PrivateAgent: Mobility-Aware AI Agents for Safe Private Networks

आधुनिक औद्योगिक दुनिया में, एक प्रकार का नया तंत्रिका तंत्र जड़ें जमा रहा है। यह नसों से नहीं, बल्कि निजी सेलुलर नेटवर्क से बना है जो कारखानों, गोदामों और बड़े परिसरों के भीतर संचालित होते हैं, जो सार्वजनिक इंटरनेट से अलग होते हैं। ये नेटवर्क स्थिर सुरक्षा कैमरों से लेकर स्मार्ट ग्लास पहनने वाले श्रमिकों और फर्श पर स्वतंत्र रूप से घूमने वाले स्वायत्त रोबोटों तक सब कुछ जोड़ते हैं। इंजीनियरों के लिए चुनौती यह है कि ये उपकरण सभी एक जैसा व्यवहार नहीं करते हैं। दीवार पर लगे एक कैमरे का कनेक्शन स्थिर होता है और वह निर्देशों के लिए कुछ क्षण प्रतीक्षा कर सकता है। हालाँकि, एक गलियारे में चलते हुए रोबोट को टकराने से बचने के लिए पलक झपकते ही निर्णय लेने होते हैं, और एक सेकंड के अंश जितनी भी देरी होने पर भौतिक टक्कर हो सकती है या उत्पादन लाइन रुक सकती है। वर्षों तक, यह धारणा थी कि एक शक्तिशाली कृत्रिम बुद्धिमत्ता (AI) एक केंद्रीय स्थान से इन सभी विभिन्न कार्यों को प्रबंधित कर सकती है। यह शोध पत्र तर्क देता है कि ऐसा 'एक ही आकार सबके लिए उपयुक्त' (one-size-fits-all) दृष्टिकोण न केवल अक्षम है, बल्कि संभावित रूप से खतरनाक भी है।

इस अध्ययन के पीछे के शोधकर्ताओं ने, जो इटली, संयुक्त राज्य अमेरिका और चीन के संस्थानों के साथ मिलकर काम कर रहे हैं, इन स्मार्ट प्रणालियों को व्यवस्थित करने का एक नया तरीका प्रस्तावित किया है। वे इसे 'प्राइवेटएजेंट' (PrivateAgent) कहते हैं। एक केंद्रीय मस्तिष्क पर निर्भर रहने के बजाय, वे इस आधार पर काम को विभाजित करने का सुझाव देते हैं कि उपकरण कितनी तेज़ी से चलता है और उसे कितनी तेज़ी से प्रतिक्रिया देने की आवश्यकता है। मुख्य विचार यह है कि सुरक्षा-महत्वपूर्ण कार्यों, जैसे कि किसी व्यक्ति से टकराने से पहले रोबोट को रोकना, को स्वयं उपकरण पर ही तुरंत होना चाहिए। उन कार्यों के लिए जिनमें अधिक सोचने की आवश्यकता होती है, जैसे कि रोबोट के पूरे बेड़े के लिए मार्ग की योजना बनाना, पास के एक स्थानीय कंप्यूटर पर किया जा सकता है, जिसे 'एज' (edge) कहा जाता है। केवल सबसे धीमे कार्यों के लिए, जैसे दीर्घकालिक सीखना या सॉफ़्टवेयर अपडेट करना, दूर स्थित 'क्लाउड' (cloud) पर जाने की आवश्यकता होती है। यह अलगाव सुनिश्चित करता है कि यदि क्लाउड से कनेक्शन टूट भी जाए, तो भी सिस्टम सुरक्षित रहे।

इस विचार का परीक्षण करने के लिए, टीम ने चार अलग-अलग निजी नेटवर्क से वास्तविक दुनिया के डेटा का उपयोग करके परीक्षणों का एक कठोर सेट बनाया। उन्होंने केवल एक आदर्श दुनिया का अनुकरण नहीं किया; उन्होंने उन वास्तविक रिकॉर्डों का उपयोग किया कि कैसे सिग्नल व्यवहार करते हैं जब कोई कर्मचारी शेल्फ के पास से गुजरता है या जब कोई रोबोट दरवाजे से गुजरता है। उन्होंने इस डेटा को एक कृत्रिम बुद्धिमत्ता मॉडल में डाला और उससे पूछा कि उसे नेटवर्क संबंधी क्या कार्रवाई करनी चाहिए। मॉडल को तीन विकल्पों के बीच चयन करना था: तुरंत कार्य करें, अधिक जानकारी मांगें क्योंकि स्थिति अस्पष्ट है, या कार्य करने से इनकार करें क्योंकि यह असुरक्षित है। परिणाम आश्चर्यजनक थे। पचास परीक्षण परिदृश्यों में से प्रत्येक में, मॉडल ने सही ढंग से पहचान लिया कि उसे कार्य करना चाहिए, स्पष्टीकरण मांगना चाहिए, या अनुरोध को अस्वीकार करना चाहिए। जब उसने कार्य करने का विकल्प चुना, तो उसने नब्बे प्रतिशत बार एक सुरक्षित और स्वीकार्य कार्रवाई चुनी, और उसने इक्यासी प्रतिशत बार एकल सर्वश्रेष्ठ संभव कार्रवाई का चयन किया।

