इंटरनेट की कल्पना एक विशाल, हलचल भरे शहर के रूप में करें जहाँ हर सेकंड लाखों छोटे डिजिटल कार्य—जैसे कि एक टेक्स्ट भेजना, एक वीडियो स्ट्रीम करना, या एक बैंक ट्रांजेक्शन प्रोसेस करना—आते हैं। इन कार्यों को काम पूरा करने के लिए विशिष्ट "श्रमिकों" (क्लाउड में कंप्यूटर) तक पहुँचाने की आवश्यकता होती है। चुनौती यह है कि यह शहर अराजक है: कभी-कभी एक साथ दस लाख लोग आ जाते हैं (एक ट्रैफिक जाम), और कभी-कभी श्रमिक सो रहे होते हैं। इसे सुचारू रूप से चलाने के लिए, हमें एक ट्रैफिक पुलिस की आवश्यकता है। कंप्यूटर की दुनिया में, यह पुलिस एक एल्गोरिदम है जो तय करता है कि कौन सा कार्य किस श्रमिक के पास जाएगा।

लंबे समय तक, ये ट्रैफिक पुलिस थोड़े कठोर रहे हैं। वे एक सख्त नियम पुस्तिका का पालन करते हैं: "हमेशा गति को प्राथमिकता दें" या "हमेशा पैसा बचाएं।" लेकिन एक वास्तविक, अव्यवset शहर में, नियमों को बदलने की आवश्यकता होती है। यदि कहीं आग लग जाए, तो आप गति की परवाह करते हैं, लागत की नहीं। यदि यह एक शांत मंगलवार है, तो आप ईंधन बचाने की परवाह कर सकते हैं। यहीं पर रीइन्फोर्समेंट लर्निंग (Reinforcement Learning) आता है। इसे एक ऐसे छात्र के रूप में सोचें जो करके सीखता है; वह अलग-अलग चालें चलता है, उसे "अच्छा काम" या "फिर से कोशिश करें" का संकेत मिलता है, और धीरे-धीरे सबसे अच्छा तरीका सीखता है। हालाँकि, यहाँ तक कि यह स्मार्ट छात्र भी आमतौर पर एक कागज के टुकड़े पर लिखे एक निश्चित लक्ष्य का पालन करता है जो कभी नहीं बदलता। यह एक नए प्रकार के छात्र से परिचय कराता है: जो माहौल को पढ़ सकता है, यह महसूस कर सकता है कि लक्ष्य बदल गया है, और मौके पर ही अपनी नियम पुस्तिका को फिर से लिख सकता है।

पेपर का बड़ा विचार: स्व-समायोजित ट्रैफिक पुलिस (The Self-Adjusting Traffic Cop)

यह शोध पत्र, जिसका शीर्षक "सेल्फ-इवॉल्विंग एजेंटिक रीइन्फोर्समेंट मेटा-लर्निंग फ्रेमवर्क" है, क्लाउड कंप्यूटिंग को प्रबंधित करने का एक नया तरीका प्रस्तावित करता है। लेखक, आर. भवानी, पुनिथासुरिया के, और एस. दिव्या, सुझाव देते हैं कि हमारे डिजिटल ट्रैफिक पुलिस को एक एकल, अपरिवर्तनीय लक्ष्य (जैसे "तेज़ बनें" या "सस्ता बनें") देने के बजाय, हम उसे एक सुपरपावर देते हैं: वर्तमान में जो हो रहा है उसके आधार पर अपने लक्ष्यों को बदलने की क्षमता।

वे इसे सेल्फ-इवॉल्विंग एजेंटिक एआई (Self-Evolving Agentic AI) कहते हैं। एक वीडियो गेम चरित्र की कल्पना करें जो न केवल बाधाओं को कूदकर पार करने का बेहतर तरीका सीखता है; बल्कि एक ऐसे चरित्र की कल्पना करें जो यह महसूस करता है कि, "हे, लेवल अभी एक रेस से बदलकर एक स्टेल्थ मिशन (छिपकर मिशन) में बदल गया है," और तुरंत निर्णय लेता है कि, "ठीक है, मैं तेज़ होने की कोशिश करना बंद कर दूँगा और चुप रहने की कोशिश करना शुरू कर दूँगा।" यही वह सिस्टम है जो क्लाउड सर्वर के लिए करता है।

यह कैसे काम करता है: दो-परत वाला मस्तिष्क (The Two-Layer Brain)

