Gates Instead of Prompts: Development and Methods of a Large-Language-Model Expert System for Root- Cause Analysis in a Steel Foundry

स्टील कास्टिंग के भारी उद्योग में, जहाँ पिघली हुई धातु को रेत के सांचों (सैंड मोल्ड्स) में डाला जाता है ताकि विशाल पुर्जे बनाए जा सकें, एक आदर्श भाग और एक दोषपूर्ण भाग के बीच का अंतर अक्सर अदृश्य भौतिकी (फिजिक्स) पर निर्भर करता है। जब कोई कास्टिंग विफल होती है, तो इंजीनियरों को मूल-कारण विश्लेषण (रूट-कॉज़ एनालिसिस) करना पड़ता है, जो एक कठोर जांच है जो मशीन लॉग, प्रयोगशाला परीक्षणों और धातु के ठंडा होने और जमने के जटिल कंप्यूटर सिमुलेशन से सुरागों को जोड़ती है। दशकों तक, यह कार्य उन मानव विशेषज्ञों पर निर्भर रहा है जो हजारों पृष्ठों के मैनुअल पढ़ सकते हैं और डेटा में सूक्ष्म पैटर्न की व्याख्या कर सकते हैं। हाल ही में, एक नया उपकरण चर्चा में आया है: लार्ज लैंग्वेज मॉडल्स (LLMs)। ये शक्तिशाली कंप्यूटर प्रोग्राम हैं जो बड़ी मात्रा में टेक्स्ट पढ़ सकते हैं और उल्लेखनीय प्रवाह के साथ प्रश्नों के उत्तर दे सकते हैं। हालाँकि, इनमें एक महत्वपूर्ण दोष है: वे तब भी पूर्ण आत्मविश्वास के साथ बोलते हैं जब वे गलत होते हैं। स्टील फाउंड्री जैसे उच्च-जोखिम वाले वातावरण में, एक आत्मविश्वासी लेकिन गलत उत्तर खतरनाक गलतियों या महंगी उत्पादन त्रुटियों का कारण बन सकता है। इसलिए, चुनौती केवल इन स्मार्ट कंप्यूटरों का उपयोग करने की नहीं है, बल्कि एक ऐसा सिस्टम बनाने की है जो उन्हें ईमानदार, ठोस और सत्यापन योग्य होने के लिए मजबूर करे।

यह शोध पत्र ऐसे ही एक सिस्टम के निर्माण का वर्णन करता है, जिसे चेक गणराज्य की एक स्टील फाउंड्री के लिए एक स्वतंत्र शोधकर्ता द्वारा विकसित किया गया था। इस प्रोजेक्ट का नाम 'डिजिटल फाउंड्री प्रो' (Digital Foundry PRO) रखा गया था, जिसे मानव इंजीनियरों को बदलने के लिए नहीं, बल्कि एक फोरेंसिक सहायक के रूप में डिजाइन किया गया था जो ऐतिहासिक डेटा पर ऑफलाइन काम करता है। इस कार्य की मुख्य खोज यह है कि आप केवल एक लार्ज लैंग्वेज मॉडल को "सावधान रहने" या "अपने तथ्यों की जाँच करने" के लिए नहीं कह सकते। इसके बजाय, शोधकर्ताओं को डिजिटल द्वारों (डिजिटल गेट्स) का एक कठोर ढांचा बनाना पड़ा जो कंप्यूटर को बिना समर्थन वाले दावे करने से भौतिक रूप से रोक सके। इस सिस्टम का परीक्षण एक ऐसी फाउंड्री के वास्तविक डेटा पर किया गया जो ग्रीन सैंड मोल्ड्स का उपयोग करके स्टील कास्टिंग बनाती है। छह महीनों में, यह सिस्टम एक साधारण प्रोटोटाइप से विकसित होकर एक परिष्कृत उपकरण बन गया जो कास्टिंग दोषों और उपकरणों की विफलताओं का विश्लेषण कर सकता था। सबसे महत्वपूर्ण निष्कर्ष यह था कि समस्या के वास्तविक कारण को खोजने की सिस्टम की क्षमता अधिक उपकरण या अधिक डेटा देने से नहीं, बल्कि उसे दिए गए विशिष्ट निर्देशों को बदलने से आई। कंप्यूटर को पूरे सिमुलेशन में कुछ भी असामान्य खोजने के बजाय, दोष के बनने के सटीक क्षण और स्थान को देखने के लिए मजबूर करने से, सिस्टम की सटीकता नाटकीय रूप से सुधर गई।

