HiBRIDGE: A Hierarchical Bayesian Neural Network Framework for Interpretable Dialogue Management in Group-Robot Interaction

कल्पना कीजिए कि एक रोबोट एक ऐसे कमरे में प्रवेश करता है जहाँ तीन लोग पहले से ही बातचीत कर रहे हैं। इस बातचीत में शामिल होने के लिए, बिना किसी भ्रम या अजीब स्थिति पैदा किए, मशीन को एक सेकंड के भीतर यह निर्णय लेना होगा: उसे किससे बात करनी चाहिए और उसे क्या कहना चाहिए? क्या उसे बातचीत को जारी रखने के लिए बाईं ओर बैठे व्यक्ति से कोई प्रश्न पूछना चाहिए? क्या उसे पूरे समूह को कोई चुटकुला सुनाना चाहिए? या उसे बस चुपचाप सुनना चाहिए? मानव-रोबोट संपर्क की जटिल दुनिया में, शायद ही कभी कोई एक "सही" उत्तर होता है। कई विकल्प एक ही समय में तर्कसंगत लग सकते हैं, और सही कदम पूरी तरह से उस क्षण के बदलते संदर्भ पर निर्भर करता है। इन समूह परिवेशों में एक सच्चा साथी बनने के लिए, एक रोबोट को केवल एक स्क्रिप्ट की आवश्यकता नहीं है; उसे इन संभावनाओं को तौलने, सीमित अनुभव से सीखने और अपने विकल्पों को इस तरह समझाने के तरीके की आवश्यकता है जिसे मनुष्य समझ सकें।

यह वह चुनौती है जिसे एक टीम के शोधकर्ताओं ने हल किया है जिन्होंने 'HiBRIDGE' नामक एक नया सिस्टम विकसित किया है। उनका काम एक सामाजिक रोबोट के "मस्तिष्क" पर केंद्रित है—वह हिस्सा जो यह तय करता है कि समूह में व्यवहार कैसे किया जाए। एक एकल, विशाल गणना पर निर्भर रहने के बजाय जो एक ही बार में पूर्ण प्रतिक्रिया का अनुमान लगाने की कोशिश करती है, शोधकर्ताओं ने इस निर्णय को छोटे, तार्किक चरणों में विभाजित किया है। उन्होंने एक ऐसा सिस्टम बनाया जो पहले यह तय करता है कि क्या रोबोट को बोलना चाहिए या नहीं, फिर यह तय करता है कि पूरे समूह को संबोधित करना है या केवल एक व्यक्ति को, और अंत में यह तय करता है कि किस प्रकार की बात कहनी है, जैसे कि प्रश्न पूछना या कोई कथन देना। महत्वपूर्ण रूप से, उन्होंने इस सिस्टम को अनिश्चितता को संभालने के लिए डिज़ाइन किया है। क्योंकि वास्तविक दुनिया की अंतःक्रियाएं अव्यवस्थित होती हैं और डेटा एकत्र करना कठिन होता है, इसलिए यह सिस्टम एक ऐसे तरीके का उपयोग करता है जो इस बात को स्वीकार करता है कि वह उत्तर के बारे में 100% निश्चित नहीं हो सकता है, जिससे इसे कम उदाहरणों से भी प्रभावी ढंग से सीखने की अनुमति मिलती है।

शोधकर्ताओं ने तीन अलग-अलग रिकॉर्ड की गई बातचीत के सेटों का उपयोग करके इस नए ढांचे का परीक्षण किया। एक परिदृश्य में, एक रोबोट ने क्विज़ और चुटकुलों के साथ मॉल में खरीदारी करने वालों का मनोरंजन किया; दूसरे में, इसने एक अस्पताल की मेमोरी क्लिनिक में प्रश्नों के उत्तर दिए; और तीसरे में, इसने रूममेट्स के बीच एक नेगोशिएशन गेम (मोलभाव के खेल) को संचालित करने में मदद की। जब उन्होंने मौजूदा तरीकों के मुकाबले, जिनमें बड़े भाषा मॉडल (LLMs) भी शामिल थे, अपने नए सिस्टम की तुलना की, तो HiBRIDGE बेहतर प्रदर्शन करता है। यह कठिन कार्यों और डेटा की कमी के दौरान सही व्यवहार की भविष्यवाणी करने में विशेष रूप से प्रभावी था। अध्ययन से पता चला कि जो दृष्टिकोण रोबोट के निर्णय लेने को संभाव्यता चरणों (probabilistic steps) की एक श्रृंखला के रूप में मानता है—अनिवार्य रूप से विभिन्न परिणामों की संभावनाओं को तौलता है—उसने उन प्रणालियों की तुलना में लगातार बेहतर प्रदर्शन किया जो एक एकल, निश्चित भविष्यवाणी करने की कोशिश करती हैं। यह सुझाव देता है कि अनिश्चितता को स्वीकार करने से वास्तव में अप्रत्याशित सामाजिक स्थितियों में रोबोट अधिक स्मार्ट बन सकता है।

