आधुनिक दुनिया में, कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) सवालों के जवाब देने के लिए एक परिचित साथी बन गई है, चाहे वह यात्रा की योजना बनाना हो या ईमेल का मसौदा तैयार करना। स्वास्थ्य और पोषण के क्षेत्र में, लोग क्या खाना चाहिए या वजन कैसे कम करना चाहिए, इस पर सलाह के लिए तेजी से चैटबॉट्स की ओर रुख कर रहे हैं। हालांकि, एक सामान्य उत्तर और एक ऐसे उत्तर के बीच एक बड़ा अंतर बना हुआ है जो वास्तव में किसी व्यक्ति की मदद करता है। एक ऐसी सिफारिश जो व्यक्ति की विशिष्ट आयु, वजन, चिकित्सा इतिहास और दैनिक आदतों को नजरअंदाज करती है, वह एक व्यक्तिगत योजना से मौलिक रूप से भिन्न होती है। जबकि कई वर्तमान उपकरण उपयोगकर्ता की प्रोफाइल को केवल एक अनुरोध में पेस्ट करके सलाह को अनुकूलित करने का प्रयास करते हैं, वे बोलने से पहले विवरणों को वास्तव में समझने में अक्सर विफल रहते हैं। यह एक महत्वपूर्ण संरचनात्मक अंतराल छोड़ देता है: कंप्यूटर डेटा को देखता तो है, लेकिन वह इस बात का विश्लेषण करने के लिए नहीं रुकता कि उस डेटा का उस विशिष्ट व्यक्ति के लिए क्या अर्थ है।

सेंट पीटर्सबर्ग के आईटीएमओ (ITMO) यूनिवर्सिटी के शोधकर्ताओं ने इस अंतर को पाटने के लिए एक नई विधि विकसित की है, जिसका लक्ष्य पोषण संबंधी सलाह को अधिक सुरक्षित और उपयोगी बनाना है। वे अपने दृष्टिकोण को PA-CoT कहते हैं, जिसका अर्थ है 'प्रोफाइल-एडेप्टिव चेन-ऑफ-थॉट' (Profile-Adaptive Chain-of-Thought)। उत्तर देने की जल्दबाजी करने के बजाय, यह विधि कृत्रिम बुद्धिमत्ता को एक व्यक्ति के प्रोफाइल का एक अलग, समर्पित कार्य के रूप में विश्लेषण करने के लिए एक विचारशील कदम पीछे हटने के लिए मजबूर करती है। इसे एक ऐसे डॉक्टर के रूप में समझें जो रोगी से बात करने से पहले उसके चार्ट को पढ़ता है और मुख्य समस्याओं को लिख लेता है, बजाय इसके कि वह बात करते समय ही निदान (डायग्नोसिस) करने की कोशिश करे। शोधकर्ताओं ने इस विचार का परीक्षण ग्यारह अन्य सामान्य प्रॉम्प्टिंग विधियों के विरुद्ध किया, जिसमें 200 वास्तविक पोषण संबंधी परामर्श परिदृश्यों का एक नया सेट उपयोग किया गया। उनके निष्कर्ष बताते हैं कि उपयोगकर्ता के डेटा के विश्लेषण को सलाह उत्पन्न करने से अलग करके, यह प्रणाली मानक तरीकों द्वारा उत्पादित परिणामों की तुलना में काफी अधिक व्यक्तिगत और सुरक्षित सिफारिशें प्रदान करती है।

इस नई पद्धति का मूल आधार यह है कि यह सोचने की प्रक्रिया को कैसे व्यवस्थित करती है। पारंपरिक दृष्टिकोणों में, एआई को एक प्रश्न और उपयोगकर्ता की प्रोफाइल वाला एक टेक्स्ट ब्लॉक प्राप्त होता है, और फिर वह सब कुछ एक साथ हल करने का प्रयास करता है। शोधकर्ताओं ने पाया कि इससे अक्सर एआई महत्वपूर्ण विवरणों को छोड़ देता है या ऐसी सामान्य सलाह देता है जो हानिकारक हो सकती है। PA-CoT इस कार्यप्रवाह (वर्कफ्लो) को अलग-अलग चरणों में तोड़कर इसे बदल देता है। सबसे पहले, सिस्टम उपयोगकर्ता की प्रोफाइल का विश्लेषण करता है ताकि उन सबसे महत्वपूर्ण बिंदुओं की पहचान की जा सके जिन्हें उत्तर में संबोधित किया जाना चाहिए। यह विशिष्ट मानों को देखता है, जैसे कि आयु, वजन और आहार संबंधी लक्ष्य, और यह निर्धारित करता है कि प्रतिक्रिया को वास्तव में क्या कवर करने की आवश्यकता है। यह चरण अगले चरण के लिए एक स्पष्ट रोडमैप तैयार करता है। यह विश्लेषण पूरा होने के बाद ही एआई वास्तविक प्रतिक्रिया उत्पन्न करता है, और यह सुनिश्चित करने के लिए रोडमैप का उपयोग करता है कि डेटा का प्रत्येक प्रासंगिक हिस्सा सलाह में बुना गया है। अंत में, तीसरा चरण एक सुरक्षा जांच के रूप में कार्य करता है, जो उत्पन्न उत्तर की समीक्षा करता है ताकि यह सुनिश्चित हो सके कि इसमें कोई हानिकारक सिफारिश नहीं है और इसमें संवेदनशील समूहों के लिए आवश्यक चेतावनियाँ शामिल हैं।

