PAK: A Survey-Grounded Synthetic Persona Dataset of the Korean Cultural Arts Workforce
यह शोध पत्र PAK को प्रस्तुत करता है, जो कोरियाई सांस्कृतिक कला कार्यबल का पहला सिंथेटिक पर्सोना डेटासेट है, जिसमें इटरेटिव प्रोपोर्शनल फिटिंग का उपयोग करके 2024 के कोरियाई कलाकारों के सर्वेक्षण से पुनर्गठित 30,000 सांख्यिकीय रूप से आधारित पर्सोना शामिल हैं, साथ ही इसके वितरण संबंधी सटीकता और कथात्मक गुणवत्ता का एक व्यापक मूल्यांकन भी दिया गया 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 न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आर्टिफिशियल इंटेलिजेंस की दुनिया में, कंप्यूटर बोलना, लिखना और यहाँ तक कि लोगों की तरह व्यवहार करना भी सीख रहे हैं। उन्हें इंसानों की तरह व्यवहार करना सिखाने के लिए, शोधकर्ता अक्सर "पर्सोना" (persona) का उपयोग करते हैं—डिजिटल प्रोफाइल जो किसी व्यक्ति की आयु, नौकरी, शौक और इतिहास का वर्णन करते हैं। ये प्रोफाइल एक पटकथा की तरह कार्य करते हैं, जो कंप्यूटर को बताती है कि बातचीत में कैसे प्रतिक्रिया देनी है। वर्षों से, ये पटकथाएँ काल्पनिक रही हैं या इंटरनेट के यादृच्छिक पोस्टों से ली गई हैं, जिसका अर्थ है कि वे वास्तविक दुनिया की सटीकता के मामले में अक्सर चूक जाती हैं। वे ऐसी नौकरी का आविष्कार कर सकती हैं जो अस्तित्व में ही नहीं है या किसी व्यक्ति को ऐसा जीवन इतिहास दे सकती हैं जो उसकी आयु के विपरीत हो। बेहतर, अधिक विश्वसनीय एआई बनाने के लिए, वैज्ञानिकों को इन डिजिटल लोगों को ठोस तथ्यों के आधार पर बनाने का एक तरीका चाहिए, जिससे यह सुनिश्चित हो सके कि आय से लेकर करियर की अवधि तक का हर विवरण उस डेटा से मेल खाता है जो हमें वास्तविक आबादी के बारे में पता है।
कोरिया एडवांस्ड इंस्टीट्यूट ऑफ साइंस एंड टेक्नोलॉजी के एक शोधकर्ता ने 'PAK' नामक एक नया संसाधन बनाकर इस समस्या का समाधान किया है, जो कोरियाई सांस्कृतिक कला कार्यबल का प्रतिनिधित्व करने वाले तीस हजार सिंथेटिक पर्सोना का एक संग्रह है। अनुमान लगाने या वेब से डेटा निकालने के बजाय, यह परियोजना प्रत्येक डिजिटल व्यक्ति को आधिकारिक सरकारी आंकड़ों का उपयोग करके शून्य से निर्मित करती है। टीम ने 2024 के 'सर्वे ऑफ कोरियन आर्टिस्ट्स' से शुरुआत की, जो एक विशाल राष्ट्रीय रिपोर्ट है और 3,30,000 से अधिक पंजीकृत कलाकारों के जीवन को ट्रैक करती है। यह सर्वेक्षण एक विस्तृत मानचित्र प्रदान करता है, जो दिखाता है कि कितने कलाकार साहित्य बनाम फिल्म में काम करते हैं, उनकी आयु क्या है, वे कहाँ रहते हैं, और वे कितना कमाते हैं। चुनौती यह थी कि सर्वेक्षण ने केवल सारांश तालिकाएँ जारी की थीं, न कि व्यक्तिगत उत्तरों की पूरी सूची। शोधकर्ताओं को गायब विवरणों को पुनर्गठित करने के लिए एक गणितीय पद्धति का उपयोग करना पड़ा, जिससे यह सुनिश्चित हुआ कि तीस हजार डिजिटल लोगों का अंतिम समूह लिंग से लेकर करियर के अंतराल तक, प्रत्येक श्रेणी के लिए आधिकारिक आंकड़ों से पूरी तरह मेल खाता हो।
