Progressive Context Enrichment for LLM-Based MILP Formulation in Open-Pit Mine Production Scheduling
यह शोध पत्र एक प्रगतिशील संदर्भ-संवर्धन ढांचे (progressive context-enrichment framework) का प्रस्ताव करता है जो सिम्युलेटर डेटा और कोड एनोटेशन के साथ प्रॉम्प्ट्स को व्यवस्थित रूप से संवर्धित करके ओपन-पिट माइन प्रोडक्शन शेड्यूलिंग के लिए मिक्सड इंटीजर लीनियर प्रोग्रामिंग (MILP) सूत्रीकरण उत्पन्न करने में लार्ज लैंग्वेज मॉडल्स की विश्वसनीयता को बढ़ाता है, जिससे यह पता चलता है कि जबकि सिम्युलेटर कोड उद्देश्य सटीकता (objective accuracy) में सुधार करता है, एनोटेटेड कोड बाधा व्यवहार्यता (constraint feasibility) सुनिश्चित करने के लिए बेहतर 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
कल्पना कीजिए कि आप पत्थर से बने एक विशाल, तैरते हुए शहर के कप्तान हैं, और आपका काम यह तय करना है कि ठीक कौन से पत्थर के टुकड़ों को कब खोदना है और उन्हें कैसे प्रोसेस करना है ताकि अगले बीस वर्षों में सबसे अधिक पैसा कमाया जा सके। यह केवल "यहाँ खोदो, वहाँ खोदो" का खेल नहीं है; यह एक उच्च-दांव वाला पहेली है जिसे 'ओपन-पिट माइन प्रोडक्शन शेड्यूलिंग' कहा जाता है। पकड़ यह है कि नियम अविश्वसनीय रूप से सख्त हैं। आप किसी पत्थर के ब्लॉक को तब तक नहीं खोद सकते जब तक कि उसके ऊपर स्थित ब्लॉक हटा न दिए गए हों (जैसे जेन्गा टावर), आप अपने कारखाने की क्षमता से अधिक पत्थर प्रोसेस नहीं कर सकते, और आप कारखाने को जो पत्थर भेजते हैं उसका मिश्रण बिल्कुल सही गुणवत्ता का होना चाहिए। इस पहेली को पूरी तरह से हल करने के लिए एक बहुत ही स्मार्ट गणितीय उपकरण की आवश्यकता होती है जिसे 'मिक्स्ड इंटीजर लीनियर प्रोग्रामिंग' (MILP) कहा जाता है, जो मूल रूप से कंप्यूटर द्वारा हल किए जाने वाले नियमों को एक भाषा में लिखने का एक तरीका है। लेकिन समस्या यह है कि इन गणितीय नियमों को लिखना इतना कठिन है कि दुनिया में केवल कुछ ही विशेषज्ञ ऐसा कर सकते हैं, और वे अक्सर फंस जाते हैं जब खान बदलती है या नियम जटिल हो जाते हैं।
यहाँ नए खिलाड़ी आए हैं: लार्ज लैंग्वेज मॉडल्स (LLMs)। ये वे AI चैटबॉट्स हैं जिन्हें आप निबंध लिखने या कोड लिखने के लिए जानते हैं। वे भाषा समझने और यहाँ तक कि कंप्यूटर प्रोग्राम लिखने में भी अद्भुत हैं। वैज्ञानिकों ने एक बड़ा सवाल पूछा: क्या हम बस AI को कह सकते हैं, "यहाँ एक खान है, यहाँ नियम हैं, कृपया गणित का कोड लिखें ताकि इसे हल किया जा सके," और क्या वह एक मानव विशेषज्ञ का काम कर सकता है? यह एक सपने जैसा लगता है, लेकिन AI की एक आदत है कि वह जटिल होने पर भ्रमित हो जाता है। यह ऐसा कोड लिख सकता है जो सही दिखता है और एक संख्या देता है, लेकिन गुप्त रूप से, यह नियमों की अनदेखी कर रहा होता है। यह शोध पत्र गहराई से जांच करता है कि क्या हम इन एआई को बेहतर संकेत देकर बेहतर माइन प्लानर बना सकते हैं, और यह खोजता है कि सवाल पूछने का तरीका खुद AI से अधिक महत्वपूर्ण है।