विकास प्रक्रिया वर्तमान तकनीक की सीमाओं के बारे में एक कठोर अहसास के साथ शुरू हुई। एक प्रारंभिक परीक्षण में, एक मानक चैटबॉट से पूछा गया कि एक पोरिंग यूनिट (डालने वाली इकाई) अपना चक्र क्यों रोक रही है। मशीन ने तापमान डेटा देखा, मान लिया कि धातु एल्युमीनियम है, और घोषणा की कि 1,300 डिग्री सेल्सियस से अधिक के दर्ज तापमान शारीरिक रूप से असंभव हैं। फिर उसने सेंसर को बदलने और अलार्म सेटिंग्स को कम करने की सिफारिश की। सलाह आत्मविश्वासी थी और सुनने में तर्कसंगत लग रही थी, लेकिन वह पूरी तरह से गलत थी क्योंकि फाउंड्री स्टील डाल रही थी, एल्युमीनियम नहीं। इस त्रुटि ने एक ऐसे सिस्टम के खतरे को उजागर किया जो आधिकारिक लगता है लेकिन जिसमें अपने तथ्यों को सत्यापित करने का तंत्र नहीं है। इसे हल करने के लिए, शोधकर्ता ने सॉफ्टवेयर में "गेट्स" (द्वारों) की एक श्रृंखला बनाई। ये कंप्यूटर के लिए केवल सुझाव नहीं हैं; ये हार्ड-कोडेड नियम हैं जो प्रक्रिया को तब रोक देते हैं जब कुछ शर्तें पूरी नहीं होती हैं। उदाहरण के लिए, सिस्टम तब तक विश्लेषण शुरू नहीं करेगा जब तक कि लाइब्रेरी में मौजूद किसी दस्तावेज़ द्वारा विशिष्ट प्रकार की धातु की पुष्टि न हो जाए। यदि कंप्यूटर किसी मैनुअल के पृष्ठ का हवाला देने की कोशिश करता है, तो सॉफ्टवेयर उस पृष्ठ के वास्तविक टेक्स्ट की जाँच करता है ताकि यह सुनिश्चित हो सके कि उद्धरण शब्द-दर-शब्द वहां मौजूद है। यदि कंप्यूटर किसी सिमुलेशन इमेज का संदर्भ देने की कोशिश करता है, तो सॉफ्टवेयर सत्यापित करता है कि इमेज फ़ाइल वास्तव में मौजूद है और विवरण से मेल खाती है। ये गेट्स एक सुरक्षा जाल के रूप में कार्य करते हैं, यह सुनिश्चित करते हुए कि कंप्यूटर तथ्य न बना सके या साक्ष्य की कल्पना (हैलुसिनेशन) न कर सके।

सिस्टम ने कूलिंग प्रक्रिया के कंप्यूटर सिमुलेशन को पढ़ने का एक नया तरीका भी पेश किया। आमतौर पर, एक कंप्यूटर किसी भी परेशानी के संकेत, जैसे कि हॉट स्पॉट या धातु की तेज़ गति वाली धारा की तलाश में पूरे सिमुलेशन वीडियो को स्कैन कर सकता है। यह दृष्टिकोण अक्सर गलत अलार्म का कारण बनता है, क्योंकि उच्च तापमान या तेज़ प्रवाह कभी-कभी प्रक्रिया के सामान्य हिस्से होते हैं। नए सिस्टम ने नियम बदल दिए: यह केवल सिमुलेशन डेटा को ठीक उसी स्थान पर, ठीक उसी समय और ठीक उस थ्रेशोल्ड (सीमा) के ऊपर देखता है जहाँ एक विशिष्ट दोष ज्ञात रूप से बनता है। उदाहरण के लिए, यदि दोष कास्टिंग के कोर के पास होने वाला 'श्रिंकेज' (सिकुड़न) का एक प्रकार है, तो सिस्टम बाकी मोल्ड को अनदेखा करता है और केवल उस विशिष्ट क्षेत्र पर ध्यान केंद्रित करता है जहाँ धातु जमने के दौरान विशिष्ट समय पर होता है। यह तरीका कंप्यूटर को अप्रासंगिक डेटा से विचलित होने से रोकता है। इसके अलावा, सिस्टम मशीनों के मैनुअल के साथ अत्यधिक सावधानी बरतता है। किसी उपकरण का मैनुअल अक्सर उस उपकरण की हर संभव विशेषता का वर्णन करता है जो मशीन में हो सकती है, न कि केवल उन विशेषताओं का जो कारखाने की विशिष्ट मशीन में वास्तव में मौजूद हैं। सिस्टम को मशीन के बारे में प्रत्येक दावे के लिए एक "ट्रस्ट लेवल" (विश्वास स्तर) निर्धारित करने के लिए प्रोग्राम किया गया था। केवल वे दावे जो मशीन के वास्तविक ऑपरेटिंग डेटा के विरुद्ध सत्यापित किए गए थे, उन्हें आधिकारिक प्रक्रियाओं में उपयोग करने की अनुमति दी गई थी। केवल मैनुअल पर आधारित दावों को असत्यापित के रूप में चिह्नित किया गया, जिससे सिस्टम को ऐसी कार्रवाइयों की सिफारिश करने से रोका जा सका जो विशिष्ट मशीन नहीं कर सकती थी।

