From Reasoning Allocation to Behavioural Specialisation: Boundary Results in Multi-Robot Systems
यह शोध पत्र प्रदर्शित करता है कि जबकि परिणाम-जागरूक तर्क आवंटन (outcome-aware reasoning allocation) सैद्धांतिक रूप से मूल्यवान है, बहु-रोबोट प्रणालियों में इसका व्यावहारिक कार्यान्वयन उच्च-मूल्य वाले अवसरों की अंतर्निहित विरलता (sparsity) द्वारा गंभीर रूप से सीमित है, जिससे सीखे गए राउटरों में क्लासिफायर कोलैप्स (classifier collapse) होता है और प्रतिनिधिमंडल (delegation) या विशिष्टता (specialization) के माध्यम से वास्तविक उभरती हुई सामूहिक संज्ञान (emergent collective cognition) उत्पन्न करने में विफल रहता 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 नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि रोबोटों का एक बेड़ा (fleet) कार्यों की एक श्रृंखला को पूरा करने के लिए भेजा गया है। प्रत्येक रोबोट दो तरह से सोचने के लिए सुसज्जित है: एक तेज़, सरल सहज ज्ञान (instinct) जो अधिकांश समय अच्छा काम करता है, और एक धीमा, महंगा "सुपर-ब्रेन" जो कठिन समस्याओं को हल कर सकता है लेकिन इसे चलाने में समय और ऊर्जा लगती है। मुख्य चुनौती बेड़े के लिए यह जानने में है कि कब उस सुपर-ब्रेन को चालू करना है। यदि वे इसका बहुत अधिक उपयोग करते हैं, तो वे संसाधनों को बर्बाद करते हैं और धीमी गति से चलते हैं; यदि वे इसका कभी उपयोग नहीं करते हैं, तो वे उन कुछ कार्यों पर महंगी गलतियाँ कर सकते हैं जिनके लिए वास्तव में गहन सोच की आवश्यकता होती है। यह मशीनों के लिए एक क्लासिक आर्थिक समस्या है: यह तय करना कि सोचने की अतिरिक्त लागत परिणाम में होने वाले संभावित सुधार के लायक है या नहीं।
एक शोधकर्ता ने इस समस्या को हल करने के लिए एक समूह के लिए एक कंप्यूटर प्रोग्राम बनाया। वे जानना चाहते थे कि क्या एक कंप्यूटर प्रोग्राम उन दुर्लभ क्षणों को पहचानना सीख सकता है जब सुपर-बraints की वास्तव में आवश्यकता होती है, बजाय इसके कि किसी इंसान के अनुमान पर भरोसा किया जाए। वे यह भी जानना चाहते थे कि क्या रोबोट एक-दूसरे की मदद कर सकते हैं और इन कठिन निर्णयों को ऐसे साथी को सौंप सकते हैं जो उन्हें संभालने के लिए बेहतर ढंग से उपयुक्त हो, और क्या इस प्रक्रिया से रोबोट अंततः स्वाभाविक रूप से अलग-अलग भूमिकाओं में बँट सकते हैं, जिनमें से कुछ "विचारक" (thinkers) और कुछ "कर्ता" (doers) बन जाएं।
शोधकर्ता ने इन विचारों का परीक्षण करने के लिए एक विस्तृत कंप्यूटर सिमुलेशन बनाया। उन्होंने रोबोटों का एक आभासी बेड़ा बनाया और उन्हें आसान और कठिन कार्यों का मिश्रण दिया। सबसे अच्छी संभव रणनीति खोजने के लिए, उन्होंने पहले एक पूर्ण, सर्वज्ञ मार्गदर्शक—एक "ओरेकल" (oracle)—बनाया जो निर्णय लिए जाने से पहले हर निर्णय के परिणाम को देख सकता था। इस मार्गदर्शक ने एक 'गोल्ड स्टैंडर्ड' के