महत्वपूर्ण रूप से, यह पत्र एक दूसरे स्तर की सुरक्षा पर भी प्रकाश डालता है जो कृत्रिम बुद्धिमत्ता से स्वतंत्र रूप से कार्य करती है। भले ही AI एक अच्छा निर्णय ले ले, प्रणाली को यह सत्यापित करना चाहिए कि निर्णय को निष्पादित करने से पहले वह वैध है या नहीं। शोधकर्ताओं ने एक सख्त डिजिटल द्वारपाल (gatekeeper) बनाया है जो प्रत्येक प्रस्तावित परिवर्तन की जाँच करता है। यह द्वारपाल देखता है कि क्या कोई जानकारी गायब है, क्या अनुरोध असंभव है, या क्या AI मनगढ़ंत बातें बना रहा है। अपने परीक्षणों में, उन्होंने यह देखने के लिए कि क्या द्वारपाल उन्हें पकड़ पाता है, सिस्टम में चार सौ त्रुटियाँ जानबूझकर डालीं। एक मानक जाँच, जो केवल अनुरोध के बुनियादी प्रारूप को देखती है, केवल एक सौ पचास त्रुटियों को पकड़ पाई। नए, अधिक गहन द्वारपाल ने सभी चार सौ त्रुटियों को पकड़ा। यह सिद्ध करता है कि एक अलग, स्वतंत्र जाँच रखना सिस्टम को खतरनाक गलतियाँ करने से रोकने के लिए आवश्यक है।

अध्ययन इन निजी नेटवर्कों में पाए जाने वाले विभिन्न प्रकार के उपकरणों को तीन स्पष्ट श्रेणियों में भी विभाजित करता है। पहला समूह स्थिर है, जैसे घेराबंदी की निगरानी करने वाले निश्चित कैमरे। ये उपकरण चलते नहीं हैं, इसलिए इनका कनेक्शन स्थिर रहता है। उनके लिए, सिस्टम धीमा हो सकता है और भारी विश्लेषण के लिए क्लाउड पर भरोसा कर सकता है। दूसरा समूह, कम-गतिशीलता (low-mobility) वाला है, जैसे हाथ में स्कैनर लिए कर्मचारी या पैदल चलने की गति से चलने वाले फोर्कलिफ्ट। ये उपकरण सिग्नल में संक्षिप्त व्यवधान पैदा करने के लिए पर्याप्त चलते हैं, इसलिए सिस्टम को कनेक्शन बदलने और निर्देशों को तैयार रखने के बारे में स्मार्ट होना चाहिए। तीसरा समूह, उच्च-गतिशीलता (high-mobility) वाला है, जिसमें स्वायत्त रोबोट और ड्रोन शामिल हैं जो तेज़ी से और अप्रत्याशित रूप से चलते हैं। इनके लिए, सिस्टम को अत्यंत तेज़ होना चाहिए। शोधकर्ताओं ने पाया कि उच्च-गतिशीलता वाले उपकरणों के लिए, सबसे महत्वपूर्ण सुरक्षा निर्णय स्वयं उपकरण पर ही रहने चाहिए। यदि नेटवर्क कनेक्शन विफल हो जाता है, तो रोबोट को दूर स्थित सर्वर से संकेत की प्रतीक्षा किए बिना सुरक्षित रूप से रुकने में सक्षम होना चाहिए।

सबसे महत्वपूर्ण निष्कर्षों में से एक यह है कि उपयोग किए जाने वाले कृत्रिम बुद्धिमत्ता के प्रकार को कार्य के अनुरूप होना चाहिए। यह शोध पत्र सब कुछ नियंत्रित करने के लिए एक एकल, बड़े भाषा मॉडल (Large Language Model) का उपयोग करने के विरुद्ध तर्क देता है। एक भाषा मॉडल जटिल निर्देशों को समझने या स्थिति का सारांश देने में उत्कृष्ट है, लेकिन यह रोबोट के ब्रेक को नियंत्रित करने के लिए बहुत धीमा और अप्रत्याशित है। इसके बजाय, सिस्टम एक पदानुक्रम (hierarchy) का उपयोग करता है। छोटे, तेज़ प्रोग्राम उपकरण पर तत्काल सुरक्षा लूप संभालते हैं। अधिक जटिल तर्क स्थानीय 'एज' पर होते हैं। बड़े भाषा मॉडलों को उच्च-स्तरीय योजना बनाने या किसी घटना के बाद क्या हुआ, यह समझाने के लिए सुरक्षित रखा जाता है। श्रम का यह विभाजन यह सुनिश्चित करता है कि जब गति की आवश्यकता हो, तो सिस्टम धीमी प्रोसेसिंग के कारण अटक न जाए।