सबसे महत्वपूर्ण सफलता तब आई जब शोधकर्ताओं ने यह परीक्षण किया कि सिस्टम को गहराई से सोचने के लिए कैसे प्रेरित किया जाए। प्रारंभ में, कंप्यूटर डेटा पढ़ सकता था और रिपोर्ट तैयार कर सकता था, लेकिन रिपोर्ट उथली थी और अक्सर वास्तविक समस्या को चूक जाती थी। शोधकर्ताओं ने अधिक उपकरण और अधिक डेटा जोड़ने की कोशिश की, लेकिन परिणाम में सुधार नहीं हुआ। फिर उन्होंने कार्य को ही बदल दिया। उन्होंने कंप्यूटर को पाँच विशिष्ट निर्देश, या "जनादेश" (Mandates) दिए, जिन्होंने उसे समस्या को अलग तरह से देखने के लिए मजबूर किया। इन निर्देशों ने कंप्यूटर को कास्टिंग के कोरों (cores) के आसपास के क्षेत्र की जांच करने, केंद्रीय हॉट स्पॉट को आसपास के क्षेत्रों से अलग करने और सक्रिय रूप से सरल स्पष्टीकरणों को गलत साबित करने का निर्देश दिया। इन नए निर्देशों के साथ, और बिना कोई नया टूल जोड़े, सिस्टम का प्रदर्शन बदल गया। एक विशिष्ट स्टील कास्टिंग पर परीक्षणों की एक श्रृंखला में, सिस्टम द्वारा दोष के वास्तविक स्थान को सही ढंग से पहचानने की संख्या शून्य से बढ़कर एक ही रिपोर्ट में तीन से सोलह उल्लेखों के बीच पहुँच गई। यह सुधार लगभग पांच गुना (fivefold) था। कंप्यूटर वास्तविक समस्या को खोजने लगा, जो कोरों के चारों ओर एक रिंग में सूक्ष्म प्रकार की 'पोरोसिटी' (सरंध्रता) थी, बजाय इसके कि वह बड़े 'श्रिंकेज होल' का स्पष्ट किताबी जवाब दे। यह सिद्ध किया कि विश्लेषण की गहराई दिए गए डेटा की मात्रा पर नहीं, बल्कि पूछे गए प्रश्न की गुणवत्ता पर निर्भर करती है।

यहाँ यह ध्यान देना महत्वपूर्ण है कि इस सुधार का मूल्यांकन करने के लिए जिस संदर्भ विश्लेषण (reference analysis) का उपयोग किया गया था, वह किसी स्वतंत्र मानव विशेषज्ञ की रिपोर्ट नहीं थी, बल्कि लेखक के मार्गदर्शन में एक LLM द्वारा लिखा गया था।

पूरे प्रोजेक्ट के दौरान, शोधकर्ताओं ने यह भी प्रलेखित किया कि क्या काम नहीं आया, जो उनकी सफलताओं के समान ही महत्वपूर्ण था। उन्होंने पूरी उत्पादन लाइन का एक "डिजिटल ट्विन" बनाया, जो वास्तविक समय में विफलताओं की भविष्यवाणी करने के लिए एक वर्चुअल मॉडल था। हालाँकि, उन्होंने पाया कि इस मॉडल को फीड करने वाला डेटा त्रुटिपूर्ण था। सिस्टम उन सीमाओं और मानों का उपयोग कर रहा था जिनका अनुमान लगाया गया था या जो किसी अन्य मशीन से लिए गए थे, जिससे यह लगभग हर माप को त्रुटि के रूप में चिह्नित कर रहा था। शोधकर्ताओं ने महसूस किया कि सिस्टम फैक्ट्री में दोष नहीं ढूंढ रहा था; वह फैक्ट्री के बारे में अपनी समझ में दोष ढूंढ रहा था। उन्होंने इस डिजिटल ट्विन को जानबूझकर नष्ट कर दिया, इंटरफ़ेस और मशीन मॉडल को हटा दिया, क्योंकि यह वास्तविक दुनिया के लिए तैयार नहीं था। उन्होंने यह भी पाया कि उच्च तापमान और अधिक गैस दोषों के बीच एक सांख्यिकीय संबंध वास्तव में एक दोषपूर्ण सेंसर रीडिंग के कारण उत्पन्न भ्रम था। जब उन्होंने डेटा के स्रोत की जाँच की, तो उन्होंने देखा कि तापमान रीडिंग विश्वसनीय नहीं थी, इसलिए उन्होंने उस निष्कर्ष को वापस ले लिया। अपने स्वयं के कार्य को गिराने और यह स्वीकार करने की इच्छा कि परिणाम एक त्रुटि थी, सिस्टम की विश्वसनीयता का एक केंद्रीय हिस्सा बन गई।