लेखकों ने दो अलग-अलग स्तर की बुद्धिमत्ता वाला एक सिस्टम बनाया है जो एक कंपनी में सीईओ (CEO) और मैनेजर (Manager) की तरह मिलकर काम करते हैं।

1. मैनेजर (एक्शन लर्निंग लेयर): यह वह हिस्सा है जो वास्तव में काम करता है। यह डीप क्यू-नेटवर्क (Deep Q-Network - DQN) नामक तकनीक का उपयोग करता है, जो "एक स्मार्ट कंप्यूटर मस्तिष्क जो परीक्षण और त्रुटि (trial and error) से सीखता है" कहने का एक शानदार तरीका है। मैनेजर वर्तमान स्थिति को देखता है (कितने कार्य प्रतीक्षा कर रहे हैं, कितनी कंप्यूटर शक्ति खाली है) और निर्णय लेता है कि कौन सा कार्य किस सर्वर को जाएगा। यह वर्तमान लक्ष्य के लिए सही चाल चुनने में बहुत अच्छा है।
2. सीईओ (गोल इवोल्यूशन लेयर): यह नया, विशेष हिस्सा है। सीईओ कार्यों को इधर-उधर नहीं भेजता है। इसके बजाय, वह मैनेजर और पूरे सिस्टम पर नज़र रखता है। वह पूछता है, "क्या मैनेजर अच्छा काम कर रहा है?" यदि सिस्टम जाम हो रहा है, तो सीईओ कह सकता है, "पैसे बचाने की चिंता छोड़ो; हमारा नया लक्ष्य तेज़ होना है!" यदि सिस्टम सुचारू रूप से चल रहा है लेकिन लागत बहुत अधिक है, तो सीईओ कहता है, "ठीक है, चलिए पैसा बचाने की ओर स्विच करते हैं।" यह परत मेटा-लर्निंग (Meta-Learning) का उपयोग करती है, जो मूल रूप से "सीखना कैसे सीखें" है। यह सर्वोत्तम लक्ष्य कैसे निर्धारित किए जाएं, यह सीखता है।

ये दो परतें एक लूप में एक-दूसरे से बात करती हैं। मैनेजर अपना काम करने की कोशिश करता है, सीईओ परिणामों की जाँच करता है, और यदि परिणाम अच्छे नहीं हैं, तो सीईओ लक्ष्य बदल देता है। फिर मैनेजर नए लक्ष्य के साथ फिर से प्रयास करता है। यह स्वचालित रूप से होता है, बिना किसी मानवीय हस्तक्षेप के।

टेस्ट ड्राइव: अलीबाबा सिटी

यह देखने के लिए कि क्या यह विचार वास्तव में काम करता है, लेखकों ने केवल अनुमान नहीं लगाया। उन्होंने अलीबाबा (Alibaba) के वास्तविक डेटा का उपयोग करके एक सिमुलेशन बनाया, जो दुनिया की सबसे बड़ी ई-कॉमर्स और क्लाउड कंपनियों में से एक है। उन्होंने अलीबाबा क्लस्टर ट्रेस डेटासेट (Alibaba Cluster Trace dataset) का उपयोग किया, जिसमें रिकॉर्ड है कि कैसे लाखों वास्तविक कार्य आए और उन्होंने कंप्यूटर संसाधनों का उपयोग कैसे किया। यह एक नए कार का परीक्षण एक ऐसे ट्रैक पर करने जैसा है जो पूरी तरह से एक वास्तविक शहर के अराजक ट्रैफिक की नकल करता है, जिसमें अचानक भीड़-भाड़ वाले घंटे और अजीब मोड़ भी शामिल हैं।

उन्होंने अपने नए "सेल्फ-इवॉल्विंग" सिस्टम का परीक्षण ट्रैफिक प्रबंधन के पुराने, मानक तरीकों के विरुद्ध किया:

• एफसीएफएस (FCFS - First-Come, First-Served): जैसे किराने की दुकान की लाइन जहाँ आप बस अपनी बारी का इंतज़ार करते हैं, चाहे कुछ भी हो।
• राउंड रॉबिन (Round Robin): जैसे ताश के पत्ते बांटना, हर सर्वर को एक कार्य देना।
• ह्यूरिस्टिक मेथड्स (Heuristic Methods): अनुभव के नियम, जैसे "हमेशा बड़े कार्यों को सबसे बड़े सर्वर पर भेजें।"
• स्टैंडर्ड डीक्यूएन (Standard DQN): एक स्मार्ट सिस्टम, लेकिन एक निश्चित लक्ष्य के साथ जो कभी नहीं बदलता।

