Industrial-Instruction: An End-to-End Framework for Building Instruction-Tuning and Benchmark Datasets from Industrial Technical Reports
यह शोध पत्र 'इंडस्ट्रियल-इंस्ट्रक्शन' (Industrial-Instruction) का परिचय देता है, जो एक एंड-टू-एंड फ्रेमवर्क है जो विषम औद्योगिक तकनीकी रिपोर्टों को उच्च-गुणवत्ता वाले इंस्ट्रक्शन-ट्यूनिंग डेटासेट और बेंचमार्क में परिवर्तित करता है, और यह प्रदर्शित करता है कि जहाँ क्लॉड-ओपस-4.6 (Claude-Opus-4.6) जैसे फ्रंटियर मॉडल बेहतर प्रशिक्षण परिणाम प्रदान करते हैं, वहीं ओपन-वेट मॉडल औद्योगिक तर्क कार्यों पर छोटे LLM के प्रदर्शन को बढ़ाने के लिए एक लागत प्रभावी विकल्प भी पेश करते हैं।
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 उद्योग की इस विशाल, गूँजती दुनिया में, महत्वपूर्ण ज्ञान अक्सर मोटी, कठोर नियमावलियों (manuals) में बंद रहता है। ये स्मार्टफोन पर मिलने वाले साधारण गाइड नहीं हैं; ये विशिष्टताओं, जटिल तालिकाओं और विशेष आरेखों से भरी सघन तकनीकी रिपोर्टें हैं, जिन पर इंजीनियर कारखानों को चलाने और मशीनों को विफल होने से बचाने के लिए भरोसा करते हैं। दशकों से, यह जानकारी केवल मनुष्यों के अधिकार क्षेत्र में रही है, जिसे खोजना कठिन है और कंप्यूटर को सिखाना और भी कठिन है। चुनौती इन दस्तावेजों की संरचना में निहित है: वे बहते हुए टेक्स्ट को संख्याओं के कठोर ग्रिड के साथ मिलाते हैं, जिससे एक ऐसा प्रारूप बनता है जिसे पढ़ने में मानक कंप्यूटर प्रोग्राम संघर्ष करते हैं। हालाँकि कृत्रिम बुद्धिमत्ता ने सामान्य बातचीत और व्यापक विषयों को समझने में बड़ी प्रगति की है, लेकिन ऐतिहासिक रूप से यह इस विशिष्ट, उच्च-दांव वाली औद्योगिक भाषा का सामना करने में लड़खड़ा गई है। कंप्यूटर की सामान्य समझ और एक इंजीनियर की सटीक, तकनीकी आवश्यकताओं के बीच का अंतर एक महत्वपूर्ण बाधा बना हुआ है, जिसका मुख्य कारण यह था कि इस विभाजन को पाटने के लिए कोई उपयुक्त प्रशिक्षण सामग्री उपलब्ध नहीं थी।
शोधकर्ताओं की एक टीम ने अब उस अंतर पर एक पुल बनाया है, एक ऐसी नई प्रणाली विकसित की है जिसे कंप्यूटर को इन औद्योगिक रिपोर्टों को पढ़ना और उन पर तर्क करना सिखाने के लिए डिज़ाइन किया गया है। उन्होंने पैनासोनिक के 906 वास्तविक दुनिया के तकनीकी दस्तावेजों के एक विशाल संग्रह से शुरुआत की, जिसमें सघन टेक्स्ट और तालिकाओं के कुल 7,500 से अधिक पृष्ठ शामिल थे। पहला कदम कंप्यूटर को इन दस्तावेजों को एक इंसान की तरह देखना सिखाना था। केवल शब्दों को पढ़ने के बजाय, सिस्टम ने लेआउट का विश्लेषण किया, यह पहचाना कि एक तालिका कहाँ शुरू और समाप्त होती है, और चार्ट के बगल में मौजूद टेक्स्ट का उससे क्या संबंध है। इसने उन्हें जानकारी को सटीक रूप से निकालने की अनुमति दी, जिससे उस संरचना को सुरक्षित रखा जा सका जो डेटा को उपयोगी बनाती है। इस निकाले गए माल से, उन्होंने केवल कंप्यूटर को तथ्य रटाने का काम नहीं