अंतिम परिणाम एक ऐसे सिस्टम के रूप में सामने आया जो एक सरल लेकिन शक्तिशाली सिद्धांत पर काम करता है: कंप्यूटर प्रस्ताव देता है, और मानव हस्ताक्षर करता है। सिस्टम को ऑफलाइन काम करने के लिए डिज़ाइन किया गया है, जो फैक्ट्री से पहले ही निर्यात किए गए ऐतिहासिक डेटा का विश्लेषण करता है। यह मशीनों के लाइव कंट्रोल सिस्टम से नहीं जुड़ता है, और यह अपने आप निर्णय नहीं लेता है। इसके बजाय, यह एक अत्यधिक अनुशासित सहायक के रूप में कार्य करता है जो साक्ष्य एकत्र करता है, सख्त नियमों के विरुद्ध अपने तथ्यों की जाँच करता है, और एक इंजीनियर को रिपोर्ट प्रस्तुत करता है। मानव फिर निष्कर्षों की समीक्षा करता है, साक्ष्य को सत्यापित करता है, और अंतिम निर्णय की जिम्मेदारी लेता है। शोधकर्ताओं ने पाया कि सिस्टम क्रोनिक (पुरानी/दीर्घकालिक) खामियों की पहचान कर सकता है, जैसे कि एक पोरिंग यूनिट पर मिसअलाइन्ड एक्सिस (गलत संरेखण अक्ष) जिसके कारण महीनों से आउटेज हो रहे थे, और वास्तविक दोषों तथा डेटा त्रुटियों के बीच अंतर कर सकता है। हालाँकि, उन्होंने यह भी नोट किया कि सिस्टम पूर्ण नहीं है। यह अभी भी कुछ दोषों की सटीक गंभीरता को मापने में संघर्ष करता है, और यह उसे दिए गए डेटा की गुणवत्ता पर बहुत अधिक निर्भर है। यदि डेटा गायब या गलत है, तो सिस्टम उसे ठीक नहीं कर सकता है।

शोध पत्र इस तकनीक के भविष्य के लिए एक स्पष्ट सिफारिश के साथ समाप्त होता है। शोधकर्ता सुझाव देते हैं कि इस तरह के सिस्टम की उच्चतम स्वायत्तता (autonomy) "तैयारी" (preparatory) स्तर तक होनी चाहिए। इस स्तर पर, सिस्टम एक मान या सिफारिश तैयार कर सकता है, सुरक्षा सीमाओं के विरुद्ध इसकी जाँच कर सकता है, और कोई भी कार्रवाई करने से पहले पुष्टि के लिए मानव की प्रतीक्षा कर सकता है। वे स्पष्ट रूप से सलाह देते हैं कि भले ही सिस्टम पूरी तरह से मान्य हो, उसे फैक्ट्री के नियंत्रण प्रणालियों में सीधे लिखने (कमांड देने) की अनुमति नहीं दी जानी चाहिए। अंतिम उत्पाद की जिम्मेदारी मानव इंजीनियर की है, और वह जिम्मेदारी कभी भी सॉफ्टवेयर को नहीं सौंपी जानी चाहिए। यह प्रोजेक्ट प्रदर्शित करता है कि जबकि लार्ज लैंग्वेज मॉडल्स जानकारी को पढ़ने और संसाधित करने के लिए शक्तिशाली उपकरण हैं, उन्हें महत्वपूर्ण औद्योगिक सेटिंग्स में उपयोगी होने के लिए नियतार्थ (deterministic), कोड-लगाए गए नियमों की एक परत में लपेटना आवश्यक है। सिस्टम की सफलता कंप्यूटर को स्मार्ट बनाने से नहीं, बल्कि उसके आसपास के नियमों को अधिक सख्त बनाने से आई। कंप्यूटर को अपने दावों को सिद्ध करने, सही स्थान पर सही समय पर देखने और यह स्वीकार करने के लिए मजबूर करके कि वह उत्तर नहीं जानता, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो स्टील कास्टिंग की जटिल समस्याओं को हल करने में विशेषज्ञों की वास्तव में सहायता कर सकता है। यह कार्य वास्तविक दुनिया में विश्वसनीय AI सिस्टम बनाने के लिए एक व्यावहारिक मार्गदर्शिका के रूप में खड़ा है, जहाँ गलती की कीमत केवल एक गलत उत्तर नहीं, बल्कि एक टूटी हुई मशीन या एक विफल उत्पाद है।