AgentWeave: Routing Before Reasoning for Efficient Function Calling in Tool-Rich Language Models
AgentWeave एक नियत (deterministic) प्री-इन्फरेंस रूटिंग लेयर पेश करता है जो मॉडल इन्फरेंस से पहले ही कैंडिडेट एक्शन स्पेस को फ़िल्टर करके टूल-समृद्ध भाषा मॉडलों के लिए फंक्शन-कॉलिंग सफलता दर में उल्लेखनीय सुधार करता है और कम्प्यूटेशनल ओवरहेड को कम करता है, भले ही इसके लिए एक निश्चित, छोटे पैमाने के मॉडल का उपयोग किया जा रहा हो।
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 दुनिया में, आर्टिफिशियल इंटेलिजेंस एक साधारण चैटबॉट से विकसित होकर एक सक्षम सहायक बन गया है जो अन्य कंप्यूटर प्रोग्रामों तक पहुँच सकता है और उनका उपयोग कर सकता है। कल्पना कीजिए कि आप एक डिजिटल सहायक से मौसम देखने, उड़ान बुक करने और एक समाचार लेख का सारांश तैयार करने के लिए कहते हैं। ऐसा करने के लिए, सहायक को यह जानना होगा कि वेदर सर्विस, एयरलाइन के बुकिंग सिस्टम और एक न्यूज़ डेटाबेस से कैसे बात करनी है। इन कनेक्शनों को टूल्स (उपकरण) या फंक्शन्स (कार्य) कहा जाता है। जैसे-जैसे ये सहायक अधिक उपयोगी होते जा रहे हैं, इनके पास उपलब्ध टूल्स की सूची हजारों में बढ़ती जा रही है। हालाँकि, एक समस्या है: यदि आप किसी कंप्यूटर को एक साथ बहुत सारे विकल्प दिखाते हैं, तो वह भ्रमित हो सकता है। वह शोर के बीच सही टूल खोजने के लिए संघर्ष कर सकता है, या वह उस विशाल मात्रा में टेक्स्ट (पाठ) को समझने के बोझ तले दब सकता है जो प्रत्येक टूल के कार्य को समझने के लिए आवश्यक है। यह एक बाधा उत्पन्न करता है जहाँ जैसे-जैसे सिस्टम अधिक शक्तिशाली होता जाता है, सिस्टम के 'मस्तिष्क' के लिए स्पष्ट निर्णय लेना उतना ही कठिन होता जाता है।
शोधकर्ता सौरव सिंगला, आरव सिंगला, अद्विक गुप्ता और पार्निका गुप्ता ने इस विशिष्ट समस्या को हल करने का प्रयास किया। उन्होंने इन आर्टिफिशियल इंटेलिजेंस सिस्टमों के लिए उपलब्ध टूल्स को देखने के तरीके को व्यवस्थित करने का एक नया तरीका प्रस्तावित किया। एआई मस्तिष्क को एक बार में पूरी लाइब्रेरी के हर एक टूल को देखने देने के बजाय, उन्होंने मस्तिष्क के सामने एक फ़िल्टर बनाया। यह फ़िल्टर, जिसे उन्होंने 'एजेंटवीव' (AgentWeave) नाम दिया, एक द्वारपाल (गेटकीपर) की तरह कार्य करता है। एआई द्वारा किसी कार्य पर विचार करने से पहले, यह द्वारपाल अनुरोध और सभी संभावित टूल्स की सूची को देखता है। फिर यह तय करता है कि कौन से टूल्स वास्तव में उस विशिष्ट कार्य के लिए प्रासंगिक हैं और किन्हें सुरक्षित रूप से अनदेखा किया जा सकता है। लक्ष्य एआई को एक विशाल कैटलॉग के बजाय विकल्पों का एक छोटा, प्रबंधनीय समूह प्रस्तुत करना है। शोधकर्ता यह देखना चाहते थे कि क्या सोचने की प्रक्रिया शुरू होने से पहले विकल्पों को सीमित करने का यह सरल कार्य एआई को बेहतर निर्णय लेने में मदद करेगा, भले ही एआई स्वयं में किसी अन्य तरीके से न बदला गया हो या सुधारा न गया हो।
इस विचार का परीक्षण करने के लिए, टीम ने कठिन कार्यों के एक मानक सेट का उपयोग करके एक नियंत्रित प्रयोग डिजाइन किया। उन्होंने एक विशिष्ट, हल्के (लाइटवेट) एआई मॉडल को लिया और उसे अड़तालीस जटिल चुनौतियों के एक क्रम में दिया। प्रत्येक चुनौती में, एआई को कार्य पूरा करने के लिए सोलह संभावित विकल्पों के पूल में से सही टूल्स चुनने थे। उन्होंने इस परीक्षण को ठीक उसी एआई मॉडल के साथ चार बार चलाया, जिसमें केवल टूल्स को प्रस्तुत करने का तरीका बदला गया था। पहले परिदृश्य में, एआई ने सभी सोलह टूल्स देखे। दूसरे में, एक कंप्यूटर ने एआई को दिखाने के लिए यादृच्छिक (रैंडम) रूप से आठ टूल्स चुने। तीसरे में, एक कंप्यूटर ने समान टूल्स खोजने के एक मानक तरीके का उपयोग करके आठ टूल्स चुने। चौथे परिदृश्य में, कार्य की वास्तविक आवश्यकता के आधार पर टूल्स के एक विशिष्ट समूह को चुनने के लिए एजेंटवीव फ़िल्टर का उपयोग किया गया।