रूप में कार्य किया ताकि यह मापा जा सके कि सुपर-ब्रेन वास्तव में कितना मूल्य जोड़ता है। इस मार्गदर्शक के परिणाम आश्चर्यजनक थे और उन्होंने आगे की हर चीज़ के लिए आधार तैयार किया। ओरेकल ने खुलासा किया कि इस विशिष्ट वातावरण में, जहाँ सुपर-ब्रेन वास्तव में परिणाम में सुधार करेगा, वे क्षण अत्यंत दुर्लभ थे। परीक्षण किए गए सबसे कठिन परिदृश्यों में, सुपर-ब्रेन वास्तव में सभी निर्णयों के दो प्रतिशत से भी कम में उपयोगी था। आसान परिदृश्यों में, यह एक प्रतिशत से भी कम था। गहन तर्क का उपयोग करने का अवसर इतना दुर्लभ था कि वह लगभग अदृश्य था।
इस संदर्भ के साथ, शोधकर्ता ने बेड़े के लिए एक ट्रैफिक कंट्रोलर के रूप में कार्य करने के लिए एक कंप्यूटर प्रोग्राम को प्रशिक्षित किया। यह प्रोग्राम प्रत्येक निर्णय को देखने और यह तय करने के लिए था कि तेज़ सहज ज्ञान का उपयोग करना है या धीमे सुपर-ब्रेन का। जब उन्होंने इस प्रोग्राम का परीक्षण किया, तो यह शानदार प्रदर्शन करता हुआ दिखाई दिया। इसने पुराने, मानव-निर्मित नियमों की तुलना में बहुत कम गलतियाँ कीं, और सुपर-ब्रेन पर समय बर्बाद करने से लगभग पूरी तरह बच गया। हालाँकि, एक सूक्ष्म जांच से एक चाल का पता चला। क्योंकि सुपर-ब्रेन की आवश्यकता इतनी कम थी, प्रोग्राम ने बस इसे कभी भी चालू न करने का निर्णय लिया। इसने कठिन समस्याओं को पहचानना नहीं सीखा; इसने सीखा कि हमेशा तेज़ सहज ज्ञान का उपयोग करना ही सबसे सुरक्षित दांव था। सिमुलेशन में, यह "कभी न सोचने वाला" (never think) रणनीति सबसे अच्छा कदम साबित हुई, क्योंकि सोचने की आवश्यकता की संभावना इतनी कम थी। प्रोग्राम ने आसान और कठिन कार्यों के बीच अंतर करना नहीं सीखा; इसने कठिन कार्यों को पूरी तरह से अनदेखा करना सीख लिया।
शोधकर्ता ने फिर पूछा कि क्या रोबलेट एक-दूसरे की मदद कर सकते हैं। यदि एक रोबोट के सामने कठिन निर्णय आता है, तो क्या वह दूसरे रोबोट से उसके लिए सोचने के लिए कह सकता है? एक ऐसे बेड़े में जहाँ सभी रोबोट समान थे, उत्तर 'नहीं' था। चूंकि सुपर-ब्रेन की आवश्यकता ही बहुत कम थी, इसलिए सौंपने (delegate करने) के लिए लगभग कुछ भी नहीं था, और सिस्टम का प्रदर्शन वैसा ही था जैसा कि रोबोटों के अकेले काम करने पर होता। हालाँकि, जब शोधकर्ता ने एक मिश्रित बेड़ा बनाया जिसमें कुछ रोबोट स्वाभाविक रूप से दूसरों की तुलना में तेज़ और अधिक विश्वसनीय थे, तो सिस्टम ने लाभ दिखाया। रोबोट अपने कठिन निर्णयों को तेज़ और अधिक विश्वसनीय साथियों को भेजने लगे। लेकिन, क्योंकि शोधकर्ता के पास इसकी तुलना करने के लिए कोई नियंत्रण समूह (control group) नहीं था, वे निश्चित रूप से यह नहीं कह सकते थे कि सुधार केवल कार्यों को सौंपने की क्रिया से आया या केवल इस तथ्य से कि बेहतर रोबोट अधिक काम कर रहे थे।
