💻 computer science

UAMG-RAG: Adaptive Multi-Granularity Retrieval-Augmented Generation with Uncertainty-Guided Re-Retrieval

यह शोध पत्र UAMG-RAG का प्रस्ताव करता है, जो प्रश्न की जटिलता के आधार पर रिट्रीवल डेप्थ (retrieval depth) और डॉक्यूमेंट ग्रैनुलैरिटी (document granularity) को गतिशील रूप से समायोजित करता है और तर्क प्रदर्शन को बढ़ाने तथा मतिभ्रम (hallucinations) को कम करने के लिए अनसर्टेन्टी-गाइडेड री-रिट्रीवल (uncertainty-guided re-retrieval) का उपयोग करता है, जिससे HotpotQA और WikiHow बेंचमार्क पर महत्वपूर्ण सुधार प्राप्त होते हैं।

मूल लेखक: Shreya B S, Kayarvizhy N

प्रकाशित 2026-07-03

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shreya B S, Kayarvizhy N

मूल पेपर CC BY 4.0 (https://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

कल्पना कीजिए कि आपके पास एक बहुत ही बुद्धिमान लेकिन थोड़ा भूलक्कड़ सहायक (AI) है जो आपके सवालों के जवाब देने की कोशिश कर रहा है। इस सहायक ने अपने प्रशिक्षण के दौरान किताबों का एक विशाल पुस्तकालय पढ़ा है, लेकिन यह अक्सर चीजें मनगढ़ंत बना लेता है (hallucinations) या पुराने उत्तर देता है क्योंकि यह केवल अपनी याददाश्त पर निर्भर करता है।

इसे ठीक करने के लिए, हम आमतौर पर सहायक को एक "सर्च इंजन" (रिट्रीवल-ऑगमेंटेड जनरेशन, या RAG) देते हैं ताकि वह उत्तर देने से पहले एक डेटाबेस से तथ्य खोज सके। हालांकि, यह शोध पत्र तर्क देता है कि वर्तमान के अधिकांश सर्च इंजन कठोर वेंडिंग मशीन की तरह हैं: वे हमेशा स्नैक्स (दस्तावेजों) की सटीक समान मात्रा (granularity) निकालते हैं, चाहे आपने "2+2 क्या है?" जैसा सरल प्रश्न पूछा हो या "रोम के पतन की घटनाओं की श्रृंखला क्या थी?" जैसा जटिल प्रश्न।

यह "एक ही आकार सबके लिए" (one-size-fits-all) वाला दृष्टिकोण अक्षम है। यह सरल प्रश्नों के लिए बहुत अधिक जानकारी खोजने में समय बर्बाद करता है और कठिन प्रश्नों के लिए पर्याप्त नहीं होता है।

समाधान: UAMG-RAG

लेखक UAMG-RAG नामक एक नया सिस्टम प्रस्तावित करते हैं। इसे एक "स्मार्ट, एडेप्टिव लाइब्रेरियन" (अनुकूलनशील पुस्तकालयाध्यक्ष) के रूप में अपग्रेड करने के बारे में सोचें। यह लाइब्रेरियन केवल किताबें ही नहीं लाता; वह यह भी समझता है कि आपकी विशिष्ट आवश्यकताओं के आधार पर उन्हें कैसे प्राप्त करना है।

यह कैसे काम करता है, यहाँ इसके सरल चरणों का विवरण दिया गया है:

1. "डिटेक्टिव" चरण (प्रश्न को समझना)

खोजने से पहले, सिस्टम एक जासूस की तरह कार्य करता है। यह आपके प्रश्न का विश्लेषण करके अनुमान लगाता है:

यह किस प्रकार का प्रश्न है? क्या यह एक सरल तथ्य की जांच है, एक बहु-चरणीय पहेली है, या एक "कैसे करें" (how-to) मार्गदर्शिका है?
यह कितना कठिन है? क्या यह एक त्वरित खोज है या इसके लिए गहन सोच की आवश्यकता है?