किया। इसके बजाय, उन्होंने एक परिष्कृत प्रशिक्षण प्रक्रिया बनाई जो एक इंजीनियर द्वारा सामना किए जाने वाले पांच अलग-अलग वास्तविक दुनिया के परिदृश्यों का अनुकरण करती है। कभी-कभी कंप्यूटर को एक ऐसा दस्तावेज़ दिया जाता है जो प्रासंगिक दिखता है लेकिन वास्तव में उसमें कोई उत्तर नहीं होता, जो उसे यह पहचानने में सक्षम बनाता है कि वह कब अटक गया है। अन्य समय में, उसे एक समाधान खोजने के लिए एक ही पृष्ठ से सुरागों को जोड़ना पड़ता है, या कई अलग-अलग रिपोर्टों में बिखरी हुई जानकारी को बुनना पड़ता है।
प्रणाली को प्रशिक्षित करने के लिए आवश्यक प्रश्न और उत्तर बनाने के लिए, शोधकर्ताओं ने लगभग 24,000 अभ्यास उदाहरण उत्पन्न करने के लिए शक्तिशाली कृत्रिम बुद्धिमत्ता मॉडल का उपयोग किया। उन्होंने दो अलग-अलग दृष्टिकोणों का परीक्षण किया: एक सार्वजनिक रूप से मुफ्त उपलब्ध मॉडल का उपयोग करना, और दूसरा एक प्रीमियम, बंद प्रणाली का उपयोग करना जिसके लिए भुगतान की आवश्यकता होती है। परिणाम उत्साहजनक थे। प्रीमियम प्रणाली ने अधिक स्वच्छ और सटीक प्रशिक्षण डेटा तैयार किया, लेकिन इसे उत्पन्न करने की लागत ओपन-सोर्स विकल्प की तुलना में लगभग सौ गुना अधिक थी। जब शोधकर्ताओं ने इस नए डेटा का उपयोग छोटे, अधिक कुशल कंप्यूटर मॉडल को प्रशिक्षित करने के लिए किया, तो परिणाम नाटकीय थे। मॉडल तकनीकी प्रश्नों के उत्तर देने में काफी बेहतर हो गए, और उनकी सटीकता लगभग 28 प्रतिशत के आधार रेखा से बढ़कर 42 प्रतिशत से ऊपर हो गई। और भी अधिक प्रभावशाली बात यह है कि उच्च-गुणवत्ता वाले डेटा पर प्रशिक्षित मॉडल अपने दुनिया के बारे में सामान्य ज्ञान को बनाए रखने में सफल रहे, जिससे पता चलता है कि वे अन्य सब कुछ भूले बिना विशेष औद्योगिक कौशल सीख सकते हैं।
इस अध्ययन ने एक निरंतर कमजोरी को भी उजागर किया। जबकि नए प्रशिक्षण पद्धति ने मॉडलों को समस्या सुलझाने में मदद की जब प्रश्न स्पष्ट रूप से पूछे गए थे, सिस्टम पूरी तरह से विफल हो गया जब प्रश्नों को पुनर्गठित या थोड़ा बदल दिया गया, भले ही अर्थ वही रहा हो। यह सुझाव देता है कि हालांकि मॉडलों ने सही दस्तावेजों में उत्तर खोजना सीख लिया है, लेकिन उन्होंने अभी तक उस गहरी लचीली समझ को नहीं सीखा है कि किसी अलग तरीके से पूछा गया प्रश्न अभी भी वही प्रश्न है। इस सीमा के बावजूद, यह कार्य एक व्यावहारिक, पुनरुत्पादक मार्ग प्रदान करता है। यह सिद्ध करता है कि सबसे महंगी, बंद प्रणालियों की आवश्यकता के बिना, वास्तविक औद्योगिक दस्तावेजों से उच्च-गुणवत्ता वाले प्रशिक्षण डेटासेट बनाना संभव है, बशर्ते प्रक्रिया कठोर हो। स्थिर, अपठनीय नियमावलियों को गतिशील, सिखाने योग्य ज्ञान में बदलकर, यह ढांचा कृत्रिम बुद्धिमत्ता की शक्ति को इंजीनियरों के दैनिक कार्य में लाने का एक तरीका प्रदान करता है, जिससे रखरखाव को संभावित रूप से तेज़, सुरक्षित और अधिक विश्वसनीय बनाया जा सकता 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।