एक बार जब सांख्यिकीय ढांचा तैयार हो गया, तो शोधकर्ताओं ने प्रत्येक डिजिटल व्यक्ति को एक आवाज दी। एक लार्ज लैंग्वेज मॉडल का उपयोग करते हुए, उन्होंने प्रत्येक पर्सोना के लिए सत्रह अलग-अलग कथा खंड लिखे, जिसमें उनके रचनात्मक दर्शन और पारिवारिक जीवन से लेकर उनके दैनिक शौक और यात्रा की आदतों तक सब कुछ शामिल था। यह सुनिश्चित करने के लिए कि ये कहानियाँ तर्कसंगत हों, टीम ने उन लोगों के लिए एक विशेष जांच जोड़ी जिन्होंने अपने करियर की शुरुआत देरी से की थी। शुरुआती परीक्षणों में, कंप्यूटर अक्सर गलती करता था: यह एक साठ वर्षीय कलाकार के बारे में कहानी लिख देता था जिसने बचपन से पेंटिंग की थी, भले ही डेटा कहता था कि उन्होंने अपने पचास के दशक में काम शुरू किया था। शोधकर्ताओं ने कंप्यूटर को पहले व्यक्ति की आयु और करियर की अवधि देखने के लिए प्रशिक्षित करके इसे ठीक किया। यदि डेटा में देरी से शुरुआत दिखाई देती थी, तो कहानी को फिर से लिखा जाता था ताकि कलात्मक करियर से पहले के अन्य व्यवसायों का वर्णन किया जा सके, जिससे विरोधाभास दूर हो सके और चरित्र अधिक वास्तविक महसूस हो सके।
परिणामस्वरूप एक ऐसा डेटासेट प्राप्त हुआ जहाँ प्रत्येक संख्या को एक प्रकाशित सरकारी तालिका से जोड़ा जा सकता है, और प्रत्येक कहानी उन नंबरों के साथ सुसंगत है। शोधकर्ताओं ने कई तरीकों से इस कार्य का परीक्षण किया। उन्होंने सांख्यिकी की जाँच की और पाया कि डिजिटल समूह वास्तविक सर्वेक्षण परिणामों के लगभग पूरी तरह से मेल खाता है, जिसमें पूर्णकालिक रोजगार और अनुबंध अनुभव जैसे प्रमुख क्षेत्रों में अंतर एक प्रतिशत से भी कम था। उन्होंने मानव विशेषज्ञों और अन्य कंप्यूटर मॉडलों से कहानियों को पढ़ने और उनकी गुणवत्ता का निर्णय देने के लिए भी कहा। विशेषज्ञों ने पाया कि हालांकि कहानियाँ आम तौर पर सुसंगत और डेटा पर आधारित थीं, लेकिन वे हमेशा पूर्ण नहीं थीं; लगभग आधे प्रवाह स्कोर औसत थे, जो यह सुझाव देते हैं कि लेखन एक पॉलिश किए हुए मानवीय निबंध के बजाय एक टेम्पलेट का पालन कर रहा था। हालाँकि, कंप्यूटर मॉडल कहानियों को पढ़ पाने और लोगों के बारे में छिपे हुए तथ्यों का सही अनुमान लगाने में सक्षम थे, जिससे यह सिद्ध हुआ कि कथाओं में वास्तविक जानकारी थी न कि केवल यादृच्छिक शब्द।
यह परियोजना यह दावा नहीं करती है कि इसने वास्तविक कलाकारों के वास्तविक, जीवंत अनुभवों को पकड़ लिया है, और न ही इसमें वास्तविक सर्वेक्षण उत्तरदाताओं का कोई निजी डेटा शामिल है। यह एक नियंत्रित सिमुलेशन है, एक उपकरण जिसे शोधकर्ता यह परीक्षण करने के लिए डिज़ाइन किया गया है कि एआई सिस्टम विशिष्ट सांस्कृतिक समूहों को कितनी अच्छी तरह समझते हैं। सांख्यिकीय रूप से सटीक और आंतरिक रूप से सुसंगत डिजिटल लोगों का एक सेट प्रदान करके, PAK कोरियाई भाषा में भाषा मॉडलों के मूल्यांकन के लिए एक नया मानक प्रस्तुत करता है। यह दिखाता है कि तथ्यों को मनगढ़ंत बनाने के बजाय वास्तविक डेटा की सीमाओं का सम्मान करते हुए सिंथेटिक दुनिया बनाना संभव है, जिससे एक ऐसा संसाधन तैयार होता है जो भविष्य के आर्टिफिशियल इंटेलिजेंस अध्ययनों के लिए पुन: प्रयोज्य और पुनरुत्पादक दोनों 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।