Cost-Aware Gated Retrieval: Decoupling Retrieval Initiation from Evidence-Conditioned Escalation

आधुनिक कंप्यूटर जो प्रश्नों के उत्तर देते हैं, उन्होंने अपनी आंतरिक स्मृतियों के विशाल पुस्तकालयों को पढ़ना सीख लिया है, लेकिन वे अक्सर तब संघर्ष करते हैं जब किसी प्रश्न के लिए उन तथ्यों की आवश्यकता होती है जो उनके पास नहीं हैं। इसे हल करने के लिए, शोधकर्ताओं ने ऐसी प्रणालियाँ बनाई हैं जो रुक सकती हैं, एक बाहरी डेटाबेस में जानकारी खोज सकती हैं, और फिर उत्तर लिखना जारी रख सकती हैं। यह प्रक्रिया, जिसे 'रिट्रीवल-ऑगमेंटेड जनरेशन' (retrieval-augmented generation) कहा जाता है, कंप्यूटर को एक सुशिक्षित विद्वत के रूप में कार्य करने की अनुमति देती है जिसे पता होता है कि संदर्भ पुस्तक का परामर्श कब लेना है। हालाँकि, जानकारी खोजना मुफ्त नहीं है; इसमें समय और कंप्यूटिंग शक्ति लगती है। यदि कोई कंप्यूटर हर एक प्रश्न के लिए तथ्य खोजता है, यहाँ तक कि उन सरल प्रश्नों के लिए भी जिन्हें वह अपनी स्मृति से उत्तर दे सकता था, तो प्रणाली धीमी और महंगी हो जाती है। मुख्य चुनौती मशीन को यह सिखाने में है कि कब रुककर खोजना है, और कब अपनी मौजूदा जानकारी के साथ आगे बढ़ना है।

शिनजियांग विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए 'कॉस्ट-अवेयर गेटेड रिट्रीवल' (Cost-Aware Gated Retrieval) नामक एक नई विधि विकसित की है। निर्णय को एक एकल, 'सब-या-कुछ-नहीं' वाले विकल्प के रूप में मानने के बजाय, उन्होंने इस प्रक्रिया को दो अलग-अलग चरणों में विभाजित किया है। पहला चरण लगभग तुरंत होता है, उत्तर के केवल कुछ शब्द लिखने के बाद। इस बहुत शुरुआती चरण में, सिस्टम यह जाँचता है कि क्या प्रश्न इतना सरल है कि बिना किसी सहायता के उत्तर दिया जा सके। यदि कंप्यूटर आश्वस्त महसूस करता है, तो वह खोज को पूरी तरह से छोड़ देता है और उत्तर पूरा कर देता है। यदि वह अनिश्चित है, तो वह साक्ष्य एकत्र करने के लिए पहली खोज करता है। दूसरा चरण केवल तभी होता है जब वह पहली खोज पूरी हो जाती है और कंप्यूटर ने नई जानकारी पढ़ ली होती है। यहाँ, सिस्टम यह निर्णय लेता है कि जो साक्ष्य मिले हैं वे पर्याप्त हैं या उसे लापता विवरणों को खोजने के लिए एक बार फिर से खोज करने की आवश्यकता है। इन दोनों निर्णयों को अलग करके, सिस्टम अनावश्यक खोजों पर समय बर्बाद करने से बच सकता है और साथ ही तब गहराई तक जा सकता है जब वास्तव में इसकी आवश्यकता हो।

शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण दो अलग-अलग प्रकार के प्रश्न-उत्तर डेटासेट पर किया, एक जटिल, बहु-चरणीय तर्क (multi-step reasoning) पर केंद्रित था और दूसरा सामान्य ज्ञान के तथ्यों पर। उन्होंने अपनी नई विधि की तुलना उन प्रणालियों से की जो हमेशा खोज करती हैं और उन प्रणालियों से जो कभी नहीं खोजतीं। अपने पहले परीक्षण में, उन्होंने सिस्टम को सटीकता को प्राथमिकता देने के लिए कॉन्फ़िगर किया, जिससे इसे अधिक बार खोजने की अनुमति मिली यदि इसे लगा कि इससे उत्तर में सुधार हो सकता है। इस संस्करण ने हमेशा खोजने वाले सिस्टम की तुलना में खोजों की संख्या को लगभग आधा कर दिया, जबकि कठिन तर्क वाले प्रश्नों पर सटीकता में लगभग एक पूर्ण प्रतिशत अंक की रिकवरी भी की। एक दूसरे परीक्षण में, उन्होंने सिस्टम को गति को प्राथमिकता देने के लिए ट्यून किया। इस संस्करण ने एक प्रश्न का उत्तर देने में लगने वाले कुल समय को लगभग तेरह प्रतिशत कम कर दिया और खोजों की संख्या को लगभग पैंतालीस प्रतिशत कम कर दिया। सिस्टम ने बिना किसी ध्यान देने योग्य देरी के इस बचत को हासिल किया; निर्णय लेने में खर्च किया गया अतिरिक्त समय कुल समय का शून्य दशमलव दो प्रतिशत से भी कम था।

अध्ययन से पता चलता है कि सबसे बड़ी उपलब्धि यह जानने में है कि कब रुकना है। शोधकर्ताओं ने पाया कि एक कंप्यूटर अक्सर उत्तर के पहले कुछ शब्दों के भीतर ही बता सकता है कि कोई प्रश्न सरल है या जटिल। जब सिस्टम ने उस प्रश्न के लिए खोज को छोड़ दिया जिसे वह आत्मविश्वास के साथ उत्तर दे सकता था, तो उसने महत्वपूर्ण समय बचाया। हालाँकि, शोध ने एक विशिष्ट कमजोरी को भी उजागर किया: सिस्टम कभी-कभी उन जटिल प्रश्नों के लिए खोज की आवश्यकता को चूक जाता था जिनमें सूचना के दो अलग-अलग हिस्सों को जोड़ने की आवश्यकता होती थी। इन मामलों में, कंप्यूटर अपने प्रारंभिक उत्तर में आश्वस्त महसूस कर रहा था लेकिन वास्तव में एक महत्वपूर्ण कड़ी गायब थी। जहाँ नया तरीका कई बेकार खोजों से बचने में सफल रहा, वहीं यह अभी भी हर उस प्रश्न को पूरी तरह से पहचानने में सक्षम नहीं था जिसे दूसरी बार देखने की आवश्यकता थी। शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि उनका दो-चरणीय दृष्टिकोण गति और सटीकता के बीच संतुलन बनाने का एक व्यावहारिक तरीका प्रदान करता है, लेकिन भविष्य में सुधार का सबसे महत्वपूर्ण क्षेत्र सिस्टम को उन छिपी हुई ज्ञान संबंधी कमियों को पहचानने के लिए सिखाना है, इससे पहले कि वह किसी उत्तर के प्रति प्रतिबद्ध हो जाए।