उन्हें क्या मिला: वह सिस्टम जो अनुकूलित होता है

उनके सिमुलेशन के परिणाम दर्शाते कि सेल्फ-इवॉल्विंग सिस्टम अन्य सभी की तुलना में काफी बेहतर था, विशेष रूप से जब वर्कलोड बहुत अधिक हो गया (जैसे कि फ्लैश सेल या वायरल वीडियो इवेंट के दौरान)।

यहाँ उन सुधारों का विवरण दिया गया जिन्हें उन्होंने अपने सिमुलेशन में मापा:

• लेटेंसी (प्रतीक्षा समय): नए सिस्टम ने कार्यों के संसाधित होने के लिए प्रतीक्षा समय को बुनियादी "फर्स्ट-कम-फर्स्ट-सर्वेड" पद्धति की तुलना में लगभग 50% कम कर दिया। उनके आंकड़ों में, पुराने तरीके में 140 ms का विलंब था, जबकि नए सिस्टम ने इसे घटाकर 69 ms कर दिया।
• लागत (Cost): सर्वरों के उपयोग के बारे में स्मार्ट होकर, सिस्टम ने परिचालन लागत को लगभग 47% कम कर दिया। लागत पुराने तरीके के $115** से गिरकर **$61 हो गई।
• रिसोर्स यूटिलाइजेशन (संसाधन उपयोग): सिस्टम ने उपलब्ध कंप्यूटरों का बेहतर उपयोग किया। जहाँ पुराने तरीके कई सर्वरों को खाली या दूसरों को ओवरलोड छोड़ देते थे, वहीं नए सिस्टम ने उपयोग को 94% पर रखा, जबकि बुनियादी पद्धति के लिए यह केवल 60% था।
• थ्रूपुट (Throughput): सिस्टम प्रति सेकंड अधिक कार्यों को संभाल सका, जो 86 कार्य/सेकंड तक पहुँच गया, जो बेसलाइन से 70% का सुधार है।
• ऊर्जा (Energy): क्योंकि यह खाली बैठे सर्वरों पर बिजली बर्बाद नहीं कर रहा था, ऊर्जा खपत में 44% की गिरावट आई, जो 95 kWh से घटकर 53 kWh रह गई।

लेखकों ने अलग-अलग रैंडम स्टार्ट के साथ सिमुलेशन को 10 बार चलाया ताकि यह सुनिश्चित हो सके कि परिणाम केवल किस्मत नहीं थे। नया सिस्टम अपने प्रदर्शन में बहुत कम भिन्नता के साथ सुसंगत रहा, जिससे साबित हुआ कि यह स्थिर और विश्वसनीय है।

यह क्यों महत्वपूर्ण है

पेपर सुझाव देता है कि वर्तमान स्मार्ट सिस्टम के साथ सबसे बड़ी समस्या यह है कि वे बहुत जिद्दी हैं। वे दौड़ जीतने की कोशिश करते रहते हैं भले ही खेल बदलकर एक पहेली बन गया हो। सिस्टम को अपने लक्ष्य बदलने की अनुमति देकर, यह वास्तविक दुनिया की अप्रत्याशित प्रकृति को बहुत बेहतर तरीके से संभाल सकता है।

लेखक नोट करते हैं कि हालांकि नए सिस्टम को निर्णय लेने में थोड़ा अधिक समय लगता है (सबसे सरल पद्धति के 1.2 मिलीसेकंड की तुलना में लगभग 7.9 मिलीसेकंड), यह छोटा सा विलंब गति, लागत और दक्षता में भारी लाभ के लिए पूरी तरह से सार्थक है। वे यह भी स्वीकार करते हैं कि बहुत शांत, कम-ट्रैफिक वाली स्थितियों में, इसका लाभ उतना बड़ा नहीं है, लेकिन आधुनिक क्लाउड कंप्यूटिंग की व्यस्त, अराजक दुनिया में, यह सेल्फ-इवॉल्विंग दृष्टिकोण सब कुछ सुचारू रूप से चलाने की कुंजी प्रतीत होता है।

संक्षेप में, यह पेपर एक ऐसे भविष्य का प्रस्ताव करता है जहाँ हमारे डिजिटल ट्रैफिक पुलिस केवल एक मानचित्र का पालन नहीं कर रहे हैं; वे ट्रैफिक को पढ़ रहे हैं, शहर के मूड को महसूस कर रहे हैं, और सबको तेज़ी से और सस्ते में उनकी मंजिल तक पहुँचाने के लिए खुद अपना नक्शा फिर से लिख रहे हैं।