यह परीक्षण करने के लिए कि क्या यह अतिरिक्त कदम वास्तव में कोई अंतर पैदा करता है, टीम ने QPA नामक एक नया बेंचमार्क बनाया, जिसका अर्थ है 'क्वेश्चन-प्रोफाइल-आंसर' (Question-Profile-Answer)। उन्होंने इस डेटासेट को ऑनलाइन मंचों पर पाए गए हजारों वास्तविक चिकित्सा प्रश्नों से बनाया है, और केवल उन्हीं को फ़िल्टर किया जो पोषण से संबंधित थे। प्रत्येक प्रश्न के लिए, उन्होंने उपयोगकर्ता के प्रोफाइल विवरण निकाले, जैसे कि उनकी आयु, वजन और स्वास्थ्य लक्ष्य, जिससे 200 परीक्षण मामलों का एक संरचित सेट तैयार हुआ। ये मामले वास्तविक दुनिया की स्थितियों की नकल करने के लिए बनाए गए थे जहाँ डेटा अधूरा हो सकता है, जैसा कि अक्सर वास्तविक स्वास्थ्य ऐप्स में होता है। शोधकर्ताओं ने फिर अपनी PA-CoT विधि को कई अन्य तकनीकों के विरुद्ध चलाया, जिसमें मानक प्रॉम्प्टिंग, बार-बार दोहराव के माध्यम से उत्तरों को परिष्कृत करने वाली विधियाँ, और प्रश्नों को पूछने के तरीके को अनुकूलित करने वाले स्वचालित सिस्टम शामिल थे। प्रत्येक प्रतिक्रिया को एक उन्नत एआई जज द्वारा चार मानदंडों पर स्कोर किया गया था: क्या सलाह तथ्यात्मक रूप से सही थी, क्या इसने प्रश्न के सभी हिस्सों को कवर किया, इसने उपयोगकर्ता की विशिष्ट प्रोफाइल का कितनी अच्छी तरह से उपयोग किया, और क्या यह सुरक्षित थी।

परिणाम स्पष्ट और निर्णायक थे। PA-Coet ने परीक्षण की गई बारह विधियों में से उच्चतम औसत स्कोर प्राप्त किया। इससे भी महत्वपूर्ण बात यह है कि यह दो क्षेत्रों में सबसे आगे रहा जो स्वास्थ्य सलाह के लिए सबसे महत्वपूर्ण हैं: वैयक्तिकरण (पर्सनलाइजेशन) और सुरक्षा। यह विधि अपने निकटतम प्रतिद्वंद्वी की तुलना में वैयक्तिकरण पर काफी अधिक स्कोर करती है, और यह अंतर इतना बड़ा है कि सांख्यिकीय विश्वास अंतराल (कॉन्फिडेंस इंटरवल) आपस में नहीं मिलते। इसका मतलब है कि यह सुधार कोई इत्तेफाक नहीं बल्कि एक सुसंगत परिणाम था। इसी तरह, इसने सुरक्षा पर भी उच्चतम स्कोर किया, जिससे यह सुनिश्चित हुआ कि सलाह हानिकारक सिफारिशों से मुक्त है। शोधकर्ताओं ने पाया कि अन्य जटिल विधियाँ, जो प्रश्न को स्वचालित रूप से अनुकूलित करने या कई पुनरावृत्तियों के माध्यम से उत्तर को परिष्कृत करने की कोशिश करती थीं, उतना अच्छा प्रदर्शन नहीं कर पाईं। वास्तव में, इनमें से कुछ अधिक जटिल दृष्टिकोणों ने सरल विधियों की तुलना में वैयक्तिकरण पर कम स्कोर किया। यह सुझाव देता है कि जटिलता जोड़ने से स्वतः ही बेहतर परिणाम नहीं मिलते; इसके बजाय, कुंजी उपयोगकर्ता की प्रोफाइल का उत्तर देने से पहले उसका विश्लेषण करने का विशिष्ट वास्तुशिल्प (आर्किटेक्चरल) विकल्प था।

