Recursive Inference Machines
यह शोध पत्र रिकर्सिव इन्फरेंस मशीन्स (RIMs) को प्रस्तुत करता है, जो एक न्यूरल रीजनिंग फ्रेमवर्क है जो जटिल रीजनिंग बेंचमार्क पर प्रदर्शन को बढ़ाने और टैबुलर डेटा सेटिंग्स में मजबूती और दक्षता में सुधार करने के लिए न्यूरल बैकबोन को शास्त्रीय रिकर्सिव इन्फरेंस स्कीम्स के साथ एकीकृत करता है।
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
आर्टिफिशियल इंटेलिजेंस की दुनिया में, पैटर्न पहचानने वाले सिस्टम और उन पैटर्नों के माध्यम से तर्क करने वाले सिस्टम के बीच एक स्पष्ट विभाजन है। पैटर्न पहचान वह है जिसमें आधुनिक कंप्यूटर उत्कृष्ट हैं: जैसे हजारों बिल्लियों की छवियों को देखना और एक नई बिल्ली को पहचानना सीखना। हालांकि, तर्क (रीजनिंग) तथ्यों के एक समूह को लेने, चरण-दर-चरण तर्क लागू करने और एक ऐसे निष्कर्ष पर पहुँचने की क्षमता है जो शुरुआती डेटा में स्पष्ट रूप से मौजूद नहीं था। दशकों से, वैज्ञानिक ऐसी मशीनें बनाने के लिए संघर्ष कर रहे हैं जो इसे विश्वसनीय रूप से कर सकें, विशेष रूप से जब समस्याओं के लिए विचार की लंबी श्रृंखलाओं की आवश्यकता हो या जब डेटा अव्यवस्थित और अपूर्ण हो। पारंपरिक दृष्टिकोण अक्सर कठोर, हाथ से लिखे गए नियमों पर निर्भर करते हैं, जो भंगुर होते हैं और जटिल होने पर विफल हो जाते हैं। नए दृष्टिकोण गहरे न्यूरल नेटवर्क का उपयोग करते हैं, जो शक्तिशाली तो हैं लेकिन अक्सर "ब्लैक बॉक्स" की तरह कार्य करते हैं, जो वास्तविक समझ के बजाय सांख्यिकीय संभावना के आधार पर उत्तरों का अनुमान लगाते हैं। एक प्रमुख चुनौती बनी हुई है: यह कैसे बनाया जाए कि ये लचीले, सीखने पर आधारित सिस्टम डेटा से सीखने की अपनी क्षमता खोए बिना, एक मानव तर्कशास्त्री के सावधानीपूर्ण, बहु-चरणीय कार्य को निष्पादित कर सकें।
डार्मस्टाट तकनीकी विश्वविद्यालय और टेक्सास विश्वविद्यालय एट डलास के शोधकर्ताओं ने इस अंतर को पाटने के लिए 'रिकर्सिव इन्फरेंस मशीन्स' (Recursive Inference Machines) नामक एक नया ढांचा प्रस्तावित किया है। तर्क को एक एकल, विशाल छलांग मानने के बजाय, उन्होंने एक ऐसा सिस्टम डिजाइन किया है जो जटिल समस्याओं को छोटे, दोहराने योग्य चरणों के चक्र में तोड़ देता है। एक कठिन पहेली पर काम करने वाले विशेषज्ञों की एक टीम की कल्पना करें। एक विशेषज्ञ, 'सॉल्वर' (Solver), पहेली की वर्तमान स्थिति को देखता है और एक छोटा सुधार सुझाता है। दूसरा, 'जेनेरेटर' (Generator), उन सुझावों का उपयोग करके समग्र समाधान को अपडेट करता है। तीसरा, 'रीवेटर' (Reweighter), एक महत्वपूर्ण संपादक के रूप में कार्य करता है, जो यह तय करता है कि कौन से सुझाव रखने योग्य हैं और किन्हें हटाया जाना चाहिए, इस आधार पर कि वे प्रयास के इतिहास के साथ कितनी अच्छी तरह फिट बैठते हैं। इन तीन भूमिकाओं को समस्या के माध्यम से बार-बार घुमाकर, मशीन अपने उत्तर को परिष्कृत करती है, और इस प्रक्रिया में अपनी गलतियों को सुधारती है। यह दृष्टिकोण सिस्टम को उन कार्यों को संभालने की अनुमति देता है जो गणना के एक एकल दौर के लिए बहुत जटिल हैं, प्रभावी रूप से एआई को बोलने से पहले "सोचने" का एक तरीका प्रदान करता है।
शोधकर्ताओं ने इस ढांचे का परीक्षण आज उपलब्ध सबसे कठिन तर्क चुनौतियों पर किया। उन्होंने इसे ज्यामितिक पहेलियों (geometric puzzles) पर लागू किया जिनमें वैश्विक पैटर्न को देखने की आवश्यकता होती है, सुडोकू के अत्यधिक संस्करणों पर जो गहरी तार्किक कटौती की मांग करते हैं, और जटिल भूलभुलैया नेविगेशन पर। इन परीक्षणों में, इस नए सिस्टम ने पिछले अत्याधुनिक मॉडलों को लगातार पछाड़ दिया। उदाहरण के लिए, एक कठिन सुडोकू बेंचमार्क पर, उनके मशीन के बेहतर संस्करण ने लगभग 90 प्रतिशत पहेलियों को हल किया, जो पिछले सर्वश्रेष्ठ प्रदर्शन से एक महत्वपूर्ण