केवल अधिक सटीक होने के अलावा, टीम यह भी जानना चाहती थी कि क्या यह चरण-दर-चरण संरचना रोबोट को समझने में आसान बनाती है। इसका परीक्षण करने के लिए, उन्होंने 20 प्रतिभागियों के साथ एक ऑनलाइन अध्ययन चलाया। उन्होंने लोगों को रोबोट की अंतःक्रियाओं के वीडियो क्लिप दिखाए और उनके द्वारा दिए गए स्पष्टीकरणों का विश्लेषण किया कि रोबोट ने उस तरह से व्यवहार क्यों किया। कुछ स्पष्टीकरण नए, संरचित सिस्टम से आए थे, जबकि अन्य एक सरल, "फ्लैट" सिस्टम से आए थे जो अपने सभी निर्णय एक साथ लेता है। परिणामों ने एक स्पष्ट प्राथमिकता दिखाई: लोगों ने पाया कि संरचित सिस्टम से मिलने वाले स्पष्टीकरण अधिक सहायक और समझने में आसान थे। जब उन्हें दोनों के बीच चुनने के लिए कहा गया, तो प्रतिभागियों ने लगातार उन स्पष्टीकरणों को चुना जो रोबोट की मध्यवर्ती विचार प्रक्रिया को प्रकट करते थे, जैसे कि "रोबोट ने पूरे समूह से एक प्रश्न पूछने का निर्णय लिया क्योंकि बातचीत रुक गई थी।" यह इंगित करता है कि केवल अंतिम परिणाम दिखाने के बजाय, निर्णय के पीछे के "क्यों" को दिखाना, मनुष्यों को मशीन पर भरोसा करने और उसे समझने में मदद करता है।

यह देखने के लिए कि क्या यह वास्तविक दुनिया में काम करता है, शोधकर्ताओं ने एक पूरी तरह से स्वायत्त रोबोट बनाया और 12 लोगों के साथ आमने-सामने के परिवेश में इसका परीक्षण किया। कैमरों और माइक्रोफोन से लैस रोबोट ने, एक समूह की बातचीत सुनी, यह तय किया कि कब बोलना है, और फिर अपने शब्द और हाव-भाव उत्पन्न किए। अध्ययन से पता चला कि यह सिस्टम वास्तविक समय में सुचारू रूप से काम करता है। प्रतिभागियों ने रोबोट के व्यवहार को उपयुक्त और उपयोगी माना, चाहे रोबोट जटिल, संरचित निर्णय लेने वाले मॉडल का उपयोग कर रहा हो या सरल संस्करण का। हालांकि संरचित मॉडल हर एक रेटिंग में सरल मॉडल की तुलना में सांख्यिकीय रूप से बेहतर नहीं था, लेकिन इसे बातचीत के प्रवाह को प्रबंधित करने और सभी को शामिल करने में लगातार थोड़ा बेहतर माना गया। इस वास्तविक दुनिया के परीक्षण ने साबित कर दिया कि नया ढांचा केवल एक सैद्धांतिक अभ्यास नहीं है, बल्कि एक व्यावहारिक उपकरण है जो एक रोबोट पर चल सकता है, जो प्राकृतिक और आकर्षक उपस्थिति बनाए रखते हुए पलक झपकते ही निर्णय ले सकता है।

यह कार्य बुद्धिमान मशीनों को डिजाइन करने के तरीके में दोहरे लाभ को उजागर करता है। अनिश्चितता को संभालने वाला गणितीय दृष्टिकोण रोबोट को तेजी से सीखने और सीमित डेटा के साथ बेहतर प्रदर्शन करने में मदद करता है, जो वास्तविक दुनिया की रोबोटिक्स में आम है। वहीं दूसरी ओर, निर्णय लेने की चरण-दर-चरण संरचना रोबोट के मस्तिष्क में एक स्पष्ट खिड़की प्रदान करती है, जिससे उसके कार्य उन लोगों के लिए अधिक पारदर्शी हो जाते हैं जिनके साथ वह अंतःक्रिया करता है। इन दोनों तत्वों को जोड़कर, शोधकर्ताओं ने ऐसे रोबoles के लिए एक आधार तैयार किया है जो न केवल जटिल सामाजिक समूहों में नेविगेट करने में सक्षम हैं, बल्कि अपने विकल्पों को समझाने में भी सक्षम हैं जो तार्किक और मानवीय लगता है। यह क्षेत्र को एक ऐसे भविष्य के करीब ले जाता है जहाँ रोबोट हमारी बातचीत में केवल उपकरणों के रूप में नहीं, बल्कि समझदार साथियों के रूप में भाग ले सकते हैं।