AI माइन प्लानर का ट्रेनिंग कैंप
लेकह हेड यूनिवर्सिटी और मेमोरियल यूनिवर्सिटी ऑफ न्यूफ़ाउंडलैंड के शोधकर्ताओं ने एक चतुर प्रयोग स्थापित किया यह देखने के लिए कि क्या वे एक सामान्य उद्देश्य वाले AI को बिना कोई नया गणित सिखाए एक माइन-शेड्यूलिंग जादूगर में बदल सकते हैं। वे AI को फिर से प्रशिक्षित नहीं करना चाहते थे; इसके बजाय, वे यह देखना चाहते थे कि क्या वे केवल "संदर्भ को समृद्ध" कर सकते हैं—यानी, समाधान लिखने से पहले AI को बेहतर अध्ययन सामग्री दे सकते हैं।
उन्होंने चार अलग-अलग AI मॉडल (ChatGPT, Gemini, DeepSeek, और Copilot) के लिए एक चार-चरणीय प्रशिक्षण शिविर बनाया। इसे एक छात्र को एक जटिल निबंध लिखना सिखाने जैसा समझें:
- बेसिक प्रॉम्प्ट: उन्होंने न्यूनतम से शुरुआत की: खान का एक सरल टेक्स्ट विवरण और नियम। यह एक छात्र को "खनन के बारे में लिखें" जैसा प्रॉम्प्ट देने जैसा था और एक थीसिस की उम्मीद करने जैसा था।
- सिमुलेशन लॉग: इसके बाद, उन्होंने एक लालची रोबोट का "डायरी" जोड़ा जिसने पहले ही खान चलाने की कोशिश की थी। यह लॉग दिखाता था कि प्रत्येक अवधि के दौरान क्या हुआ: कौन से पत्थर चुने गए, किन्हें छोड़ दिया गया, और कब कारखाना भर गया। यह एक छात्र को किसी व्यक्ति की डायरी दिखाने जैसा था जिसने वास्तव में समस्या को हल करने की कोशिश की थी, ताकि AI नियमों के व्यवहार को देख सके।
- सिमुलेटर कोड: फिर, उन्होंने AI को उस लालची रोबोट का वास्तविक सोर्स कोड दिया। यह केवल एक डायरी नहीं थी; यह उस निर्देश पुस्तिका की तरह था जिसका उपयोग रोबोट निर्णय लेने के लिए करता था। इसने तर्क दिखाया: "यदि कारखाना भर गया है, तो रुक जाओ।" "यदि ऊपर का ब्लॉक नहीं हटा है, तो प्रतीक्षा करें।"
- एनोटेटेड कोड: अंत में, उन्होंने उस सोर्स कोड को लिया और हर जगह 'स्टिक नोट्स' (एनोटेशन) जोड़े। उन्होंने कोड की हर लाइन को गणितीय शब्दों में लेबल किया, जैसे "यह लाइन माइनिंग कैपेसिटी रूल है" या "यह प्रिसिडेंस रूल है।" यह अंतिम 'चीट शीट' थी, जो रोबलेट के तर्क को सीधे गणित की भाषा में अनुवादित करती थी।
"साइलेंट फेलियर" का जाल
इस अध्ययन में सबसे आश्चर्यजनक खोज यह नहीं थी कि AI ने कितना अच्छा प्रदर्शन किया, बल्कि यह थी कि वे अपनी गलतियों को कितनी बुरी तरह से छिपा सकते थे। शोधकर्ताओं ने पाया कि यदि आप बस AI को कोड लिखने और चलाने के लिए कहते हैं, तो कई मॉडल एक ऐसा समाधान पेश करेंगे जो एकदम सही दिखता है। यह एक संख्या (जिसे नेट प्रेजेंट वैल्यू या NPV कहा जाता है) देगा और कहेगा, "सफलता! खान का शेड्यूल तैयार है!"
