A Compact Formula-Aware Spreadsheet Abstraction for Large Language Models
यह शोध पत्र एक संक्षिप्त, फॉर्मूला-जागरूक स्प्रेडशीट एब्स्ट्रैक्शन (abstraction) प्रस्तुत करता है जो वास्तविक दुनिया की स्प्रेडशीट्स को प्रोसेस करने में लार्ज लैंग्वेज मॉडल्स की सटीकता, विश्वसनीयता और टोकन दक्षता को बढ़ाने के लिए बड़े सजातीय श्रेणियों (homogeneous ranges) को एक टेक्स्टुअल फॉर्मेट में कुशलतापूर्वक व्यवस्थित 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 कार्यस्थल में, स्प्रेडशीट निर्णय लेने के मौन इंजन हैं, जो साधारण किराने की सूची से लेकर जटिल वित्तीय पूर्वानुमानों तक सब कुछ संभालते हैं। वे अद्वितीय हैं क्योंकि वे कच्चे डेटा को निर्देशों के साथ जोड़ते हैं, जिन्हें फॉर्मूला कहा जाता है, जो कंप्यूटर को बताते हैं कि पुराने नंबरों से नए नंबरों की गणना कैसे की जाए। दशकों से, मनुष्यों ने इन द्वि-आयामी ग्रिडों को सहज पाया है, लेकिन कंप्यूटर इन्हें समझने में संघर्ष करते रहे हैं। जबकि आर्टिफिशियल इंटेलिजेंस (AI) हाल ही में टेक्स्ट पढ़ने और कोड लिखने में बहुत कुशल हो गया है, यह अक्सर स्प्रेडशीट को देखने के लिए कहा जाने पर लड़खड़ा जाता है। ऐसा इसलिए है क्योंकि एक AI आमतौर पर स्प्रेडशीट को शब्दों और संख्याओं की एक लंबी, सपाट सूची के रूप में देखता है, जिससे वह उस छिपी हुई संरचना को नहीं देख पाता जो ग्रिड को कार्यशील बनाती है। जब एक AI इस तरह से एक विशाल स्प्रेडशीट को पढ़ने की कोशिश करता है, तो वह अक्सर खो जाता है, गणना में त्रुटियां करता है, या इतनी अधिक कंप्यूटर मेमोरी की मांग करता है कि प्रक्रिया बहुत धीमी और महंगी हो जाती है।
एक शोधकर्ता ने इस अंतर को पाटने का एक नया तरीका विकसित किया है, जिससे एक ऐसी विधि बनाई गई है जो आर्टिफिशियल इंटेलिजेंस को विशिष्ट नंबरों के अंदर जाने से पहले स्प्रेडशीट के आकार और तर्क को समझने में मदद करती है। पूरी स्प्रेडशीट को सेल दर सेल AI को खिलाने के बजाय, उनका सिस्टम पहले ग्रिड को स्कैन करता है ताकि डेटा के उन बड़े ब्लॉकों को खोजा जा सके जो एक ही पैटर्न का पालन करते हैं। फिर यह इन ब्लॉकों का एक संक्षिप्त सारांश, या एब्स्ट्रैक्शन (abstraction), बनाता है। यह सारांश AI को बताता है कि प्रत्येक अनुभाग में किस प्रकार का डेटा है—चाहे वह तारीखों की सूची हो, कीमतों का कॉलम हो, या गणनाओं का एक सेट हो—और यह भी दिखाता है कि विभिन्न भाग आपस में कैसे जुड़ते हैं। महत्वपूर्ण रूप से, इस सारांश में उपयोग किए गए नियम भी शामिल हैं जिनका उपयोग मूल्यों की गणना के लिए किया जाता है, जिन्हें इस तरह लिखा गया है जिसे AI आसानी से पढ़ सके, साथ ही प्रत्येक ब्लॉक के किनारों से कुछ नमूना नंबर भी दिए गए हैं ताकि पैमाने का बोध हो सके।
