Determinative Detection in Egyptian Hieroglyphic Sequences: A Sequence-Labelling Benchmark and Multi-Agent LLM Baseline

तीन हज़ार वर्षों से अधिक समय तक, प्राचीन मिस्रवासियों ने अपना इतिहास, अपनी प्रार्थनाएँ और अपने कानून चित्रों की एक ऐसी प्रणाली का उपयोग करके लिखे, जो आधुनिक आँखों को पक्षियों, पैरों और ज्यामितीय आकृतियों की एक गैलरी की तरह दिखाई देती है। लेकिन यह लेखन प्रणाली केवल ध्वनियों की एक सूची से कहीं अधिक थी। यह एक हाइब्रिड कोड था जहाँ एक एकल चित्र एक साथ तीन अलग-अलग काम कर सकता था: यह एक ध्वनि का प्रतिनिधित्व कर सकता था, यह एक पूरे शब्द के रूप में खड़ा हो सकता था, या यह एक मूक लेबल (silent label) के रूप में कार्य कर सकता था। यह तीसरा काम, जो एक 'डिटरमिनेटिव' (determinative) नामक चिह्न द्वारा किया जाता है, पाठ को समझने की कुंजी है। डिटरमिनेटिव एक मूक मार्कर है जिसे शब्द के अंत में रखा जाता है ताकि पाठक को यह बताया जा सके कि वह किस प्रकार की चीज़ है। यह संकेत दे सकता है कि शब्द किसी व्यक्ति, जानवर, देवता या किसी क्रिया के प्रकार को संदर्भित करता है। क्योंकि ये चिह्न मूक होते हैं और अक्सर वाक्य के अन्य चित्रों जैसे ही दिखते हैं, इसलिए यह पता लगाना कि कौन से चिह्न केवल ध्वनियाँ हैं और कौन से मूक लेबल हैं, एक कठिन पहेली है। इस पहेली को हल किए बिना, कंप्यूटर प्राचीन मिस्र को ठीक से अनुवादित नहीं कर सकते, क्योंकि वे यह नहीं बता सकते कि एक शब्द कहाँ समाप्त होता है और दूसरा कहाँ शुरू होता है, और न ही वे उन शब्दों के अर्थ को समझ सकते हैं जो उन्हें मिलते हैं।

दशकों तक, विद्वानों ने इन मूक लेबलों का अध्ययन हाथों से किया है, लेकिन ग्रंथों की विशाल मात्रा मानव द्वारा अकेले सब कुछ संसाधित करना असंभव बना देती है। हाल ही में, शोधकर्ताओं ने कंप्यूटर को इन प्राचीन लिपियों को पढ़ना सिखाने का प्रयास किया है, लेकिन उस कार्य का अधिकांश हिस्सा केवल चित्रों को पहचानने पर केंद्रित रहा है, जैसे कि एक पक्षी या पैर का चित्र पहचानना। इस बात पर बहुत कम ध्यान दिया गया कि कौन से चित्र मूक लेबल के रूप में कार्य कर रहे हैं। ब्राजील और स्पेन के शोधकर्ताओं का एक नया अध्ययन सीधे तौर पर इस कमी को संबोधित करता है। उन्होंने एक कंप्यूटर प्रणाली बनाई है जिसे विशेष रूप से प्राचीन मिस्र के लेखन के अनुक्रमों में इन मूक लेबलों को खोजने के लिए डिज़ाइन किया गया है। केवल अनुमान लगाने के बजाय, यह प्रणाली आर्टिफिशियल इंटेलिजेंस एजेंटों की एक टीम का उपयोग करती है जो एक साथ काम करते हैं, जो एक निष्कर्ष पर पहुँचने के लिए पाठ को विभिन्न कोणों से जाँचते हैं जो कि स्मार्ट और विश्वसनीय दोनों हो।

शोधकर्ताओं ने एक विशेष ज्ञान पुस्तकालय बनाने से शुरुआत की। उन्होंने अस्सी से अधिक विभिन्न चिह्नों पर जानकारी एकत्र की जो मूक लेबल के रूप रूप में कार्य कर सकते हैं, उन्हें लोग, जानवर, देवता और प्रकृति जैसी श्रेणियों में व्यवस्थित किया। फिर उन्होंने प्राचीन लेखन के निन्यानवे लघु अनुक्रमों का एक परीक्षण सेट बनाया, जिसे मानव विशेषज्ञों द्वारा सावधानीपूर्वक जांचा और लेबल किया गया था। यह सेट एक बेंचमार्क के रूप में कार्य करता है, एक मानक परीक्षण यह देखने के लिए कि एक कंप्यूटर प्रोग्राम कार्य को कितनी अच्छी तरह से कर सकता है। लक्ष्य यह देखना था कि क्या एक मशीन प्रतीकों की एक श्रृंखला को देख सकती है और सही ढंग से बता सकती है कि कौन से मूक लेबल थे और कौन से केवल ध्वनियाँ या स्वयं शब्द के भाग थे।