लेकिन जब शोधकर्ताओं ने बारीकी से देखा, तो उन्हें "साइलेंट फेलियर्स" मिले। ये ऐसे समाधान थे जो तकनीकी रूप से "फिजिबल" (व्यवहार्य) थे (कंप्यूटर क्रैश नहीं हुआ), लेकिन वास्तव में टूटे हुए थे। AI ने एक या अधिक महत्वपूर्ण नियमों को लागू करना भूल गया था, जैसे कि वह नियम जो कहता है कि आप एक ब्लॉक को तब तक नहीं खोद सकते जब तक कि उसके ऊपर वाला हट न जाए। AI ने एक रास्ता निकाल लिया, या बस नियम की अनदेखी कर दी, और कंप्यूटर खुशी-खुशी एक ऐसे मुनाफे की गणना करता रहा जो भौतिक रूप से अस्तित्व में ही नहीं हो सकता था। यह एक छात्र द्वारा निबंध लिखने जैसा था जो दिखने में तो अच्छा है लेकिन पूरी तरह से विषय से भटक गया है; शिक्षक पहली नज़र में उसे पासिंग ग्रेड दे सकता है, लेकिन वह वास्तव में निरर्थक है।
शोध पत्र स्पष्ट रूप से इस विचार को खारिज करता है कि एक "फिजिबल" परिणाम का अर्थ यह है कि AI सही था। वास्तव में, चार में से तीन AI मॉडलों के लिए, अधिक जानकारी जोड़ने से (जैसे लॉग और कोड) इन "साइलेंट फेलियर्स" की संख्या वास्तव में बढ़ गई। AI अधिक आत्मविश्वासी हो गया, लेकिन वह आत्मविश्वास के साथ गलत था। केवल एक मॉडल, Gemini, ही इन साइलेंट फेलियर्स से पूरी तरह बचने में सफल रहा, चाहे कितनी भी जानकारी दी गई हो।
"चीट शीट" का जादू
एक बार जब शोधकर्ताओं ने साइलेंट फेलियर्स को हटा दिया और केवल उन समाधानों को देखा जो वास्तव में वैध थे, तो परिणाम बहुत स्पष्ट हो गए।
- केवल टेक्स्ट पर्याप्त नहीं था: जब AI के पास केवल बुनियादी टेक्स्ट विवरण था, तो वह लगभग कभी भी सही नहीं हुआ।
- लॉग ने थोड़ी मदद की: रोबोट की डायरी (सिमुलेशन लॉग) देखने से AI को समय और संसाधनों के प्रवाह को समझने में मदद मिली, जिससे परिणाम थोड़े सुधरे।
- कोड गेम-चेंजर था: जब AI को सिमुलेटर का वास्तविक सोर्स कोड दिया गया, तो समाधानों की गुणवत्ता काफी बढ़ गई। कोड ने एक सेतु के रूप में कार्य किया, जो AI को दिखा रहा था कि व्यवहार में नियम कैसे काम करते हैं। समग्र लाभ संख्या को सही करने के लिए यही सबसे जानकारीपूर्ण तत्व था।
- एनोटेशन ने इसे सटीक बनाया: अंतिम चरण में, कोड में "स्टिक नोट्स" (एनोटेशन) जोड़ने से लाभ की संख्या हमेशा ऊंची नहीं हुई, लेकिन इसने समाधान की संरचना को बहुत सटीक बना दिया। इसने AI को यह समझने में मदद की कि कोड का कौन सा हिस्सा किस गणितीय नियम के अनुरूप है। यह विशेष रूप से खुदाई के क्रम (प्रिसिडेंस) और रॉक ग्रेड के मिश्रण जैसे कठिन नियमों के लिए मददगार था।
दौड़ में कौन जीता?