शोधकर्ता ने इस दृष्टिकोण का परीक्षण विभिन्न आकारों और जटिल प्रश्नों वाले पचास वास्तविक दुनिया के परिदृश्यों पर किया। उन्होंने अपने नए तरीके की तुलना मानक तरीके से की, जिसमें संपूर्ण स्प्रेडशीट सामग्री को AI को भेजना शामिल है। परिणामों ने दिखाया कि कई मामलों में, AI केवल संक्षिप्त सारांश का उपयोग करके प्रश्नों के सही उत्तर दे सकता था, बिना पूरी संख्याओं की सूची देखे। इसने काफी समय और कंप्यूटर संसाधनों की बचत की। उन मामलों में जहाँ AI को अधिक विवरण की आवश्यकता थी, सारांश ने इसे सटीक रूप से यह पहचानने में मदद की कि स्प्रेडशीट का कौन सा छोटा हिस्सा प्रासंगिक है, बजाय इसके कि वह पूरी चीज़ की मांग करे। इस सटीकता ने डेटा की मात्रा को कहनात्मक रूप से 77 प्रतिशत कम कर दिया और कुल कंप्यूटिंग लागत को 86 प्रतिशत कम कर दिया।
पैसे और समय बचाने के अलावा, इस नई विधि ने AI को बहुत अधिक विश्वसनीय बना दिया। जब शोधकर्ता ने एक ही प्रश्न कई बार चलाए, तो मानक दृष्टिकोण अक्सर अलग या गलत उत्तर देता था, कभी-कभी सही सेल खोजने में विफल रहता या टेबल की संरचना को गलत समझ लेता था। इस नए सारांश-आधारित दृष्टिकोण के साथ, AI की सटीकता नाटकीय रूप से सुधर गई, और 22 में से 16 कठिन मामलों में, इसने हर बार सही उत्तर प्रदान किया। शोधकर्ता ने पाया कि AI को पहले स्प्रेडशीट की संरचना का एक स्पष्ट मानचित्र देने से, सिस्टम डेटा के बारे में बहुत अधिक प्रभावी ढंग से तर्क कर सकता था, जिससे उस भ्रम से बचा जा सका जो आमतौर पर तब उत्पन्न होता है जब वह एक विशाल टेक्स्ट वॉल को पार्स करने की कोशिश करता है।
अध्ययन ने यह भी रेखांकित किया कि इस तकनीक में अभी कहाँ सुधार की गुंजाइश है। वर्तमान विधि डेटा के ऊंचे, लंबवत कॉलम खोजने में बहुत अच्छी है जो एक पैटर्न को दोहराते हैं, जो अधिकांश व्यावसायिक स्प्रेडशीट में आम है। हालाँकि, यह उन स्प्रेडशीट्स के साथ कम प्रभावी है जिनमें बिखरे हुए डेटा बिंदु हैं या सूचना की चौड़ी, क्षैतिज पंक्तियाँ हैं जो कॉलम में ठीक से फिट नहीं होती हैं। शोधकर्ता ने नोट किया कि उनका सिस्टम अभी तक उन सेल्स (cells) को भी ध्यान में नहीं रखता है जो हेडर या विजुअल ब्लॉक्स बनाने के लिए आपस में जुड़े (merged) होते हैं, जो उपयोगकर्ता द्वारा बनाई गई कई फाइलों की एक सामान्य विशेषता है। इन सीमाओं के बावजूद, यह कार्य आर्टिफिशियल इंटेलिजेंस के साथ पारंपरिक कंप्यूटर विश्लेषण को जोड़ने की दिशा में एक शक्तिशाली नया मार्ग प्रदर्शित करता है। AI के जुड़ने से पहले स्प्रेडशीट के लेआउट को समझने के लिए एक स्टैटिक एनालिसिस तकनीक का उपयोग करके, सिस्टम सटीकता और दक्षता के मजबूत आश्वासन प्रदान कर सकता है, जिससे संख्याओं के अराजक ग्रिड को मशीन के पढ़ने के लिए एक स्पष्ट, समझने योग्य कहानी में बदला 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।