परिणाम चौंकाने वाले थे। जब एआई को सभी सोलह टूल्स देखने के लिए मजबूर किया गया, या जब उसे आठ के यादृच्छिक या समान (सिमेंटिकली सिमिलर) समूह दिखाया गया, तो वह उन अड़तालीस कार्यों में से कोई भी पूरा करने में विफल रहा। वह शोर के बीच सही उत्तर नहीं खोज सका। हालाँकि, जब एजेंटवीव फ़िल्टर का उपयोग करके सूची को क्यूरेट (व्यवस्थित) किया गया, तो एआई ने अड़तालीस में से छह कार्यों में सफलता प्राप्त की। हालांकि अड़तालीस में से छह एक छोटी संख्या है, लेकिन यह एकमात्र समय था जब एआई सफल हुआ था। शोधकर्ताओं ने पाया कि एआई केवल अनुमान नहीं लगा रहा था; वह वास्तव में बेहतर प्रदर्शन कर रहा था क्योंकि वह सूचना के एक स्वच्छ और अधिक केंद्रित सेट को देख रहा था। फ़िल्टर ने टूल्स की संख्या को लगभग सत्तर प्रतिशत कम कर दिया, जिसका अर्थ यह भी था कि एआई को काफी कम टेक्स्ट पढ़ना पड़ा। इस पठन भार (रीडिंग लोड) में कमी ने एआई को पूर्ण सूची के कारण होने वाली तुलना में लगभग आधे समय में कार्य को संसाधित करने में सक्षम बनाया।
महत्वपूर्ण रूप से, अध्ययन ने यह खुलासा किया कि केवल अधिक टूल्स उपलब्ध रखना सफलता की गारंटी नहीं देता है। तुलना करने के तरीकों में से एक, जिसने समान टूल्स खोजने के लिए एक मानक तकनीक का उपयोग किया था, ने एजेंटवीव फ़िल्टर की तुलना में मूल विकल्पों में से अधिक को बनाए रखा था। फिर भी, वह तरीका पूरी तरह से विफल रहा। यह सुझाव देता है कि रहस्य केवल सही टूल्स को रखने में नहीं था, बल्कि गलत टूल्स को हटाने में था। एजेंटवीव फ़िल्टर ने उन भ्रमित करने वाले विकल्पों को समाप्त करके काम किया जो एआई को विचलित कर सकते थे, जिससे समाधान का एक स्पष्ट मार्ग बना। शोधकर्ताओं ने सावधानीपूर्वक उल्लेख किया कि यह सख्त परिस्थितियों के तहत एक विशिष्ट परीक्षण था और हर स्थिति में काम करने का अंतिम प्रमाण नहीं है। उन्होंने इस बात पर जोर दिया कि उनके द्वारा उपयोग किया गया एआई मॉडल छोटा था और सफलता दर, हालांकि एक सुधार थी, फिर भी कम थी।
इस कार्य का महत्व बुद्धिमान प्रणालियों के निर्माण के बारे में हमारी सोच को बदलने में निहित है। लंबे समय से, ध्यान एआई मस्तिष्क को स्मार्ट बनाने या इसे अधिक डेटा पर प्रशिक्षित करने पर रहा है। यह पेपर सुझाव देता है कि एक स्मार्ट दृष्टिकोण यह हो सकता है कि मस्तिष्क द्वारा प्राप्त की जाने वाली जानकारी को व्यवस्थित किया जाए, इससे पहले कि वह सोचना शुरू करे। सूचना के चयन को तर्क करने की क्रिया से एक अलग चरण मानकर, डेवलपर्स मौजूदा एआई मॉडल को बिना उन्हें फिर से बनाए (रीबिल्ड किए) बहुत अधिक कुशल और प्रभावी बना सकते हैं। यह अध्ययन ठोस प्रमाण प्रदान करता है कि एआई को प्रस्तुत किए जाने वाले विकल्प खुद बुद्धिमत्ता जितने ही महत्वपूर्ण हैं। यह दिखाता है कि काम शुरू करने से पहले थोड़ा सा सावधानीपूर्वक छंटनी करना इस बात में बड़ा अंतर ला सकता है कि काम पूरा होगा या नहीं।
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।