उछाल है। इस सफलता की कुंजी 'रीवेटर' घटक का समावेश था। टीम ने पाया कि केवल मशीन को अपने स्वयं के विचारों पर पुनरावृत्ति करने देना पर्याप्त नहीं था; इसे अपने स्वयं के प्रगति को मापने के लिए एक तंत्र की आवश्यकता थी, जो शुरुआती त्रुटियों को कम करे और सही अंतर्दृष्टि को बढ़ाए। जब उन्होंने इस वेटिंग (भार देने की) प्रक्रिया को हटा दिया, तो सिस्टम का प्रदर्शन गिर गया, जिससे पता चलता कि अपने स्वयं के तर्क पथ का मूल्यांकन करना और उसे समायोजित करना कठिन समस्याओं को हल करने के लिए महत्वपूर्ण है।
यह ढांचा एक बहुत ही अलग सेटिंग में भी प्रभावी साबित हुआ: सारणीबद्ध डेटा (tabular data) का उपयोग करके चिकित्सा निदान। वास्तविक दुनिया की स्वास्थ्य सेवा में, डेटा अक्सर शोरयुक्त (noisy) होता है; एक रोगी के रिकॉर्ड में टाइपो, छूटे हुए मान या गलत प्रविष्टियाँ हो सकती हैं। मानक मॉडल अक्सर इसके साथ संघर्ष करते हैं, और अपूर्ण इनपुट होने पर अविश्वसनीय परिणाम देते हैं। शोधकर्ताओं ने अपनी मशीन को एक 'डिनोइजिंग एजेंट' (शोर हटाने वाले एजेंट) के रूप में अनुकूलित किया। यह एक शोरयुक्त मेडिकल रिकॉर्ड लेगा, डेटा के कई संभावित "स्वच्छ" संस्करण उत्पन्न करेगा, और फिर अपने वेटिंग तंत्र का उपयोग यह तय करने के लिए करेगा कि कौन सा संस्करण सबसे अधिक सत्य होने की संभावना है। जब चार अलग-अलग चिकित्सा डेटासेट पर परीक्षण किया गया जहाँ सूचना का 25 प्रतिशत यादृच्छिक रूप से दूषित कर दिया गया था, तो इस दृष्टिकोण ने मौजूदा तरीकों की तुलना में निदान की सटीकता में काफी सुधार किया। इसने दिखाया कि सुडोकू पहेली को हल करने के लिए उपयोग किया जाने वाला वही तर्क एक कंप्यूटर को मरीज की फाइल को समझने में मदद कर सकता है।
सटीकता के अलावा, शोधकर्ताओं ने पाया कि यह मॉड्यूलर डिज़ाइन एआई सिस्टम को तेज़ और अधिक कुशल भी बना सकता है। उन्होंने एक बड़े, पूर्व-प्रशिक्षित मॉडल को लिया जो छोटे डेटासेट से सीखने की क्षमता के लिए जाना जाता है और उन्हें अपने ढांचे का उपयोग करके पुनर्गठित किया। एक विशेष घटक को सम्मिलित करके जो स्टेट अपडेट को अधिक कुशलता से संभालता है, उन्होंने एक हाइब्रिड सिस्टम बनाया जिसने समान उच्च स्तर की भविष्य कहने वाली सटीकता बनाए रखी लेकिन उत्तर देने में 35 प्रतिशत कम समय लिया। यह निष्कर्ष बताता है कि एआई के आंतरिक तर्क को व्यवस्थित करने का तरीका उसके मॉडल के आकार जितना ही महत्वपूर्ण है। अपने तर्क प्रक्रिया को स्पष्ट, पुन: प्रयोज्य चरणों में व्यवस्थित करके, टीम ने प्रदर्शित किया कि ऐसे सिस्टम बनाना संभव है जो न केवल स्मार्ट हैं बल्कि अधिक चुस्त (leaner) भी हैं।
यह शोध पत्र यह दावा नहीं करता है कि इसने सभी तर्क समस्याओं को हल कर लिया है, लेकिन यह एक स्पष्ट, एकीकृत तरीका प्रदान करता है कि न्यूरल नेटवर्क को अधिक गहराई से सोचने के लिए कैसे निर्देशित किया जा सकता है। यह एक एकल विशाल नेटवर्क को पैटर्न याद करने के लिए प्रशिक्षित करने के विचार से आगे बढ़कर, एक संरचित वास्तुकला का प्रस्ताव करता है जहाँ सिस्टम के विभिन्न भाग समाधान प्रस्तावित करने, उत्पन्न करने और मूल्यांकन करने में विशेषज्ञता रखते हैं। परिणाम बताते हैं कि आत्म-सुधार और पुनरावृत्ति परिशोधन (iterative refinement) के लिए तंत्र को स्पष्ट रूप से शामिल करके, हम ऐसा आर्टिफिशियल इंटेलिजेंस बना सकते हैं जो शोर के प्रति अधिक मजबूत, तर्क की लंबी श्रृंखलाओं को संभालने में अधिक सक्षम और कंप्यूटिंग शक्ति के उपयोग में अधिक कुशल हो। जैसे-जैसे यह क्षेत्र विकसित हो रहा है, यह ढांचा उन अगली पीढ़ी की मशीनों को डिजाइन करने के लिए एक ब्लूप्रिंट प्रदान करता है जो दुनिया की जटिल, अनिश्चित और अक्सर अव्यवस्थित वास्तविकता के बीच नेविगेट कर सकें।
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।