2. "स्मार्ट फेच" चरण (एडेप्टिव रिट्रीवल)

डिटेक्टिव की रिपोर्ट के आधार पर, लाइब्रेरियन अपनी रणनीति बदल देता है:

सरल प्रश्नों के लिए: यह एक छोटा, सटीक अंश (जैसे कि एक एकल वाक्य) लेता है ताकि सटीक तथ्य जल्दी मिल सके।
जटिल पहेलियों के लिए: यह एक पूरा पैराग्राफ या पुस्तक का एक खंड लेता है ताकि यह सुनिश्चित हो सके कि उसके पास पहेली के सभी जोड़ने वाले हिस्से मौजूद हैं।
"डेप्थ" (गहराई) का समायोजन: यह यह भी तय करता है कि कितने दस्तावेज़ लाने हैं। एक सरल प्रश्न के लिए कम दस्तावेज़ मिलते हैं; एक जटिल प्रश्न के लिए अधिक।

उपमा: यदि आप पूछते हैं, "राष्ट्रपति कौन हैं?", तो लाइब्रेरियन नाम के साथ एक स्टिकी नोट आपको थमाता है। यदि आप पूछते हैं, "मैं सावरडो (sourdough) ब्रेड कैसे बनाऊं?", तो लाइब्रेरियन आपको पूरी रेसिपी वाला अध्याय थमाता है।

3. "सेल्फ-चेक" चरण (अनिश्चितता-निर्देशित पुन: खोज)

यह सिस्टम का "सुरक्षा जाल" है। जानकारी प्राप्त करने और AI द्वारा उत्तर लिखने के बाद, सिस्टम खुद से पूछता है: "क्या मैं 100% आश्वस्त हूँ कि यह उत्तर उन दस्तावेजों द्वारा समर्थित है जो मैंने अभी खोजे हैं?"

कॉन्फिडेंस मीटर: यह एक "अनिश्चितता स्कोर" (uncertainty score) की गणना करता है।
सुधार: यदि स्कोर बहुत अधिक है (जिसका अर्थ है कि AI अनुमान लगा रहा है या साक्ष्य कमजोर हैं), तो सिस्टम हार नहीं मानता। यह कहता है, "रुको, मुझे और सबूत चाहिए," और जानकारी के विशिष्ट हिस्सों को खोजने के लिए वापस लाइब्रेरी में जाता है। यह लूप तब तक दोहराता रहता है जब तक कि वह आश्वस्त न हो जाए।

यह क्यों महत्वपूर्ण है (परिणाम)

लेखकों ने अपने "स्मार्ट लाइब्रेरियन" का पुराने "कठोर वेंडिंग मशीन" के विरुद्ध दो प्रकार के परीक्षण प्रश्नों का उपयोग करके परीक्षण किया:

HotpotQA: कठिन प्रश्न जिनमें विभिन्न तथ्यों के बीच संबंध जोड़ने की आवश्यकता होती है (Multi-hop reasoning)।
WikiHow: चरण-दर-चरण निर्देशात्मक प्रश्न (प्रक्रियात्मक ज्ञान)।

निष्कर्ष:

बेहतर उत्तर: नए सिस्टम ने दोनों प्रकार के परीक्षणों पर काफी अधिक सही उत्तर (उच्च F1 स्कोर) प्राप्त किए।
कम झूठ: इसने मनगढ़ंत तथ्य (hallucinations) बहुत कम बार बनाए, विशेष रूप से "कैसे करें" वाले प्रश्नों के लिए।
दक्षता: यह वास्तव में तेज़ था। सरल प्रश्नों के लिए अनावश्यक किताबें न लाकर, इसने समय और कंप्यूटिंग पावर बचाई।
सीक्रेट सॉस: लेखकों ने पाया कि सूचना के टुकड़ों के आकार (वाक्यों से लेकर पूरे अनुभागों तक) को बदलने की क्षमता सबसे महत्वपूर्ण कारक थी। यदि वे इस सुविधा को हटा देते, तो सिस्टम का प्रदर्शन नाटकीय रूप से गिर जाता।

सीमाएं

लेखक ईमानदार हैं कि सिस्टम अभी भी कहाँ संघर्ष करता है:

अस्पष्टता: यदि कोई प्रश्न अस्पष्ट है या ऐसी पेचीदा भाषा का उपयोग करता है जो स्पष्ट रूप से यह नहीं दिखाती कि वह कितना कठिन है, तो "डिटेक्टिव" कठिनाई का गलत अनुमान लगा सकता है और गलत मात्रा में जानकारी ला सकता है।
छोटा पैमाना: परीक्षण विशिष्ट डेटासेट पर किए गए थे। हमें अभी तक यह नहीं पता है कि यह हर संभावित वास्तविक दुनिया के परिदृश्य में कैसा प्रदर्शन करेगा।
प्रक्रियात्मक कार्य: सरल "कैसे करें" वाले प्रश्नों के लिए, सुधार कम था क्योंकि पुराना सिस्टम पहले से ही उन कार्यों के लिए पूरे अनुभागों को लाने में काफी अच्छा था।

सारांश

संक्षेप में, UAMG-RAG एक ऐसा सिस्टम है जो AI को एक कठोर रोबोट के बजाय एक लचीला शोधकर्ता बनना सिखाता है। यह यह पूछना सीखता है, "मुझे इस विशिष्ट प्रश्न के लिए वास्तव में कितनी जानकारी की आवश्यकता है?" और "क्या मैं खोजने के लिए पर्याप्त आश्वस्त हूँ?" इससे स्मार्ट, अधिक सटीक और अधिक विश्वसनीय उत्तर मिलते हैं।

तकनीकी सारांश: UAMG-RAG

समस्या विवरण

वर्तमान रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) सिस्टम अपनी स्थिर रिट्रीवल आर्किटेक्चर के कारण महत्वपूर्ण सीमाओं का सामना कर रहे हैं। मौजूदा पाइपलाइनों में आमतौर पर एक पूर्व-निर्धारित, निश्चित रिट्रीवल गहराई और एक एकल दस्तावेज़ ग्रैनुलैरिटी (जैसे कि निश्चित चंक साइज़) होती है, जो उपयोगकर्ता के विशिष्ट प्रश्न की जटिलता की परवाह किए बिना समान रहती है। यह "एक ही आकार सभी के लिए" (one-size-fits-all) वाला दृष्टिकोण कई गंभीर मुद्दों की ओर ले जाता है:

अक्षमता: सरल तथ्यात्मक प्रश्नों के लिए अत्यधिक रिट्रीवल (over-retrieval) होता है, जिससे कंप्यूटेशनल संसाधनों की बर्बादी होती है, जबकि जटिल मल्टी-हॉप या प्रक्रियात्मक (procedural) प्रश्नों के लिए अपर्याप्त संदर्भ (under-retrieval) रह जाता है।
भ्रम (Hallucinations): गतिशील अनुकूलन की कमी का अर्थ है कि रिट्रीवल किया गया साक्ष्य अक्सर उत्पन्न उत्तर का पर्याप्त समर्थन करने में विफल रहता है, जिससे कमजोर ग्राउंडिंग और तर्क-गहन कार्यों में उच्च दर से भ्रम की स्थिति पैदा होती है।
सत्यापन का अभाव: अधिकांश मौजूदा RAG पाइपलाइनों में उत्तर को अंतिम रूप देने से पहले यह मूल्यांकन करने के तंत्र की कमी होती है कि रिट्रीवल किए गए तथ्य उत्पन्न आउटपुट का पर्याप्त समर्थन करते हैं या नहीं।

Self-RAG, Corrective RAG और FLARE जैसे हालिया कार्य पुनरावृत्त परिशोधन (iterative refinement) या आत्म-चिंतन (self-reflection) तो पेश करते हैं, लेकिन वे मुख्य अनुकूलन चर (optimization variable) के रूप में अनुकूली ग्रैनुलैरिटी चयन (adaptive granularity selection) की अनदेखी करते हैं। इसके अलावा, कई अनुकूली ढांचे भारी ग्राफ संरचनाओं या भारी कॉन्फिडेंस एस्टीमेशन मॉडल पर निर्भर करते हैं जो स्केलेबिलिटी में बाधा डालते हैं।