शोधकर्ताओं ने विश्वास के मुद्दे को भी संबोधित किया है। एक ऐसी प्रणाली में जहाँ कृत्रिम बुद्धिमत्ता नेटवर्क ट्रैफ़िक के बारे में निर्णय लेती है, एक जोखिम यह है कि AI ऐसा बदलाव सुझा सकता है जो सही दिखता है लेकिन वास्तव में हानिकारक है। उदाहरण के लिए, एक AI वीडियो स्ट्रीम को दूसरे पथ पर पुनर्निर्देशित करने का सुझाव दे सकता है, यह जाने बिना कि नया पथ अवरुद्ध है या यह सुरक्षा नियम का उल्लंघन करता है। 'प्राइवेटएजेंट' ढांचा AI के प्रत्येक सुझाव को एक मसौदे (draft) के रूप में मानता है जिसे एक स्वतंत्र सत्यापनकर्ता द्वारा अनुमोदित किया जाना चाहिए। यह सत्यापनकर्ता साक्ष्यों, अनुरोध के दायरे और यदि चीजें गलत होती हैं तो 'रोलबैक' (वापस लौटने) की योजना मौजूद है या नहीं, इसकी जाँच करता है। परीक्षणों में, यह स्वतंत्र जाँच उन सूक्ष्म त्रुटियों का पता लगाने में सक्षम थी जिन्हें एक साधारण प्रारूप जाँच मिस कर देती है, जैसे कि मनगढ़ंत डेटा या अनुरोध जो AI के अधिकार क्षेत्र से बाहर थे।

अध्ययन इस निष्कर्ष पर पहुँचता है कि निजी नेटवर्कों का भविष्य इसी गतिशीलता-जागरूक (mobility-aware) दृष्टिकोण में निहित है। यह पहचानकर कि एक स्थिर कैमरा, एक चलता हुआ कर्मचारी और एक तेज़ दौड़ता रोबोट मौलिक रूप से भिन्न आवश्यकताएं रखते हैं, इंजीनियर ऐसे सिस्टम बना सकते हैं जो अधिक स्मार्ट और सुरक्षित हों। यह ढांचा यह आवश्यक नहीं बनाता कि प्रत्येक उपकरण हर समय क्लाउड से जुड़ा रहे। इसके बजाय, यह इसे सुचारू रूप से कम होने (degrade gracefully) की अनुमति देता है। यदि एज से कनेक्शन टूट जाता है, तो एक स्थिर कैमरा स्थानीय रूप से रिकॉर्डिंग जारी रखता है। यदि क्लाउड से कनेक्शन टूट जाता है, तो एक रोबोट अपने ऑनबोर्ड सेंसर का उपयोग करके नेविगेट करना जारी रखता है। लक्ष्य एक पूर्ण, अटूट प्रणाली बनाना नहीं है, बल्कि एक ऐसी प्रणाली बनाना है जो अपनी सीमाओं को जानता हो और जब चीजें गलत होती हैं तो उसके पास एक स्पष्ट योजना हो।

यह कार्य औद्योगिक स्वचालन (automation) को अधिक विश्वसनीय बनाने की दिशा में एक महत्वपूर्ण कदम है। यह बातचीत को केवल इस सवाल से हटाकर कि एक कृत्रिम बुद्धिमत्ता कितनी शक्तिशाली हो सकती है, इस सवाल पर ले आता है कि वह बुद्धिमत्ता कहाँ होनी चाहिए और उसकी जाँच कैसे की जानी चाहिए। परिणाम बताते हैं कि सही संरचना के साथ, कृत्रिम बुद्धिमत्ता सुरक्षा से समझौता किए बिना जटिल नेटवर्क का प्रबंधन कर सकती है। शोधकर्ताओं ने अपने परीक्षण डेटा और विधियों को दूसरों के लिए उपलब्ध करा दिया है, जिससे समुदाय को इस नींव पर निर्माण करने का आमंत्रण मिलता है। आगे का रास्ता इन परीक्षणों को अधिक जटिल रोबोट आंदोलनों और संचालन की लंबी अवधि तक विस्तारित करने में निहित है, लेकिन मूल सिद्धांत स्पष्ट है: सुरक्षा का अर्थ है निर्णय की गति को मशीन की गति के साथ मिलाना।