अंत में, शोधकर्ता ने यह जांचा कि क्या यह डेलीगेशन (कार्य सौंपने) की प्रक्रिया श्रम के प्राकृतिक विभाजन की ओर ले जाती है। उन्होंने यह देखने के लिए निगरानी की कि क्या समय के साथ कुछ रोबलेट को लगातार दूसरों की तुलना में अधिक सौंपे गए कार्य प्राप्त होते हैं, जिससे वे प्रभावी रूप से विशेषज्ञ बन जाते हैं। उन्होंने पाया कि ऐसा हुआ। कुछ रोबोटों को वास्तव में अधिक काम प्राप्त हुआ, जिससे प्रयास का संकेंद्रण (concentration of effort) हुआ। हालाँकि, यह इस परिणाम के रूप में नहीं था कि रोबोटों ने खुद को व्यवस्थित करने का एक चतुर नया तरीका खोज लिया था। इसके बजाय, यह सॉफ्टवेयर में एक विशिष्ट, कठोर नियम द्वारा संचालित था जो यह तय करता था कि जब दो रोबोट समान रूप से सक्षम लगें तो किसे पूछना है। इस नियम ने, निर्णयों के क्रम के साथ मिलकर, एक "अमीर-होता-जाता-है" (rich-get-richer) प्रभाव पैदा किया जहाँ एक रोबोट जिसे शुरुआत में भाग्य मिला, उसे लगातार अधिक काम मिलता रहा। जब शोधकर्ता ने इन सॉफ्टवेयर संबंधी विसंगतियों को हटा दिया, तो काम का संकेंद्रण काफी कम हो गया, हालांकि थोड़ी मात्रा में विशेषज्ञता बनी रही।
महत्वपूर्ण रूप से, शोधकर्ता ने यह परीक्षण किया कि क्या यह विशेषज्ञता वास्तव में बेड़े की मदद करती है। उन्होंने पाया कि यह नहीं करती थी। काम के संकेंद्रण से बेहतर परिणाम या तेज़ पूर्णता समय प्राप्त नहीं हुआ। क्योंकि विशेषज्ञता ने कोई मापने योग्य लाभ नहीं दिया, और क्योंकि यह आंशिक रूप रूप से वास्तविक दक्षता की खोज के बजाय सॉफ्टवेयर आर्टिफैक्ट्स (artifacts) के कारण था, शोधकर्ता ने निष्कर्ष निकाला कि यह "उभरते सामूहिक संज्ञान" (emergent collective cognition) का वास्तविक उदाहरण नहीं था। दूसरे शब्दों में, रोबोटों ने स्वाभाविक रूप से एक स्मार्ट, स्व-व्यवस्थित समाज विकसित नहीं किया; उन्होंने बस नियमों का पालन किया जो गलती से कुछ रोबोटों को दूसरों की तुलना में अधिक काम करने की ओर ले गए, बिना टीम के लिए किसी वास्तविक लाभ के।
यह अध्ययन अंततः यह सिखाता है कि हम मशीनों को कैसे सोचने के लिए प्रशिक्षित करते हैं, उसकी एक सीमा है। यह दिखाता है कि जब गहन तर्क की आवश्यकता अत्यंत दुर्लभ होती है, तो एक लर्निंग सिस्टम महंगे उपकरण का उपयोग करने से इनकार करके सफल होने का भ्रम दे सकता है। यह यह भी दर्शाता है कि रोबोटों को वास्तव में एक साथ काम करने से लाभ होने के लिए, परिस्थितियाँ ऐसी होनी चाहिए जहाँ उनका सहयोग मायने रखे। इस विशिष्ट सिमुलेशन में, रोबोटों ने स्मार्ट बनना नहीं सीखा; उन्होंने कम काम करके कुशल बनना सीखा, और वे वास्तव में एक बेहतर टीम के रूप में संगठित नहीं हुए। ये निष्कर्ष शोधकर्ताओं के लिए एक चेतावनी भरे उदाहरण के रूप में कार्य करते हैं: केवल इसलिए कि कोई प्रणाली व्यवस्थित या कुशल दिखती है, इसका मतलब यह नहीं है कि उसने पर्दे के पीछे के जटिल तर्क को वास्तव में सीख लिया 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।