कार्यप्रणाली: UAMG-RAG फ्रेमवर्क

लेखक UAMG-RAG (अनसर्टेन्टी-गाइडेड एडैप्टिव मल्टी-ग्रैनुलैरिटी रिट्रीवल-ऑगमेंटेड जनरेशन) प्रस्तावित करते हैं, जो एक एकीकृत फ्रेमवर्क है जिसे क्वेरी के इरादे और तर्क की जटिलता के आधार पर रिट्रीवल व्यवहार को गतिशील रूप से समायोजित करने के लिए डिज़ाइन किया गया है। यह सिस्टम पांच प्रमुख मॉड्यूल वाले एक क्लोज्ड-लूप पाइपलाइन के माध्यम से संचालित होता है:

1. क्वेरी इंटेंट और रीजनिंग कॉम्प्लेक्सिटी एस्टीमेशन

एक क्वेरी $Q$ प्राप्त होने पर, सिस्टम सबसे पहले इरादे को तीन श्रेणियों में वर्गीकृत करता है: तथ्यात्मक (factual), मल्टी-हॉप (multi-hop), या प्रक्रियात्मक (procedural)। यह साथ ही आवश्यक रीजनिंग एफर्ट ( $E$ ) का अनुमान लगाता है, जिसमें क्वेरी की लंबाई ( $L_q$ ), एंटिटी डेंसिटी ( $N_e$ ), और जटिल संकेतकों ( $C_q$ ) जैसी विशेषताओं का उपयोग किया जाता है। क्वेरी को लो (low), मीडियम (medium), या हाई (high) एफर्ट स्तरों में वर्गीकृत किया जाता है।

2. एडैप्टिव रिट्रीवल पॉलिसी सिलेक्शन

अनुमानित इरादे ( $I$ ) और एफर्ट ( $E$ ) के आधार पर, फ्रेमवर्क गतिशील रूप से निर्धारित करता है:

रिट्रीवल डेप्थ ( $k$ ): रिट्रीव किए जाने वाले दस्तावेज़ों की संख्या।
ग्रैनुलैरिटी ( $g$ ): चंक साइज़ का स्तर।
सिस्टम एक नियम-आधारित मैपिंग (जो पायलट वैलिडेशन से प्राप्त है) का उपयोग करता है जहाँ:
लो एफर्ट वाली क्वेरी सेंटेंस-लेवल ग्रैनुलैरिटी ( $G1$ ) पर शैलो रिट्रीवल ( $k=7$ ) को ट्रिगर करती है।
मीडियम एफर्ट वाली क्वेरी पैराग्राफ-लेवल ग्रैनुलैरिटी ( $G2$ ) पर मॉडरेट रिट्रीवल ( $k=8$ ) को ट्रिगर करती है।
हाई एफर्ट वाली क्वेरी सेक्शन-लेवल ग्रैनularity ( $G3$ ) पर डीप रिट्रीवल ( $k=10$ ) को ट्रिगर करती है।

3. मल्टी-ग्रैनुलैरिटी इंडेक्सिंग

अनुकूली नीति का समर्थन करने के लिए कॉर्पस को तीन अलग-अलग स्तरों पर इंडेक्स किया गया है:

G1 (सेंटेंस): ~100 टोकन, सटीक तथ्यात्मक रिट्रीवल के लिए अनुकूलित।
G2 (पैराग्राफ): ~200 टोकन, मल्टी-हॉप एनालिटिकल रीजनिंग के लिए अनुकूलित।
G3 (सेक्शन): ~385 टोकन, प्रक्रियात्मक और लॉन्ग-कॉन्टेक्स्ट रीजनिंग के लिए अनुकूलित।
कुशल नियर-नेबर सर्च के लिए Sentence-BERT एम्बेडिंग्स और FAISS का उपयोग करके डेंस रिट्रीवल किया जाता है।

4. अनसर्टेन्टी-गाइडेड आंसर जनरेशन

जेनेरेटर क्वेरी और रिट्रीव किए गए साक्ष्य $D_k$ की स्थिति में एक उत्तर $A$ उत्पन्न करता है। मानक RAG के विपरीत, सिस्टम आउटपुट को तुरंत स्वीकार नहीं करता है। इसके बजाय, यह एक लाइटवेट अनसर्टेन्टी मेट्रिक ( $U$ ) की गणना करता है जिसे इस प्रकार परिभाषित किया गया है:
$U = \alpha \cdot H + \beta \cdot (1 - O)$
जहाँ:

$H$ जेनरेशन कॉन्फिडेंस (एंट्रॉपी एप्रोक्सिमेशन) के लिए एक प्रॉक्सी है।
$O$ एविडेंस ओवरलैप है, जो उत्पन्न उत्तर के टोकन और रिट्रीव किए गए साक्ष्य के बीच लेक्सिकल अलाइनमेंट को मापता है।
$\alpha$ और $\beta$ वेटिंग पैरामीटर्स हैं।

5. इटरेटिव सेलेक्टिव री-रिट्रीवल

यदि अनसर्टेन्टी मेट्रिक $U$ , एक पूर्व-निर्धारित थ्रेशोल्ड $\tau$ से अधिक हो जाता है, तो सिस्टम रिफाइनमेंट लूप शुरू करता है:

डिटेक्शन: कमजोर रूप से ग्राउंडेड उत्तर स्पैन और मिसिंग एंटिटीज की पहचान करना।
रीफॉर्मुलेशन: मिसिंग जानकारी को लक्षित करने के लिए एक नई क्वेरी $Q'$ बनाना।
री-रिट्रीवल: नई क्वेरी के साथ फिर से एडैप्टिव रिट्रीवल करना।
यह लूप तब तक जारी रहता है जब तक कि अनसर्टेन्टी थ्रेशोल्ड से नीचे न गिर जाए या अधिकतम इटरेशन लिमिट तक न पहुँच जाए।

मुख्य योगदान

पेपर पाँच प्राथमिक योगदानों को रेखांकित करता है:

क्वेरी-एडैप्टिव फ्रेमवर्क: एक ऐसा सिस्टम जो अनुमानित रीजनिंग कॉम्प्लेक्सिटी के आधार पर रिट्रीवल डेप्थ और चंक ग्रैनुलैरिटी दोनों को गतिशील रूप से समायोजित करता है, जो स्थिर $k$ -वैल्यू नीतियों से आगे बढ़ता है।
मल्टी-ग्रैनुलैरिटी इंडेक्सिंग: एक यूनिफाइड पाइपलाइन जो सेंटेंस, पैराग्राफ और सेक्शन-लेवल रिट्रीवल का समर्थन करती है, जिससे सिस्टम विविध क्वेरी प्रकारों के लिए उपयुक्त कॉन्टेक्स्ट रेजोल्यूशन चुन सकता है।
अनसर्टेन्टी-गाइडेड रिफाइनमेंट: एक लाइटवेट मैकेनिज्म जो केवल तभी इटरेटिव री-रिट्रीवल को ट्रिगर करता है जब उत्पन्न प्रतिक्रिया में पर्याप्त साक्ष्य समर्थन की कमी होती है, जिससे विश्वसनीयता और दक्षता के बीच संतुलन बनता है।
व्यापक मूल्यांकन: HotpotQA और WikiHow डेटासेट्स पर तथ्यात्मक ग्राउंडिंग, भ्रम में कमी और रिट्रीवल दक्षता में सुधार प्रदर्शित करने वाले व्यापक प्रयोग।
एब्लेशन एनालिसिस: प्रत्येक घटक के सापेक्ष योगदान को मापने वाला एक विस्तृत अध्ययन, जो यह उजागर करता है कि एडैप्टिव ग्रैनुलैरिटी प्रदर्शन में सुधार का सबसे महत्वपूर्ण कारक है।

प्रयोगात्मक परिणाम

फ्रेमवर्क का मूल्यांकन BM25+LLM, RAG+Reranker, और फिक्स्ड RAG ( $k=5$ ) सहित बेसलाइन्स के विरुद्ध HotpotQA (मल्टी-हॉप रीजनिंग) और WikiHow (प्रोसीजरल नॉलेज) पर किया गया।