इसे हल करने के लिए, टीम ने एक ऐसी प्रणाली बनाई जो विशेषज्ञों की एक छोटी समिति की तरह कार्य करती है। उन्होंने लार्ज लैंग्वेज मॉडल्स का उपयोग किया, जो विशाल मात्रा में टेक्स्ट पर प्रशिक्षित शक्तिशाली कंप्यूटर प्रोग्राम हैं, लेकिन उन्होंने उन्हें अकेले काम करने के लिए नहीं छोड़ा। इसके बजाय, उन्होंने प्रत्येक लेखन अनुक्रम का विश्लेषण करने के लिए दो स्वतंत्र एजेंट स्थापित किए। एक एजेंट चिह्नों के अर्थ को देखता था, यह पूछते हुए, "क्या यह चित्र एक देवता या एक व्यक्ति के विचार में फिट बैठता है?" दूसरे एजेंट ने सख्ती से चिह्नों की संरचना और स्थिति को देखा, यह पूछते हुए, "क्या यह चिह्न शब्द के अंत में है, जहाँ मूक लेबल आमतौर पर जाते हैं?" महत्वपूर्ण रूप से, ये दोनों एजेंट काम करते समय एक-दूसरे से बात नहीं करते थे। उन्हें स्वतंत्र रूप से अपनी राय बनानी थी। यह डिज़ाइन सुनिश्चित करता है कि यदि दोनों एजेंट एक लेबल पर सहमत होते हैं, तो यह एक मजबूत संकेत है कि वे सही हैं, न कि केवल एक-दूसरे की गलतियों की नकल कर रहे हैं।

एक बार जब दोनों एजेंटों ने अपना विश्लेषण पूरा कर लिया, तो एक तीसरा एजेंट एक सिंथेसाइज़र (synthesizer) के रूप में कार्य करता है, जो उनके निष्कर्षों को एक साथ लाता है। यह देखता था कि वे कहाँ सहमत हैं और कहाँ असहमत हैं। अंत में, नियमों के एक सख्त, अपरिवर्तनीय सेट ने एक रेफरी के रूप में कार्य किया। इस रेफरी ने सुझावों की जाँच शोधकर्ताओं द्वारा बनाए गए ज्ञान आधार के विरुद्ध की। इसने विशिष्ट नियम लागू किए, जैसे कि "एक पात्र (vessel) का अर्थ बताने वाला चिह्न केवल तभी एक मूक लेबल हो सकता है जब पाठ तरल पदार्थों या प्रसाद के बारे में हो।" यदि संदर्भ फिट नहीं बैठता था, तो नियम सुझाव को खारिज कर देता था, भले ही आर्टिफिशियल इंटेलिजेंस एजेंटों ने सोचा हो कि वह सही है। AI की लचीली सोच और रेफरी के कठोर नियमों का यह संयोजन एक ऐसी प्रणाली बनाता है जो बिना किसी गलत अनुमान के प्राचीन भाषा की जटिलता को संभाल सकती है।

शोधकर्ताओं ने अपने सिस्टम का परीक्षण एक कठोर पद्धति का उपयोग करके किया जो यह सुनिश्चित करने के लिए डिज़ाइन की गई थी कि परिणाम केवल एक भाग्यशाली संयोग नहीं हैं। उन्होंने अपने निन्यानवे परीक्षण अनुक्रमों को पाँच अलग-अलग समूहों में विभाजित किया। परीक्षण के प्रत्येक दौर में, उन्होंने सिस्टम को प्रशिक्षित करने के लिए चार समूहों का उपयोग किया और पाँचवें समूह का उपयोग इसका परीक्षण करने के लिए किया, इस प्रक्रिया को तब तक दोहराया जब तक कि प्रत्येक अनुक्रम का ठीक एक बार परीक्षण नहीं किया गया। इस दृष्टिकोण ने उन्हें एक स्पष्ट तस्वीर दी कि नया, अनदेखा टेक्स्ट मिलने पर सिस्टम कैसा प्रदर्शन करेगा। परिणामों ने दिखाया कि सिस्टम अत्यधिक प्रभावी था। इसने बहुसंख्यक मामलों में मूक लेबलों की सही पहचान की, सभी प्रकार के लेबलों को समान रूप से देखते समय लगभग बयासी प्रतिशत की सफलता दर हासिल की, और पाए गए कुल लेबलों की संख्या के आधार पर लगभग अठासी प्रतिशत की सफलता दर प्राप्त की। विभिन्न परीक्षण समूहों में इन परिणामों की निरंतरता ने दिखाया कि सिस्टम मजबूत था और किसी विशिष्ट उदाहरणों के सेट पर निर्भर नहीं था।