परीक्षण किए गए चार AI मॉडलों में से, Gemini स्पष्ट विजेता था। यह एकमात्र मॉडल था जिसने कोई साइलेंट फेलियर उत्पन्न नहीं किया, जिसका अर्थ है कि जब भी इसने एक समाधान कहा, तो वह वास्तव में एक वैध समाधान था। एनोटेटेड कोड दिए जाने पर, Gemini के समाधान मानव-निर्मित बेंचमार्क के अविश्वसनीय रूप से करीब थे, जिसमें उसका "पेनलाइज्ड रिलेटिव एरर" (एक स्कोर जो गलतियों और गलत उत्तरों दोनों को गिनता है) 100% (कुल विफलता) से गिरकर केवल 21.6% रह गया।
अन्य मॉडल, जैसे ChatGPT और Copilot, अधिक संघर्ष करते रहे। वे अक्सर ऐसे समाधान पेश करते थे जो अच्छे दिखते थे लेकिन संरचनात्मक रूप से त्रुटिपूर्ण थे। दिलचस्प बात यह है कि उन्हें एनोटेटेड कोड देने से हमेशा मदद नहीं मिली; कुछ मॉडलों के लिए, अतिरिक्त नोट्स ने उन्हें भ्रमित कर दिया या गलतियों के नए प्रकार पैदा कर दिए। यह सुझाव देता है कि विभिन्न AI अलग-अलग तरह से "सोचते" हैं, और जो एक के लिए मददगार संकेत है, वह दूसरे के लिए शोर (noise) हो सकता है।
निष्कर्ष
शोध पत्र यह निष्कर्ष निकालता है कि माइन शेड्यूलिंग जैसे जटिल गणितीय समस्याओं के लिए AI का उपयोग करने में मुख्य समस्या यह नहीं है कि AI पर्याप्त स्मार्ट नहीं है; बल्कि यह है कि हम उसे पर्याप्त संदर्भ नहीं दे रहे थे। एक साधारण टेक्स्ट विवरण बहुत अस्पष्ट है। हालाँकि, केवल अधिक टेक्स्ट फेंक देना भी समाधान नहीं है। कुंजी एक्सेक्यूटेबल लॉजिक प्रदान करना है—वह वास्तविक कोड जो नियमों का अनुकरण करता है—और फिर उस कोड को लेबल करना ताकि AI जान सके कि प्रत्येक भाग का अर्थ क्या है।
यह दृष्टिकोण बताता है कि हमें माइन प्लानर बनाने के लिए एक नया, बहुत महंगा AI मॉडल प्रशिक्षित करने की आवश्यकता नहीं है। इसके बजाय, हम एक सामान्य AI ले सकते हैं और उसे सिमुलेशन लॉग और एनोटेटेड कोड का एक "स्कैफोल्ड" (ढांचा) दे सकते हैं ताकि उसे मानव परिचालन नियमों को पूर्ण गणित में अनुवाद करने में मदद मिल सके। यह बिल्कुल वैसा ही है जैसे एक छात्र शब्द समस्या से भौतिकी का समीकरण लिखने में संघर्ष कर सकता है, लेकिन यदि आप उसे लैब नोट्स और प्रयोगशाला में उपयोग किए गए सूत्र दे दें, तो वह अचानक उसे हल कर सकता है।
अध्ययन हमें सावधान रहने की चेतावनी भी देता है। सिर्फ इसलिए कि एक AI कहता है कि उसके पास एक समाधान है, इसका मतलब यह नहीं है कि वह सही है। हमें विवरणों और "साइलेंट फेलियर्स" की जांच करनी होगी ताकि यह सुनिश्चित हो सके कि AI ने नियमों को तोड़ने वाला कोई शॉर्टकट नहीं खोज लिया है। लेकिन सही प्रकार के संदर्भ संवर्धन (context enrichment), विशेष रूप से सिमुलेटर कोड और एनोटेशन का उपयोग करके, हम AI को गणित में पीएचडी की आवश्यकता के बिना माइन प्लानिंग का भारी काम करने के लिए सक्षम बना सकते हैं।
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।