प्रदर्शन लाभ: UAMG-RAG ने HotpotQA पर 24.9% और WikiHow पर 27.6% का F1 स्कोर प्राप्त किया, जो सभी बेसलाइन्स से बेहतर है।
भ्रम न्यूनीकरण (Hallucination Mitigation): फ्रेमवर्क ने प्रक्रियात्मक प्रश्नों पर भ्रम की दर को 14.2% तक कम कर दिया, जो फिक्स्ड RAG बेसलाइन (16.8%) और BM25+LLM (31.2%) की तुलना में काफी कम है।
दक्षता: मानक RAG के समान दस्तावेज़ों की मात्रा रिट्रीव करने के बावजूद, UAMG-RAG ने एडैप्टिव अर्ली स्टॉपिंग का उपयोग करके और सरल क्वेरी के लिए अनावश्यक LLM कॉल्स को कम करके एंड-टू-एंड लेटेंसी में 50% की कमी (3,684ms बनाम 7,364ms) हासिल की।
एब्लेशन निष्कर्ष: एडैप्टिव ग्रैनुलैरिटी घटक को हटाने से सबसे बड़ा प्रदर्शन ड्रॉप (-19.5 F1 पॉइंट्स) हुआ, जो पुष्टि करता है कि रिट्रीवल ग्रैनुलैरिटी को क्वेरी प्रकार के साथ मिलाना सफलता का प्राथमिक चालक है। अनसर्टेन्टी एस्टीमेशन को हटाने से -7.0 पॉइंट की गिरावट हुई।
क्वेरी-टाइप विश्लेषण: सिस्टम ने तथ्यात्मक (+5.0 F1) और मल्टी-हॉप (+4.6 F1) क्वेरी में सबसे महत्वपूर्ण लाभ दिखाया। प्रक्रियात्मक क्वेरी के लिए, लाभ मामूली (-3.0 F1) था, क्योंकि लेखकों ने नोट किया कि स्टेटिक सेक्शन-लेवल रिट्रीवल अक्सर इंस्ट्रक्शनल कार्यों के लिए पर्याप्त कॉन्टेक्स्ट प्रदान करता है।

महत्व और दावे

पेपर दावा करता है कि UAMG-RAG रिट्रीवल के लिए एक डायनेमिक, क्वेरी-अवेयर अप्रोच पेश करके वर्तमान RAG सिस्टम की कठोरता को संबोधित करता है। लेखक दावा करते हैं कि फ्रेमवर्क रिट्रीवल सटीकता और कॉन्टेक्स्ट की व्यापकता के बीच के ट्रेड-ऑफ को सफलतापूर्वक सुलझाता है।

इस कार्य का महत्व तीन मुख्य बिंदुओं के इर्द-गिर्द बनाया गया है:

विश्वसनीयता: अनसर्टेन्टी-गाइडेड री-रिट्रीवल को एकीकृत करके, सिस्टम यह सुनिश्चित करता है कि उत्पन्न उत्तर पर्याप्त साक्ष्य पर आधारित हैं, जो सीधे तौर पर भ्रम (hallucinations) को कम करता है।
दक्षता: एडैप्टिव पॉलिसी सरल क्वेरी के लिए अत्यधिक कॉन्टेक्स्ट रिट्रीव करने या जटिल क्वेरी के लिए अपर्याप्त कॉन्टेक्स्ट रिट्रीव करने से जुड़े कंप्यूटेशनल वेस्ट को रोकती है।
ग्रैनुलैरिटी एक फर्स्ट-क्लास ऑप्टिमाइजेशन के रूप में: अध्ययन यह प्रतिपादित करता है कि एडैप्टिव ग्रैनुलैरिटी चयन एक महत्वपूर्ण, अक्सर अनदेखा किया जाने वाला ऑप्टिमाइजेशन लीवर है जो केवल इटरेटिव रिफाइनमेंट अकेले की तुलना में अधिक प्रदर्शन सुधार प्रदान करता है।

लेखक अपने दावों के संबंध में एक विनम्र लहजा बनाए रखते हैं, जिसमें जटिलता एस्टीमेशन के लिए ह्यूरिस्टिक फीचर्स पर निर्भरता, API प्रतिबंधों के कारण प्रॉक्सी अनसर्टेन्टी मेट्रिक्स का उपयोग, और यह तथ्य शामिल है कि फ्रेमवर्क की सभी मौजूदा दृष्टिकोणों पर श्रेष्ठता को पूरी तरह से सिद्ध नहीं किया गया है। वे निष्कर्ष निकालते हैं कि हालांकि परिणाम आशाजनक हैं, भविष्य के कार्य में ट्रांसफॉर्मर-आधारित रीजनिंग मॉडल और व्यापक डोमेन जनरलाइजेशन का पता लगाने की आवश्यकता है।