सबसे दिलचस्प निष्कर्षों में से एक यह था कि सिस्टम कठिन मामलों को कैसे संभालता है। शोधकर्ताओं ने पाया कि सिस्टम तब सबसे अच्छा काम करता है जब पाठ सूचना से समृद्ध होता है, जिसमें तीन या अधिक मूक लेबल होते हैं। इन जटिल अनुक्रमों में, अर्थ और संरचना से मिलने वाले विभिन्न संकेत एक-दूसरे को पुष्ट करते हैं, जिससे सही उत्तर स्पष्ट हो जाता है। हालाँकि, यह सिस्टम उन बहुत छोटे अनुक्रमों के साथ संघर्ष करता है जिनमें कोई मूक लेबल नहीं होता, या केवल एक होता है। इन विरल मामलों में, आसपास के संकेतों की कमी के कारण सिस्टम के लिए निश्चित होना कठिन हो जाता है, जिससे कुछ अधिक त्रुटियाँ होती हैं। यह सुझाव देता है कि सिस्टम पैटर्न खोजने में बहुत अच्छा है जब पर्याप्त साक्ष्य मौजूद हों, लेकिन जब पाठ बहुत सरल होता है तो उसे अधिक मदद की आवश्यकता होती है।

इस कार्य का एक अन्य प्रमुख नवाचार यह है कि यह अपने उत्तर कैसे प्रस्तुत करता है। एक ब्लैक बॉक्स की तरह एक एकल, अंतिम उत्तर देने के बजाय, यह संभावनाओं की एक रैंक की गई सूची प्रदान करता है। यह एक मुख्य व्याख्या प्रदान करता है, जो सबसे संभावित उत्तर है, लेकिन यह तीन वैकल्पिक व्याख्याओं तक की सूची भी देता है। प्रत्येक विकल्प के लिए, सिस्टम स्पष्ट रूप से बताता है कि उस विकल्प को सही बनाने के लिए अतिरिक्त साक्ष्य की आवश्यकता क्या होगी। उदाहरण के लिए, यह कह सकता है, "हम सोचते हैं कि यह चिह्न एक देवता के लिए लेबल है, लेकिन यदि पाठ एक मंदिर के बारे में होता, तो यह एक इमारत के लिए भी लेबल हो सकता था।" यह पारदर्शिता कंप्यूटर को एक सहयोगात्मक उपकरण में बदल देती है। यह विशेषज्ञ की जगह नहीं लेता है; इसके बजाय, यह विकल्पों और तर्क को सामने रखता है, जिससे मानव को अपने गहरे ज्ञान के आधार पर अंतिम निर्णय लेने की अनुमति मिलती है।

अध्ययन ने विशिष्ट चुनौतियों पर भी प्रकाश डाला। सिस्टम कभी-कभी उन चिह्नों के बीच भ्रमित हो जाता है जिनके दो बहुत अलग कार्य होते हैं, जैसे कि चलते हुए पैरों का चित्र जिसका अर्थ "चलना" हो सकता है या "क्रिया" के लिए एक मूक लेबल के रूप में कार्य कर सकता है। क्योंकि कंप्यूटर यह तय करने के लिए संदर्भ पर निर्भर करता है कि चिह्न कौन सा काम कर रहा है, यह कभी-कभी गलती करता है जब संदर्भ अस्पष्ट होता है। शोधकर्ताओं ने नोट किया कि ये त्रुटियाँ सिस्टम के तर्क में दोष के कारण नहीं थीं, बल्कि वर्तमान ज्ञान आधार की एक सीमा के कारण थीं। इन ट्रिकी चिह्नों के लिए अधिक उदाहरण जोड़कर और नियमों को परिष्कृत करके, सिस्टम संभवतः और बेहतर हो सकता है।

अंततः, यह कार्य इस बात का मानक स्थापित करता है कि कंप्यूटर प्राचीन लेखन प्रणालियों के साथ कैसे संवाद कर सकते हैं। यह सिद्ध करता है कि एक हाइब्रिड दृष्टिकोण, जो आधुनिक आर्टिफिशियल इंटेलिजेंस के लचीले तर्क को मानव विद्वता के सख्त नियमों के साथ जोड़ता है, उन समस्याओं को हल कर सकता है जिन्हें वे अकेले हल नहीं कर सकते थे। यह प्रणाली केवल अनुवाद उत्पन्न नहीं करती है; यह एक संरचित तर्क उत्पन्न करती है जिसे जांचा, प्रश्न किया और सुधारा जा सकता है। तर्क को दृश्यमान बनाकर और विकल्पों को स्पष्ट करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो प्राचीन भाषा की जटिलता का सम्मान करता है और साथ ही उन हजारों ग्रंथों के तेजी से और अधिक सटीक विश्लेषण के द्वार खोलता है जिन्हें अभी पढ़ा जाना बाकी है। यह एक जादुई समाधान नहीं है जो सब कुछ तुरंत हल कर देता है, बल्कि यह एक महत्वपूर्ण कदम है, जो भविष्य के अनुसंधान के लिए एक विश्वसनीय आधार प्रदान करता है और मशीनों और मनुष्यों के बीच अतीत को समझने के लिए मिलकर काम करने का एक नया तरीका प्रदान करता है।