सबसे उल्लेखनीय निष्कर्षों में से एक यह था कि इस पद्धति ने मददगार होने और सुरक्षित होने के बीच के संतुलन को कैसे संभाला। कई पिछले प्रयासों में, एआई को अधिक व्यक्तिगत बनाने से अक्सर जोखिम बढ़ जाता था, क्योंकि सिस्टम उपयोगकर्ता के डेटा के साथ तालमेल बिठाने की बहुत अधिक कोशिश करता था और अनजाने में कुछ खतरनाक सुझाव दे देता था। PA-CoT ने कार्यों को अलग करके इस समस्या को हल किया। जो चरण व्यक्तिगत सलाह बनाता है वह पूरी तरह से उपयोगकर्ता के डेटा का उपयोग करने पर केंद्रित था, जबकि एक अलग चरण पूरी तरह से सुरक्षा पर केंद्रित था। इसने सिस्टम को सुरक्षा से समझौता किए बिना अत्यधिक अनुकूलित होने की अनुमति दी। उदाहरण के लिए, वजन घटाने की कोशिश कर रहे एक किशोर से जुड़े एक परीक्षण मामले में, सिस्टम ने सही ढंग से पहचाना कि उपयोगकर्ता की आयु और वजन महत्वपूर्ण कारक थे और एक ऐसी योजना बनाई जो उन सीमाओं का सम्मान करती थी, साथ ही पेशेवर चिकित्सा पर्यवेक्षण की आवश्यकता को भी रेखाट दिया। इसके विपरीत, अन्य विधियों ने अक्सर सामान्य सलाह दी जिसने उपयोगकर्ता की आयु को नजरअंदाज किया या आवश्यक सुरक्षा चेतावनियाँ देने में विफल रही।

शोधकर्ताओं ने यह भी पता लगाया कि इस प्रणाली के प्रभावी ढंग से काम करने के लिए कितने डेटा की आवश्यकता है। उन्होंने पाया कि भले ही उपयोगकर्ता की प्रोफाइल अधूरी हो, जिसमें कई क्षेत्र अज्ञात चिह्नित हों, फिर भी यह पद्धति अच्छा प्रदर्शन करती है। यह पहचान सकता है कि कौन सी जानकारी गायब है और वास्तविक दुनिया के उत्पाद सेटिंग में, इन अंतरालों को भरने के लिए उपयोगकर्ता से फॉलो-अप प्रश्न पूछने के लिए डिज़ाइन किया जा सकता है। वर्तमान अध्ययन में, सिस्टम उपलब्ध निश्चित डेटा के साथ काम करता है, लेकिन इसकी संरचना वास्तविक बातचीत की गतिशील प्रकृति को संभालने के लिए बनाई गई है। इस पद्धति का उपयोग करने की लागत पर भी विचार किया गया; हालांकि इसके लिए एक साधारण एक-चरणीय उत्तर की तुलना में अधिक कंप्यूटर प्रोसेसिंग चरणों की आवश्यकता होती है, लेकिन गुणवत्ता और सुरक्षा में महत्वपूर्ण लाभ की तुलना में अतिरिक्त लागत न्यूनतम है।

यह कार्य इस बात पर प्रकाश डालता है कि कैसे कृत्रिम बुद्धिमत्ता को स्वास्थ्य जैसे संवेदनशील क्षेत्रों में लागू किया जा सकता है। यह प्रदर्शित करता है कि मॉडल को सोचने के लिए कैसे प्रॉम्प्ट किया जाता है, यह मॉडल के स्वयं के होने जितना ही महत्वपूर्ण है। उपयोगकर्ता की प्रोफाइल को एक स्थिर टेक्स्ट ब्लॉक के बजाय, समर्पित विश्लेषण के विषय के रूप में मानकर, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो मदद मांगने वाले व्यक्ति की विशिष्टता का सम्मान करता है। अध्ययन यह दावा नहीं करता है कि यह प्रणाली पेशेवर डॉक्टरों या आहार विशेषज्ञों की जगह लेती है; लेखक स्पष्ट रूप से कहते हैं कि यह एक शोध प्रोटोटाइप है और वास्तविक दुनिया में तैनाती के लिए मानव विशेषज्ञों द्वारा सत्यापन की आवश्यकता होगी। हालांकि, परिणाम इस बात का पुख्ता सबूत देते हैं कि तर्क करने के एक संरचित, बहु-चरणीय दृष्टिकोण से एआई-जनित सलाह की गुणवत्ता में काफी सुधार किया जा सकता है। जैसे-जैसे कृत्रिम बुद्धिमत्ता दैनिक जीवन में एकीकृत हो रही है, इस तरह की विधियाँ ऐसे उपकरणों की ओर मार्ग प्रशस्त करती हैं जो न केवल स्मार्ट हैं, बल्कि विचारशील, सुरक्षित और उन लोगों के लिए वास्तव में सहायक भी हैं जिन्हें उनकी सबसे अधिक आवश्यकता है।