीं है, बल्कि उस पन्ने पर ठीक उसी स्थान की ओर इशारा करने की है—ग्राफ का वह छोटा सा हिस्सा या फोटो का एक छोटा सा बॉक्स—जो यह साबित करता है कि उत्तर सत्य है। इस प्रमाण की ओर इशारा करने की क्षमता के बिना, यह प्रणाली उस छात्र की तरह है जो परीक्षा में सही उत्तर तो देता है लेकिन अपना काम (work) नहीं दिखा पाता, जिससे शिक्षक यह सत्यापित करने में असमर्थ रहता है कि छात्र ने वास्तव में सामग्री को समझा है या केवल अनुमान लगाया है।
पेकिंग यूनिवर्सिटी और पैनासोनिक कनेक्ट के शोधकर्ताओं की एक टीम ने दृश्य दुनिया में "अपना काम दिखाने" की इस समस्या को हल करने के लिए एक नई विधि विकसित की है। वे अपने सिस्टम को MCite-RL कहते हैं। मुख्य विचार एआई को न केवल उत्तर खोजने के लिए, बल्कि साक्ष्य खोजने की क्रिया को एक सावधानीपूर्वक, चरण-दर-चरण जांच के रूप में लेने के लिए प्रशिक्षित करना है। प्रमाण के स्थान का एक त्वरित नज़र में अनुमान लगाने के बजाय, सिस्टम को एक जासूस की तरह कार्य करने के लिए प्रशिक्षित किया जाता है जो एक दस्तावेज़ पर ज़ूम करता है, अप्रासंगिक हिस्सों को काट देता है, और खोज क्षेत्र को तब तक सीमित करता है जब तक कि केवल महत्वपूर्ण जानकारी का टुकड़ा शेष न रह जाए। यह प्रक्रिया एक नए प्रकार के लर्निंग द्वारा निर्देशित होती है जहाँ एआई को न केवल इस पर फीडबैक मिलता है कि अंतिम उत्तर सही है या नहीं, बल्कि इस पर भी कि इसने रास्ते में विजुअल प्रूफ (दृश्य प्रमाण) को कितनी अच्छी तरह से खोजा।
शोधकर्ताओं ने पाया कि पिछली विधियाँ अक्सर दो विशिष्ट तरीकों से विफल रहीं। कभी-कभी, एआई एक ऐसा चित्र दिखाता था जो बहुत बड़ा था, जैसे कि आवश्यक एकल संख्या के बजाय पूरा चार्ट कवर कर लेना, जिससे सत्यापन के लिए साइटेशन (उद्धरण) बेकार हो जाता था। अन्य समय में, एआई सही उत्तर तो देता था लेकिन चित्र के बिल्कुल अलग हिस्से की ओर इशारा करता था, जैसे कि उत्तर और प्रमाण आपस में जुड़े ही न हों। इसे ठीक करने के लिए, टीम ने एक प्रशिक्षण प्रक्रिया बनाई जो एक "कोल्ड स्टार्ट" चरण को, जहाँ एआई छवियों को खोजने और क्रॉप करने के बुनियादी चरणों को सीखता है, एक सुदृढीकरण लर्निंग (reinforcement learning) चरण के साथ जोड़ती है। इस दूसरे चरण में, एआई कई अलग-अलग परिदृश्यों को खेलता है, उत्तर और प्रमाण खोजने का प्रयास करता है। यदि यह सफलतापूर्वक छवि को सही स्थान तक सीमित करता है और सही उत्तर प्राप्त करता है, तो इसे एक इनाम (reward) मिलता है। यदि यह भटक जाता है या गलत क्षेत्र की ओर इशारा करता है, तो यह उस गलती से सीखता है।
इस दृष्टिकोण के परिणामों का परीक्षण चुनौतीपूर्ण दस्तावेजों के तीन अलग-अलग सेटों पर किया गया, जिसमें वित्तीय रिपोर्ट और लंबे विकिपीडिया पेज शामिल थे। नए सिस्टम ने मौजूदा विधियों की तुलना में काफी बेहतर प्रदर्शन किया। एक प्रमुख परीक्षण में, इसने मानक विधियों की तुलना में सही विजुअल एविडेंस (दृश्य साक्ष्य) की ओर इशारा करने की सटीकता में 26 प्रतिशत से अधिक सुधार किया। शायद अधिक आश्चर्यजनक रूप से, एआई को इस बात के लिए मजबूर करके कि वह जानकारी कहाँ से मिली है, इस सिस्टम ने वास्तविक उत्तर देने में भी बेहतर प्रदर्शन किया, जिससे इसकी सटीकता औसतन लगभग 6 प्रतिशत बढ़ गई। अध्ययन बताता है कि जब एआई को अपने स्रोतों के प्रति कठोर होने के लिए प्रशिक्षित किया जाता है, तो वह समग्र रूप से अधिक विश्वसनीय हो जाता है। शोधकर्ता नोट करते हैं कि हालांकि यह सिस्टम एक महत्वपूर्ण कदम है, फिर भी इसमें विशेष रूप से उच्च-दांव वाली स्थितियों में सावधानीपूर्वक मानवीय पर्यवेक्षण की आवश्यकता होती है, और वर्तमान में यह जटिल, बहु-पृष्ठीय दस्तावेजों के बजाय एकल छवियों के साथ सबसे अच्छा काम करता है। अंततः, यह कार्य प्रदर्शित करता है कि एआई को अपने साक्ष्य की ओर इशारा करना सिखाना न केवल उसके काम को सत्यापित करने का एक तरीका है, बल्कि उसे अधिक स्पष्ट रूप से सोचने में मदद करने के लिए एक शक्तिशाली उपकरण भी 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।